Авторы: Matthew Hastings (Мэтью Хастингс), главный геолог SRK по ресурсам, и Алекс Уилсон (Alex Wilson), ведущий специалист Seequent по работе с данными
Даже по тем месторождениям, на которых бурение было выполнено эффективно и в полном объеме, наборы данных могут преподнести сюрпризы, и по мере увеличения плотности данных часто проявляются важные геологические закономерности, которые ставят под сомнение ранние интерпретации и открывают новые возможности для построения моделей более высокого качества.
Именно с такой ситуацией столкнулся главный геолог по ресурсам компании SRK Мэтью Хастингс, когда вернулся к проекту, требующему нового взгляда на историческую интерпретацию. Объект в течение нескольких лет находился на консервации, и в настоящее время проводится его повторная оценка для выявления скрытого потенциала. Поводом для пересмотра послужило осознание того, что, несмотря на обширное бурение, отбор проб и добычу, поддерживающие геологические работы остаются устаревшими и основываются на устаревших допущениях.
Эти ограничения во многом обусловлены возможностями программного обеспечения начала 2000-х годов и внутренними ограничениями исходного набора данных. Поскольку проект имеет шанс на новую жизнь, в SRK отметили, что обновление информации о ресурсе с использованием устаревших методов, зависящих от неподдерживаемого программного обеспечения, было бы нецелесообразным и трудоемким. Таким образом, задача была в том, чтобы перевести устаревший ресурс в современную эпоху.
В сотрудничестве с заказчиком компания SRK хотела использовать эту возможность, чтобы выйти за рамки традиционных ручных методов интерпретации и изучить, может ли ИИ помочь в быстром создании высококачественной модели условных доменов в Leapfrog Geo. Хотя для проекта уже существовала геологическая модель, исторически она оказывала незначительное влияние на распределение содержаний, которые моделировались с использованием жестких глобальных индикаторных оболочек на основе значений бортового содержания золота (Au).
Геологическая обстановка
Специалистам SRK были представлены два смежных месторождения, на которых золотое оруденение приурочено к кварцевым зонам сдвига, пересекающим метаморфические интрузивные и осадочные вмещающие породы.
На первом месторождении оруденение жестко контролируется региональной структурой, которая проявляется внутри и вдоль границ площади месторождения. Хотя взаимодействие с разломами с высокими углами, связанными с этой региональной структурой, изучено недостаточно, оруденение, вероятно, вытянуто вдоль общего простирания и падения регионального масштаба с небольшим углом наклона.
Второе месторождение содержит оруденение в нескольких дискретных зонах сдвига, каждая из которых демонстрирует несколько различающиеся ориентации плоскостей падения. Выполненное ранее бурение с обратной циркуляцией и устаревшие практики сбора данных затруднили детальную геологическую интерпретацию взаимосвязей содержаний, что привело к относительно упрощенной исторической структурной интерпретации тенденции оруденения. Эта интерпретация приблизительно определила оруденение в пределах каждой площади как глобальное простирание и падение с пологим наклоном, в целом следующее за крупными литологическими границами.
Анализ с применением ИИ в Evo и Driver
Первичный осмотр набора данных в Leapfrog Geo выявил ограничения исторической структурной модели. Хотя эта интерпретация была приемлемой для первоначального подхода, в SRK сочли, что ее будет недостаточно для учета более сложных геологических особенностей месторождения, которые указывали на заметные локальные сложности, включая потенциальные изменения основного угла падения, резкие разрывы содержаний и наличие нескольких широких открытых складкоподобных структур.
В SRK впервые узнали о решениях Evo и Driver в ходе демонстрации на горнодобывающей конференции и сразу же увидели возможности их применения для решения этой задачи. Компания SRK оперативно установила партнерские отношения с ведущим специалистом по данным Seequent доктором Александром Уилсоном (Dr Alexander Wilson) для анализа проекта и изучения этих новых облачных возможностей, а также нового связанного рабочего процесса, разработанного в Leapfrog Geo.
«Мне было очень интересно опробовать Driver — один из новых инструментов моделирования Seequent, который использует ИИ для генерации количественных локальных тенденций распределения содержаний непосредственно на основе необработанных данных бурения. Мне хотелось быстро проверить историческую гипотезу о глобальном падении и по возможности улучшить ее, внедрив некоторые локальные структурные ограничения, которые лучше отражали бы геологическую сложность», — сказал Хастингс.
Driver построен на базе Seequent Evo — платформы для работы с геонаучными данными и вычислениями, которая обеспечивает совместную работу с продуктами от Seequent и других разработчиков и использование интегрированных рабочих процессов. Используя связанные возможности Evo в рамках Leapfrog Geo, Хастингс смог быстро загрузить данные бурения в облако, где они были автоматически отформатированы и подготовлены к анализу в Driver. Затем он создал новый проект и начал изучать данные, руководствуясь передовыми алгоритмами Driver.
Driver привносит новые возможности ИИ в структурное моделирование месторождений (Рисунок 1). Базовый алгоритм картирования пространственной непрерывности (SCM) выполняет процедуру обучения без инструктора, позволяющую количественно оценить пространственное представление непрерывности распределения содержаний непосредственно на основе входного набора данных, который может включать данные опробования на содержание полезного компонента или категориальную информацию, такую как диаграммы литологического каротажа, преобразованные в бинарные массивы. Непрерывность, выявленная инструментом Driver, представляется в виде локальных эллипсоидов, позиция, ориентация и форма которых отражают локальные геологические тенденции, образованные интересующим нас признаком (например, повышенным содержанием полезного компонента). Затем эти тенденции можно интегрировать в геологическую интерпретацию и последующие модели, обеспечивая дополнительное обоснование или пересмотр ранее принятых допущений о непрерывности распределения содержаний.
Материалы на похожие темы:
* Открытость станет решающим фактором для будущего геонаук
* Видео: Driver — решение нового поколения для интеллектуальной геологии
* Видео: BlockSync трансформирует подход горнодобывающей отрасли к работе с данными блочных моделей
* Представляем новую интеграцию — между Seequent Evo и Deswik
Рисунок 1. Driver — новое веб-приложение на базе Seequent Evo привносит дополнительные возможности ИИ в структурную интерпретацию и моделирование месторождений. На рисунке показаны планарные непрерывности проб с высоким содержанием полезного компонента, автоматически сегментированные в пространственно согласованные кластеры, представляющие отдельные жилы.
Driver открывает новый этап в истории
Наблюдения от Driver, основанные на данных, в целом подтвердили историческую интерпретацию структуры с пологим падением, что подтверждает представление о том, что непрерывность оруденения в целом имеет пологий и согласованный характер падения (Рисунок 2). Однако Driver также обеспечил быструю оценку локально варьирующей анизотропии (LVA), которая дала ключевые аналитические сведения о локальных структурных сложностях, не отраженных в исторических глобальных интерполянтах. Автоматически сгенерированные эллипсоиды Driver указывают на наличие широкой открытой синклинали в северной части месторождения и многочисленных областей, где локальные углы падения зон сдвига отклоняются более чем на 10–15 градусов от основной общей тенденции.
Что наиболее важно, в области, которая, как ожидается, станет объектом добычи в ближайшей перспективе, эллипсоиды пространственной непрерывности указали на резкое отклонение от глобальной нормы: крутое падение непрерывности распределения содержаний очерчивает видимый след плотной опрокинутой складки. Хотя характер взаимосвязей этой видимой складки до конца не изучен, результаты работы Driver предоставляют убедительные свидетельства потенциальной структурной сложности, связанной с меридиональными разломообразованием и деформацией регионального масштаба (Рисунок 2).
«Чем больше я изучал данные, тем больше начинал видеть свидетельства существенно деформированной системы. Driver явно показывал, как оруденение изгибается вверх в опрокинутую структуру, прежде чем вернуться к типичному пологому падению на западе», — сказал Уилсон.
Рисунок 2. Результаты анализа Driver, окрашенные по автоматически сформированным группам кластеров. A) Стереографическая сетка, показывающая полюса плоскостей исторического глобального тренда минерализации (желтая звездочка) и локальных эллипсоидов, сгенерированных Driver (цветные точки). B) Срез поперечного сечения, демонстрирующий данные бурения в пределах предлагаемой будущей зоны добычи, окрашенные по данным проб на содержание золота. C) Локальные эллипсоиды, сгенерированные Driver, выделяющие потенциальное наличие перевернутой складки. D) Срез поперечного сечения наклонных зон сдвига во втором месторождении, окрашенный по автоматически сформированным группам кластеров.
Ничего из этой сложности не было отражено в исторических распределениях содержаний, что открыло возможность решению Driver обеспечить основанную на данных базу для построения более геологически согласованной модели.
«Видимая складчатая структура, выявленная в ходе анализа, хорошо согласуется с региональной структурной обстановкой. Это определенно указывает на то, что с учетом предлагаемого расширения или развития добычи в ближайшей перспективе данная область заслуживает дальнейшего изучения с применением современного бурения с целью проверки возможной новой интерпретации. Кроме того, модели варьирующей анизотропии от Driver гораздо лучше справляются с быстрым учетом локальной изменчивости в рамках региональных тенденций с пологим падением на обоих месторождениях, что может быть использовано для существенного улучшения локальной непрерывности итоговой модели распределения содержаний», — сказал Хастингс.
Интегрированный процесс моделирования на основе данных
В течение нескольких минут анализ Driver генерирует форму с количественной структурной информацией, которая может использоваться для наблюдений в масштабе месторождения, а также в качестве входных данных для нового интегрированного процесса моделирования, выполняемого совместно с Leapfrog Geo. Каждый локальный эллипсоид обозначает ожидаемую непрерывность геологического признака (в данном случае — повышенного содержания Au), распространяющуюся от локальных точек анализа. Совокупность эллипсоидов составляет поле локально варьирующей анизотропии, которое можно интегрировать непосредственно в структурный тренд Leapfrog, где оно может направлять и регулировать работу системы условного моделирования на основе радиальных базисных функций (RBF™).
После фильтрации локальных эллипсоидов с низкой достоверностью и недостаточной поддержкой данными Хастингс создал ряд индикаторных объемов на основе содержаний при различных бортовых содержаниях и вероятностных порогах. Используя новый структурный тренд с сопряжением по трем осям (Triaxial-Blending Structural Trend, доступный в версии Leapfrog 25.1) в качестве входных данных, результирующие поверхности условного моделирования варьируют силу и величину локальной анизотропии в зависимости от тенденций распределения содержаний, выявленных Driver.
Рисунок 3. Сравнение моделей условных доменов и числовых моделей Leapfrog, построенных с использованием структурного тренда с сопряжением по трем осям на основе данных Driver (фиолетовый и теплые цвета), в сопоставлении с историческим глобальным падением (красный цвет). Результаты очерчивают структуру опрокинутой складки в предполагаемой области будущей добычи (A) и широкую открытую синклинальную структуру на севере (B).
Новый подход, объединяющий мощности Driver и Leapfrog Geo, предлагает значительные преимущества по сравнению с исторической интерпретацией, поскольку вы получаете эффективные модели с более высокой структурной целостностью. Сгенерированные индикаторные объемы более точно отражают структурные сложности месторождения, четко выделяя такие объекты, как плотная опрокинутая складка в предполагаемой области добычи и широкая открытая синклинальная структура на севере (Рисунок 3). Эта модель с повышенной локальной гибкостью достигается за несколько минут и при значительно меньшем ручном вмешательстве в виде оцифровки полилиний, создания структурных контролирующих дисков и построения формообразующих интерполянтов — процесса, который ранее мог занимать часы или даже дни при выполнении вручную.
«Меня поразило, насколько эффективно получилось сгенерировать новые структурные входные данные, — сказал Хастингс. — Как консультант, работающий над множеством проектов и в сжатые сроки, я невероятно рад возможности построить основанную на доменах модель, которая более геологически согласована и привязана к данным, причем сделать это гораздо быстрее и эффективнее, чем с помощью традиционного условного или эксплицитного подхода».
Гибридный рабочий процесс условного моделирования с применением ИИ, обеспечиваемый Evo, Driver и Leapfrog Geo, предлагает практический способ повышения структурной релевантности моделей при минимуме ручных операций и при этом остается быстрым, объективным и полностью динамичным.