مدلسازی عیاری کانسار آهن دره‌زیارت کردستان با روش‌های تخمین و شبیه‌سازی زمین‌آماری

نوع مقاله : علمی - پژوهشی

نویسندگان

1 کارشناسی ارشد، دانشکده مهندسی معدن، پردیس دانشکده‌های فنی، دانشگاه تهران

2 دانشیار، موسسه ژئوفیزیک، دانشگاه تهران

چکیده

هدف از این پژوهش، مدل‌سازی عیاری، رده‌بندی ذخیره و ارزیابی ریسک نمودار عیار-تناژ کانسار آهن دره زیارت، واقع در ۳۰ کیلومتری جنوب شهر سقز در غرب ایران است. بدین منظور، ابتدا مطالعات آماری روی نتایج آنالیز تعداد 10 گمانه حفاری شده، صورت گرفت. در ادامه به کمک داده‌های عیاری، یک مدل سه‌بعدی برای کانسار ترسیم شد. مدل حاصل با توجه به فواصل گمانه‌ها بلوک‌بندی شد. برای حذف بلوک‌های باطله از روش کریجینگ شاخص استفاده شد. تخمین عیار بلوک‌های باقی‌مانده به روش کریجینگ معمولی انجام شد و رده‌بندی ذخیره به دو روش صورت گرفت. همچنین نمودار عیار-تناژ برای عیارهای حد مختلف با توجه به نتایج تخمین رسم شد. در ادامه، تمامی مراحل قبل به روش شبیه‌سازی انجام شد. با این تفاوت که برای حذف بلوک‌های باطله، از روش شبیه‌سازی شاخص متوالی و برای تخمین عیار از روش شبیه‌سازی گوسی متوالی استفاده شد. در پایان، بررسی عدم قطعیت تخمین عیار، تهیه مدل‌های احتمال گذر از عیار حد مشخص و ایجاد مدل E-type با اجرای 100 مرتبه شبیه‌سازی گوسی متوالی انجام شد. نتایج نمودار عیار-تناژ تخمین کریجینگ نشان داد که با احتساب عیار حد 20 درصد آهن، میزان ذخیره و عیار میانگین آهن به ترتیب برابر است با 9/2 میلیون تن و 79/40 درصد. همچنین نتایج نمودار عیار-تناژ E-type مربوط به 100 شبیه‌سازی نشان داد که با احتساب عیار حد 20 درصد آهن، میزان ذخیره و عیار میانگین آهن به ترتیب برابر است با 1/3 میلیون تن و 92/40 درصد. در نهایت نواحی امیدبخش کانی‌سازی از طریق مقایسه روش‌های کریجینگ و E-type شناسایی شد.

کلیدواژه‌ها

عنوان مقاله [English]

Using Geostatistical estimation and simulation methods in grade modeling of Iron deposit in Darreh-Ziarat, Kurdistan province

نویسندگان [English]

  • Siavash Salarian 1
  • Behrooz Oskooi 2
1 School of Mining Engineering, College of Engineering, University of Tehran, Tehran, Iran
2 Institute of Geophysics, University of Tehran, Tehran, Iran
چکیده [English]

This research aims at grade modeling, reserve classification, and assessing risk in grade-tonnage curves in a case study pertaining to Iron mineralization. The Darreh-Ziarat Fe deposit, located in west of Iran, is selected for this research work. Statistical studies were performed on the results of the analysis of ten boreholes. The ordinary kriging (OK) method is run to design a 3D model of grade by incorporating the drilling results. The indicator kriging (IK) method was used to remove waste blocks from the ore block model. Reserve classification was carried out in two ways. A grade-tonnage curve was displayed for different cut-off grades in accordance with the estimation results. In the second section, all the previous steps were performed by the simulation method. For this purpose, the sequential indicator simulation (SIS) method was utilized to remove waste blocks. A grade estimation block model was also generated using sequential Gaussian simulation (SGS). One hundred iterations of the SGS were run to investigate the uncertainty of the grade estimation, create models of the probability of exceeding the specified cut-off grades, and generate an E-type model. The kriging grade-tonnage curve showed that with respect to the cut-off grade of 20%, the tonnage and the average grade of iron are equal to 2.9 million tons and 40.79%, respectively. Also, the E-type grade-tonnage curve showed that with respect to the cut-off grade of 20%, the tonnage and the average grade of iron are equal to 3.1 million tons and 40.92%, respectively. Finally, Iron mineralization targets were recognized by comparing the kriging and the E-type methods.

کلیدواژه‌ها [English]

  • Darreh-Ziarat Iron deposit
  • Indicator kriging
  • Ordinary kriging
  • Sequential Gaussian simulation
  • Sequential indicator simulation

مراجع

منابع Yu, X. and X. Li, The application of sequential indicator simulation and sequential Gaussian simulation in modeling a case in Jilin Oilfield, in Future Control and Automation. 2012, Springer. p. 111-118.## Asghari, O., F. Soltni, and H.B. Amnieh, The comparison between sequential gaussian simulation (SGS) of Choghart ore deposit and geostatistical estimation through ordinary kriging. Australian Journal of Basic Applied Sciences, 2009. 3(1): p. 330-341.## Monjezi, M., M.R. Kashani, and M. Ataei, A comparative study between sequential Gaussian simulation and kriging method grade modeling in open-pit mining. Arabian Journal of Geosciences, 2013. 6(1): p. 123-128.## Rahimi, H., O. Asghari, and A. Afshar, A geostatistical investigation of 3D magnetic inversion results using multi-Gaussian kriging and sequential Gaussian co-simulation. Journal of Applied Geophysics, 2018. 154: p. 136-149.## نوری زنوز، زهرا؛ اصغری، امید؛ فهیمی‌نیا، محمد؛ 1399؛ «مدل سازی عیار و بازیابی‌ کانسار طلای ساری‌گونی با استفاده از الگوریتم‌های زمین آماری»، مجله مهندسی معدن، دوره 16، شماره 50، صفحات 1-13.## Olea, R.A., Geostatistical glossary and multilingual dictionary. 1991: Oxford University Press on Demand.## Armstrong, M., Basic linear geostatistics. 1998: Springer Science & Business Media.## Chiles, J.-P. and P. Delfiner, Geostatistics: modeling spatial uncertainty. Vol. 497. 2009: John Wiley & Sons.## Journel, A.G., Nonparametric estimation of spatial distributions. Journal of the International Association for Mathematical Geology, 1983. 15(3): p. 445-468.## Glacken, I. and P. Blackney. A practitioners implementation of indicator kriging. in Proceedings of a one day symposium: Beyond Ordinary Kriging. 1998.## Hengl, T., A practical guide to geostatistical mapping. 2009.## هنرپژوه، جمال‌الدین؛ 1392؛ «گزارش پایان کار اکتشاف کانسار آهن دره زیارت علیا»، سازمان صنعت، معدن و تجارت استان کردستان.## Lerchs, H. and F. Grossman, Optimum Design of Open-Pit Mines. CIM Bulletin, 1965. 58: p. 47-54.## معاونت نظارت راهبردی؛ 1387؛ «دستورالعمل رده‌‌بندی ذخایر معدنی»، نشریه شماره 379.##
نشریه مهندسی معدن
دوره 17، شماره 55
تیر 1401
صفحه 14-37

فایل ها

سابقه مقاله

  • تاریخ دریافت: 08 بهمن 1399
  • تاریخ بازنگری: 22 آبان 1400
  • تاریخ پذیرش: 29 آذر 1400

هم رسانی

ارجاع به این مقاله

آمار