Совместное прогнозирование ресурсов и окружающей среды с использованием интеллектуального анализа больших данных и 3D/4D-моделирования в горнодобывающем районе Луаньчуань, Китай

Обложка
  • Авторы: Ван Г.1, Чжан Ш.1, Янь Ч.2, Пан Ч.3, Ван Х.4, Фэн Ч.5, Дун Х.6, Чэн Х.7, Хэ Я.8, Ли Ж.1, Чжан Ч.3, Хуан Л.1, Го Н.4
  • Учреждения:
    1. Китайский университет наук о Земле
    2. Центральная лаборатория металлогенических процессов и утилизации ресурсов
    3. Геологическая служба Китая
    4. Бюро природных ресурсов уезда Луаньчуань
    5. Хэнаньская горнодобывающая компания Цзычжоу Чжундин Майнинг Ко. Лимитед
    6. Геологическая и горнодобывающая компания Китая
    7. Хэнаньская горнодобывающая компания Чжунсинь Майнинг Ко. Лимитед
    8. Хэнаньская компания Китай Молибден Лимитед
  • Выпуск: Том 44, № 3 (2021)
  • Страницы: 219-242
  • Раздел: Геоинформатика
  • URL: https://bakhtiniada.ru/2686-9993/article/view/358671
  • DOI: https://doi.org/10.21285/2686-9993-2021-44-3-219-242
  • ID: 358671

Цитировать

Полный текст

Аннотация

Промышленная эра четвертого поколения и интеллектуальная связь 5G + в «четвертой парадигме науки» XXI века открывают новые возможности для исследований взаимосвязи между развитием горнодобывающей промышленности и защитой окружающей среды. Эта статья основана на теории металлогенической геодинамики, металлогенических процессах и количественной оценке на примере района Луаньчуань в качестве тематического исследования с использованием глубинного искусственного интеллекта и трехмерного / четырехмерного (3D/4D) междисциплинарного, многопрофильного параметрического и многомасштабного моделирования больших данных, включая многомасштабные геологические, геофизические, геохимические, гиперспектральные и высокоразрешающие данные дистанционного зондирования (разновременные), данные о добыче полезных ископаемых в реальном времени, с выполнением построения трехмерной геологической модели, модели металлогенического процесса и количественной модели разведки от локального района до масштабов месторождения, а также количественного прогнозирования и оценки региональных полиметаллических минеральных ресурсов Mo. Цель исследования заключается в реализации динамической оценки высокоточной трехмерной геологической модели (горные породы, структура, гидрология, почва и т. д.), охраны окружающей среды, комплексного освоения и использования минеральных ресурсов в цифровой среде. Исследование ориентировано на предоставление научной информации по устойчивому развитию минеральных ресурсов и горнодобывающей отрасли в изучаемом регионе. Результаты исследования заключаются в следующем. 1. Большие данные геонаук, связанные с прогнозированием и оценкой минеральных ресурсов в исследуемом районе, включают данные горных работ, такие как трехмерное геологическое моделирование, интерпретация геофизики, геохимия и моделирование дистанционного зондирования, которые объединены с программным обеспечением GeoCube3.0. Проведены оптимизация глубинных данных и комплексная оценка минеральных ресурсов в районе Луаньчуань (500 км2 , глубина – 2,5 км), в том числе 6,5 млн тонн Mo, 1,5 млн т W и 5 млн т Pb-Zn-Ag. 2. Трехмерное геологическое моделирование геологии, месторождений полезных ископаемых и геологоразведочных работ связанно с окружающей средой рудника. Данные разведки и добычи на карьерах месторождений Нанниху – Сандаочжуан – Шанфан и в глубоких руслах месторождений Луотуошань и Сигоу показывают слабую пространственную корреляцию между порфирово-скарновыми месторождениями северо-западного простирания и рудными телами. Разломы северо-восточного простирания обычно представляют собой структуры растяжения или растяжения-кручения, сформированные в пост-металлогенический период и являющиеся путями миграции гидротермального Pb-Zn флюида соответствующего месторождения. Существует риск загрязнения подземных вод в высокогорных зонах добычи Pb-Zn, таких как месторождения Ленгшуй и Байлугоу, контролируемых разломами северо-восточного простирания и разрабатывающихся за пределами месторождений порфирово-скарнового типа Mo (W) в районе Луанчуань. 3. Моделирование минеральных ресурсов, оценка состояния окружающей среды и принятие решений в интеллектуальных цифровых рудниках: трехмерная геологическая модель создается на крупных рудниках и связана с древними горными пещерами, карьерами и глубокими дорожными сооружениями в районах добычи для обеспечения разумной ориентации и устойчивого развития горнодобывающей промышленности. Гиперспектральная база данных используется для построения трехмерных моделей полезных и вредных элементов с целью реализации взаимосвязи минералогии, разведки, добычи и переработки полезных ископаемых для извлечения вредных элементов (As, Sb, Hg и т. д.). Используются изображения Worldview2 с разрешением 0,5 м для определения распределения Fe в сточных водах и шламах важных хвостохранилищ, позволяющие защитить поверхностный сток и загрязнение почвы.

Об авторах

Гунвэнь Ван

Китайский университет наук о Земле

Email: gwwang@cugb.edu.cn

Шоутин Чжан

Китайский университет наук о Земле

Чанхай Янь

Центральная лаборатория металлогенических процессов и утилизации ресурсов

Чжэньшань Пан

Геологическая служба Китая

Хунвэй Ван

Бюро природных ресурсов уезда Луаньчуань

Чжанькуй Фэн

Хэнаньская горнодобывающая компания Цзычжоу Чжундин Майнинг Ко. Лимитед

Хун Дун

Геологическая и горнодобывающая компания Китая

Хунтао Чэн

Хэнаньская горнодобывающая компания Чжунсинь Майнинг Ко. Лимитед

Яцин Хэ

Хэнаньская компания Китай Молибден Лимитед

Жуйси Ли

Китайский университет наук о Земле

Чжицян Чжан

Геологическая служба Китая

Лэйлэй Хуан

Китайский университет наук о Земле

Нана Го

Бюро природных ресурсов уезда Луаньчуань

Список литературы

  1. Zhao P. Quantitative geoscience methods and applications. Beijing: Higher Education Press, 2004.
  2. Ye T., Lv Z., Pang Z., et al. Theory and method of prospecting prediction in exploration area. Beijing: Geological Publishing House, 2014. 568 p.
  3. Mo X., Dong G., Deng J., et al. Metallogenic dynamic background of large super large deposits. Beijing: Geological Publishing House, 2020. 487 p.
  4. Zhai Y., Liu J., Xue C., et al. Metallogenic process and mechanism of large super large deposits. Beijing: Geological Publishing House, 2020. 428 p.
  5. Zhao P., Chen Y., Zhang S., et al. Quantitative evaluation of large super large deposits. Beijing: Geological Publishing House, 2020. 388 p.
  6. Wang G., Zhang S., Chen J., et al. Technical manual for quantitative evaluation of large super large deposits. Beijing: Geological Publishing House, 2019. 175 p.
  7. Zhao P. Digital prospecting and quantitative evaluation in the era of big data // Geological Bulletin of China. 2015. Vol. 34. Iss. 7. P. 1255–1259.
  8. Xiao K., Sun L., Li N., Wang K., Fan J., Ding J. Mineral resources assessment under the thought of big data // Geological Bulletin of China. 2015. Vol. 34. Iss. 7. P. 1266– 1272.
  9. Guo H. A project on big Earth data science engineering // Bulletin of the Chinese Academy of Sciences. 2018. Vol. 33. Iss. 8. P. 818–824. https://doi.org/10.16418/j.issn.1000-3045.2018.08.008.
  10. Zhou Y., Chen S., Zhang Q., Xiao F., Wang S., Liu Y., et al. Advances and prospects of big data and mathematical geoscience // Acta Petrologica Sinica. 2018. Vol. 34. Iss. 2. P. 255–263.
  11. Wu C., Liu G. Big data and future development of geology // Geological Bulletin of China. 2019. Vol. 38. Iss. 7. P. 1081–1088.
  12. Zhao P. Characteristics of geological big data and its rational development and utilization // Earth Science Frontiers. 2019. Vol. 26. Iss. 4. P. 1–5.
  13. Huang L. High precision 3D geological modeling and evaluation of Wunugetushan mine in Inner Mongolia. Beijing: China University of Geosciences (Beijing), 2020.
  14. Wang G., Zhang Z., Li R., Li J., Sha D., Zeng Q., et al. Resource prediction and assessment based on 3D/4D big data modeling and deep integration in key ore districts of North China // Science China Earth Sciences. 2021. Vol. 64. P. 1590–1606. https://doi.org/10.1007/s11430-020-9791-4.
  15. Wang G., Ma Z., Li R., Song Y., Qu J., Zhang S., et al. Integration of multi-source and multi-scale datasets for 3D structural modeling for subsurface exploration targeting, Luanchuan Mo-polymetallic district, China // Journal of Applied Geophysics. 2017. Vol. 139. P. 269–290. https://doi.org/10.1016/j.jappgeo.2017.02.027.
  16. Buttgereit D., Benndorf J., Buxton M. W. N. Realtime mining: grade monitoring und control cockpit // AKIDA 2016. 2016. P. 49–60.
  17. Wambeke T., Benndorf J. A simulation-based geostatistical approach to real-time reconciliation of the grade control model // Mathematical Geosciences. 2017. Vol. 49. Iss. 1. P. 1–37. https://doi.org/10.1007/s11004-016-9658-6.
  18. Ailleres L., Grose L., Laurent G., Armit R., Jessell M., Caumon G., et al. LOOP: a new open source platform for 3D geo-structural simulations // Three-dimensional geological mapping: workshop extended abstracts. Champaign: Illinois State Geological Survey, 2018. P. 14–18.
  19. Kreuzer O. P., Yousefi M., Nykänen V. Introduction to the special issue on spatial modelling and analysis of ore-forming processes in mineral exploration targeting // Ore Geology Reviews. 2020. Vol. 119. Iss. 3. P. 103391. https://doi.org/10.1016/j.oregeorev.2020.103391.
  20. Pár W. 3D, 4D and predictive modelling of major mineral belts in Europe. Cham: Springer, 2015. 331 p.
  21. Wang G., Zhang S., Yan C., Song Y., Ma Z., Li D. 3D geological modeling of Luanchuan molybdenum polymetallic mining area based on geological and gravity and magnetic data integration // Earth Science – Journal of China University of Geosciences. 2011. Vol. 36. Iss. 2. P. 266–360.
  22. Ma Z., Yan C., Song Y., et al. Application of CSAMT and sip geophysical prospecting combination method in the exploration of concealed metal deposits in Luanchuan mountain area, Henan Province // Geology and Exploration. 2011. Vol. 47. Iss. 4. P. 654–662.
  23. Wang G., Li R., Carranza E. J. M., Zhang S., Yan C., Zhu Y., et al. 3D geological modeling for prediction of subsurface Mo targets in the Luanchuan district, China // Ore Geology Reviews. 2015. Vol. 71. P. 592–610. https://doi.org/10.1016/j.oregeorev.2015.03.002.
  24. Wang G., Pang Z., Boisvert J. B., Hao Y., Cao Y., Qu J. Quantitative assessment of mineral resources by combining geostatistics and fractal methods in the Tongshan porphyry Cu deposit (China) // Journal of Geochemical Exploration. 2013. Vol. 134. P. 85–98. https://doi.org/10.1016/j.gexplo.2013.08.004.
  25. Wang G., Zhang S., Yan C., Song Y., Sun Y., Li D., et al. Mineral potential targeting and resource assessment based on 3D geological modeling in Luanchuan region, China // Computers & Geosciences. 2011. Vol. 37. Iss. 12. P. 1976–1988. https://doi.org/10.1016/j.cageo.2011.05.007.
  26. Wang G., Zhang S., Yan C., Xu G., Ma M., Li K., et al. Application of the multifractal singular value decomposition for delineating geophysical anomalies associated with molybdenum occurrences in the Luanchuan ore field (China) // Journal of Applied Geophysics. 2012. Vol. 86. P. 109–119. https://doi.org/10.1016/j.jappgeo.2012.07.013.
  27. Zhang Z., Wang G., Ma Z., Carranza E. J. M., Jia W., Du J., et al. Batholith-stock scale exploration targeting based on multi-source geological and geophysical datasets in the Luanchuan Mo polymetallic district, China // Ore Geology Reviews. 2020. Vol. 118. P. 103225. https://doi.org/10.1016/j.oregeorev.2019.103225.
  28. Zhang Z., Wang G., Ma Z., Gong X. Interactive 3D modeling by integration of geoscience datasets for exploration targeting in Luanchuan Mo polymetallic district, China // Natural Resources Research. 2018. Vol. 27. P. 315–346. https://doi.org/10.1007/s11053-017-9353-4.
  29. Zhang Z., Zhang J., Wang G., Carranza E. J. M., Pang Z., Wang H. From 2D to 3D modeling of mineral prospectivity using multi-source geoscience datasets, Wulong gold district, China // Natural Resources Research. 2020. Vol. 29. Iss. 1. P. 345–364. https://doi.org/10.1007/s11053-020-09614-6.
  30. Li R., Wang G., Carranza E. J. M. GeoCube: a 3D mineral resources quantitative prediction and assessment system // Computers & Geosciences. 2016. Vol. 89. P. 161–173. https://doi.org/10.1016/j.cageo.2016.01.012.
  31. Agterberg F. P., Bonham-Carter G. F., Cheng Q., Wright D. F. Weights of evidence modeling and weighted logistic regression for mineral potential mapping // Computers in geology – 25 years of progress. New York: Oxford University Press. 1993. P. 13–32.
  32. Cheng Q., Agterberg F. P., Ballantyne S. B. The separation of geochemical anomalies from background by fractal methods // Journal of Geochemical Exploration. 1994. Vol. 51. Iss. 2. P. 109–130. https://doi.org/10.1016/0375-6742(94)90013-2.
  33. Turcotte D. L. Fractals and chaos in geology and geophysics. Cambridge: Cambridge University Press, 1997. 416 p.
  34. Pan G., Harris D. P. Information synthesis for mineral exploration. New York: Oxford University Press, 2000. 450 p.
  35. Afzal P., Alghalandis Y. F., Khakzad A., Moarefvand P., Omran N. R. Delineation of mineralization zones in porphyry Cu deposits by fractal concentration-volume modeling // Journal of Geochemical Exploration. 2011. Vol. 108. Iss. 3. P. 220–232. https://doi.org/10.1016/j.gexplo.2011.03.005.
  36. Carranza E. J. M. Geocomputation of mineral exploration targets // Computers & Geosciences. 2011. Vol. 37. Iss. 12. P. 1907–1916. https://doi.org/10.1016/j.cageo.2011.11.009.
  37. Calcagno P., Chilès J. P., Courrioux G., Guillen A. Geological modelling from field data and geological knowledge: Part I. Modelling method coupling 3D potentialfield interpolation and geological rules // Physics of the Earth and Planetary Interiors. 2008. Vol. 171. Iss. 1-4. P. 147–157. https://doi.org/10.1016/j.pepi.2008.06.013.
  38. Caumon G., Collon-Drouaillet P., de Veslud C. L. C, Viseur S., Sausse J. Surface-based 3D modeling of geological structures // Mathematical Geosciences. 2009. Vol. 41. Iss. 8. P. 927–945. https://doi.org/10.1007/s11004-009-9244-2.
  39. Fallara F., Legault M., Rabeau O. 3-D integrated geological modeling in the Abitibi Subprovince (Québec, Canada): techniques and applications // Exploration & Mining Geology. 2006. Vol. 15. Iss. 1-2. P. 27–43. https://doi.org/10.2113/gsemg.15.1-2.27.
  40. Graham G. E., Kokaly R. F., Kelley K. D., Hoefen T. M., Johnson M. R., Hubbard B. E. Application of imaging spectroscopy for mineral exploration in Alaska: a study over porphyry Cu deposits in the eastern Alaska Range // Economic Geology. 2018. Vol. 113. Iss. 2. P. 489–510. https://doi.org/10.5382/econgeo.2018.4559.
  41. Houlding S. W. 3D geoscience modeling: computer techniques for geological characterization. Berlin: SpringerVerlag Berlin Heidelberg, 1994. 311 p.
  42. Mallet J. L. Discrete smooth interpolation in geometric modelling // Computer-Aided Design. 1992. Vol. 24. Iss. 4. P. 178–191. https://doi.org/10.1016/0010-4485(92)90054-E.
  43. Mallet J. L. GOCAD: a computer aided design program for geological applications // Three-dimensional modeling with geoscientific information systems / ed. A.K. Turner. Dordrecht: Kluwer Academic Publishers, 1992. P. 123–142.
  44. Mallet J. L. Discrete modeling for natural objects // Mathematical Geology. 1997. Vol. 29. Iss. 2. P. 199–219. https://doi.org/10.1007/BF02769628.
  45. Mallet J. L. Geomodeling. New York: Oxford University Press, 2002. 624 p.
  46. Jackson R. G. Application of 3D geochemistry to mineral exploration // Geochemistry: Exploration, Environment, Analysis. 2010. Vol. 10. Iss. 2. P. 143–156. https://doi.org/10.1144/1467-7873/09-217.
  47. Kaufmann O., Martin T. 3D geological modelling from boreholes, cross-sections and geological maps, application over former natural gas storages in coal mines // Computers & Geosciences. 2008. Vol. 34. Iss. 3. P. 278– 290. https://doi.org/10.1016/j.cageo.2007.09.005.
  48. Leite E. P., de Souza Filho C. R. Probabilistic neural networks applied to mineral potential mapping for platinum group elements in the Serra Leste region, Carajás Mineral Province, Brazil // Computers & Geosciences. 2009. Vol. 35. Iss. 3. P. 675–687. https://doi.org/10.1016/j.cageo.2008.05.003.
  49. Lindsay M. D., Ailléres L., Jessell M. W., de Kemp E. A., Betts P. G. Locating and quantifying geological uncertainty in three-dimensional models: analysis of the Gippsland Basin, southeastern Australia // Tectonophysics. 2012. Vol. 546-547. P. 10–27. https://doi.org/10.1016/j.tecto.2012.04.007.
  50. Pollock D. W., Barron O. V., Donn M. J. 3D exploratory analysis of descriptive lithology records using regular expressions // Computers & Geosciences. 2012. Vol. 39. P. 111–119. https://doi.org/10.1016/j.cageo.2011.06.018.
  51. Sprague K., de Kemp E., Wong W., McGaughey J., Perron G., Barrie T. Spatial targeting using queries in a 3-D GIS environment with application to mineral exploration // Computers & Geosciences. 2006. Vol. 32. Iss. 3. P. 396–418. https://doi.org/10.1016/j.cageo.2005.07.008.
  52. Zanchi A., Francesca S., Stefano Z., Simone S., Graziano G. 3D reconstruction of complex geological bodies: examples from the Alps // Computers & Geosciences. 2009. Vol. 35. Iss. 1. P. 49–69. https://doi.org/10.1016/j.cageo.2007.09.003.
  53. Han J., Yun H., Hu H., et al. Characteristics and resource prediction of deep tungsten molybdenum ore bodies in Luanchuan ore concentration area, Henan Province // Metal Mines. 2020. Vol. 533. Iss. 11. P. 141–151.
  54. Jia H., Liu J., Yin X., Wang C., Geng H., Chi H., et al. Study on mine geological environment assessment in Tongling pyrite concentrated mining area, Anhui // Geoscience Frontier. 2021. Vol. 84. Iss. 4. P. 131–141. https://doi.org/10.13745/j.esf.sf.2020.10.16.
  55. He Y., Du H., Peng F. Application of disaster monitoring and early warning in open-pit and underground rock mass engineering of Sandaozhuang mine // Nonferrous Geology. 2017. Vol. 69. Iss. 4. P. 81–85.
  56. Cao H., Zhang S., Santosh M., Zheng L., Tang L., Li D., et al. The Luanchuan Mo-W-Pb-Zn-Ag magmatic-hydrothermal system in the East Qinling metallogenic belt, China: constrains on metallogenesis from C-H-O-S-Pb isotope compositions and Rb-Sr isochron ages // Journal of Asian Earth Sciences. 2015. Vol. 111. P. 751–780. https://doi.org/10.1016/j.jseaes.2015.06.005.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».