Рейтинг@Mail.ru

Геометаллургия, технологическое картирование, нейронные сети и практический опыт применения современных программных решений на примере золоторудного месторождения

Мальцев Е.Н. гл. спец. отдела геологии
НИИПИ ТОМС (Санкт-Петербург)


Значительное сокращение затрат времени и снижение производственных затрат при высокой степени точности и надёжности прогноза и интерполяции геологических и технологических показателей, а также максимальный эффект за счет использования пространственных трехмерных моделей является конечной целью и результатом современных методов моделирования

 

В современной реальности горно-обогатительные комбинаты все чаще сталкиваются с природной изменчивостью руд и их неустойчивыми технологическими характеристиками в процессе добычи, измельчения и обогащения [1]. Неравномерное качество руды приводит к несоответствию характеристик перерабатываемой руды заданным эксплуатационным параметрам фабрики. Настройка эксплуатационных параметров фабрики может постоянно запаздывать относительно изменения характеристик подаваемой на переработку руды. К моменту изменения параметров переработки характеристики руды также могут меняться и подобные потери невозможно компенсировать. Данное утверждение касается всех параметров: производительности, расхода реагентов, потребления электроэнергии и коэффициентов извлечения. Некорректное определение качественной изменчивости руд может стать причиной ошибок при проектировании технологических процессов обогатительной фабрики и определении производительности технологического оборудования. Например, проектирование цикла измельчения руд по усреднённому показателю крепости может привести к переоценке объёмов капитальных вложений и снижению чистой прибыли в первые годы реализации проекта, если крепость руды, добываемой и подаваемой на переработку на ранних стадиях горного производства, окажется ниже средних показателей. Соответственно, если крепость руды, добываемой и подаваемой на переработку в последующие годы, окажется выше средних показателей, возникает риск невыполнения целевых производственных показателей. Оптимальные проектные параметры и производительность технологической цепочки в значительной степени зависят от определения параметров измельчения для каждой партии руды с учетом пространственной изменчивости технологических показателей.

 

Результаты технологических испытаний являются важной основой для проектирования обогатительной фабрики и расчета коэффициентов извлечения и операционных расходов. В отличие от стандартного геологического опробования для целей разведки или оценки запасов, технологические испытания являются дорогостоящими и требуют много времени. Поэтому неудивительно, что для технологических испытаний, как правило, отбирается относительно небольшое количество проб. Проведение полноценного комплекса геолого-технологического картирования (ГТК), сопровождающегося отбором нескольких десятков малообъемных проб, является «дорогой» информацией. Однако благодаря «дешевой и быстрой» информации, которую ГТК позволяет эффективно использовать при условии применения регрессивно-статистических методов прогнозирования, появляется возможность значительного сокращения затрат времени и производственных затрат при высокой степени точности и надёжности прогноза технологических показателей.

 

Пошаговая схема данного подхода на примере реального проекта геолого-технологического моделирования по одному из золоторудных месторождений Магаданской области была реализована специалистами Института ТОМС следующим образом:

 

1-й этап — обучающая выборка

 

1. Химический анализ 50 картировочных проб ГТК 2020 года с использованием оптико-эмиссионного, ИК-спектроскопического методов анализа — «дешевая и быстрая» информация.

2. Фазовым анализом для расчета степени окисления руд определено железо сульфидное и железо гидроксидов (для 50 картировочных проб) — «дорогая и времязатратная» информация.

3. Построена нейросетевая регрессионная модель зависимости степени окисления руд от параметров химического состава руд по обучающей выборке. Коэффициент корреляции по обучающей выборке составил 0,967.

 

2-й этап — прогнозная выборка

 

4. Химический анализ 35 картировочных проб ГТК 2022 года с использованием оптико-эмиссионного, ИК-спектроскопического методов анализа — «дешевая и быстрая» информация.

5. Применив для 35 картировочных проб ГТК 2022 года регрессионную модель зависимости степени окисления руд от параметров химического состава руд, рассчитанную по обучающей выборке 50 картировочных проб ГТК 2020 года (см. выше пункт 3), вычислено прогнозное значение степени окисления по железу.

6. Фазовым анализом для расчета степени окисления руд определено железо сульфидное и железо гидроксидов (для 35 картировочных проб ГТК 2022 года) — «дорогая и времязатратная» информация.

7. Для заверочной прогнозной выборки из 35 проб 2022 года удалось проверить прогнозные значения степени окисления (см. пункт 5), рассчитанные по регрессионной модели 2020 года (см. пункт 3), сравнив с экспериментальными лабораторными данными («дорогой» информацией — пункт 6) определения степени окисление для 35 проб 2022 года. Коэффициент корреляции по прогнозной выборке составил 0,714. Поскольку под заверочной прогнозной выборкой понимаются те данные, которые не участвовали в обучении регрессионной модели, такая корреляция оценивается на высоком уровне.

8. Построена блочная 3D модель по показателям степени окисления для разделения первичных, смешанных и окисленных руд по результатам массовых химических анализов рядовых проб керна разведочного бурения (прогнозная выборка). Для построения блочной модели по показателям степени окисления была использована прогнозная выборка, составленная примерно из 17 тысяч рядовых проб, для которых были определены параметры химического состава руд («дешевая и быстрая» информация), что показывает высокую эффективность и работоспособность описанной методики моделирования степени окисления руд для последующего выделения различных технологических типов руд.

 

В настоящее время в России, как и во всем мире, развивается подход, основанный на трансформации геологической блочной модели в геолого-технологическую блочную модель (ГТБМ) как наиболее важный и надежный инструмент прогнозирования технологических и экономических показателей работы горнодобывающих предприятий [3, 4].

Применение ГТБМ позволяет, с учетом планов предприятия, достоверно определять в заданных границах отработки необходимые свойства руды, в том числе содержание металла, возможное извлечение и физико-механические свойства руд. На основе полученных данных: позабойно планируются направления ведения горных работ; рассчитываются ожидаемые объемные и качественные показатели добычи и переработки руды; закладываются в бюджет расходы, в том числе на материальные и топливо-энергетические ресурсы; рассчитывается прибыль. При необходимости планируемые к отработке участки руды (добычные забои) могут быть оперативно скорректированы для достижения оптимальных условий переработки.

Демонстрация решения задач геометаллургического моделирования рабочих индексов абразивности на примере проекта по одному из золоторудных месторождений Иркутской области приведена на рис. 1.

 


Рис. 1. Блочные модели по участку, планируемому к отработке

 

На рис. 1 слева представлено моделирование на материале лабораторных технологических тестов (факт); справа — по данным нейросетевой регрессионной модели (прогноз).

На основании ГТБМ:

-горным инженером и геологом выполняется оценка необходимости и возможности селективной выемки отдельных технологических типов и сортов, разрабатываются планы добычи и складирования руды при отработке отдельных участков месторождения;

-при необходимости с участием технолога планируется оптимальная последовательность переработки на ЗИФ руд различных типов и/или шихты руды.

 

Календарное планирование по данным ГТБМ дает возможность пользователю интерактивно создавать последовательность извлекаемых блоков и автоматически их смешивать (шихтовать) в такой пропорции, чтобы достигать поставленной цели. Блоки — это контуры или каркасы, представляющие собой объемы горной массы, оцененные по ГТБМ.

Основным и главным результатом процесса компьютерного планирования является экономическая эффективность отработки единичного блока или участка месторождения. Однако если наполнение блочной модели данными по содержаниям полезного компонента является базовой задачей, то применение усредненных значений коэффициента извлечения порой приводит к серьезным искажениям как расчета этапов отработки (pushback), так и к искажению поиска направления фронта отработки месторождения по целевым показателям. Поскольку коэффициент извлечения — величина переменная, которая также распределена в трехмерном пространстве и точно таким же образом влияет на величину прибыли единичного блока, то и степень влияния на последующие расчеты при планировании горных работ также зависит от амплитуды колебаний этих значений. Кроме того, данные блочной модели позволяют избежать ложного представления о том, что все количество ценного компонента, определенного количественным анализом рядовых проб, является потенциально извлекаемым. Проведенные работы по геолого-технологическому картированию и данные разработанной геолого-технологической блочной модели помогут точнее определить экономические параметры отработки месторождения при планировании и осуществить эффективное использование рудных и шихтовочных складов.

 

Большие возможности использования ГТБМ дают максимальную эффективность только в сочетании с правильными подходами при выполнении технологического опробования. Геолого-технологическое картирование (ГТК) основывается на том, что раздельный отбор малых проб, равномерно расположенных в пределах площади распространения рудной залежи, позволит установить пространственное положение и количественно оценить объем руды как с низким, так и с высоким извлечением.

Первым шагом при проведении комплекса ГТК является разработка программы отбора проб, что связано с необходимостью классификации интервалов опробования, которые являются неоднородными по природным признакам [6].

Концептуальные подходы к представительности пробоотбора основаны на следующих принципах и требованиях:

1. Максимальная однородность частных проб в составе композитной пробы, то есть частные пробы только одной разновидности должны входить в состав композитной пробы.

2. Разнородность и представительность композитных проб по каждому из всех выделенных разновидностей вещественного состава (природных типов руд), то есть для каждой разновидности отбирается примерно одинаковое количество композитных проб.

 

Результатом разработки программы отбора проб является выделение принципов классификации руд на природные типы с целью их последующего объединения в композитные пробы [6] с таким расчетом, чтобы в последующем определить рабочие зависимости между вещественными критериями (например, показателями химического состава) и экспериментальными данными технологических исследований проб.

 

Для создания геолого-технологических моделей в ходе технологического картирования предлагается следующий методический подход, позволяющий прогнозировать технологические свойства руд в объеме месторождения с помощью методов блочного моделирования и машинного обучения. Общая схема данного подхода показана на рис. 2.

 

 

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 и других модифицирующих факторов.

Существует несколько подходов к построению ГТБМ месторождений, основанных как на прямом, так и косвенном способе задания технологических параметров в блочную модель. Прямой способ (см. рис. 1, слева) базируется на интерполяции параметров в блочную модель, используя для интерполяции только экспериментальные данные лабораторных исследований руд в ходе проведения геолого-технологического картирования. Косвенный способ (см. рис. 1, справа) основан на прогнозировании показателей переработки руды по их зависимостям от геолого-минералогических факторов (способ наиболее перспективный для использования при ГТК).

 


Рис. 2. Общая схема прогнозирования технологических свойств руд с помощью методов блочного моделирования и машинного обучения

 

В процессе проведения ГТК в объеме 25–30 малых технологических проб создается эталонная обучающая выборка, для которой определяются необходимые химические, минералогические, физико-механические и технологические свойства (см. рис. 2, шаги 1–3).

На основе сопоставления этих данных с результатами рядового опробования находятся регрессионные (прогнозные) модели (см. рис. 2, шаг 4).

Далее эти регрессионные модели применяются ко всему объему рядового опробования и строятся блочные модели распределения интересующих переменных в объеме месторождения (см. рис. 2, шаги 5–7).

Имея информацию о технологически важных параметрах руд для каждого выемочного блока и об их влиянии на технологии добычи и обогащения, строится минералого-технологическая или геолого-технологическая модель, показывающая распределение технологических показателей, а также технологических типов руд для целей планирования добычи (см. рис. 2, шаг 8).

Также регрессионные модели можно использовать для контроля технологических свойств в рудопотоке в режиме реального времени (см. рис. 2, шаги 6, 10, 11).

Конечным результатом прогнозирования технологических свойств являются блочные модели месторождения, показывающие распределение необходимых параметров в объеме месторождения, а также комплекс, предоставляющий информацию о необходимых свойствах руд в режиме реального времени на основе экспресс-анализа рудопотока.

Перспективность аналитического подхода основана на высокой экспрессности и надежности оценок технологических характеристик руд в сочетании с более низкой трудоемкостью выполнения работ. Процедура заверки экспериментальными данными предполагает отбор и технологические исследования заверочных проб в количестве 10–15% от общего количества проб, составляющих прогнозную выборку, с последующим уменьшением процента заверки до 5%. При этом важно отметить, что для остальных 85–95% проб, составляющих прогнозную выборку, рекомендуется проводить только определение химического состава, а технологические показатели при таком подходе будут рассчитываться по рабочим регрессионным зависимостям.

 

В таблице представлены примеры выполненных реальных проектов по геолого-технологическому изучению рудных месторождений с использованием современных методов моделирования [2, 5].

 

Примеры выполненных проектов по геолого-технологическому изучению рудных месторождений с использованием современных методов моделирования

Год

Объект

Материалы
эталонной/прогнозной
выборок

Методы построения
регрессионных
моделей *

Результат

2018–2019

Золоторудное месторождение Вернинское, Иркутская область

Химический анализ керна разведочного бурения (23 компонента)

МнР, ИНС, МАРС

Регрессионные модели прогноза коэффициента извлечения золота, индексов абразивности и шарового измельчения Бонда, индекса (полу)самоизмельчения Старки.

Блочные модели этих параметров

2022–2023

Золото-серебряное месторождение Лунное, Магаданская область.
ТЭО кондиций и подсчет запасов. (Протокол утверждения запасов №7365)

Рентгено-флуоресцентный (РФА) анализ керна разведочного бурения и экспло-разведки (10 компонентов)

ИНС, МАРС

Регрессионные модели прогноза коэффициента извлечения серебра. Разделение общего суммарного количества запасов руды на цианируемые и упорные руды, а также оценка возможности селективной выемки отдельных технологических типов и сортов на данных блочной модели

2023

Веретенинская залежь Михайловского железорудного месторождения, часть Курской
Магнитной Аномалии

Химический анализ керна разведочного бурения и опробования дневной поверхности (17 компонентов)

ИНС, МАРС

Регрессионные модели прогноза индексов абразивности и шарового измельчения Бонда, индекса (полу)самоизмельчения Старки, коэффициента крепости, удельного веса.

Блочные модели этих параметров

*ИНС — искусственные нейронные сети; МАРС — многомерные адаптивные регрессионные сплайны; МнР — множественная регрессия 

 

Авторы разработанных методик, имея большой опыт цифрового трехмерного моделирования для различных задач и различных признаков, имеющих неравномерное распределение в трехмерном пространстве, отмечают в последнее время признание явного преимущества эффективности блочного моделирования. В частности, преимущества современных методов компьютерного моделирование по сравнению с традиционными методами ручного подсчёта запасов уже довольно редко у кого-то вызывают сомнения [7]. Однако методики использования современных методов геолого-технологического картирования, а ведь именно от достоверности и представительности проб зависит достоверность результатов технологических исследований, еще часто сталкиваются с заблуждениями и ошибочными устаревшими представлениями в основной массе недропользователей. Это отдельная большая проблема и, возможно, ей будет посвящена отдельная статья.

 

Список использованной литературы

1. И.Липтон Оптимизация технологического опробования и геометаллургическое моделирование, «Глобус» №3 (26), 2020 г., С.136–138.

2. Мальцев Е. Н. Нейросетевые технологии обработки данных для решения практических задач прогнозирования в ходе геолого-технологического моделирования // Золото и технологии, 2021., №1. С.152–162.

3. Мишулович П. М., Петров С. В. Методологические аспекты создания геолого-технологических моделей месторождений полезных ископаемых // Вестник СПбГУ. Науки о Земле. 2019. Т. 64. Вып. 2. С. 249–266.

4. Калашников А. О., Иванюк Г. Ю. Предсказание состава рудных минералов по химическому составу руды с помощью искусственных нейронных сетей (на примере Ковдорского бадделеит-апатит-магнетитового месторождения). Горный информационно-аналитический бюллетень, 2019. — 485-492 с.

5. Видеопрезентация (Mine Digital Kazakhstan 2023) «Геометаллургическое моделирование и применение алгоритмов машинного обучения для межскважинной интерполяции» — 1 файл (12 мин 06 сек). Электронный ресурс URL: https://youtu.be/Xx545AGv1fU (дата обращения: 29.03.2024)

6. Мальцев Е. Н. Геолого-технологическое картирование и моделирование как инструмент разделения между рудой и породой на основании безубыточного бортового содержания. Золотодобыча, №12 (265), 2020, с. 28–317.

7. Лазарев А. Н., Мальцев Е. Н. Применение технологий трехмерного цифрового моделирования для повышения эффективности проведения государственной экспертизы запасов полезных ископаемых // Недропользование XXI век. 2024. №1. С. 14–22.

Об авторе

 


-0+1
Уникальные посетители статьи: 540, комментариев: 3       

Комментарии, отзывы, предложения

Магадан , 03.04.24 02:22:00

Отличная статья. Изменение технологических свойств руды, конечно, влияет на экономические показатели предприятия. Но об этом думают обычно после того, как извлечение упало. Возможность учесть это в модели, да еще и с небольшими затратами - отличная идея и разработка.

Соболев А.О. , 03.04.24 11:09:28 — Мальцеву Е.Н.

Очень правильный и хороший подход ! Но вот смущает что вес проб при ГТК не обоснован и методы анализы не оптимальны для определения разновидностей руд. Надо помнить, что ещё в 1965 г. в своей замечательной книге Б.Шоу привёл остроумный эпиграф к одной из глав "Геохимия-это компиляция анализов неточных, несогласующихся и не воспроизводимых" .

Мальцев, 03.04.24 13:57:33 — Соболеву А.О

Спасибо, Александр Олегович! Точность относительно дешевых (и поэтому оптимальных) оптико-эмиссионного и ИКспектроскопического методов анализа оценивать не берусь в силу своей небольшой компетентности в этой области, поэтому отвечу, перефразируя еще один известный эпиграф « Любой анализ неточный, но некоторые бывают полезны». Вес проб ГТК определяется и обосновывается неким балансом между достоверностью (чем больше тем лучше) , представительностью (чем однороднее тем лучше) и экономичностью

Уважаемые посетители сайта! Пожалуйста, будьте как дома, но не забывайте, что в гостях. Будьте вежливы, уважайте родной язык и следите за темой: «Геометаллургия, технологическое картирование, нейронные сети и практический опыт применения современных программных решений на примере золоторудного месторождения»


Имя:   Кому:


Введите ответ на вопрос (ответ цифрами) "один прибавить 10":