Науковий вісник НГУ

Оцінка невизначеності при підрахунку запасів мінеральних ресурсів із використанням геостатистики й моделювання Монте-Карло

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №5 2025

Останнє оновлення: 25 жовтня 2025

Опубліковано: 30 листопада -0001

Перегляди: 1669

Authors:

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

Б. Шемалі, orcid.org/0009-0009-3090-2092, Національна політехнічна школа, кафедра цивільного будівництва, лабораторія сейсмічної інженерії та динаміки конструкцій (LGSDS), м. Алжир, Алжир

С. Буабдалла, orcid.org/0000-0002-8540-093X, Університет Беджая, Технологічний факультет, кафедра гірничої справи та геології, м. Беджая, Алжир

І. Хмелевська, orcid.org/0000-0003-1324-9211, Сілезький центр екологічної радіоактивності, Центральний гірничий інститут–Національний науково-дослідний інститут, м. Катовіце, Республіка Польща

А. Бенсельгуб , orcid.org/0000-0001-5891-2860, Віденський університет, м. Відень, Австрія; Центр екологічних досліджень (C.R.E), м. Аннаба, Алжир

С. Беллуччі, orcid.org/0000-0003-0326-6368, INFN – Національний інститут ядерної фізики, Національні лабораторії Фраскаті, м. Рим, Італія; Національний інститут фізики матеріалів, м. Бухарест, Румунія

* 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. 2025, (5): 032 - 040

https://doi.org/10.33271/nvngu/2025-5/032

Abstract:

Мета. Точна оцінка мінеральних запасів є ключовим етапом у плануванні й розвитку гірничих робіт, особливо для фосфатних родовищ. Метою цього дослідження є підвищення точності оцінки запасів на фосфатному родовищі Блед Ель-Хадба (східний Алжир) шляхом поєднання геостатистичних і ймовірнісних підходів.

Методика. Запропонований метод інтегрує звичайне крігінгування (OK) із моделюванням Монте-Карло (MCS) для кращої оцінки основного мінералізованого шару. Звичайне крігінгування застосовувалося на сітці 5  5 м для створення карт оцінки вмісту P₂O₅ і товщини шару, що слугували просторовою моделлю родовища. Результати крігінгу (середнє значення й дисперсія) потім використовувались як вхідні дані для моделювання Монте-Карло з 20 мільйонами ітерацій, зберігаючи статистичні характеристики початкових даних.

Результати. Поєднання OK і MCS зменшило коливання, типові для оцінок, отриманих методом крігінгу, і призвело до більш стабільних і надійних значень підрахунку запасів. Використання ймовірнісних категорій P90 і P50 сприяло більш консервативній і достовірній класифікації мінеральних запасів, що покращило оцінку категорій «доведених» і «ймовірних», важливих для економічного обґрунтування.

Наукова новизна. Дослідження пропонує новий підхід до інтеграції крігінгу з великомасштабним моделюванням Монте-Карло для управління невизначеністю при оцінці фосфатних запасів. Метод дозволяє точніше охарактеризувати просторову мінливість і підтримує ймовірнісну інтерпретацію обсягів ресурсів.

Практична значимість. Методологія є цінним інструментом для планувальників шахт і осіб, які приймають рішення, покращуючи впевненість у оцінках запасів і підтримуючи обґрунтовану економічну оцінку. Її застосування до родовища Блед Ель-Хадба демонструє її ефективність і потенціал для ширшого використання у фосфатних проєктах.

Ключові слова: геостатистика, крігінг, моделювання Монте-Карло, фосфат, оцінка ресурсів, невизначеність

References.

1. Jafrasteh, B., Fathianpour, N., & Suárez, A. (2018). Comparison of machine learning methods for copper ore grade estimation. Computational Geosciences, 22, 1371-1388. https://doi.org/10.1007/s10596-018-9758-0

2. Dubiński, J. (2013). Sustainable development of mining mineral resources. Journal of Sustainable Mining, 12, 1-6.

3. Dumakor-Dupey, N. K., & Arya, S. (2021). Machine learning ‒ a review of applications in mineral resource estimation. Energies, 14(14), p. 4079. https://doi.org/10.3390/en14144079

4. Marjoribanks, R. (2010). Geological methods in mineral exploration and mining. Springer Science & Business Media.

5. Zuo, R., Wang, J., Xiong, Y., & Wang, Z. (2021). The processing methods of geochemical exploration data: past, present, and future. Applied Geochemistry, 132, 105072. https://doi.org/10.1016/j.apgeochem.2021.105072

6. Chiles, J.-P., & Delfiner, P. (2012). Geostatistics: modeling spatial uncertainty, (713). John Wiley & Sons.

7. ORGM (2015). Rapport Final sur les Resultats des Travaux D’exploration des Phosphates du Gisement de Bled el Hadba 2012–2014. National Office of Geological and Mining Research. Algeria Boumerdes.

8. DMT-Consulting, G. (2016). Etude de Faisabilité de Bancable du gisement de Bled El Hadba. DMT Group Companies

9. Bassani, M. A., Costa, J. F. C., & Deutsch, C. V. (2024). A Comparative Study Between the Direct and Indirect Methods in Geostatistical Simulation. Mining, Metallurgy & Exploration, 41(6), 3669-3691.

10.      Remy, N. (2009). Applied geostatistics with SGeMS: A user’s guide. Cambridge University Press

11.      Krzemień, A., Fernández, P. R., Sánchez, A. S., & Álvarez, I. D. (2016). Beyond the pan-european standard for reporting of exploration results, mineral resources and reserves. Resources Policy, 49, 81-91. https://doi.org/10.1016/j.resourpol.2016.04.008

12.      Kasmaee, S., Gholamnejad, J., Yarahmadi, A., & Mojtahedzadeh, H. (2010). Reserve estimation of the high phosphorous stockpile at the Choghart iron mine of Iran using geostatistical modeling. Mining Science and Technology, 20(6), 855-860. https://doi.org/10.1016/S1674-5264(09)60295-7

13.      Akbar, D. A. (2012). Reserve estimation of central part of Choghart north anomaly iron ore deposit through ordinary kriging method. International Journal of Mining Science and Technology, 22(4), 573-577. https://doi.org/10.1016/j.ijmst.2012.01.022

14.      Mazari, M., Chabou-Mostefai, S., Bali, A., Kouider, K., Benselhoub, A., & Bellucci, S. (2023). Mineral resource assessment through geostatistical analysis in a phosphate deposit. Naukovyi VisnykNatsionalnoho Hirnychoho Universytetu, (5), 141-147. https://doi.org/10.33271/nvngu/20235/141

15.      Bezzi, N., Aïfa, T., Merabet, D., & Pivan, J.-Y. (2008). Magnetic properties of the Bled El Hadba phosphate-bearing formation (Djebel Onk, Algeria): Consequences of the enrichment of the phosphate ore deposit. Journal of African Earth Sciences, 50(2-4), 255-267. https://doi.org/10.1016/j.jafrearsci.2007.09.019

16.      Marques, D. M., Rubio, R. H., Costa, J. F. C. L., & ­Silva, E. M. A. d. (2014). The effect of accumulation in 2D estimates in phosphatic ore. Rem: Revista Escola de Minas, 67, 431-437.

17.      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

18.      Sarma, D. D. (2010). Geostatistics with applications in earth sciences. Springer Science & Business Media

19.      Choi, S.-K., Canfield, R. A., & Grandhi, R. V. (2007). Reliability-based Structural Design. Springer London.

20.      Kalla, S., & White, C. D. (2007). Efficient design of reservoir simulation studies for development and optimization. SPE Reservoir Evaluation & Engineering, 10 (06), 629-637. https://doi.org/10.2118/95456-PA

21.      Wang, L., Xiao, T., Liu, S., Zhang, W., Yang, B., & Chen, L. (2023). Quantification of model uncertainty and variability for landslide displacement prediction based on Monte Carlo simulation. Gondwana Research, 123, 27-40. https://doi.org/10.1016/j.gr.2023.03.006

• < Попередня
• Наступна >