ООО «Институт Гипроникель», Санкт-Петербург, Россия
Лялинов Д. В., старший научный сотрудник лаборатории геолого-технологического изучения сырья, эл. почта: LyalinovDV@nornik.ru
ООО «НН Технические сервисы», Санкт-Петербург, Россия
Трехсвятская Е. О., ведущий геолог, эл. почта: TrehsvyatskayaEO@nornik.ru
Представлен опыт разработки методики создания динамически обновляемых геолого-технологических моделей, содержащих данные о прогно зной обогатимости руд Ждановского месторождения (Печенгское рудное поле). Актуальность работы обусловлена необходимостью получения прогнозных данных для стабилизации работы обогатительной фабрики. В качестве прогнозируемого показателя использовали извлекаемые содержания никеля, меди и кобальта, поскольку данные показатели являются аддитивными. Применен метод косвенного расчета, опирающийся на данные опробования скважин детальной и эксплуатационной разведки. Прогноз показателей обогащения проводили посредством ансамблевых методов машинного обучения. Выполнен комплекс геостатистических исследований. На основании полученных результатов предложены статистически обоснованные параметры оптимальной сети технологического опробования. Разработан скрипт в среде Micromine для обновления блочных моделей при появлении данных по новым разведочным скважинам и/или выполненным лабораторным технологическим исследованиям. Проведено сравнение прогнозных показателей блочных моделей с результатами суточной работы фабрики за два месяца.
1. Кравцова О. А., Максимов В. И., Лебедева А. А., Коптев К. В. Опыт геолого-технологического картирования руд на примере Ждановского месторождения (Кольский полуостров) // Цветные металлы. 2020. № 12. С. 39–44.
2. Мишулович П. М., Петров С. В. Методологические аспекты создания геолого-технологических моделей месторождений полезных ископаемых // Вестник СПбГУ. Науки о Земле. 2019. Т. 64, вып. 2. С. 249–266.
3. Мальцев Е. Н. Геолого-технологическое моделирование физико-механических свойств руд и показателей обогащения твердых полезных ископаемых // Недропользование XXI век. 2020. № 6. С. 96–103.
4. Козлова М. А., Рябцев Д. А. Современный подход к геолого-технологическому картированию рудных месторождений // Геология месторождений полезных ископаемых. 2017. № 1. С. 23–30.
5. Калашников А. О., Иванюк Г. Ю. Предсказание состава рудных минералов по химическому составу руды с помощью искусственных нейронных сетей (на примере Ковдорского бадделеит-апатит-магнетитового месторождения) // Горный информационно-аналитический бюллетень. 2019. № S37. С. 485–492.
6. Both C., Dimitrakopoulos R. Applied machine learning for geometallurgical throughput prediction — A case study using production data at the Tropicana Gold mining complex // Minerals. 2021. Vol. 11. 1257. DOI: 10.3390/min11111257
7. Ortiz J. M., Cevik S. I., Avalos S., Kracht W. et al. Machine learning and deep learning in predictive geometallurgical modeling // PDAC. Toronto, ON, March 4, 2020.
8. Both C. et al. Geometallurgical prediction models of processing plant indicators for stochastic mine production scheduling // IFAC PapersOnLine. 2022. Vol. 55, Iss. 21. P. 162–167. DOI: 10.1016/j.ifacol.2022.09.261
9. Carrasco P., Chiles J.-P., Seguret S. Additivity, metallurgical recovery, and grade // 8th International geostatistics congress. Santiago, Chile. 2008.
10. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. P. 5–32.
11. Friedman J. H. Greedy function approximation: A gradient boosting machine // Annals of Statistics. 2001. Vol. 29. P. 1189–1232.
12. Lechuti-Tlhalerwa R., Coward S., Field M. Embracing stepchanges in geoscientific information for effective implementation of geometallurgy // Journal of the Southern African Institute of Mining and Metallurgy. 2019. Vol. 119.