CC BY
7
УДК 622.34:004.94:553.04
Яковлев Андрей Михайлович
старший научный сотрудник, лаборатория управления качеством минерального сырья, Институт горного дела УрО РАН, 620219 г. Екатеринбург, ул. Мамина-Сибиряка, 58 e-mail: ukr@igduran.ru
Кантемиров Валерий Даниилович
кандидат технических наук, заведующий лабораторией управления качеством минерального сырья Институт горного дела УрО РАН
Титов Роман Сергеевич
старший научный сотрудник, лаборатория управления качеством минерального сырья, Институт горного дела УрО РАН
МЕТОДЫ ГЕОИНФОРМАЦИОННОГО МОДЕЛИРОВАНИЯ ПРИ РЕШЕНИИ ЗАДАЧ КОМПЛЕКСНОГО ИСПОЛЬЗОВАНИЯ НЕДР*
DOI: 10.25635/2313-1586.2022.04.044
Yakovlev Andrei M.
Senior Researcher,
Laboratory of mineral quality management, Institute of Mining, Ural Branch of RAS, 620075, Ekaterinburg, 58 Mamina-Sibiryaka Str. e-mail: ukr@igduran.ru
Kantemirov Valery D.
Candidate of Technical Sciences, Head of Laboratory of mineral quality management, Institute of Mining, Ural Branch of RAS
Titov Roman S.
Senior Researcher,
Laboratory of mineral
quality management,
Institute of Mining, Ural Branch of RAS
METHODS OF GEOINFORMATION MODELING IN SOLVING PROBLEMS OF INTEGRATED USE OF MINERAL RESOURCES
Аннотация:
Ухудшение горнотехнических и горно-геологических условий добычи полезных ископаемых, ужесточение требований к содержанию полезных и вредных компонентов, к чистоте получаемой из минерального сырья продукции снижает эффективность добычи. Для повышения экономической эффективности горного производства необходимо иметь четкое представление о пространственном распределении природных типов и сортов полезного ископаемого. Приведена методика геоинформационного моделирования, позволяющая выделить технологические типы и природные сорта полезных ископаемых с целью повышения эффективности извлечения ценных компонентов и более комплексного использования недр. Методика основана на анализе данных детальной разведки, каркасном и блочном моделировании. После получения моделей происходит программная обработка построенных моделей, позволяющая выделить преобладающий тип руды на участке. Предложенная методика предназначена для автоматизированного планирования горных работ в режиме управления качеством сырья и позволяет определить преобладающий технологический сорт или природный тип в определенных участках изучаемого месторождения.
Ключевые слова: геометризация, геологические базы данных, геоинформационное моделирование, комплексные руды, качество полезного ископаемого, блочное моделирование, планирование гор-ныхработ, раздельная добыча и усреднение рудной массы.
Abstract:
Deterioration of mining and geological conditions of mining, stricter requirements for the content of useful and harmful components, for purity of products obtained from mineral raw materials, reduces the efficiency of mining. To increase the economic efficiency of mining production, it is necessary to have a clear understanding of the spatial distribution of natural types and varieties of minerals. The article presents a technique of geoinformation modeling, which makes it possible to identify technological types and natural varieties of minerals in order to increase the efficiency of extracting valuable components and to more integrated use of the subsoil. The methodology bases on the analysis of detailed exploration data and on frame and block modeling. After receiving the models, the software processing of the constructed models takes place, which allows identifying the predominant type of ore on the site. The proposed methodology intends for automated planning of mining operations in the mode of raw material quality management and allows determining the predominant technological variety or natural type in certain areas of the studied deposit.
Key words: geometrization, geological databases, geoinformation modeling, complex ores, mineral quality, block modeling, mining planning, separate mining and ore mass averaging.
* _
Исследования выполнены в рамках Госзадания №075-00412-22 ПР, тема 1 (2022-2024), (FUWE-2022-0005), рег. №1021062010531-8-1.5.1.
Введение
Оценка пространственного распределения качественных показателей и типосортов руд оказывает существенное влияние на эффективность переработки минерального сырья. Резкие колебания качественных показателей в руде ведут к большим потерям ценного компонента при ее переработке, необходимо также учитывать, что различные технологические типы и природные сорта могут перерабатываться только раздельно, по отдельной технологической цепочке. Одна из важнейших задач для геологов, маркшейдеров и технологов, необходимая для экономически целесообразной работы карьера, поддержание постоянного соотношения между типосортами руд при производстве открытых горных работ. Учет качественных показателей и прогноз распределения руд осуществляется при геологическом изучении недр (детальной, эксплуатационной разведке, оперативном опробовании), на стадии проектных и оценочных работ, а также при планировании добычных работ в условиях эксплуатации месторождения.
В текущий момент времени геоинформационное моделирование и планирование на крупных ГОКах осуществляется с использованием специальных горно-геологических информационных систем и прикладных программных продуктов (Биграе, Оа1атте, МтеБЬеё, Мтейате и т.п.), что позволяет обеспечить наиболее эффективный уровень сопровождения процессов горного производства, снизить погрешности, повысить точность прогноза и учета движения запасов за счет интеграции с системами диспетчеризации [1 - 5].
Задачи комплексного использования недр при геоинформационном моделировании решаются за счет геометризации и оценки пространственного размещения типосортов руд, учета их количественных и качественных показателей, а также выбора и оптимизации системы управления рудопотоками в карьерах. На рис. 1 приведена блок-схема, раскрывающая некоторые способы комплексного использования минерального сырья.
Рис.1. Блок-схема способов комплексного использования недр
Описание
Как объект для апробации методики геоинформационного моделирования комплексного использования недр выбрано Серовское месторождение комплексных руд. Установлено, что слагающие месторождение руды можно разделить на два природных типа: бобово-конгломератовые железные и латеритные силикатно-никелевые. Для организации раздельной добычи и переработки выделенных типов руд необходимо произвести их технологическое картирование. Предварительный анализ природных типов руд показал, что в составе бобово-конгломератовых руд можно выделить три технологических сорта по следующим признакам: количеству цемента (вмещающих пород) и степени выветрелости. Отмечена высокая изменчивость мощности рудных тел, покрывающей толщи вскрышных пород, а также качественных характеристик, что обусловливает сложные горно-геологические условия разработки. По итогам технологических испытаний установлен характер распределения в рудах ценных компонентов. Установлено, что распределение содержаний никеля в бобовых рудах имеет резко асимметричный характер с преобладанием классов до 0,3 %, составляющих 80 % всей выборки (среднее содержание N1=0,25 %). N1 распределен относительно равномерно при незначительной (15,7 %) доле содержаний в классах до 0,3 %. В отличие от бобово-конгломератовых, в латеритных рудах преобладают классы содержаний №>0,5 % (среднее содержание N1=0,67 %). Установлено, что все изученные руды Серовского месторождения, как охристые, так и бобово-конгломератовые, относятся к категории труднообогатимых. Их морфо-структурный состав характеризуется присутствием в значительном количестве тонкодисперсных минеральных систем, сложным полиминеральным составом и специфическими особенностями конкретных рудных минералов, что не позволяет получать качественные железные концентраты. Следовательно, переработка охристых и бобово-конгломератовых руд должна производиться по разным технологическим схемам.
С учетом вышеизложенного при компьютерном моделировании начальным этапом трансформации данных разведки является создание «геологической базы данных», содержащей информацию о разведочных скважинах и интервалах опробования.
Данные детальной и эксплуатационной разведок векторизуются и переводятся в цифровой табличный вид. В таких таблицах содержится информация: номер скважины, ее координаты (х, у, 2). Обязательно в геологическую базу данных заносятся результаты интервального опробования по количеству и содержанию полезных компонентов и вредных примесей. Дополнительно может быть включена атрибутивная информация: физико-механические и физические свойства, рассчитанные экономические показатели добычи и др. [6 - 8].
С целью получения наиболее достоверного прогноза предварительно производятся следующие операции:
- корректировка ураганных значений и исправление ошибок;
- учет кластеризации данных и их декластеризация в зависимости от масштаба анализируемого объекта.
С помощью средств ГГИС происходит трансформация данных в формат геологической базы, пример которой представлен на рис. 2.
Далее с помощью методов интерполяции [9 - 10] производятся построения вероятностных распределений качественных показателей в пространстве на основе одного из алгоритмов:
- кригинга;
- метода обратных расстояний;
- радиально-базисных функций и др.
1ю1е_1с1 Ч 5агпр_И Ч с1ер1:11_1тот - с1ер1:11_1:о госк - гс - гос - 1егис1а »1
1071 5686 0 12Д Р01_ 3 * 17,05
1071 5687 12Д 27,1 Р01_ 3 X 13,1
1071 5688 27Д 42,1 Р01_ 3 X 13,3
1071 5689 42Д 57,1 РРЬ 3 X 12,4
1071 5690 57,1 72Д РОБ 5 * 12,5
1071 5691 72Д 87,1 РОБ 5 * 13,9
1071 5692 87Д 91 РОБ 5 f 17,5
1072 5693 0 6,4 РШ_ 3 * 18,15
1072 5694 6,4 21,4 Рй1_ 3 f 16,3
1072 5695 21,4 36,4 Р01_ 3 X 12,4
1072 5696 36,4 51,4 Рй1_ 3 * 13
1072 5697 51,4 66,4 Р01_ 3 * 13,7
1072 5698 66,4 81,4 Р01_ 3 X 10,8
1072 5699 81,4 84 Р01_ 3 X 10,5
1073 5700 0 7,2 РОБ 5 X 14,1
1073 5701 7,2 22,2 РОБ 5 X 16,3
1073 5702 22,2 37,2 РОБ 5 X 16,25
1073 5703 37,2 52,2 РОБ 5 X 16,6
1073 5704 52,2 сп м РОБ 5 X 11,2
1073 5705 67,2 74,3 РОБ 5 f 14,9
1073 5706 74,3 77 РОБ 5 X 4,45
1073 5707 77 82,2 РОБ 5 X 14,9
1073 5708 82,2 84,3 РОБ 5 X 13,2
Рис. 2. Образец таблицы исходных данных
Для интерполяции данных Серовского месторождения принят стандартный метод обратных расстояний. При интерполяции радиус поиска требуемых параметров задан исходя из среднего расстояния между профилями - 1200 м. Данные интервального опробования представлены по 168 скважинам. Среднее расстояние между скважинами в ряду 300 м.
Выполнен статистический анализ данных разведки, который показал, что данные весьма неоднородны. Данные опробования приведены к одному шагу методом «вниз по скважине» с разбиением на композиты (интервалы) 1 м. Далее производятся оценка анизотропии и построение блочной модели с блоками 5*5*5 м. Размеры перспективного контура карьера по поверхности и глубине были установлены при детальной разведке месторождения. Таким образом, пространственными ограничителями явились цифровая топографическая модель поверхности, построенная по координатам устьев скважин, и каркасная модель перспективного карьера по данным предварительных оценок (рис. 3).
Рис. 3. Блочная модель Серовского месторождения с ограничителями и проинтерполированными атрибутами блоков
Для автоматизированной оценки [6 - 7] данные блочного моделирования с учетом ограничителей были экспортированы в формат *.сбу. Далее с помощью разработанного программного обеспечения сформированы матричные модели (пример на рис. 4 - 5), учитывающие разбиение карьерного поля на участки. С учетом больших линейных размеров карьерного поля и расстояний между рядами скважин размеры исследуемых участков приняты 400*400*10 м (рис. 6) с привязкой к местной системе координат. Внутри участков рассчитаны качественные показатели, выделены природные типы и сорта руд.
Охристые бобово-конгломерантные руды
53600 54000 54400 54800 55200 55600 56000 56400 56800 57200 57600 Ьед1п
30000 30000
29600 31 8.5 29600
29200 2904 6224.5 2744 188 29200
28800 541.5 10071,5 | 9579 6367.5 5823.5 1057 28800
28400 50.5 3634 3227.5 11156 11900 5714.5 5741 1638 28400
28000 118.5 6604.5 4587 11193 10974.5 2122 9 28000
27600 2103 7830.5 11128 3358.5 195 27600
27200 1155.5 13436.5 13049 296 27200
26800 3627.5 15277.5 15241.5 339 26800
26400 14.5 8169.5 17312 20308.5 7585.5 226 26400
26000 0.5 2716.5 14652 20495 20612.5 7698.5 235.5 26000
25600 1212 6776.5 18345 17476 18305.5 3341 53.5 25600
25200 183 2550 6608.5 11821 | 3236.5 5789 5086 450 25200
24800 1108.5 2426 6Э8Э 11389.5 4861 5136.5 746,5 620.5 24800
24400 1024 1706,5 3033.5 4104.5 5082.5 929.5 1.5 3 24400
24000 341.5 797 2543.5 7698.5 5577.5 429 24000
23600 434 1743 198 23600
23200 23200
Эегоу 53600 54000 54400 54800 55200 55600 56000 56400 56800 57200 57600 епс)
Рис. 4. Распределение охристых бобово-конгломератных руд по исследуемым участкам карьера
Силикатно-никелевые латеритные руды
53600 54000 54400 54800 55200 55600 56000 56400 56800 57200 57600 Ьедт
30000 30000
29600 29600
29200 | 259 2.5 29200
28800 10.5 1860.5 1441.5 28800
28400 196 2373.5 2760.5 3 I | 28400
28000 479 5 119.5 28000
27600 46 27600
27200 27200
26800 26800
26400 26400
26000 113.5 924.5 26000
25600 39 490.5 387 100.5 877 91.5 25600
25200 339 1353 5590.5 11707 9059 628 5 25200
24800 298 3207.5 |12733 5 7349.5 9549.5 3419 24800
24400 9 1252.5 1152.5 49 24400
24000 369 1464 422 24000
23600 126 136.5 23600
23200 23200
Эегоу 53600 | | 54000 | | 54400 | | 54800 | | 55200 | | 55600 | 56000 | | 56400 | 56800 | | 57200 | 57600 епс)
Рис. 5. Распределение силикатно-никелевых латеритных руд по исследуемым участкам карьера
Результаты
В результате исследований разработана методика геоинформационного моделирования пространственного размещения различных природных типов и сортов руд, построены каркасные и блочная модели месторождения.
Получены аналитические данные по соотношению различных типов руды в карьере с характерными значениями содержания полезных компонентов минерального сырья (табл. 1 - 3), произведена оценка локализации различных типосортов руд по участкам исследуемого карьерного поля (см. рис. 4 - 6).
Таблица 1
Соотношения природных и технологических типов руд в пределах карьера Серовского месторождения и распределение в них содержания никеля
Тип и сорт руды Соотношение % Никель
Сред., % Макс., % Мин., % Квар., %
Охристая бобово-конгломератная 48,2 0,19 0,22 0,15 11,9
Плотная бобово-конгломератная 34,1 0,11 0,14 0,02 19,9
Рыхлая бобово-конгломератная 9,7 0,25 0,29 0,23 8,4
Силикатно-никелевая латеритная 8,0 0,35 0,62 0,3 12,2
Таблица 2
Качественные характеристики руд в пределах карьера (железо и кобальт)
Железо Кобальт
Тип и сорт руды Сред., % Макс., % Мин., % Квар., % Сред., % Макс., % Мин., % Квар., %
Охристая 39,1 49,7 18,0 9,3 0,024 0,077 0,006 25,1
Плотная 34,5 48,3 21,8 13,4 0,014 0,034 0,002 32,6
Рыхлая 39,7 48,9 26,9 8,0 0,033 0,174 0,012 29,1
Силикатно-никелевая 40,4 46,7 26,0 6,6 0,047 0,177 0,017 33,5
Таблица 3
Качественные характеристики руд в пределах карьера (хром)
Тип и сорт руды Хром
Сред., % Макс., % Мин., % Квар., %
Охристая 1,895 3,820 0,326 21,9
Плотная 1,839 3,113 0,303 28,3
Рыхлая 2,026 3,882 0,675 13,8
Силикатно-никелевая 1,893 3,077 0,545 27,2
■ - силикатно-никелевые латеритные руды
I - охристая разновидность бобово-конгломератных руд
I - плотные бобово-конгломератные руды
I - рыхлые бобово-конгломератные руды
Доля от общего объема на участке: - от 50 до 75 %, ® - от 75 до 100 % 10253 -(цифры) на участках обозначают объемы превалирующего сорта руда, тыс. м3
Рис. 6. Распределение природных типов и технологических сортов руд по участкам Серовского месторождения
Установлено, что 48 % запасов в пределах карьерного поля представляют охристые бобово-конгломератные руды, которые преобладают в центральной части карьера, в интервале отметок 25600 - 28400 по оси Х и 54800 - 56000 по оси У. Эти руды характеризуются самыми низкими коэффициентами вариации качества по содержанию железа и кобальта.
Выводы
Предложенная методика геоинформационного моделирования позволяет выделить технологические типы и природные сорта полезных ископаемых с целью повышения эффективности извлечения ценных компонентов и более комплексного использования недр. Методика основана на анализе данных детальной разведки, каркасном и блочном моделировании и предназначена для автоматизированного планирования горных работ в режиме управления качеством сырья. Она позволяет определить преобладающий технологический сорт или природный тип в определенных участках изучаемого месторождения.
Основные положения методики апробированы на примере анализа геологической базы данных Серовского месторождения комплексных руд. Установлено, что латерит-ные руды расположены в восточной части северного участка, на контактах с лицензионным участком ОАО «Уфалейникель», в пределах границ месторождения преобладает охристая и глинисто-охристая разновидность бобово-конгломератной руды. Западная часть от центральной оси утвержденных запасов представлена плотными бобово-конгло-мератными рудами. Плотные бобово-конгломератные руды преимущественно локализованы на двух участках, в юго-западном (У от 24000 до 24800, X от 55200 до 56400) и северо-восточном (У от 24000 до 24800, X от 55200 до 56400).
Результаты моделирования позволят повысить эффективность планирования горных работ в режиме управления качеством минерального сырья с учетом его комплексного использования.
Список литературы
1. Kumral M., 2013. Multi-period mine planning with multi-process routes. Int JMin Sci Technol, 23 (3), P. 317 - 321.
2. Yan S., Lin H., Jiang X., 2012. A planning model with a solution algorithm for ready mixed concrete production and truck dispatching under stochastic travel times. Eng Optim, 44 (4), P. 427 - 447.
3. Rimele A., Dimitrakopoulos R., Gamache M., 2020. A dynamic stochasticprogram-ming approach for open-pit mine planning with geological and commodity price uncertainty. Resour. Pol., 65, P. 101 - 570.
4. Корнилков С.В., Лаптев Ю.В., Аленичев В.М., Яковлев А.М., 2017. Прогноз качественных показателей добываемого сырья на основе геоинформационных технологий. Горный журнал, № 12, С. 10 - 15.
5. Яковлев В.Л., Лаптев Ю.В., Яковлев А.М., 2014. Геоинформационная оценка изменчивости качества титаномагнетитовых руд Гусевогорского месторождения. Литосфера,, № 5, С. 122 - 128.
6. Яковлев А.М., 2021. Апробация алгоритмов автоматизированной обработки геологических баз данных в технологических схемах управления качеством минерального сырья. Горный информационно-аналитический бюллетень, № 5 - 1, С. 248 - 257.
7. Яковлев А.М., 2021. Планирование горных работ в режиме управления качеством сырья на основе геоинформационного моделирования. Горный информационно-аналитический бюллетень, № 5 - 1, С. 258 - 268.
8. Кантемиров В.Д., Яковлев А.М., Титов Р.С., 2020. Оценка качественных показателей полезных ископаемых с использованием геоинформационных технологий блочного моделирования. Геоинформатика, № 3, С. 29 - 37.
9. Кантемиров В.Д., Яковлев А.М., Титов Р.С., 2019. Геоинформационные технологии при моделировании качественных характеристик руд. Геоинформатика, № 3, С. 12 - 18.
10. Asad M.W.A., 2005. Cutoff grade optimization algorithm with stockpiling option for open pit mining operations of two economic minerals. International Journal of Surface Mining, Reclamation and Environment, Volume 19, Issue 3, P. 176 - 187.
References
1. Kumral M., 2013. Multi-period mine planning with multi-process routes. Int JMin Sci Technol, 23 (3), P. 317 - 321.
2. Yan S., Lin H., Jiang X., 2012. A planning model with a solution algorithm for ready mixed concrete production and truck dispatching under stochastic travel times. Eng Optim, 44 (4), P. 427 - 447.
3. Rimele A., Dimitrakopoulos R., Gamache M., 2020. A dynamic stochasticprogram-ming approach for open-pit mine planning with geological and commodity price uncertainty. Resour. Pol., 65, P. 101 - 570.
4. Kornilkov S.V., Laptev Yu.V., Alenichev V.M., Yakovlev A.M., 2017. Prognoz kachestvennykh pokazatelei dobyvaemogo syr'ya na osnove geoinformatsionnykh tekhnologii [Forecast of qualitative indicators of extracted raw materials basing on geoinformation technologies]. Gornyi zhurnal, № 12, P. 10 - 15.
5. Yakovlev V.L., Laptev Yu.V., Yakovlev A.M., 2014. Geoinformatsionnaya otsenka izmenchivosti kachestva titanomagnetitovykh rud Gusevogorskogo mestorozhdeniya [Geoinformation assessment of quality variability of titan-magnetite ores of Gusevogorsky deposit]. Litosfera, № 5, P. 122 - 128.
6. Yakovlev A.M., 2021. Aprobatsiya algoritmov avtomatizirovannoi obrabotki geolog-icheskikh baz dannykh v tekhnologicheskikh skhemakh upravleniya kachestvom mineral'nogo syr'ya [Approbation of algorithms for automated processing of geological databases in technological schemes of mineral quality management]. Gornyi informatsionno-analiticheskii byullet-en', № 5 - 1, P. 248 257.
7. Yakovlev A.M., 2021. Planirovanie gornykh rabot v rezhime upravleniya kachestvom syr'ya na osnove geoinformatsionnogo modelirovaniya [Planning of mining operations in the raw material quality management mode based on geoinformation modeling]. Gornyi infor-matsionno-analiticheskii byulleten', № 5 - 1, P. 258 - 268.
8. Kantemirov V.D., Yakovlev A.M., Titov R.S., 2020. Otsenka kachestvennykh pokazatelei poleznykh iskopaemykh s ispol'zovaniem geoinformatsionnykh tekhnologii blochnogo modelirovaniya [Evaluation of qualitative indicators of minerals with use of geoinformation technologies of block modeling]. Geoinformatika, № 3, P. 29 - 37.
9. Kantemirov V.D., Yakovlev A.M., Titov R.S., 2019. Geoinformatsionnye tekhnologii pri modelirovanii kachestvennykh kharakteristik rud [Geoinformation technologies in modeling the qualitative characteristics of ores]. Geoinformatika, № 3, P. 12 - 18.
10. Asad M.W.A., 2005. Cutoff grade optimization algorithm with stockpiling option for open pit mining operations of two economic minerals. International Journal of Surface Mining, Reclamation and Environment, Volume 19, Issue 3, P. 176 - 187.
