Por Matthew Hastings, Geólogo Chefe de Recursos, SRK e Alex Wilson, Cientista de Dados Chefe, Seequent
Mesmo em conjuntos de dados de depósitos bem perfurados, é possível encontrar surpresas. E, à medida que o volume de dados cresce, padrões geológicos relevantes tendem a surgir, desafiando as interpretações iniciais e abrindo novas possibilidades para a construção de modelos mais robustos.
Essa situação foi enfrentada pelo Geólogo Chefe de Recursos da SRK, Matthew Hastings, quando revisitou o projeto de um cliente que poderia se beneficiar de um novo olhar sobre uma interpretação histórica. O local ficou em conservação e manutenção por vários anos e agora está passando por uma reavaliação do potencial latente. Essa reavaliação foi motivada pela constatação de que, apesar do grande volume de atividades de perfuração, amostragem e mineração, o trabalho geológico de apoio estava desatualizado e ainda se baseava em hipóteses antigas.
Essas limitações decorrem principalmente dos recursos de software disponíveis no início dos anos 2000 e das restrições inerentes ao conjunto de dados original. Com a retomada do projeto, a SRK constatou que atualizar os recursos usando métodos antigos, que dependem de software incompatível, seria impraticável e demorado. Assim, surgiu o desafio de trazer um recurso antigo para a era moderna.
Em colaboração com o cliente, a SRK tentou aproveitar a oportunidade para ir além dos métodos manuais tradicionais de interpretação e estabelecer se a inteligência artificial poderia ajudar a criar com rapidez um modelo implícito de domínios de alta qualidade no Leapfrog Geo. Embora houvesse um modelo geológico no projeto, ele não tinha muita influência nas distribuições de teores, que eram modeladas com envoltórias indicadoras globais rígidas que se baseavam em valores do teor de corte do ouro (Au).
A configuração geológica
Foram apresentados à SRK dois depósitos adjacentes com ocorrência de mineralização de ouro dentro de cisalhamentos de quartzo que intersectam rochas hospedeiras metamórficas intrusivas e sedimentares.
No primeiro depósito, a mineralização é fortemente controlada por uma estrutura regional que ocorre dentro e ao longo das margens da área desse depósito. Embora não se compreenda bem a interação com a falha de alto ângulo relacionada a essa estrutura regional, a mineralização parece ter uma tendência de seguir uma direção e um mergulho regionais gerais de baixo ângulo.
O segundo depósito contém mineralização em vários cisalhamentos discretos, e cada um deles exibe orientações de plano de mergulho ligeiramente diferentes. As práticas antigas de perfuração com circulação reversa e a coleta de dados anterior dificultaram a interpretação geológica detalhada das relações de teor, resultando em uma interpretação estrutural relativamente simplista da tendência de mineralização. Essa interpretação aproximou a mineralização em cada área a uma direção e mergulho globais, mergulhando suavemente e seguindo de forma geral os principais limites litológicos.
Análise por inteligência artificial com o Evo e o Driver
Uma primeira observação do conjunto de dados no Leapfrog Geo destacou as limitações do modelo estrutural antigo. Embora essa interpretação fosse aceitável como abordagem inicial, a SRK considerou que ela seria insuficiente para abordar as feições geológicas mais intricadas do depósito, que sugeriam complexidades locais notáveis, como possíveis alterações no ângulo de mergulho principal, descontinuidades abruptas no teor e a presença de várias estruturas amplas, abertas e semelhantes a dobras.
A SRK ficou sabendo do Evo e do Driver em uma demonstração durante uma conferência de mineração e imaginou imediatamente que eles poderiam ser aplicados a esse desafio. Imediatamente, a SRK começou a trabalhar com o Cientista de Dados Principal, Dr. Alexander Wilson, para reavaliar o projeto e explorar esses novos recursos na nuvem com um fluxo de trabalho conectado desenvolvido no Leapfrog Geo.
“Eu queria muito experimentar uma das novas ferramentas de modelagem da Seequent, o Driver, que usa inteligência artificial para gerar tendências de teor quantitativas e locais a partir dos dados brutos de sondagem. Estava ansioso para ver se poderia validar rapidamente a hipótese antiga de mergulho global e melhorá-la com a introdução de alguns controles estruturais locais que refletissem melhor a complexidade geológica”, explica Hastings.
O Driver está integrado ao Seequent Evo, uma plataforma de computação e dados geocientíficos que integra fluxos de trabalho e colaboração entre a Seequent e produtos de terceiros. Usando os recursos conectados do Evo no Leapfrog Geo, Hastings conseguiu rapidamente fazer o upload dos dados de sondagem na nuvem, onde foram formatados automaticamente e ficaram prontos para serem analisados no Driver. Em seguida, ele iniciou um novo projeto e começou a explorar os dados com a orientação dos algoritmos avançados do Driver.
O Driver introduz novos recursos de inteligência artificial à modelagem estrutural de depósitos (Figura 1). O algoritmo principal, o Spatial Continuity Mapping (SCM), executa um procedimento de aprendizagem não supervisionada que quantifica uma representação espacial da continuidade do teor, diretamente do conjunto de dados de entrada, que pode incluir análise de teores ou informações categóricas, como registros de litologia convertidos em matrizes binárias. A continuidade detectada pelo Driver é representada como elipsoides locais posicionados, orientados e moldados para representar as tendências geológicas locais formadas pela feição de interesse (por exemplo, valores de teor aprimorados). Com isso, essas tendências podem ser integradas à interpretação geológica e aos modelos posteriores, dando apoio adicional ou questionando hipóteses anteriores sobre a continuidade de teor.
Conteúdo relacionado:
* A abertura moldará o futuro das geociências
* Assista: o Driver é a próxima geração de soluções inteligentes para geologia
* Assista: BlockSync is transforming how the mining industry works with block model data (O BlockSync está transformando como o setor de mineração trabalha com dados de modelos de blocos)
* Apresentamos a nova integração entre o Seequent Evo e a Deswik
Figura 1: O Driver, um novo aplicativo baseado na Web integrado ao Seequent Evo, traz novos recursos de inteligência artificial para a interpretação e a modelagem de depósitos estruturais. A figura mostra continuidades planares de amostras de alto teor segmentadas de forma automática em agrupamentos espacialmente consistentes que representam veios individuais.
A descoberta de uma nova história com o Driver
As observações baseadas em dados do Driver validaram amplamente a antiga interpretação estrutural de mergulho suave, o que apoia a ideia de que a continuidade da mineralização apresenta um mergulho suave e consistente (Figura 2). No entanto, o Driver também gerou uma avaliação rápida da Anisotropia localmente variável (ALV), que oferece insights importantes sobre complexidades estruturais locais que não foram capturadas nos interpoladores globais antigos. Os elipsoides gerados automaticamente pelo Driver indicam a presença de uma estrutura sinclinal aberta e ampla na parte setentrional do depósito e numerosas áreas onde os mergulhos locais das zonas de cisalhamento têm desvio superior a 10–15 graus em relação à tendência geral principal.
Mais importante ainda, em uma área com potencial para mineração a curto prazo, os elipsoides de continuidade espacial revelaram um desvio significativo do padrão global, com aumento na continuidade dos teores e delineando o traçado aparente de uma dobra fechada e invertida. Embora a relação dessa aparente dobra não seja claramente compreendida, os dados de saída do Driver geram evidências convincentes da possível complexidade estrutural relacionada a falhas e deformações regionais norte-sul (Figura 2).
“Quanto mais eu olhava, mais começava a ver evidências de um sistema com grande grau de deformação. O Driver mostrava claramente a curvatura da mineralização para cima em uma estrutura invertida, antes de retornar ao típico mergulho suave no oeste”, explica Wilson.
Figura 2: Resultados da análise do Driver coloridos por agrupamentos automáticos. A) Rede estereográfica mostrando os polos dos planos da tendência global de mineralização histórica (estrela amarela) e os elipsoides locais gerados pelo Driver (pontos coloridos). B) Corte da seção transversal mostrando dados de sondagem dentro da futura área de mineração proposta, coloridos de acordo com o teor de ouro (Au). C) Elipsoides locais gerados pelo Driver delineando a presença potencial de dobras invertidas. D) Corte da seção transversal de cisalhamento inclinado no segundo depósito, colorido por agrupamentos automáticos.
Essa complexidade não estava representada nas distribuições de teores antigas, permitindo ao Driver gerar uma base fundamentada em dados para a criação de um modelo geológico mais coerente.
“A estrutura aparente das dobras revelada pela análise correspondeu bem às configurações estruturais regionais. Isso certamente sugere que, considerando a expansão/produção proposta para a mina em curto prazo, essa área merece mais levantamentos com perfuração moderna para testar a nova interpretação. Além disso, os modelos de anisotropia variável do Driver são muito melhores para capturar rapidamente a variabilidade local nas tendências regionais de mergulho suave em ambas as áreas de depósito, o que pode ser usado para melhorar significativamente a continuidade do modelo de teor final”, destaca Hastings.
Um pipeline de modelagem integrado e baseado em dados
Em poucos minutos, a análise do Driver gera um tipo de informação estrutural quantitativa que pode ser utilizada tanto para análises em escala do depósito quanto como insumo para um novo fluxo de modelagem integrado, compartilhado com o Leapfrog Geo. Cada elipsoide local define a continuidade esperada de uma feição geológica (neste caso, alto teor de ouro), projetando-se além dos locais de análise. A coleção de elipsoides constitui um campo de anisotropia com variação local, que agora pode ser integrado diretamente à
Depois de filtrar os elipsoides locais com baixa confiança e métricas inadequadas de suporte de dados, Hastings gerou uma série de volumes indicadores baseados em teor para diversos limites de corte e de probabilidade. Ao usar a nova tendência estrutural de mesclagem triaxial (disponível no Leapfrog 25.1), as superfícies implícitas resultantes variam a força e a grandeza da anisotropia local como função das tendências estruturais detectadas pelo Driver.
Figura 3: Comparação do domínio implícito do Leapfrog e dos modelos numéricos construídos com a tendência estrutural de mesclagem triaxial com base em informações do Driver (cores roxo e quentes), em comparação com o mergulho global antigo (vermelho). Os resultados definem a estrutura de dobra invertida na futura área de mineração proposta (A). e uma estrutura sinclinal aberta ampla no norte (B).
A nova abordagem, que combina o Driver e o Leapfrog Geo, oferece vantagens significativas em relação à interpretação antiga, com o fornecimento eficiente de modelos com maior integridade estrutural. Os volumes indicadores gerados refletem melhor as complexidades estruturais do depósito, delineando claramente feições como a dobra fechada e invertida na área de mineração proposta e a estrutura sinclinal ampla e aberta no norte (Figura 3). Esse modelo, com melhor flexibilidade local, é alcançado em poucos minutos e com intervenção manual significativamente menor na forma de polilinhas digitalizadas, criando discos de controle estrutural e interpoladores de formas de construção, um processo que antes poderia levar horas ou até dias para ser concluído à mão.
Matthew Hastings, geólogo-chefe de recursos da SRK, comenta: “O que me chamou a atenção foi a eficiência com que os novos dados de entrada estruturais puderam ser gerados. Como consultor que trabalha em diversos projetos com prazos curtos, estou entusiasmado por poder construir um modelo de domínio que seja mais coerente geologicamente e conectado aos dados, de forma muito mais rápida e eficiente do que jamais conseguiria com uma abordagem implícita ou explícita convencional”.
O fluxo de trabalho híbrido de inteligência artificial e modelagem implícita oferecido pelo Evo, pelo Driver e pelo Leapfrog Geo proporciona uma maneira prática de aumentar a relevância estrutural dos modelos com pouco trabalho manual, permanecendo rápido, objetivo e totalmente dinâmico.