Анализ Probability Plot . Определение природного борта
Для целей интерполяции содержаний полезных компонент вариограммы строятся по "рудным" пробам в "природном" понимании.
Пробы заведомо пустой породы для построения вариограмм содержаний заведомо исключаются.
Для этого необходимо определить границу пустая порода/ рудная минерализация.
Это граничное содержание обычно называется "природным бортом".
"Природный борт" может быть выбран геологом на основании экспертных оценок.
В данном курсе мы изучаем как выбрать на основании статистического анализа.
Для оценки корректности выбора природного борта рекомендуется пользоваться следующими критериями:
· природный борт не должен быть ниже порога чувствительности самого грубого аналитического метода
· природный борт не должен быть выше экономического природного борта
Основной статистический критерий: природный борт должен быть началом первого интервала содержаний, однородного по статистическим характеристикам: среднему и дисперсии.
В нашем примере:
На инкрементной гистограмме содержания AU с логарифмической шкалой видно два пика на 0.1 и 0.2 г/т.
Очевидно, что это результат по пробам, содержание в которых было ниже порога чувствительности.
Отсюда вывод: лаборатория не может дифференцировать содержания ниже 0.2г/т.
Соответственно, мы должны брать природный борт не ниже 0.2г/т.
Для данного месторождения для ОГР бортовое содержание 1.1г/т.
|
|
|
Соответственно, природный борт мы не должны брать ниже 0.2г/т и выше 1.1г/т.
По графику Log Probability Plot for Au (для содержания Au, логарифмическая шкала) мы видим:
1. Выделяются несколько прямолинейных участков, на которых распределение содержаний однородно и выдерживаются среднее и дисперсия.
2. Первый прямолинейный участок от 0.25г/т до 3г/т соответствует убогой и бедной руде
3. Второй прямолинейный участок от 3г/т до 10-11 г/т соответствует рядовой руде
4. Третий прямолинейный участок от 10-11 г/т до 40-50 г/т соответствует богатой руде
5. Выше 50г/т идут ураганные пробы
Рудная минерализация начинается с 0.25 г/т.
Выводы:
· Природный борт Au для разделения на рудную минерализацию и пустую породу принимаем равным 0.25г/т. Пробы с содержанием ниже 0.25г/т исключались при расчете вариограмм как пустая порода.
· Предварительная оценка нижней границы ураганов = 42г/т
Оценка нижней границы ураганов
В предыдущем разделе мы оценили нижнюю границу ураганных содержаний для Au как 42г/т. Т.е. проба с содержанием 42г/т и выше будет считаться ураганной.
Это далеко не самый точный способ.
Так же, не факт, что урезка ураганных содержаний до 42г/т что-то улучшит в нашей интерполяции.
|
|
|
Существуют следующие методы выбора нижней границы ураганов в порядке усложнения и степени обоснования:
1. По графику ранжированных содержаний. Берется точка, где график начинает идти вертикально вверх
Самый простой и примитивный способ. Но и наименее точный.
2. По Probability Plot. Показано как применять в предыдущем примере.
3. По квантилям: нижняя граница ураганов берется 98% или 99% квантиль
4. По коэффициенту вариации: делается несколько вариантов урезки ураганов. Приемлем тот, на котором коэффициент вариации 1.5 и ниже. Потери металла при урезке не должны быть более 5%. Если это не соблюдается, рекомендуется использовать зональный контроль по классам содержаний или использовать нелинейные методы интерполяции: индикаторный кригинг, Uniform Conditioning и другие.
5. По распределению линейных запасов металла: по квантилям проводится анализ распределения линейных запасов металла. В ураганных пробах должно быть не менее 10% металла и не более 20% (иначе в оценке минеральных запасов потеряем много металлов)
6. По сопоставлению MEAN (среднего) и LOGESTMEAN (логарифмической оценки среднего). Делается несколько вариантов урезки ураганов по пробам и сопоставляются среднее и логарифмическая оценка средного. Чем они ближе, тем обрезка лучше.
|
|
|
Нередко, делают оценку оптимальной нижней границы ураганов несколькими методами и уже геолог выбирает, что ближе его воззрениям.
По методам обработки ураганов существует два подхода:
I. Урезка ураганных содержаний: ураганное содержание уменьшается до нижней границы ураганов
II. Геометризация области распространения ураганных проб (индикаторный подход): в блочной модели создается зона распространения ураганных проб и интерполяция ураганных содержаний ведется только туда.
Подход II лучше: мы не теряем в оценке металл ураганных проб и не производим разбодяживания ураганных содержаний по всей модели, искажая распределение минерализации и оценку минеральных ресурсов.
Самое главное:
А. Используемая нижняя граница ураганов и выбранный метод обработки ураганов не должен приводить к существенному (более 5%) занижению металла минеральных ресурсов.
Б. Используемая нижняя граница ураганов и выбранный метод обработки ураганов не должен приводить к заражению высокими содержаниями ячеек в зоне бедных и рядовых руд, содержания не очень богатых руд не должны завышаться.
|
|
|
В. Используемый метод интерполяции должен соответствовать данному распределению вероятности для содержаний. Если после обработки ураганов коэффициент вариации остается существенно больше 1.5, рекомендуется использовать зональный контроль по классам содержаний или нелинейные методы интерполяции.
В данном курсе мы рассматриваем только линейные методы интерполяции и обоснование нижней границы ураганов двумя методами:
· По Probability Plot
· По распределению линейных запасов металла (процесс QUANTILE)
Остальная премудрость сосредоточена в курсе "Продвинутая геостатистика".
Декластеризация
Для обеспечения максимальной представительности и достоверности геологической информациимы должны обеспечить равномерное покрытие площади разведочных работ сетью бурения и опробования. Принятое на практике избыточно плотное опробование участков с высокими содержаниями с целью получения надежных данных для начального периода работы рудника неизбежно приведёт к завышению среднего содержания в целом по месторождению, определяемого обычными статистическими расчетами.
Если такой массив информации непосредственно использовать для интерполяции по блочной модели, то мы, скорее всего, столкнемся со смещением оценки среднего содержания, т.к. влияние более плотно опробованных центральных зон будет преобладающим по сравнению с недостаточно разведанными флангами месторождения.
В системе Датамайн имеется процесс DECLUST, который осуществляет декластеризацию данных перед использованием их в интерполяции содержаний. На входе в него задается следующая информация:
§ Исходный файл опробования
§ Метод декластеризации:
1. Выбор пробы из существующих проб или добавление псевдопробы в центре ячейки сети
o Случайный выбор пробы внутри заданной ячейки сетки (каждый раз новый выбор)
o Псевдослучайный выбор проб внутри ячейки сетки (всегда повторяется)
o Выбирается ближайшая к центру ячейки сетки проба
o Используется среднее проб внутри ячейки сетки, присваиваемое точке в центре ячейки
2. Расчет веса каждой существующей пробы
§ Размеры сети для 3-х осей координат
§ Координаты начальной точки пространственного прямоугольного параллелепипеда, в котором будет размещена заданная сеть точек.
На рис. 4.1. показаны результаты декластеризации массива проб программой DECLUST по сетке 10*10 м.
Рисунок 4.1. Размещение проб на участке: А – до декластеризации, В – после нее, при выборе ближайшей пробы к центру ячейки пространственной сетки
Можно использовать процесс DECLUST для нескольких вариантов размера сетки и затем вычислить среднее, дисперсию и построить гистограмму для полученного множества проб каждого варианта (рис. 4.2). Это позволит выбрать такой вариант сети, который дает минимальное значение среднего. Считается, что этот вариант будет оптимальным для декластеризации.
Если выбран второй вариант - метод декластеризованных весов, то программа рассчитывает для каждой пробы параметр DCWEIGHT:
DCWEIGHT = NDATA / NCELLS / NPERCELL,
где:
NDATA – общее число проб
NCELLS - число ячеек, содержащих 1 и более проб
NPERCELL - число проб в ячейке сети
Сумма весов по всем пробам равняется общему количеству проб (NDATA). Поэтому, если проба найдется в области высокой плотности, то у нее вес будет меньше чем 1, и если она будет в области низкой плотности, то вес у нее будет больше чем 1. Выходной Файл декластеризованных весов может использоваться, чтобы преобразовать данные в нормальное распределение для входа к процессы SGSIM или NSCORE модуля Condition Simulation (см. главу 5).
Одна из проблем с этим методом декластеризации - то, что различные размеры сетки произведут различную статистику. Однако, обычно используется регулярная сетка с размером близким к среднему размеру интервала опробования.
Рисунок 4.2. Результаты декластеризации: слева - сырые данные. (среднее = 436, дисперсия = 89910), справа – случайные пробы по сетке 22*22 м. (среднее = 284, дисперсия = 60800)
Основные параметры процесса DECLUST:
Выходной файл содержит весовые коэффициенты декластеризации DCWEIGHT для каждой пробы, которые используются для снижения влияния неоднородности плотности разведочной сети при изучении распределения вероятностей для пространственно распределенных параметров: содержаний в пробах, геомеханических параметров и т.д.
Основной результат – весовой коэффициент декластеризации
В процессе DECLUST все пространство от заданных начальных координат XORIG, YORIG, ZORIG (в примере 0,0,0), разбивается на ячейки XGRIDхYGRIDхZGRID (в примере 20х20х15).
Формула расчета весового коэффициента декластеризации
DCWEIGHT = NDATA / NCELLS / NPERCELL,
где:
NDATA – общее число проб
NCELLS - число ячеек, содержащих 1 и более проб
NPERCELL - число проб в ячейке сети
Например, общее число проб = 10 000, число ячеек, содержащих 1 и более проб = 2 000, в данной конкретной ячейке 10 проб, весовой коэффциент будет равен:
DCWEIGHT = 10 000/ 2 000 /10 = 0.5
Если пробы гуще на участке, чем в среднем по месторождению, весовой коэффициент будет ниже единицы.
Если реже, чем в среднем по месторождению – выше единицы.
По завершению процесса DECLUST пользователь может увидеть результаты расчета весовых коэффициентов:
Например, если в ячейке декластеризации – одна проба, ее вес декластеризации будет 28.75, если 7 проб, то весовой коэффициент каждой пробы будет 4.11
Дата добавления: 2019-03-09; просмотров: 922; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!