Науковий вісник НГУ

Оцінка мінеральних ресурсів за допомогою геостатистичного аналізу на фосфатному родовищі

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №5 2023

Останнє оновлення: 27 жовтня 2023

Опубліковано: 30 листопада -0001

Перегляди: 1718

Authors:

M. Мазарі*, orcid.org/0000-0002-7745-6845, Кафедра гірничої інженерії, Національна політехнічна школа Алжиру, м. Алжир, Алжир; Кафедра гірничої справи та геології, Технологічний факультет, Університет Абдеррахмена Міра, м. Беджая, Алжир, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

С. Чабу-Мостефай, orcid.org/0000-0001-7024-7066, Кафедра гірничої інженерії, Національна політехнічна школа Алжиру, м. Алжир, Алжир

A. Балі, orcid.org/0000-0002-4699-849X, Кафедра цивільного будівництва, Лабораторія будівельних матеріалів та екології, Національна політехнічна школа Алжиру, м. Алжир, Алжир

K. Куйдер, orcid.org/0009-0005-0553-6116, Науково-дослідна лабораторія водних наук, Національна політехнічна школа Алжиру, м. Алжир, Алжир; Факультет цивільного будівництва, Університет наук і технологій імені Хуарі Бумедьєна, м. Алжир, Алжир

A. Бенселгуб, orcid.org/0000-0001-5891-2860, Відділ навколишнього середовища, моделювання та зміни клімату, Науково-дослідний центр з охорони довкілля, м. Аннаба, Алжир

С. Беллуччі, orcid.org/0000-0003-0326-6368, Національні лабораторії Фраскаті, Фраскаті, м. Рим, Італія

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2023, (5): 141 - 147

https://doi.org/10.33271/nvngu/2023-5/141

Abstract:

Мета. Вибір відповідної варіографічної моделі має вирішальне значення в геостатистиці для отримання точних оцінок запасів корисних копалин. Метою цієї роботи є розробка інструменту оцінки запасів із використанням геостатистичного підходу.

Методика. Геостатистичний підхід базується на виборі найбільш репрезентативних варіографічних моделей для змінних, що досліджуються. Відбір моделей здійснюється шляхом застосування процедури перехресного затверджування з виключенням по одному (LOOCV). LOOCV – це метод повторної вибірки, що використовується у статистичному аналізі й машинному навчанні для оцінки помилки узагальнення моделі та порівняння ефективності різних моделей. Після цього змінні, що досліджуються, оцінюються за допомогою звичайного кригінгу.

Результати. Застосування запропонованого підходу дозволило отримати задовільні результати з точки зору дисперсії сортів і товщини мінералізованих шарів на фосфатному родовищі. Для оцінки якості отриманих моделей коригування були використані коефіцієнти ефективності, такі як коефіцієнт Неша-Саткліффа та коренева середньоквадратична похибка (RMSE). Ці фактори надають кількісну оцінку узгодженості між значеннями, що спостерігаються та прогнозуються. Значення ефективності Неша-Саткліффа та середньоквадратичної похибки 0,572 та 6,599 відповідно, свідчать про кращу відповідність і більшу точність моделей коригування. Критерії точності та ефективності досліджуваних змінних мають прийнятні значення із середньоквадратичною похибкою 1,54 · 10^-7.

Наукова новизна. Поєднання методів найменших квадратів і LOOCV у геостатистичному аналізі призводить до підвищення точності оцінок, більшої надійності у представленні просторової мінливості параметрів і більшої впевненості в достовірності моделей коригування.

Практична значимість. Розробка комп’ютерного коду для цього геостатистичного підходу забезпечує практичний інструмент для осіб, які приймають рішення, для використання в управлінні та експлуатації гірничодобувних об’єктів. Загалом, це дослідження сприяло розвитку геостатистичних методів і їх застосуванню в гірничодобувній промисловості.

Ключові слова: родовище Блед-Ель-Хадба, перехресне затверджування (LOOCV), геостатистика, кригінг, запаси корисних копалин

References.

1. Ajak, A. D., Lilford, E., & Topal, E. (2018). Application of predictive data mining to create mine plan flexibility in the face of geological uncertainty. Resources Policy, 55, 62-79. https://doi.org/10.1016/j.resourpol.2017.10.016.

2. Li, Z., Zhang, X., Zhu, R., Zhang, Z., & Weng, Z. (2020). Integrating data-to-data correlation into inverse distance weighting. Computational Geosciences, 24, 203-216. https://doi.org/10.1007/s10596-019-09913-9.

3. Choi, Y., Baek, J., & Park, S. (2020). Review of GIS-based applications for mining: Planning, operation, and environmental management. Applied Sciences, 10(7), 2266. https://doi.org/10.3390/app10072266.

4. Jalloh, A. B., Kyuro, S., Jalloh, Y., & Barrie, A. K. (2016). Integrating artificial neural networks and geostatistics for optimum 3D geological block modeling in mineral reserve estimation: A case study. International Journal of Mining Science and Technology, 26(4), 581-585. https://doi.org/10.1016/j.ijmst.2016.05.008.

5. Rebbah, R., Duarte, J., Djezairi, O., Fredj, M., & Baptista, J. S. (2021). A Tunnel under an In-Pit Mine Waste Dump to Improve Environmental and Landscape Recovery of the Site. Minerals, 11(6). https://doi.org/10.3390/min11060566.

6. Zerzour, O., Gadri, L., Hadji, R., Mebrouk, F., & Hamed, Y. (2021). Geostatistics-Based Method for Irregular Mineral Resource Estimation, in Ouenza Iron Mine, Northeastern Algeria. Geotechnical and Geological Engineering, 39(5), 3337-3346. https://doi.org/10.1007/s10706-021-01695-1.

7. Afeni, T. B., Akeju, V. O., & Aladejare, A. E. (2021). A comparative study of geometric and geostatistical methods for qualitative reserve estimation of limestone deposit. Geoscience Frontiers, 12(1), 243-253. https://doi.org/10.1016/j.gsf.2020.02.019.

8. Berrar, D. (2019). Cross-Validation. Encyclopedia of Bioinformatics and Computational Biology, (1), 542-545. https://doi.org/10.1016/B978-0-12-809633-8.20349-X.

9. Vehtari, A., Simpson, D. P., Yao, Y., & Gelman, A. (2018). Limitations of “Limitations of Bayesian Leave-one-out Cross-Validation for Model Selection”. Computational Brain & Behavior, 2(1), 22-27. https://doi.org/10.1007/s42113-018-0020-6.

10. Giordano, R., Stephenson, W., Liu, R., Jordan, M., & Broderick, T. (2019). A Swiss Army Infinitesimal Jackknife. In C. Kamalika, & S. Masashi (Eds.). Proceedings of the Twenty-Second International Conference on Artificial Intelligence and Statistics, PMLR: Proceedings of Machine Learning Research, (pp. 1139-1147). Retrieved from http://proceedings.mlr.press/v89/giordano19a/giordano19a.pdf.

11. Kechiched, R., Laouar, R., Bruguier, O., Salmi-Laouar, S., Kocsis, L., Bosch, D., …, & Larit, H. (2018). Glauconite-bearing sedimentary phosphorites from the Tébessa region (eastern Algeria): Evidence of REE enrichment and geochemical constraints on their origin. Journal of African Earth Sciences, 145, 190-200. https://doi.org/10.1016/j.jafrearsci.2018.05.018.

12. Zhongda, T., Shujiang, L., Yanhong, W., & Xiangdong, W. (2018). Mixed-kernel least square support vector machine predictive control based on improved free search algorithm for nonlinear systems. Transactions of the Institute of Measurement and Control, 40(16), 4382-4396. https://doi.org/10.1177/0142331217748193.

13. Duc, L., & Sawada, Y. (2022). A signal processing-based interpretation of the Nash-Sutcliffe efficiency. EGUsphere. https://doi.org/10.5194/egusphere-2022-955.

14. Chen, C., Zhang, Q., Kashani, M. H., Jun, C., Bateni, S. M., Band, S. S., Dash, S. S., & Chau, K.-W. (2022). Forecast of rainfall distribution based on fixed sliding window long short-term memory. Engineering Applications of Computational Fluid Mechanics, 16(1), 248-261. https://doi.org/10.1080/19942060.2021.2009374.

15. Zhong, X., & Dutta, U. (2015). Engaging Nash-Sutcliffe efficiency and model efficiency factor indicators in selecting and validating effective light rail system operation and maintenance cost models. Journal of Traffic and Transportation Engineering, 3, 255-265. https://doi.org/10.17265/2328-2142/2015.05.001.

16. Yasojima, C., Protázio, J., Meiguins, B., Neto, N., & Morais, J. (2019). A new methodology for automatic cluster-based kriging using K-nearest neighbor and genetic algorithms. Information, 10(11), 357. https://doi.org/10.3390/info10110357.

17. Zeybek, M. (2018). Nash-sutcliffe efficiency approach for quality improvement. Journal of Applied Mathematics and Computation, 2(11), 496-503. https://doi.org/10.26855/jamc.2018.11.001.

18. Magnusson, M., Vehtari, A., Jonasson, J., & Andersen, M. (2020). Leave-One-Out Cross-Validation for Bayesian Model Comparison in Large Data. In C. Silvia, & C. Roberto (Eds.). Proceedings of the Twenty Third International Conference on Artificial Intelligence and Statistics. PMLR: Proceedings of Machine Learning Research, (pp. 341-351). Retrieved from http://proceedings.mlr.press/v108/magnusson20a/magnusson20a.pdf.

19. Gronau, Q. F., & Wagenmakers, E.-J. (2019). Limitations of Bayesian leave-one-out cross-validation for model selection. Computational brain & behavior, (2), 1-11. https://doi.org/10.1007/s42113-018-0011-7.

• < Попередня
• Наступна >