Геолого-технологическое картирование и моделирование как инструмент разделения между рудой и породой на основании безубыточного бортового содержания

Необходимым и решающим условием для обеспечения рентабельности отработки руды при общем низком уровне извлечения металла является создание геолого-технологических блочных моделей (ГТБМ), учитывающих не только содержание металла в руде, но и технологические свойства руды, среди которых наиболее важными являются коэффициент извлечение полезного компонента из руды, а также показатели физико-механических свойств руд. Преимущество ГТБМ по сравнению с моделью, построенной на основании содержания полезного компонента, связано с тем, что классификация руда/порода основывается на применении к блоку модели условия рентабельности в виде значения безубыточного бортового содержания.

Блоки представляют собой объемы горной массы, в которых оценены содержания по данным блочной модели. При этом также определена технология горных работ и переработки руды, позволяющая оценить наиболее вероятный диапазон затрат на горные работы и переработку руды. В общих чертах стратегия планирования состоит в том, что начальная стадия будет иметь высокий борт, а каждая последующая стадия — более низкий борт благодаря использованию рудных складов с учетом плавающего бортового содержания для текущих экономических условий и текущего этапа планирования. При этом порог разделения между рудой и породой определяется по безубыточному бортовому содержанию (ББС), обеспечивающему окупаемость затрат на добычу.

Формулы для аналитического расчета безубыточного бортового содержания при различных условиях добычи полезного ископаемого и его переработки является предметом исследований и дискуссий (за рамками компетенции автора статьи), поэтому в данной статье рассмотрим (на рис. 1) наиболее простую и показательную формулу, в которой учитываются основные показатели: а) З — затраты на добычу и переработку; б) Ц — цена металла; в) И — извлечение при переработке.

Рис. 1. Формула для аналитического расчета безубыточного бортового содержания и пример разделения между балансовой (розовая штриховка) и забалансовой рудой на фрагменте блочной модели, с указанием в каждом блоке: оцененных содержаний золота по данным блочной модели (слева); справа — рассчитанного безубыточного бортового содержания, (1,0 г/т)

Важно заметить, что несмотря на существующий в России приоритет оконтуривания и оценки запасов руды по утвержденному экспертизой ГКЗ бортовому содержанию, передовые горнодобывающие предприятия приходят к необходимости оконтуривания рентабельных участков недр через применение механизма плавающего бортового содержания по блочным моделям с учетом того, что цена металла и затраты могут изменяться в широких пределах по сравнению с усредненными значениями.

Первым шагом к построению геолого-технологической модели, является разработка программы отбора проб ГТК, что связано с необходимостью классификации интервалов опробования, которые являются неоднородными по природным признакам. Результатом и непременным условием разработки программы отбора является выделение принципов классификации руд на природные типы с целью их последующего объединения в композитные пробы с таким расчетом, чтобы в последующем определить рабочие зависимости между вещественными критериями (например, показателями химического и минералогического состава) и экспериментальными данными технологических исследований проб. Группировка частных проб проводится методом кластеризации интервалов опробования по принципу максимальной однородности интервалов частных проб в составе композитной пробы, путем определение классификационных параметров руд, применимых к частным пробам. Материал для каждой композитной пробы следует отбирать отдельно по каждому из выделенных природных типов.

Анализ геологических материалов позволяет составить лишь предварительную картину природной типизации руд. В ходе анализа данных геологической документации и рядового опробования на примере одного из проектов ГТК установлено, что наиболее информативной характеристикой для выделения природных типов руд являются показатели содержаний Au, Cu и Fe, а также степень окисления и литологическая характеристика. На основании гипотезы о том, что окисленные руды развиты в пределах зон интенсивной гипергенной минерализации, не удалось произвести предварительную типизацию из-за того, что в ходе проведения рядового опробования в рамках поисковых и оценочных работ в недостаточной степени уделено внимание выделению интервалов распространения гипергенных и вторичных минералов, а оцифрованная информация, содержащаяся в базе первичной геологической документации скважин и горных выработок, является малоинформативной и недостаточной для выделения минеральных разновидностей и природных типов руд. Лучшим решением в данной ситуации является возможность в результате построения нейросетевых моделей по данным химического анализа максимально достоверно рассчитать недостающие прогнозные значения степени окисления (там, где отсутствуют лабораторные данные) для рудных интервалов, намеченных для технологического опробования, что является вещественным фактором для природной типизации руд. Таким образом в специализированном пакете статистической обработки ST Neural Networks (SANN) был произведен Кластерный анализ обучение нейронной модели по сети Кохонена для поиска кластеров по двум типа переменных: а) Числовые входные переменные (содержания Au, Cu и Fe, а также степень окисления) и б) Категориальная входная переменные (литологическая характеристика).

Алгоритм Кохонена путем размещения центров радиальных элементов пытается распознать однородные кластеры в множестве наблюдений. В результате итеративной процедуры обучения алгоритм стремится к тому, чтобы элементы сети, соответствующие кластерам, расположенным близко друг к другу в пространстве входов, находились бы близко друг от друга и в топологически упорядоченной выходной сети (рис. 2). После того, как кластеры выявлены, все анализируемые пробы помечаются метками принадлежности к разным кластерам, соответствующим предварительно выделенным четырем природным типам руд. Таким образом кластерный анализ позволил выполнить кластеризации интервалов опробования по принципу максимальной однородности и подтвердил рабочую гипотезу выделения четырех природных типов по двум критериям:

-по 1-му критерию: слабоизмененные и интенсивноизмененные руды;

-по 2-му критерию: первичные и окисленные руды.

Рис. 2. Топологическая карта диалогового окна Нейронные сети. Результаты

По результатам прямых данных лабораторных исследований, а также выявленных рабочих зависимостей между обогатимостью руды и вещественными критериями имеется возможность выполнить построение ГТБМ, в которой для каждого блока геологической модели будут рассчитаны показатели извлечения золота с учетом неоднородности распределения в трехмерном пространстве. При необходимости в состав ГТБМ могут быть включены показатели физико-механических свойств руд. Существует несколько подходов к построению ГТБМ месторождений, основанных как на прямом, так и косвенном способе задания технологических параметров в блочную модель.

Прямой способ базируется на интерполяции параметров в блочную модель, используя для интерполяции только экспериментальные данные лабораторных исследований руд в ходе проведения геолого-технологического картирования.

Косвенный способ основан на прогнозировании показателей переработки руды по их зависимостям от геолого-минералогических факторов (способ наиболее перспективный для использования при ГТК). При отборе проб ГТК рекомендуется все композитные пробы разделять на две выборки: обучающую и прогнозную. На первом этапе лабораторных исследований выполняется необходимый комплекс технологического тестирования и изучения вещественного состава технологических проб обучающей выборки. В результате построения и анализа нейросетевых моделей и регрессионных уравнений на обучающей выборке, состоящей из 30–35 композитных технологических проб, устанавливается зависимость между коэффициентом извлечения золота и, например, содержанием Au, степенью окисления или содержанием сульфидов, что позволяет в последующем рассчитать технологические показатели обогатимости уже для прогнозной выборки (30–40 композитных проб) через зависимости технологических показателей от вещественных критериев обогатимости, полученных более дешевыми методами исследований, которые будут определены в ходе анализа обучающей выборки. Перспективность аналитического подхода основана на высокой экспрессности и надежности оценок технологических характеристик руд в сочетании с более низкой трудоемкостью выполнения работ.

В последующем рекомендуется использовать результаты разработанной ГТБМ для дальнейшего геолого-технологического изучения месторождения и в процессе производственной деятельности предприятия для проектирования и планирования производства.

Выводы

1. Состав руды неоднороден. Так же, как и содержание полезного компонента, коэффициент извлечения — величина переменная, определенным образом распределенная в трехмерном пространстве

2. Одной из основных проблем технологического моделирования является постоянная ограниченность количества лабораторных определений коэффициента извлечения.

3. Выявленные зависимости между обогатимостью руды и вещественными критериями, а также разработанные методики моделирования позволяют выполнить построение геолого-технологической блочной модели, в которой для каждого блока трехмерной модели будут рассчитаны показатели извлечения золота.

4. Классификация руда/порода при использовании ГТБМ основывается на применении к блоку модели условия рентабельности в виде безубыточного бортового содержания, составной частью которого является извлечение полезного компонента и затраты на переработку.

Об авторе  

-0+2

• Содержание сайта
• Комментарии
• Главная страница