طراحی اندازه و ابعاد بهینه بلوک¬های تخمین ذخیره بر اساس معیارهای مختلف (مورد مطالعه: کانسار طلای زرزیمای موچش)
محورهای موضوعی :رضا احمدی 1 * , هانیه شاه زمانی 2
1 - عضو هیئت علمی دانشگاه صنعتی اراک
2 - دانشجوی کارشناسی ارشد، گروه مهندسی معدن، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک
کلید واژه: زرزیمای موچش, شاخص کیفی سنگ (RQD), اندازه بهینه بلوک, مدلسازی بلوکی, خطای تخمین, لاگ کریجینگ معمولی,
چکیده مقاله :
چکیده
انتخاب اندازه و ابعاد بهینه بلوکها تاثیر بسزایی بر روی مدل بلوکی و درنتیجه دقت نتیجههای تخمین عیار و میزان ذخیره کانسارها میگذارد. در پژوهش حاضر، تعیین اندازه بهینه بلوکهای تخمین بهمنظور مدلسازی بلوکی و ارزیابی ذخیره کانسار طلای زرزیمای موچش واقع در استان کردستان، صورت گرفته است. برای دستیابی به هدف، علاوه بر معیارهای معمول همانند اندازه شبکه اکتشاف و میزان خطای تخمین، از پارامتر شاخص کیفی سنگ ((RQD نیز استفاده شد. با این رویکرد، اندازه بهینه هر بلوک اصلی 5×5 متر در جهتهای افقی و دو متر در جهت قائم و برای زیربلوکها 5/2×5/2 متر در جهتهای افقی و یک متر در جهت قائم انتخاب شد. بر پایه واریوگرافی دادههای تبدیلیافته عیارسنجی طلا، مدلهای تئوری انطباقیافته بر تغییر نماهای تجربی از نوع کروی، گوسی و نمایی است و کانسار دارای ناهمسانگردی هندسی میباشد. برای تخمین متوسط عیار و ذخیره کانسار از روشهای هندسی عکس مجذور فاصله و زمینآماری لاگ کریجینگ معمولی به کمک نرمافزار Datamine استفاده شد. استفاده از روش عکس مجذور فاصله همراه با روش لاگ کریجینگ معمولی، بهمنظور امکانپذیری ارزیابی صحت نتیجههای از طریق مقایسه نتیجههای تخمین میباشد. برای کنترل عیار در شرایط مختلف اقتصادی، متوسط عیار، میزان ذخیره و متوسط واریانس تخمین عیار کانسار بهازای عیارحدهای 250، 500، 1000 و 2000 میلیگرم بر تن محاسبه شد. براساس نتیجههای، روند نمودارهای عیار- تناژ کانسار صحت انجام فرآیند را تایید میکند. همچنین مطابق انتظار، نتیجههای روش تخمین لاگ کریجینگ به دلیل نااریب بودن و خطای تخمین کمتر، از روش عکس مجذور فاصله دقیقتر و قابل اعتمادتر است.
Abstract
Choosing optimal size of blocks has a significant impact on block model and as a result, accuracy of estimation results for grade and reserve of deposits. In this research, the optimal size of estimation blocks has been determined for block modeling and reserve evaluation of Kurdistan Mouchesh Zarzima gold deposit. To achieve the goal, in addition to the usual criteria containing exploration grid size and estimation error, the rock quality designation (RQD) parameter was also used. With this approach, the optimal size of each main block was determined 5*5 m and 2 m in the horizontal and vertical directions, respectively, whereas for the sub-blocks, 2.5*2.5 m and 1 m was selected in those directions, respectively. Based on the variography of transformed gold assay data, the theoretical models of spherical, Gaussian, and exponential fitted on the experimental variograms, while the deposit has geometric anisotropy. To estimate the average grade and reserve of the deposit, squared inverse distance and log-kriging methods were used via Datamine software. Employing the squared inverse distance method with the log-kriging is for the possibility of evaluating the accuracy of estimation results through comparison. To control the grade in the various economic conditions, average grade, ore reserve and average estimation variance of the grade were calculated for the cut off grades of 250, 500, 1000 and 2000 mg/ton. The trend of tonnage-grade diagrams of the deposit confirm the correctness of the process. Also, the results of the log-kriging estimation method are more accurate and reliable than the squared inverse distance due to the unbiasedness and lower estimation variance.
احمدی، ر.، 1399. مقایسه نتیجههای روشهای زمینآماری خطی و غیرخطی در مدلسازی و ارزیابی ذخیره کانسار مس نارباغی شمالی ساوه، فصلنامه زمینشناسی ایران، 14(56)، 43-59.
افروغ، م.ر.، 1389. طراحی الگوی حفاری و انفجار بهمنظور تولید خوراک مناسب برای سنگشکن معدن کارخانه سیمان بجنورد، پایاننامه کارشناسی ارشد، دانشگاه صنعتی شاهرود.
عسکری، ع.، کریمپور، م.ح.، مظاهری، س.ا. و ملکزادهشفارودی، آ.، 1392. مدلسازی هندسی و برآورد ذخیره کانسار طلای شماره 3 هیرد (جنوب بیرجند)، پنجمین همایش انجمن زمینشناسی اقتصادی ایران، دانشگاه فردوسی مشهد، مشهد.
عطاییپور، م.، 1398. مبانی مدلسازی دوبعدی ذخایر معدنی، انتشارات دانشگاه صنعتی امیرکبیر، 326 ص.
کاظمی مهرنیا، ا.، 1399. گزارش پایان عملیات اکتشافی محدوده طلای زرزیما موچش، استان کردستان، شرکت پارسی کان کاو، 168 ص.
معاونت نظارت راهبردی رئیس جمهور، 1390. دستورالعمل طراحی و اجرای سیستمهای نگهداری تونلهای معدنی، نشریه شماره 537.
Ahmadi, R. and Ehsan-Nejad, J., 2022. Employing non-linear geostatistical estimation methods for grade modeling and ore reserve estimation of Yazd, Aliabad copper deposit based on selecting optimal size of blocks, Earth and Statistics, 2(1): 1-12.
Akingboye, A.S., 2023. RQD modeling using statistical-assisted SRT with compensated ERT methods: Correlations between borehole-based and SRT-based RMQ models, Physics and Chemistry of the Earth, Parts A/B/C, 131: 103421.
Azmi, H., Moarefvand, P. and Maghsoudi, A., 2020. Resource estimation of the Damanghor gold deposit (Brdaskan, Northeast Iran) based on geological and grade continuity, Geopersia, 10(2): 381-394.
Bieniawski, Z.T., 1989. Engineering Rock Mass Classifications. New York: Wiley, 272 p.
Bohling, G., 2007. SGeMS Tutorial Notes, 26 p.
Carter, T.G., 1992. Prediction and uncertainties in geological engineering and rock mass characterization assessments. Proceedings of the 4th International Rock Mechanics and Rock Engineering Conference, Torino.
Chanderman, L., Dohm, C.E. and Minnitt, R.C.A., 2017. 3D geological modelling and resource estimation for a gold deposit in Mali. Journal of the Southern African Institute of Mining and Metallurgy, 117(2): 189-197.
David, M., 1979. Grade and Tonnage Problems. Computers Methods for the 80s in the Mineral Industry. In: A. Weiss (Ed.), New York, 170-189.
Deere, D.U., 1963. Technical Description of Rock Cores for Engineering Purposes. Felsmechanik und Ingenieurgeologie, 1: 16-22.
Deere, D.U., 1989. Rock Quality Designation (RQD) after 20 Years. U.S. Army Corps of Engineers Contract Report GL-89-1. Vicksburg, MS: Waterways Experimental Station.
Goodman, R.E., 1991. Introduction to Rock Mechanics. 2nd Edition, Wiley, 576 p.
Hassani-Pak, A.A., 1998. Geostatistics. Tehran University Press, 314 p. (In Persian).
Hencher, S.R., 2015. Practical Rock Mechanics. Taylor & Francis Group, London, 374 p.
Hulse, D.E., 1992. The Consequence of Block Size Decisions by Ore Body Modeling. The 23rd International Symposium on the Application of Computers and Operations Research in the Mineral Industry (APCOM23), 225-232.
Jaeger, J.C., Cook, N.G.W. and Zimmerman, R., 2007. Fundamentals of Rock Mechanics. 4th Edition, Wiley-Blackwell, 488 p.
Journel, A.G. and Huijbregts, Ch.J., 1978. Mining Geostatistics. Academic Press, New York.
Krige, D.G., 1996. A Practical Analysis of the Effects of Spatial Structure and of Data Available and Accessed, on Conditional Biases in Ordinary Kriging. International Geostatistics Congress, Wollongong, Australia.
Lukić, D. and Zlatanović, E., 2017. RQD Classification of Rock Masses. 10th International Scientific Conference "Science and Higher Education in Function of Sustainable Development", Mećavnik-Drvengrad, Užice, Serbia.
Pells, P.J., Bieniawski, Z.T., Hencher, S.R. and Pells, S.E., 2016. RQD: Time to Rest in Peace. Canadian Geotechnical Journal, 54: 825-834.
Remy, N., Boucher, A. and Wu, J., 2006. SGeMS User's Guide, 129 p.
Remy, N., Boucher, A. and Wu, J., 2009. Applied Geostatistics with SGeMS: A User's Guide.
Rendu, J.M., 1981. An Introduction to Geostatistical Methods of Mineral Evaluation. South African Institute of Mining and Metallurgy Monograph Series, Johannesburg, 84 p.
Rossi, M.E. and Deutsch, C.V., 2014. Mineral Resource Estimation. 1st Edition, Springer, Dordrecht, Heidelberg, New York, London.
Tutorial-RockWare, 2017. www.rockware.com/downloads/documentation/rockworks/rw16_tutorial_from_chm.pdf
Vann, J., Jackson, S. and Bertoli, O., 2003. Quantitative Kriging Neighbourhood Analysis for the Mining Geologist: A Description of the Method with Worked Case Examples. 5th International Mining Geology Conference, Bendigo, Victoria, 17-19 November.
Xu, S., Ma, J. and Liang, R., 2023. Intelligent Recognition of Drill Cores and Automatic RQD Analytics Based on Deep Learning. Acta Geotechnica, 18: 6027-6050.
Zaki, M.M., Chen, S., Zhang, J., Feng, F., Khoreshok, A.A., Mahdy, M.A. and Salim, K.M., 2022. A Novel Approach for Resource Estimation of Highly Skewed Gold Using Machine Learning Algorithms. Minerals, 12, 900. http://doi.org/10.3390/min12070900