På uppdrag av BHP har SRK Consulting och DeepIQ samarbetat i ett initiativ för att skräddarsy ett kombinerat tillvägagångssätt för att förbättra modellering av sannolika fyndigheter. Genom att kombinera avancerad databehandling, kunskapssammanställning, geologisk tolkning och maskininlärning (ML) undersökte teamet flera tillvägagångssätt för att stödja upptäckten av stora porfyr-kopparfyndigheter i en väl utforskad region i norra chilenska Anderna.
Studien använde sig av ett mineralsystem för att hantera de tillgängliga uppgifterna. Baserat på global och lokal geologisk kunskap sammanställdes de viktigaste prospekteringsvektorerna och kriterierna för porfyriska kopparfyndigheter i intresseområdet. All värdefull information har hämtats från tillgängliga regionala datauppsättningar med hjälp av en rad olika tolknings- och bearbetningsmetoder och algoritmer. Där regionala datauppsättningar ansågs sakna tillräcklig robusthet omarbetades dessa för att säkerställa att de var lämpliga som indata i ett ML-baserat arbetsflöde. Denna information översattes till bevisskikt och de multimodala datauppsättningarna togs in i en molndataplattform och integrerades för att bilda en datauppsättning som var klar för analys. Dessa data analyserades med hjälp av en kombination av kunskapsdrivna algoritmer och avancerade ML- och djupinlärningsalgoritmer, med olika styrkor och svagheter hos varje tillvägagångssätt införlivade i en iterativ feedbackslinga.
Fördelarna med att kombinera geologisk kunskap med ML inkluderar att ML utlovar ett mer objektivt tillvägagångssätt, minimering av mänsklig partiskhet och snabb utfrågning av stora mängder data. ML kan dock vara föremål för partiskhet (t.ex. de data som används och/eller förhållandet mellan data och de geologiska processerna och/eller egenskaperna av intresse). Olämpligt val av data, data av dålig kvalitet eller en svag eller komplicerad länk mellan data och den geologiska egenskapen eller avlagringen av intresse kan alla leda till dåliga resultat. En nyanserad kombination av geovetenskap och datavetenskap kan hjälpa till att minimera denna partiskhet och leda till bättre resultat.
De dataanalysresultat som behövdes för att identifiera kända porfyr-kopparfyndigheter med hög noggrannhet, var det första steget för att visa ett trovärdigt och potentiellt robust tillvägagångssätt för prospektering.
Hundratals enskilda datauppsättningar genererades under studien, utöver de som studieteamet ursprungligen tillhandahölls. Hur datauppsättningarna relaterade tillbaka till mineralsystemmodellen beaktades alltid i feedbackslingan mellan geovetare och datavetare när de bestämde vilka datauppsättningar som skulle användas i modellerna för potentiella mineraler. Denna feedbackprocess förbättrade förståelsen av modellens utdata/resultat och efterföljande förfining av utdatan.
Geologiska datauppsättningar inkluderade solid geologitolkning, strukturomtolkning, geokemisk dataanalys, mineral-/avlagringsförekomster (inklusive omdefiniering av fotavtryck) och ändringsmodeller i 2D. Geofysiska och fjärranalyserade datauppsättningar inkluderade magnetik, elektromagnetik, gravitation, mindre radiometri, digitala terrängmodeller och satellitbilder (ASTER, Sentinel 2).
Glesa och icke-enhetliga datainmatningar såsom geokemi användes i allmänhet som bekräftande snarare än obligatoriska dataelement i modellerna för potentiella mineraler, vilket minskar beroendet av datasimulering (processen att ersätta saknade data med substituerade värden).
En litologisk strukturell 3D-modell av intresseområdet genererades också med fokus på att utveckla det strukturella och inträngande ramverket för att tillhandahålla ett strukturellt och geologiskt 3D-ramverk för intresseområdet för att bidra med en bättre förståelse av arkitekturen i regionen och bedöma de underliggande kontrollerna av porfyr-kopparfyndigheter i 3D – och för att ge en utvidgning av 2D-målramverket till 3D för att testa tillämpligheten av 3D-målinriktning på regional skala.
En omfattande indatauppsättning och inferensnätverk användes för att generera de slutliga modellerna för potentiella mineraler via flera iterationer med väletablerade “fuzzy logic”-arbetsflöden och avancerad dataanalys. De utdata från dataanalys som behövs för att identifiera kända porfyr-kopparfyndigheter med hög noggrannhet som första steget för att uppvisa ett trovärdigt och potentiellt robust tillvägagångssätt för prospektering.
Den ML-baserade mineralpotentialen uppskattades i 2D och 3D med hjälp av distribuerade och skalbara molnberäkningsramverk. De bästa resultaten slogs samman med de geologiska kunskapsdrivna “fuzzy logic”-baserade utdata med hjälp av en Fusion-strategi för att avgränsa fokusområden.
Viktiga resultat inkluderade:
- Några viktiga bevisskikt var de viktigaste drivkrafterna.
- De flesta av dessa var ett resultat av att förbättra och omtolka geologiska datauppsättningar, inklusive att skapa nya.
- Flera av de nya kartorna var också viktiga verktyg i granskningsprocessen och iterativ analys (inklusive expertgranskning).
- Intrångsskikt (nära ytan och på djupet) och större strukturer var viktiga bevisskikt i de slutliga i modellerna för potentiella mineraler som härrörde från både geologisk kunskap – och ML-baserad modellering.
- Magnetisk förändringsmappning noterades som en extra drivkraft i ML-modellering.
Slutsatser:
- Ett produktivt, samarbetsinriktat tillvägagångssätt möjliggjorde kraftfull korsbefruktning av idéer utan någon enda specialist eller specialistteam som drev på resultaten. En nyanserad tillämpning av dataanalys inom ett mineralsystemramverk är optimal för regionala nyutvecklade (greenfield) applikationer.
- Förbättrade och nya datauppsättningar, baserade på geologisk kunskap, var mycket viktiga för de resultat som uppnåddes genom denna studie.
- Införandet av en ML-baserad Fusion-modell var avgörande för att generera optimala modeller för potentiella mineraler. Fusion är ett effektivt sätt att kombinera en rad kompletterande modeller, inklusive kunskapsbaserade modeller, som fångar expertkunskap och djupinlärningsmodeller som är datadrivna.
- Glesa och icke-enhetliga datainmatningar kan användas som bekräftande snarare än obligatoriska dataelement. Syntes av glesa datainmatningar till geologiska proxies är en effektiv strategi i bristfälliga datamiljöer.
- Flera områden med hög sannolikhet för fyndigheter identifierades för ytterligare detaljerad granskning i en väl utforskad region.
