矿体价值最大化通过使用机器学习资源模型的自动化发展

虽然资源模型是矿产资源价值评估的核心流程(Glacken &斯诺登,2001),创建它是一个劳动密集型的任务,最后提出了一种有限表示实际的矿体。生产这种资源模型需要输入从地质、采矿、冶金、和商业学科。它需要成千上万的样品从数以百计的钻孔验证,分组在地质领域,插值,然后重视。即使这一切努力,只是一个估计模型;进一步重大努力进入量化的不确定性模型,和随后的风险,任何值估计来自模型。进一步介绍了风险模型质量通过差条件数据或不正确的假设。

本文提出了机器学习的应用自动化资源模型发展。机器学习应用于地质形成的传统手工任务,域识别和验证块模型的矿物学。通过自动化,资源评估过程可以加速,允许更多的钻孔或更大的资源处理身体在给定的时间框架,并允许更敏捷过程输入数据和假设的变化。一个案例研究基于钻孔数据从西澳大利亚铁矿石存款(西澳大利亚政府部门的矿山和石油,2015)是用于演示应用程序的机器学习的过程。

本文提出了在2016年第三国际Geometallurgy会议。

阅读论文全文。