Геостатистический анализ позволяет сделать выводы о степени неоднородности месторождений, обосновывается необходимость деления его на участки однородного строения. Анализ заключается в построении гистограмм, построении и заверке модели вариограмм в пространстве, оценке анизотропии, кластеризации данных. В зависимости от вида распределения качественных показателей ПИ в рудном массиве обосновывается выбор метода интерполяции данных (индикаторный кригинг, кригинг с внешним дрейфом или др.) [11, 12, 15-17].
Таким образом в результате геостатистического анализа выполняется основная задача по определению параметров и выбору алгоритма построения блочной модели месторождения.
Кроме алгоритма и параметров интерполяции данных, ограничивающих каркасные и цифровые топографические модели месторождения, необходимо определить размеры структурных единиц блоков.
Факторы, влияющие на размеры блоков модели:
- плотность разведочной сети и горно-геологические условия разработки месторождения, конфигурация границ рудных тел;
- пространственная изменчивость содержания полезных компонентов и параметров системы отработки месторождения;
- размеры блоков модели и их соответствие параметрам выемочной единицы (на открытых горных работах высота блока модели принимается кратной высоте уступа в карьере).
При блочном моделировании качества ПИ следует учитывать следующее: пространственную изменчивость качества ПИ выбором модели вариограммы; размеры блока модели должны отражать анизотропию качественных показателей (генеральное направление изменчивости);
- размер основных блоков (ячеек) модели не должен быть меньше половины среднего расстояния между пробами в анализируемом направлении;
- при детализации блочной модели в случаях сложных рудных тел (тонкие линзы, выклинивание рудных тел на флангах, отсутствие четких контактов и т.п.) основные блоки блочной модели разделяются на подъячейки (субблоки).
При построении вариограмм необходимо учитывать следующие их основные параметры:
- порог - величину дисперсии проб, при достижении которой рост вариограммы ограничивается;
- зону влияния - максимальное расстояние между точками данных, между которыми существует корреляция;
- эффект самородка - долю случайной составляющей вариации, которая не изменяется при сгущении сетки скважин.
Для достоверного интерполирования данных важно выбрать правильную модель (функцию) экспериментальной вариограммы. Наибольшее распространение на практике получили следующие виды функций вариограммы: сферическая, линейная, экспоненциальная, модель эффекта включений, модель эффекта самородков. Другим вариантом выбора модели вариограммы является построение аппроксимирующего полинома и оценка значимости выявленных закономерностей с помощью дисперсионного анализа.
На рис. 7 представлена реализованная в программных продуктах GeoviaSurpac блочная модель планируемого угольного разреза Одегельдей (Республика Тыва). В результате проведенных исследований и моделирования участка месторождения каменного угля Одегельдей установлено следующее:
- 66 % запасов участка характеризуется зольностью от 20 до 30 %;
- 21 % запасов участка составляют высококачественные низкозольные угли с высокой теплотой сгорания;
- 13 % запасов представлено углями с повышенной зольностью (30-35 %) (рис. 8).
Рис. 7. Облако точек, характеризующее блочную модель с качественными характеристиками угля разреза Одегельдей (зольность, теплота сгорания, выход летучих веществ и др.)
Рис. 8. План горизонта +1260 м разреза Одегельдей в конечном положении с указанием зон высокозольного и низкозольного угля
Выводы
Разработана методика блочного моделирования качественных показателей ПИ в карьерном пространстве (в плане и по глубине). В основу методики заложены принципы создания блочной модели геологического объекта и интерпретации полученных данных программными средствами ГГИС. Результаты блочного моделирования позволяют в экспресс-режиме производить геометризацию качественных характеристик ПИ, способствуют выявлению сортовых закономерностей в недрах для последующего использования при планировании горных работ, а также при разработке более эффективных технологий рудоподготовки и управления качеством сырья на горном предприятии.
Этапы построения блочной модели месторождения состоят из следующих операций: преобразование подготовленных данных в нормализованную геологическую базу данных;
- анализ особенностей моделируемого объекта и определения оптимальных условий для его моделирования;
- обоснование и выбор метода пространственной интерполяции данных (метод обратных расстояний или др.);
- композитирование данных по скважинам с заданным интервалом;
- создание блочной модели.
Основные этапы создания блочной модели горно-геологического объекта (месторождения):
- обоснование размеров блоков и их пространственного положения;
- создание геометрической модели (при сложной конфигурации рудного тела рекомендуется уточнение ее каркаса на основе индикаторного кригинга);
- интерполяция и экстраполяция данных на основании принятого в результате геостатистической оценки алгоритма;
- заполнение блоков модели полученными в результате анализа геоданными.
В результате апробирования предложенной методики (см. рис. 1) построены блочные модели, разрезы и погоризонтные планы по группе месторождений (комплексных руд, каменного угля и др.), при этом для интерполяции геоданных использовались методы триангуляции Д. Шепарда, кригинг и радиально-базисный метод.
Результаты исследований на примере планируемых к разработке месторождений позволили установить:
- рациональные места заложения разрезных траншей при проектировании вскрытия Серовского месторождения комплексных руд;
- высокую изменчивость качественных показателей ПИ на Серовском месторождении и необходимость тщательного погоризонтного анализа распределений полезных компонентов при проектировании и отработке месторождения.
Предложенная методика моделирования позволила выбрать оптимальный порядок вскрытия, составить рациональный календарный план отработки разреза Одегельдей и построить карты зольности как основу для создания системы управления качеством на планируемом разрезе Одегельдей.
Подтверждена универсальность методики блочного моделирования качества ПИ, которая может быть использована на любом месторождении для решения конкретных горнотехнических задач. Представленные результаты служат основой для разработки положений методики управления качеством минерального сырья и совершенствования планирования горных работ в режиме управления качеством.
Литература
1. Демьянов В.В., Савельева Е.А. Геостатистика: теория и практика / Ин-т проблем безопасного развития атомной энергетики РАН. М.: Наука, 2010. 327 с.
2. Кантемиров В.Д., Титов Р.С., Яковлев А.М. Возможности компьютерного моделирования для решения вопросов управления качеством минерального сырья // Пробл. недропользования / ИГД УрО РАН. 2016. № 4. С. 170-176. - trud.igduran.ru.
3. Кузнецов О.Л., Никитин А.А., Черемисина Е.Н. Геоинформатика и геоинформационные системы. М.: ВНИИгеосистем, 2005. 453 с.
4. Методические рекомендации по созданию информационного обеспечения САПР-карьеров. Редакция 1-82. М.: ИПКОН АН СССР, 1983. 58 с.
5. Хохряков В.С., Корнилков С.В., Сивков М.Н. и др. Геоинформационная плотность математических моделей горного предприятия // Изв. вузов. Горн.журн. 1990. № 9. С. 14-20.
6. Хохряков В.С. Геоинформационный метод математического моделирования // Физ.-техн. пробл. разработки полезных ископаемых. 1986. № 5. С. 89-94.
7. Хохряков В.С. Основы информационного обеспечения САПР горного производства // Изв. вузов. Горн.журн. 1986. № 4. С. 4-8.
8. Хохряков В.С. Развитие систем автоматизированного проектирования карьеров // Изв. вузов. Горн.журн. 1989. № 2. С. 25-27.
9. Яковлев В.Л. Исследование переходных процессов - новый методологический подход к разработке и развитию инновационных технологий добычи и рудоподготовки минерального сырья при освоении глубокоза-легающих сложноструктурных месторождений // Пробл. недропользования / ИГД УрО РАН. 2017. № 2. С. 5-14. - trud.igduran.ru.
10. Ясковский П.П. Горно-геологические условия при оценке месторождений. М.: МГГА, 2001. 37 с.
11. Afeni T.B., Akeju V.O., Aladejare A.E. A comparative study of geometric and geostatistical methods for qualitative reserve estimation of limest one deposit // Geoscience Frontiers. 2020. Apr. DOI: 10.1016/j.gsf.2020.02.019.
12. Afzal P., Madani N., Shahbeik Sh., Yasrebi A.B. Multi-Gaussian kriging: a practice to enhance delineation of mineralized zones by Concentration-Volume fractal model in Dardevey iron o redeposit, SE Iran // J. Geochem. Exp. 2015. Vol. 158, Nov. P 10-21.
13. Badel M., Angorani S., Panahi M.S. The application of median indicator kriging and neural network in modeling mixed population in an iron ore deposit // Computers and Geosciences. 2011. Vol. 37, iss. 4. P. 530-540.
14. Dell'Accio F., Di Tommaso F. On the hexagonal Shepard method // Appl. Num. Mathematics. 2020. Vol. 150. P. 51-64.
15. Marques D.M., Costa Joao Felipe C.L. Choosing a proper sampling interval for the ore feeding a process ingplant: A geostatistical solution // Int. J. Miner. Proc. 2014. Vol. 131. P. 31-42.
16. Mery N., Emery X., Caceres A., Ribeiro D., Cunha E. Geostatistical modeling of the geological uncertainty in an iron ore deposit // OreGeol. Rev. 2017. Vol. 88. P. 336-351.
17. Mohammadpour M., Bahroudi A., Abedi M., Rahimipour G., Khalifani F.M. Geochemical distribution mapping by combining number-size multifractal model and multiple indicator kriging // J. Geochem. Exp. 2019. Vol. 200. P. 13-26.