Анализ окрестности кригинга (KNA) в геологии - это геостатистический метод, используемый для оптимизации параметров кригинга, геостатистической техники оценки, с целью повышения точности и надежности оценки минеральных ресурсов. В частности, KNA помогает минимизировать условное смещение - распространенную проблему в кригинге, при которой оцененные содержания блоков менее вариативны, чем фактические содержания.
Большинство методов оценки ресурсов используют ту или иную форму сглаживания содержаний для интерполяции значений в блок на основе окружающих проб. Процесс определения подходящей схемы поиска проб часто называют анализом окрестности кригинга, а руководство по его реализации рассмотрено в работе Vann, Jackson и Bertoli (2003). Эти методы можно разделить на две категории: негеостатистические и геостатистические.
Негеостатистические методы интерполяции содержаний используют некоторую зависимость между расстоянием от пробы до центра блока и присвоенным ей весом. Наиболее распространенный подход взвешивает каждую пробу по некоторой степени обратного расстояния до оцениваемого блока (IDW).
Все геостатистические подходы к интерполяции содержаний основаны на той или иной форме кригинга, где вес, присвоенный каждому значению, определяется моделью семивариограммы, описывающей пространственную непрерывность. Эти геостатистические методы можно разделить на три класса: линейный кригинг, нелинейный кригинг и имитационное моделирование.
Методы линейного кригинга являются наиболее простыми в применении и основаны на простом или обыкновенном кригинге и его вариациях. При моделировании ресурсов методом кригинга необходимо установить ряд параметров оценки, таких как размер блочной модели, минимальное и максимальное количество проб и др.
Если интерполяция содержаний в блоке блочной модели выполнялась методом обыкновенного или простого кригинга, то для категоризации ресурсов необходимо рассчитать несколько атрибутов, отражающих качество результатов оценки для каждого блока (включая наличие смещенной оценки).
В большинстве современных программных продуктов эти параметры рассчитываются автоматически. Различные программные пакеты включают функциональность KNA для помощи геологам в этом процессе. С выходом K-MINE 2025, Анализ окрестности кригинга (KNA) доступен при выполнении геостатистического анализа.
В данной статье мы рассмотрим основные метрики KNA и их влияние на оценку ресурсов.
Основные метрики KNA
Для оценки качества кригинга применяется набор метрик, объединенных общим названием «Анализ окрестности кригинга» (KNA): дисперсия кригинга, эффективность кригинга, наклон регрессии, величина отрицательных весов и др. Оптимизация этих параметров направлена на минимизацию условного смещения - разницы между оцененными содержаниями блоков и фактическим средним содержанием отработанных блоков.
Оптимизация размера блока
Для оценки качества кригинга применяется набор метрик, объединенных общим названием «Анализ окрестности кригинга» (KNA): дисперсия кригинга, эффективность кригинга, наклон регрессии, величина отрицательных весов и др. Оптимизация этих параметров направлена на минимизацию условного смещения - разницы между оцененными содержаниями блоков и фактическим средним содержанием отработанных блоков.
Определение размера блока требует тщательной оценки множества факторов, включая инженерные требования, геометрию рудного тела, размер оборудования и шаг опробования. Рисунок 2 показывает, что на основе эффективности кригинга и наклона регрессии оптимальный размер блока составляет 808040.
Однако следует помнить, что понятие «оптимальный» должно определяться для каждой конкретной ситуации. Дискуссия должна переходить от условного смещения к цели оценки и задачам исследования.
Эффективность кригинга
Эффективность кригинга (KE) была введена Krige (1996) как метрика для оценки эффективности блочных оценок. Уравнение для KE:
где KV - дисперсия кригинга, а BV - дисперсия блока.
Уравнение для BV:
где μ - множитель Лагранжа, λi - коэффициенты кригинга, γ(xi,xo) - значение вариограммы для расстояний в парах: проба-точка оценки (центр блока).
Высокое значение KE свидетельствует о низком KV, что указывает на наличие многочисленных близко расположенных точек данных и минимальное сглаживание оценки. И наоборот, низкое KE подразумевает высокий KV, что говорит о нехватке локальных данных и потенциальном сглаживании оценки.
Дисперсия кригинга
Дисперсия кригинга - это минимизированная ошибка оценки кригинга, то есть ожидаемая квадратичная разность между истинным и оцененным значениями. Дисперсия кригинга рассчитывается с использованием значений ковариации (полученных из вариограммы) и весов, присвоенных точкам данных в пространстве поиска (Barboza I. и Deutsch C., 2024). Уравнение для KV:
где μ - множитель Лагранжа, λi - коэффициенты кригинга, γ(xi,V) - среднее арифметическое значение γ по вариограмме для расстояний до всех точек опробования в блоке от точки xi, γ(V,V) - среднее арифметическое значение γ по вариограмме между всеми точками опробования внутри блока.
KV в сочетании с эффективностью кригинга образует тесно взаимосвязанный набор параметров для оценки качества кригинга.
Расчет KV тесно связан с дискретизацией, поскольку требует вычисления среднего значения гаммы по точкам дискретизации в блоке, а не только по центральной точке блока, как при расчете BV.
Принцип дискретизации заключается в оценке среднего значения в пределах заданной локальной области (в K-MINE - в пределах виртуального блока, координаты центра и размеры которого задаются в начальных настройках).
Для этого пользователь должен указать количество дискретных точек внутри блока. Точки дискретизации - это центры ячеек внутри оцениваемого блока (РИС. 3). Каждая точка оценивается (как точечная оценка), а среднее значение этих точек является оценкой блока. Количество точек дискретизации соответствует количеству ячеек, на которые делится блок.
Начальный размер блока и координаты его центра задаются пользователем. Затем, в зависимости от указанного количества дискретных точек, исходный блок равномерно делится на соответствующее количество ячеек в направлениях X, Y и Z, а координаты центров сформированных субблоков будут соответствовать точкам дискретизации. То есть количество дискретных точек определяет количество субблоков.
Например, если для начального блока с размерами ребра по осям X, Y и Z 10×10×5 задана комбинация дискретных точек: в направлении X=3, в направлении Y=3, в направлении Z=3. Это означает, что блок равномерно делится на три ячейки по трем осям. Размер ребра субблоков составляет: для X=10/3=3.33 м, для Y=10/3=3.33 м, для Z=5/3=1.66 м, а количество дискретных точек (центров субблоков) в начальном блоке будет: 3×3×3=27.
На графике Рис. 4 красная горизонтальная линия соответствует значению эффективности кригинга 80%. Эта линия служит ориентиром для пользователя при выборе оптимального количества точек опробования.
Оптимальный вариант дискретизации определяется точками на графике, расположенными как можно ближе к красной (эффективность кригинга 80%) и синей (наклон регрессии 0.9) линиям.
Наклон регрессии
Наклон регрессии (SR) обеспечивает оценку условного смещения, измеряя наклон линейной регрессии истинного значения по оценке. Это непосредственно наблюдается при перекрестной валидации, но также может быть теоретически рассчитано поблочно с использованием ожидаемых значений, полученных из ковариаций.
где µ - множитель Лагранжа при расчете KV.
Наклон линии регрессии, связывающий истинные и оцененные значения, часто используется для диагностики условного смещения. В идеале наклон этой линии должен быть равен единице, что подразумевает условную несмещенность.
И наклон регрессии, и эффективность кригинга следует интерпретировать с осторожностью. Вмененное снижение смещения может быть неподходящим подходом к оценке содержаний металлов, особенно для месторождений, требующих высоких бортовых содержаний для отработки.
Условное смещение является серьезной проблемой, если оценка используется для принятия окончательного или близкого к окончательному решения, например, для контроля содержаний на карьере или оценки выемочных блоков при подземной добыче. Если оценка предназначена для разделения пустой породы и руды на завершающем этапе производства, то сглаживание оправдано для предотвращения условного смещения.
Однако если оценки содержаний предназначены для промежуточного этапа планирования и в будущем станет доступна более детальная информация для разделения руды и пустой породы в производственных условиях, то сглаживание будет проблемой, поскольку оно не отразит корректное соотношение содержание-тоннаж, которое можно ожидать при добыче (Glacken I. и Trueman A., 2014).
Количество проб для оценки и отрицательные веса
Расчет этих показателей выполняется для подтверждения оптимального выбора несмещенной оценки кригинга с оптимальным размером блока.
При нажатии на маркер соответствующие значения визуализируются на графике, и пользователь должен выбрать и зафиксировать наиболее приемлемые максимальное и минимальное значения проб (РИС. 5).
В рамках интерполяции на границе поиска могут появляться отрицательные веса кригинга. Их присутствие указывает на выбор надежных параметров интерполяции, но их количество в общей массе проб, участвующих в интерполяции, не должно превышать 5%. Если количество весов превышает указанное значение, существует риск получения недостоверного результата.
В зонах с меньшей плотностью опробования или при отсутствии проб присутствует как минимум один отрицательный вес. Пустое пространство на карте представляет блоки, в которых присутствуют только положительные веса. При простом кригинге наклон регрессии всегда равен единице.
Расчет количества отрицательных весов кригинга и суммы отрицательных весов в K-MINE выполняется для всех размеров блоков, указанных на вкладке «Оптимизация размера блока», с ранее выбранными и зафиксированными настройками: количество точек опробования, минимальное и максимальное количество проб, минимальное количество проб из одной скважины (РИС. 6).
После принятия соответствующих параметров пользователи могут перейти к следующим этапам интерполяции и валидации блочной модели. K-MINE поддерживает простой и обыкновенный кригинг, кригинг с внешним дрейфом, кокригинг и др.
Обсуждение
KNA может быть интегрирован в рабочие процессы оценки ресурсов, позволяя геологам оптимизировать параметры непосредственно в программном обеспечении и применять эти оптимизированные настройки к итоговой оценке содержаний. Перед геологами постоянно стоит задача обеспечить точные оценки ресурсов быстрее, качественнее или экономичнее.
С одной стороны, программное обеспечение помогает выполнять множество итераций быстрее, но в то же время растет потребность в понимании геостатистических методов и взаимодействии со многими другими дисциплинами. Взаимосвязь между бортовым содержанием, вариограммой, шагом опробования, требуемой степенью сглаживания и оценочной селективностью извлечения представляет собой комплексную задачу.
При включении факторов геометаллургии, геотехники и др. в оценку модели геолог должен обладать знаниями в этих областях. Вычислительные технологии - хороший инструмент только в руках профессионала.
В сообществе специалистов по оценке ресурсов ведется дискуссия о двух противоположных целях: минимизации глобального условного смещения и обеспечении локальной точности блоков. В условиях высокой плотности опробования обе цели достижимы, однако на стадиях предпроектной подготовки и технико-экономического обоснования горного цикла редко удается одновременно минимизировать глобальное смещение и обеспечить локальную точность содержаний. Krige (1996) рассматривает инструменты для измерения (и, соответственно, минимизации) условного смещения в оценке, тогда как Isaaks (2004) обсуждает парадокс попытки достичь несмещенной, но локально точной оценки. По мнению Glacken и Trueman (2014), большинству специалистов удается получить либо условно несмещенную, либо локально точную оценку, и для большинства приоритетом является достижение минимального условного смещения за счет локальной точности.
Завершающей задачей оценки ресурсов является присвоение категорий классификации для определения уровня достоверности ресурсов. Нередко можно услышать дебаты среди геологов о параметрах блочной модели, которые необходимо учитывать при присвоении категорий ресурсов - Измеренные, Показанные и Предполагаемые.
При полигональных методах ресурсы обычно классифицируются по общей плотности бурения. Другой подход - учитывать среднее расстояние от центра блока до проб, использованных для оценки блока, или просто количество проб, выявленных в объеме поиска. Это предполагает множественные прогоны оценки с увеличением радиуса поиска проб. В этом случае блоки оцениваются с использованием наиболее удаленных проб с самой низкой категорией достоверности. Недостатком этого автоматизированного подхода является печально известный эффект «spotted dog» и нарушение необходимого требования непрерывности рудного тела.
Подходы к классификации категорий ресурсов на основе дисперсии кригинга или ошибки, вносимой при оценке, также популярны. Дисперсия кригинга является хорошим индикатором суммарного расстояния между пробами с учетом анизотропии и кластеризации проб. Другие численные подходы включают коэффициент регрессии и индексы эффективности кригинга, предложенные Krige.
Подводя итог вышесказанному, классификация ресурсов основана на сочетании численных и геологических критериев при обязательном контроле компетентного лица.
Развитие условного моделирования и использование вычислительных технологий и искусственного интеллекта открывают новые перспективы для создания универсальных комплексных модулей, объединяющих моделирование ресурсов с оптимизацией и планированием горных работ. Именно в этом направлении развивается K-MINE.
