اکتشاف مدرن در معدن

اکتشاف مدرن در معدن

علی رغم افزایش کیفیت و مقدار داده های اکتشاف ، در طی 20 سال گذشته بهره برداری ها ناامید کننده بوده است.باید  به دنبال مقدمه روشهای جدید ، اکتشافات عمده در امواج باشیم. این مقاله استدلال می کند که روش های جدید محرک موج بعدی در تحولات اخیر در تکنیک های داده کاوی ، از جمله تجسم و مدل سازی احتمالی ، پیدا خواهد شد.

هوش انسانی خود این فن آوری ها با وارونگی ژئوفیزیکی همراه هستند ، ادغام مجموعه داده های متعدد و ساخت مدل های زمین شناسی متناسب با دانش و درک فعلی را آسان می کنند. سپس این مدل ها می توانند از بین کارگران تمام رشته های تحقیق منتقل شده و به صورت بصری به اشتراک گذاشته شوند. تکنیک های مدل سازی احتمالی برآوردی از احتمال وجود برخی از مکان های دارای ویژگی های بهره برداری اضافی را بر اساس مجموعه ای از مثالهای شناخته شده ارائه می دهند.

از طرف دیگر ، شبکه های عصبی و روش های هسته ای به این روش محدود نیستند و می توانند اطلاعات معنی دارتری را از داده ها استخراج کنند. لایه داده اولیه اکتشاف از جمله زمین شناسی ، سنجش از دور ، ژئوشیمی ، گرانش ، بررسی های آهن ربایی و مغناطیسی ، زمین دیجیتال و ساختار منطقه ای ، همراه با ذخایر شناخته شده طلا است. برای ارائه داده ها به مدل ، مراقبت لازم است. به عنوان مثال ، داده های ژئوفیزیکی ممکن است اهمیت کمی به عنوان مقادیر نقطه ای داشته باشند ، و به رمزگذاری نیاز است که الگوی داده را در همسایگی یک ایستگاه مشخص نشان می دهد. در ساختار منطقه ای و تا حدی در زمین شناسی نیز همین امر وجود دارد. تعداد ورودی های مدل می تواند از این طریق به صدها رشد کند ، بنابراین بهینه سازی و قاعده بندی کارآمد مورد نیاز است. این مدل اجازه می دهد تا نتایج مربوط به مجموعه داده های جداگانه تجزیه و تحلیل شود. به عنوان مثال زمین شناسی ارتباط زیادی بین ذخایر شناخته شده طلا و آندزیت سوم نشان می دهد. مجموعه داده های دیگر الگوهای مشابه اما لزوماً همزمان را نشان می دهد. سپس می توان مجموعه داده ها را با هم ترکیب کرد و نقشه مطلوبیت هدف را ایجاد کرد. زیر منطقه Walker Lane که در سایت آزمایش نوادا قرار دارد ، رویکرد را نادرست می داند. دو هدف مشخص شناسایی شده است ، که مطمئناً اگر این منطقه آزمایش سلاح های هسته ای محدود به اکتشاف نباشد ، پیگیری می شود. در نهایت ، توزیع امتیازات مطلوبیت بر روی منطقه شناخته شده طلا و به طور کلی منطقه ، این احتمال را تعیین می کند مکانی با امتیاز بالاتر از یک آستانه مشخص میزبان ودیعه است. توزیع امتیازها همچنین امکان محاسبه هزینه ها و مزایای مورد انتظار یک برنامه اکتشافی را فراهم می کند و نشان می دهد که چگونه هدف گذاری بهبود یافته از مدل هزینه های اکتشاف را کاهش می دهد و احتمال موفقیت را افزایش می دهد.

استخراج معادن استخراج مواد معدنی با ارزش یا سایر مواد زمین شناسی از زمین ، معمولاً از یک جسم سنگ معدن ، لود ، رگ ، درز ، صخره یا کانسارهای جای دهنده است. این ذخایر یک بسته معدنی را تشکیل می دهد که مورد توجه اقتصادی معدنکار است. روشهای ژئوفیزیکی غیرتهاجمی مانند بازتاب لرزه ای و مقاومت الکتریکی ثابت کرده اند که در شناسایی و تعیین کمیت مکانهای با ارزش استخراج معادن قابل استفاده هستند. یک انگیزه اقتصادی قوی برای انجام بررسی های ژئوفیزیکی قبل از شروع عملیات استخراج وجود دارد

بارنت و ویلیامز یک چالش بزرگ برای اکتشاف مواد معدنی در آینده ، هدفگذاری عمیق منابع پنهان خواهد بود. ...

... با این حال ، وقوع اهداف "عمیق" محدود به بعد سوم نیستند ، و آنها را می توان به عنوان سیستم های معدنی پنهان و پیچیده ای دانست که به سختی در مقدار زیادی از داده های علوم علمی فوق ابعادی قابل تشخیص هستند.

بنابراین ، برای استخراج اطلاعات مفید از مقدار زیادی مجموعه داده ، روشهای پیشرفته داده کاوی لازم است (بارنت و ویلیامز ، 2006). برای رمزگشایی از روابط متقابل بین انواع مختلف داده ها ، استخراج پارامترهای دلخواه از اندازه گیری های خام و تطبیق همه الگوهای زمین شناسی در یک سیستم مدل سازی یکپارچه ، استراتژی ها و روش های مشخص مورد نیاز است.

. به منظور تعیین P g ، بررسی فرآیندهای تشکیل رسوبات و بدین ترتیب استخراج متغیرهای مورد نیاز و وزن آنها برای محاسبه متریک پیشنهادی و احتمالات مربوط به درجه عدم قطعیت زمین شناسی در هر یک از اهمیت اساسی برخوردار است.

در دوره مدرن کاهش بازده در بودجه های اکتشاف ثابت ، اهداف چالش برانگیز و تعداد روزافزون مجموعه داده های چند پارامتری ، مدیریت صحیح و یکپارچه سازی داده های موجود یکی از م componentلفه های مهم هر برنامه اکتشاف منابع است. در گذشته الگوریتم های متعددی برای نقشه برداری از چشم انداز منابع تلاش شده است و در این مقاله ما یک الگوریتم اصلاح شده ماشین بردار پشتیبان را به یک مجموعه داده آزمایش از منطقه QUEST در مرکز بریتیش کلمبیا ، کانادا اعمال می کنیم تا مناطق پورفیری Cu-Au کشف نشده را هدف قرار دهیم. الگوریتم اصلاح شده برای کنترل صحیح عدم قطعیت بسیار متغیر مرتبط با داده های آموزش (به عنوان مثال: ژئوفیزیک ، ژئوشیمی ، نقشه برداری زمین شناسی) و همچنین برچسب های آموزشی (اهداف پورفیری شناخته شده Cu-Au در منطقه) طراحی شده است.

ویرایش توسط ادمین سنگچین