___________________________________________________________________________
Modelowanie i szacowanie wartości zasobów złóż
stratoidalnych z wykorzystaniem programu QGIS
Mateusz NIEDBAŁ
1), Marcin PATEREK
1), Jacek PYRA
1)1) KGHM CUPRUM sp. z o.o. – Centrum Badawczo-Rozwojowe, Wrocław,
e-mail: mniedbal@cuprum.wroc.pl Streszczenie
Przedstawiono możliwości wykorzystania systemów informacji przestrzennej (GIS) w ocenie i analizie wartości zasobów złóż stratoidalnych oraz zasady korzystania z oprogramowania tzw. wolnego albo otwartego (open source/free software). Zwrócono uwagę na specyfikę budowy geologicznej złóż stratoidalnych oraz metodykę ich rozpoznawania i modelowania na przykładzie złoża, położonego na monoklinie przedsudeckiej. Zbudowano model wartości zasobów przemysłowych i eksploatacyjnych teoretycznego złoża stratoidalnego oraz prze-stawiono koncepcję szacowania wartości zasobów w blokach geologicznych. W ostatnim rozdziale podjęto dyskusję na temat wykorzystania sztucznej inteligencji (uczenia maszyno-wego) w modelowaniu i planowaniu produkcji w warunkach istnienia rzadkiej lub nieregularnej sieci opróbowania.
Słowa kluczowe: GIS, modelowanie złóż, złoża stratoidalne, wartość zasobów
Modelling and value of the resources calculation for stratified
deposits using QGIS
Abstract
Paper presents the possibility of using the geographic information system (GIS) in the assessment and analysis value of the resources for stratified projects and regulation of using free/open source software. Emphasis was put on specific geology of stratified depos-its and methods of exploration and modelling on the example of Lubin-Głogów deposit in Poland. The model of the value of resources and reserves of theoretical stratified deposit was built and presents the concept of resource calculation in the geological blocks. The paper discusses the use of artificial intelligence (machine learning) in the modelling and production planning in the conditions characterizing withsparse geological data.
Key words: GIS, modelling, stratified deposits, value of the resources
1.
Złoża stratoidalne
W ostatnich latach, oprócz odkrycia siarczkowego złoża Kamoa-Kakula w Demokra-tycznej Republice Konga, nie było wielkich odkryć złóż miedzi, pomimo przeznacza-nia przez duże firmy górnicze i firmy typu „junior” znacznych środków na eksplora-cję. Wynika to z faktu, że obszary, na których można zaobserwować przesłanki ist-nienia mineralizacji rudnej na powierzchni, zostały w znacznej mierze zbadane.
Z tego powodu firmy górnicze i poszukiwawcze muszą szukać złóż głębiej pod zale-gającą nad nimi warstwą skał. Oprócz znanych i na dużą skalę eksploatowanych złóż miedzi typu porfirowego, takich jak np. Sierra Gorda czy złóż typu IOCG, jak złoże Olympic Dam w Australii, firmy zaczynają kierować swe zainteresowanie na złoża stratoidalne basenów sedymentacyjnych, takich jak wspomniane wcześniej złoże Kamoa-Kakula i jak jedno z największych światowych złóż miedzi, należące do KGHM, unikatowe, stratoidalne złoże rud miedzi monokliny przedsudeckiej.
Złoża stratoidalne są quasi-dwuwymiarowe, gdyż ich miąższość z reguły nie przekracza kilku metrów, natomiast ich rozprzestrzenienie jest duże (nawet kilkaset km2). Eksploatowane są najczęściej metodą podziemną jednym poziomem wydo-bywczym. Mineralizacja kontrolowana jest poprzez litostratygrafię, granicę z facją utlenioną tzw. czerwonych plam oraz lokalnie tektonikę. Z punktu widzenia plano-wania eksploatacji bardzo ważne jest określenie zmienności mineralizacji w pozio-mie, natomiast zmienność pionowa, po określeniu granic pionowych ciała rudnego, z operacyjnego punktu widzenia nie ma tak dużego znaczenia. Zamiast skompliko-wanego i kosztownego oprogramowania do modelowanie złóż 3D, niezbędnego w przypadku np. złóż porfirowych (rys. 1), eksploatowanych metodą odkrywkową, do modelowania i analizy zasobów złóż typu stratoidalnego, można użyć otwartego (wolnego) oprogramowania GIS, czyli systemów do wizualizacji i analizy informacji geograficznej.
Rys. 1. Przykład zmienności mineralizacji miedzi na przekroju przez porfirowe złoże Cu-Mo
2.
Kilka słów o GIS i użytym programie QGIS
Przy sporządzaniu górniczych projektów budowlanych wykorzystywane są narzę-dzia inżynierskie, na przykład narzęnarzę-dzia projektowe CAD. Systemy informacji prze-strzennej (GIS) nie są odpowiednim narzędziem do sporządzania projektów w takiej skali. Głównym zadaniem tych systemów jest gromadzenie danych o charakterze
przestrzennym. Dane mogą być zapisywane w różnych formatach plików – rastro-wych, wektororastro-wych, oraz w stworzonych do tego celu systemach zarządzania ba-zami danych. Drugim zadaniem GIS jest przetwarzanie danych przestrzennych. Jest to cecha najbardziej odróżniająca systemy informacji przestrzennej od podobnych do nich narzędzi. Funkcje analityczne decydują o konkretnych obszarach zastoso-wań. Inne analizy mogą być prowadzone na danych rastrowych (piksele), inne zaś na danych wektorowych (punkty, linie, poligony). Trzecim zadaniem GIS jest wizua-lizacja danych przestrzennych, która może być realizowana na wiele sposobów (diagramy, wykresy, zaznaczenia obszarów na mapach) w zależności od zapytania logicznego osoby analizującej te dane [7].
Program QGIS (dawniej Quantum GIS) należy do grupy wolnego (otwartego) oprogramowania geomatycznego. Pierwsza wersja powstała w 2002 r., a od roku 2007 jest oficjalnym projektem Open Source Geospatial Foundation (OSGeo). Aktu-alna wersja oznaczona jest nr 3.10.1, a jej funkcjonalność względem pierwszego wydania nieporównywalnie wzrosła. Program jest rozwijany przez społeczność zrze-szoną wokół niego. Rozwój tego oprogramowania następuje nie tylko przez kolejne funkcje dodane do kodu programu, ale również przez szereg wtyczek pisanych pod tę aplikację. QGIS ma wbudowaną konsolę języka Python, która pozwala nie tylko na uruchamianie wspomnianych wtyczek, ale również pisanie skryptów automatyzu-jących pracę z programem. Jako oprogramowanie, GIS pozwala na wczytywanie plików zawierających dane w postaci wektorowej, rastrowej czy też tekstowej. Apli-kacja pozwala na import plików w najpopularniejszych formatach CAD, GIS, tabela-rycznych czy tekstowych, a także eksport danych do tychże formatów. Dzięki mno-gości obsługiwanych rodzajów plików oraz rozbudowanej funkcjonalności QGIS jest wykorzystywany w wielu dziedzinach – od jednostek samorządowych poczynając, przez firmy geodezyjne, geologiczne, górnicze, telekomunikacyjne czy związane z infrastrukturą komunikacyjną, a kończąc na firmach z branży kosmicznej i obser-wacji ziemi. Jeżeli chodzi o platformę, na której można korzystać z QGIS, społecz-ność zadbała o możliwie największą dostępspołecz-ność programu. Do pobrania są wersje dla systemów operacyjnych Windows, macOS, Linux, Android czy BSD. Od kilku lat dostępny jest również QGIS Serwer, pozwalający na dostęp do danych przestrzen-nych z poziomu przeglądarki internetowej.
3.
Sposób rozpoznawania stratoidalnych złóż rud miedzi położonych
na znacznych głębokościach na przykładzie rozpoznawania złoża
Cu-Ag, położonego na monoklinie przedsudeckiej
Złoże na monoklinie przesudeckiej rozpoznawane jest z powierzchni otworami wiertniczymi od czasu odwiercenia pierwszego otworu S-1 w roku 1957 po najwyż-szy numer – otwór S-872 odwiercony w obszarze koncesji rozpoznawczej „Głogów” w roku 2016. Równolegle od początku wykonywania wyrobisk korytarzowych pobie-rane są próby bruzdowe osobno z każdej odmiany litologicznej rudy. Liczba otworów powierzchniowych, wykonanych od czasu odkrycia złoża w siatce 1-3 km w obsza-rach górniczych oraz rozpoznawczych, przekracza 600, natomiast próbek bruzdo-wych w siatce 5-30 m od początku eksploatacji pobrano około 500 razy więcej (po-nad 300 tys.).
Podstawową metodą obliczania zasobów w przypadku złoża stratoidalnego poło-żonego na monoklinie przedsudeckiej, jest metoda wieloboków Bołdyriewa, w której
jeden wielobok podporządkowany jest jednemu punktowi (otworowi) rozpoznaw-czemu.
Przy konstrukcji wieloboków, opartych na siatce rozpoznawczej w kategorii C1, czyli dokładności rozpoznania upoważniającej do wykonania projektu zagospodaro-wania złoża (błąd oszacozagospodaro-wania średnich parametrów złoża i zasobów<30%), pole ich powierzchni jest nie mniejsze niż 2 km2
[5].
Złoże rud polimetalicznych, głównie miedzi i srebra na monoklinie przedsudec-kiej, będzie eksploatowane na coraz większych głębokościach, co powoduje ko-nieczność jego udostepnienia za pomocą szybów wydobywczych. Pomiędzy szy-bami w serii złożowej prowadzi się poziome wyrobiska rozpoznawczo-udostepniające (chodniki, upadowe, pochylnie), które stanowią drogi transportu ludzi, urobku, powietrza oraz spływu wód kopalnianych. Wyrobiska te wykonuje się jako wiązkę wyrobisk korytarzowych, drążonych w układzie od dwóch do pięciu nitek [6]. Płytko zalegające pokłady o dużej miąższości zostały wyeksploatowane. Obec-nie budowane szyby mają udostępniać złoże, leżące na głębokości poniżej 1200 m. Fragment złoża, rozpoznany geologicznie i okonturowany wyrobiskami udostępnia-jąco-przygotowawczymi, jest dzielony na rejony eksploatacyjne, z których następnie wydziela się „prostokątne” pola eksploatacyjne o wymiarach od 200 do 600 m i wy-biegu do 2000 m [2]. W celu rozpoznania zagrożeń geologiczno-górniczych oraz zasięgu mineralizacji rudnej wykonuje się otwory wyprzedzające z wyrobisk górni-czych.
Poniżej przedstawiono mapy zasobności złoża, centralnego fragmentu eksploat-owanych obszarów złożowych: Rudna, Polkowice, Sieroszowice oraz Lubin-Małomice, zbudowane na postawie danych z powierzchniowych otworów rozpo-znawczych oraz rozpoznania wyrobiskami górniczymi (rys. 2). Zasobność jest spe-cyficznym parametrem, stosowanym w złożach stratoidalnych, pokazującym, jaka masa czystego metalu przypada na 1 m2 złoża. Porównanie modeli obejmuje kwa-drat o bokach 10 km, czyli 100 km2, w którym dokonano praktycznie pełnego rozpo-znania wyrobiskami dołowymi, ze stanem rozporozpo-znania na podstawie otworów wiert-niczych. Do budowy modelu, opartego na otworach powierzchniowych, użyto da-nych z 94 otworów, czyli jeden otwór przypada średnio na 1,06 km2 z siatką rozpo-znania 1,03 km x 1,03 km. Model szczegółowy oparto na 137 362 profilach doło-wych, czyli jeden profil przypada na 728 m2, co daje średnią siatkę rozpoznania 27 x 27 m. W bezpośrednim porównaniu jest prawie 1,5 tys. razy więcej danych w tym obszarze. Obliczenie średniej zasobności na tym obszarze pokazuje różnicę względną na poziomie 4,7%, natomiast obliczenie zasobów Cu, z uwzględnieniem takich samych kryteriów bilansowości, pokazało różnicę zaledwie 2,5% [3].
Jak podaje R. Leszczyński [3]: „Nawet pobieżne wizualne porównanie rysunków modeli wskazuje na olbrzymią zmienność szczegółowego rozpoznania w stosunku do interpolacji, opartej na danych powierzchniowych. Określenie przewidywalnego parametru w zakresie rocznego zasięgu jednego oddziału wydobywczego na pod-stawie takich danych jest niemożliwe i nie pomoże tutaj niestety żadna wysokospe-cjalizowana matematyka. Jest to codzienność pracy geologa górniczego w zakresie niepewności i zmienności warunków złożowych, dotyczącej jednego oddziału, frontu wydobywczego czy nawet dwóch ociosów jednego przodka”.
Rys. 2. Porównanie modelu zasobnościowego fragmentu złoża rud miedzi na monoklinie przedsudeckiej, wykonanych w oparciu o dane z rozpoznania otworami powierzchniowymi
(lewa strona) i szczegółowego rozpoznania wyrobiskami górniczymi (prawa strona) wg Leszczyński R., 2011
Generalnie należy jednak zauważyć, że oszacowane na podstawie danych po-wierzchniowych i z rozpoznania wyrobiskami podziemnymi średnie parametry zaso-bowe dla całego analizowanego obszaru są do siebie bardzo zbliżone. Przy tak dużej zmienności parametrów złożowych, zagęszczając siatkę wierceń powierzch-niowych i ponosząc przy okazji znaczne nakłady finansowe, nie otrzymamy dużo lepszej informacji o budowie złoża, szczególnie na peryferiach systemu mineralne-go, gdzie ciągłość mineralizacji bilansowej jest bardzo ograniczona.
4.
Niezdyskontowana wartość zasobów w złożu
Dla przedsiębiorcy i instytucji finansujących inwestycje górnicze najważniejsza jest ilość zasobów wydobywalnych (eksploatacyjnych – przewidzianych do wydobycia po uwzględnieniu strat i zubożenia) oraz ocena dokładności informacji o możliwości ich wykorzystania. Zasoby i ocena ich użyteczności, dokonywana tylko na podstawie danych geologicznych, stanowią dla nich jedynie „tło”, które w momencie oceny zasobów wydobywalnych przestaje być przedmiotem zainteresowania [4].
W krajach z dłużej niż w Polsce działającą gospodarką rynkową wielkość zaso-bów mineralnych nie jest wartością statyczną zależną od zdefiniowanych przez mi-nistra środowiska kryteriów brzeżnych, lecz wartością dynamiczną zależną przede wszystkim od prognozowanych cen surowców oraz kosztów ich eksploatacji i prze-twarzania.
W szacowaniu zasobów projektu górniczego powinniśmy kierować się ich warto-ścią, która jest różnicą przychodów ze sprzedaży produktu finalnego, np. koncentra-tu oraz kosztów jego wyprodukowania. Wartość zasobów to niezdyskontowana war-tość pierwiastków użytecznych w wyrobisku docelowym dla założonych cen, kosz-tów, uzysków oraz przyjętych założeń geotechnicznych (metoda statyczna z pomi-nięciem w rachunku wartości pieniądza w czasie).
Wartość zasobów jest jedną z najważniejszych składowych szerzej ujętej warto-ści złoża, która bierze również pod uwagę m.in. położenie geograficzne projektu w kontekście występującego ryzyka jego prowadzenia [8].
5.
Sposób wykonania modelu z wykorzystaniem platformy GIS
5.1. Wykonanie modelu wartości zasobów przemysłowych
W pierwszym etapie została zbudowana baza danych otworów rozpoznawczych w programie Excel, uwzględniająca dane złożowe, takie jak: miąższość z podziałem na typy litologiczne rudy, zawartość Cu i Ag oraz furtę eksploatacyjną. Użyte dane są danami teoretycznymi dla złóż stratoidalnych miedzi i srebra.
W programie QGIS, przy pomocy odpowiedniej funkcji, zostały utworzone poli-gony Woronoja (w geologii nazywane wielobokami Bołdyriewa, czyli zgeometryzo-wanymi obszarami o jednorodnych własnościach, takich jak własności otworu wiert-niczego zlokalizowanego w centralnej części wieloboku), w pliku wektorowym, po-zwalającym również na zapisywanie dodatkowych atrybutów tych obiektów. Przy pomocy kalkulatora pól, będącego jedną z funkcji QGIS, w tabeli atrybutów można wykonać dowolne działania, np. matematyczne, geometryczne (rys. 3). Możliwe jest także wykonywanie obliczeń w odrębnym arkuszu kalkulacyjnym oraz wklejanie ich do wcześniej utworzonych szablonów tabel w programie QGIS. W tabeli atrybutów wykorzystano algorytm do obliczania pola powierzchni powstałych bloków Bołdyrie-wa.
Następnie obliczono, uwzględniając przeliczenia jednostek: masę miedzi oraz srebra w koncentracie poprzez iloczyn masy tych metali w rudzie furty eksploatacyj-nej i średniego uzysku przeróbczego. Możliwe jest rozdzielenie wartości uzysku na poszczególne typy litologiczne rudy i tak należałoby uczynić, budując model rzeczy-wisty, gdyż uzysk przeróbczy zależy od rodzaju i ilości minerałów rudnych oraz lito-logii skał, w których one występują. Wartość zasobów poszczególnych bloków Boł-dyriewa została obliczona z różnicy iloczynu ceny metali i ich masy w koncentracie oraz kosztów górniczych i przeróbczych dla przyjętego kursu USD. Symulacje prze-prowadzono dla cen miedzi: 5000, 6500 i 8000 USD/Mg. Cenę Ag założono na sta-łym poziomie (17,5 USD/kg) dla każdego scenariusza cen miedzi. Oczywiście każdą z wartości parametrów można łatwo zmienić i szybko przeliczyć jeszcze raz model, otrzymując dodatkowe scenariusze wartości zasobów w złożu. Obliczenia można także przeprowadzić, symulując stosowanie różnych stawek podatku miedziowego, albo obliczenia NSR, uwzględniające parametry hutnicze koncentratu. Na czerwono zaznaczono bloki o wartości ujemnej zasobów przemysłowych, a na zielono dodat-niej. Bloki sklasyfikowane jako negatywne z geologiczno-zasobowego punktu wi-dzenia (zasobność poniżej 35 kg Cu/m2) oznaczono kolorem białym (rys. 4-6). Wy-świetlono również informacje o typach litologicznych rudy na wykresach kołowych (rys. 5).
Rys. 3. Przykładowe obliczenia wykonane w kalkulatorze pól programu QGIS
Rys. 4. Wartość zasobów w blokach Bołdyriewa dla ceny miedzi 5000 USD/Mg
Rys. 5. Wartość zasobów w blokach Bołdyriewa dla ceny miedzi 6500 USD/Mg wraz z wyświetleniem informacji o litologii furty eksploatacyjnej na diagramach kołowych
Ruda węglanowa Ruda łupkowa Ruda piaskowcowa 1,5 km
Rys. 6. Wartość zasobów w blokach Bołdyriewa dla ceny miedzi 8000 USD/Mg
Model wartości zasobów eksploatacyjnych powstał poprzez dodanie do modelu zasobów przemysłowych poligonów projektowanych pól eksploatacyjnych, filarów ochronnych szybów oraz wiązek wyrobisk rozpoznawczo-udostępniających, które podczas eksploatacji przejmują rolę chodników transportowych i wentylacyjnych. Wydzielonym poligonom ze względów technologicznych przypisano inny poziom strat górniczych, tj. dla pól eksploatacyjnych 20%, natomiast dla wiązek wyrobisk udostępniających oraz filarów ochronnych szybów 70%. Koszty górnicze uzależnio-no od głębokości zalegania spągu złoża, wydzielając poligony co sto metrów, tj. dla głębokości do: 1300, 1400, 1500 i 1600 m. Następnie, stosując w kalkulatorze pól formułę z obliczeń wartości zasobów przemysłowych, uwzględniając dodatkowo straty oraz koszty powiązane z głębokością eksploatacji, oszacowano wartość za-sobów eksploatacyjnych do wykorzystania w planowaniu długookresowym produkcji górniczej oraz obliczeń NPV różnych scenariuszy eksploatacji (rys. 7-9).
Rys. 7. Wartość zasobów eksploatacyjnych z uwzględnieniem strat oraz kosztów górniczych, związanych z głębokością eksploatacji dla ceny miedzi 5000 USD/Mg
1,5 km
Rys. 8. Wartość zasobów eksploatacyjnych z uwzględnieniem strat oraz kosztów górniczych, związanych z głębokością eksploatacji dla ceny miedzi 6500 USD/Mg
Rys. 9. Wartość zasobów eksploatacyjnych z uwzględnieniem strat oraz kosztów górniczych, związanych z głębokością eksploatacji dla ceny miedzi 8000 USD/Mg
Część bloków eksploatacyjnych wraz ze wzrostem ceny miedzi z ujemnych przy cenie 5000 USD/Mg i częściowo przy cenie 6500 USD/Mg osiąga wartości dodatnie, gdy cena miedzi wynosi 8000 USD/Mg. Wartość zasobów w strefach wiązek wyro-bisk rozpoznawczo-udostępniających, ze względu na duże straty górnicze, tylko w najpłytszej analizowanej części złoża jest dodatnia.
1,5 km 1,5 km
6.
Szacowanie wartości zasobów w blokach geologicznych
Złoża stratoidalne charakteryzują się dużą lokalną zmiennością wielkości minerali-zacji rudnej. Poniżej po lewej stronie przedstawiono porównanie przykładowego rozkładu zawartości miedzi, dla jednego z wydzieleń litologicznych złoża. Interpola-cję wykonano metodą krigingu zwyczajnego na podstawie prób z wyrobisk konturu-jących w polu eksploatacyjnym o powierzchni 1 km2. Natomiast poniżej, po prawej stronie, interpolacje przeprowadzono w siatce regularnej po wybraniu pola eksploat-acyjnego w granicach tego samego wyrobiska konturującego (rys. 10).
Rys. 10. Interpolacja zawartości miedzi metodą krigingu zwyczajnego w złożu stratoidalnym na podstawie rozpoznania wyrobiskami rozpoznawczo-udostępniającymi (lewa strona) oraz
po wyeksploatowaniu tego fragmentu złoża o powierzchni 1 km2
(prawa strona)
Z powyższego przykładu wynika, iż zastosowanie metod geostatystycznych na podstawie danych z nieregularnej sieci opróbowania, kiedy dla pełnego pokrycia trzeba zastosować duże elipsoidy wyszukiwania, może spowodować, że model roz-kładu zawartości składnika użytecznego, np. Cu, przed i po eksploatacji może być znacząco różny. Będzie to miało wpływ na niedoszacowanie lub przeszacowanie zasobów oraz planowanie produkcji. W powyższym przykładzie przeszacowanie masy zasobów wyniosło 10%, natomiast średniej zawartości Cu prawie 30%.
W przypadku szacowania zasobów na postawie danych z nieregularnej sieci opróbowania lub zbyt małej liczby prób lepszym i prostszym rozwiązaniem może być klasyczne szacowanie zasobów metali w tzw. blokach geologicznych, czyli obsza-rach bieżącego rozpoznania wg krótko- i średniookresowych planów produkcji, z uwzględnieniem granic mineralizacji rudnej, związanych np. z występowaniem facji utlenionej czy granic tektonicznych. W przypadku złóż, zlokalizowanych na monokli-nie przedsudeckiej, wskaźnikiem występowania ekonomicznej mineralizacji rudnej są strefy o ograniczonej miąższości łupka miedzionośnego, zlokalizowane na szczy-tach elewacji białych piaskowców czerwonego spągowca [1]. W blokach geologicz-nych zawartość metali wyliczana jest jako średnia ważona miąższości profilu dla każdej wydzielanej odmiany litologicznej rudy.
Wielobok Bołdyriewa można podzielić na bloki geologiczne i wykonać analizę szacowania zasobów oraz ich wartości w blokach geologicznych, a następnie w prosty sposób wygenerować raport. Wszystkie utworzone w oprogramowaniu QGIS mapy, tabele czy wykresy można wyeksportować do arkuszy kalkulacyjnych,
C
u
[
%
]
Cu [%]np. Excel, lub programów CAD, np. Microstation. W poniższym przykładzie obliczo-no średnią zawartość miedzi w próbach, zlokalizowanych w wydzielonych blokach geologicznych, i dopisano do tabeli atrybutów tych poligonów odpowiednie wartości. Następnie po oszacowaniu zasobów metali w blokach geologicznych oraz dodaniu kosztów produkcji i cen produktów finalnych można wyliczyć wartość zasobów w wybranych poligonach dla przyjętych założeń oraz je dowolnie modyfikować, np. zmienić ceny, parametry uzysku, koszty. Można również wprowadzić wskaźnik obni-żający jakość rudy w obszarze wyinterpretowanej przez geologów strefy bezłupko-wej (rys. 11).
Rys. 11. Blok Bołdierewa, podzielony na bloki geologiczne z obliczonym średnim parametrem zawartości miedzi na podstawie prób bruzdowych (lewa strona) oraz ten sam blok
z uwzględnieniem przebiegu elewacji (prawa strona)
7.
Model złoża stratoidalnego – przyszłość
Jeśli nie możemy zwiększyć w racjonalny sposób ilości informacji i musimy bazować na rzadkiej lub nieregularnej siatce punktowego rozpoznania złoża, a geostatystyka
ma w takich warunkach ograniczenia, to może mogłaby pomóc sztuczna inteligencja wykorzystująca algorytmy uczące się?
Obecnie mamy do czynienia z ogromną liczbą danych, których nie da się już analizować w sposób manualny, dlatego z algorytmów uczenia maszynowego w ostatnim czasie korzystają wszyscy, również branża górnicza. Największy
kon-cern górniczy na świecie BHP Group chce połączyć wiedzę techniczną oraz geolo-giczną z obszaru poszukiwań złóż węglowodorów oraz złóż metali i poprzez uzy-skanie synergii zwiększyć prawdopodobieństwo uzyskania sukcesu eksploracyjnego oraz przewagi technologicznej i kosztowej na rynku. Dzięki informacji z odwiertów naftowych BHP Group może przeanalizować praktycznie wszystkie baseny sedy-mentacyjne na świecie i zawęzić obszar poszukiwań stratoidalnych złóż miedzi oraz dalszej oceny i wykonania prac eksploracyjnych. Australijski koncern górniczy OZ Minerals w roku 2019 przeprowadził otwarty konkurs z nagrodą główną 1 mln $ na opracowanie metodyki poszukiwania złóż IOCG (Iron Oxide Copper Gold) z wyko-rzystaniem zaawansowanych algorytmów.
Cu [%]
1 km
Program QGIS wyposażony jest w moduł języka skryptowego Python, więc możliwe jest napisanie dowolnej dedykowanej aplikacji lub skorzystanie z tysięcy wtyczek już dostępnych. Algorytm do rozpoznawania i poszukiwania złóż stratoidalnych w zało-żeniu powinien pozwolić na wyznaczenie stref o własnościach złożowych i określe-niu na tej podstawie map parametrów złożowych (miąższości, zawartości metali, zasobności). Z wykorzystaniem symulacji warunkowej można dodatkowo przeanali-zować niepewność wystąpienia określonego modelu geologiczno-zasobowego.
Podsumowanie
Nieuniknione jest zwiększanie się kosztów produkcji górniczej wraz z większą głę-bokością eksploatacji poprzez wzrost kosztów, np. predykcji zagrożeń geologiczno-górniczych, wyższej temperatury skał oraz dłuższych dróg transportu ludzi i urobku. Wszystkie niezbędne parametry złożowe, kosztowe i rynkowe, w celu prowadzenia optymalnej eksploatacji i oceny zasobów złóż stratoidalnych, mogą być sprawnie analizowane w programach GIS, takich jak QGIS. Należy jednak dodać, że progra-my te mają dość ograniczone możliwości interpolacyjne danych, dlatego ewentualne analizy geostatystyczne powinny być wykonywane w programach specjalistycznych.
W budowaniu modeli złóż, opartych na założeniach niepewnych, nie należy za-pominać o roli intuicji, która podpowiada geologom, gdzie bogata mineralizacja mo-że się kończyć lub zaczynać, pomimo tego mo-że matematycznie nie jest to teza do udowodnienia.
Eksploatowanych złóż stratoidalnych na świecie jest niewiele (największe to złoża prowincji metalogenicznej Copperbelt w Demokratycznej Republice Konga i w Zambii, złoża basenu Udokan w Rosji czy siarczkowe złoża stratoidalne Kazachstanu i Bot-swany) są to często złoża dość specyficzne i trudne do oceny przy wykorzystaniu prostej analogii. Dlatego w najbliższym czasie nie należy oczekiwać pojawienia się na świecie uniwersalnych narzędzi do modelowania takich złóż. KGHM Polska Miedź S.A. ma unikalną wiedzę i doświadczenie na temat rozpoznawania i eksploatacji tego typu złóż, więc ma podstawy do wypracowania takich innowacyj-nych rozwiązań.
Bibliografia
[1] Kaczmarek W. i in., 2017, Charakterystyka stref bezzłożowych w centralnej części złoża rud miedzi na monoklinie przedsudeckiej, Zeszyty Naukowe Insty-tutu Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk, nr 100, s. 79-94.
[2] Krzak M., Panajew P., 2018, Rozmyty opis złoża rud jako narzędzie wsparcia w jego rozpoznaniu eksploatacyjnym, Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk, nr 106, s. 85-100. [3] Leszczyński R., 2011, Model złoża – porównanie modeli pierwszych
dokumen-tacji geologicznych z modelami obecnymi, Geolodzy w służbie Polskiej Miedzi, Konferencja Środowiskowa Geologów, s. 21-34.
[4] Nieć M., 2009, Polska i międzynarodowa ramowa klasyfikacja zasobów (UNFC) złóż kopalin stałych i węglowodorów – podobieństwa i różnice, Górnictwo Od-krywkowe, Poltegor-Instytut, R. 50, nr 2-3, Wrocław, s. 50-57.
[5] Niedbał M. i in., 2015, Kompleksowa interpretacja sejsmiczna i geoelektryczna w poszukiwaniu i rozpoznawaniu złóż rud miedzi typu stratoidalnego, położo-nych na znaczpołożo-nych głębokościach, CUPRUM – Czasopismo Naukowo-Techniczne Górnictwa Rud, nr 4 (77), s. 5-25.
[6] Piestrzyński A. i in. red., 2007, Monografia KGHM Polska Miedź S.A., Wyd. 2, Wyd. KGHM Cuprum, s. 343-354.
[7] Szczepanek R., 2013, Systemy informacji przestrzennej z Quantum GIS część I, Politechnika Krakowska.
[8] Wirth H., 2011, Wieloczynnikowa wycena złóż i ich zasobów na przykładzie przemysłu metali nieżelaznych, Instytut Gospodarki Surowcami Mineralnymi i Energią PAN, Kraków.
