Spatial modeling, mine scheduling and blending considerations about geometallurgical variables

Abstract

There is a growing demand for studies related to geometallurgical variables, their spatial prediction in a block model, and their use in mine planning. This thesis aims to clarify important characteristics of these variables and the data obtained from the measurement of geometallurgical properties, which influence the application of spatial estimation methodologies and should also be considered for mine planning. Geometallurgical properties can be classified into intrinsic rock or response properties. Given the complexity of measuring the response properties (e.g., cost, the volume required for testing, equipment accuracy), a geometallurgical database tends to be smaller than a geological exploration database, resulting in sparse data with different support and missing values. In addition to these data-related particularities, geometallurgical variables generally average nonlinearly and exhibit complex multivariate behavior. These specificities require special treatment for spatial estimation. Two methodologies are employed in this thesis: one approach by multivariate geostatistical modeling and the other by machine learning. An analysis is made of their differences and when to use each method. The first is suggested when it is possible to infer all variables’ variograms and the joint uncertainty is important; the second is most suitable when the inference of variograms is not possible and when there are high correlations between the variables. The impact of the complexities of geometallurgical variables extends to mine planning. The nonlinear blending averaging is related to the transformation from the estimated value in the mining block to the value of the material that feeds the processing plant. Considering that there is an intrinsic blending during mining and mineral processing, the estimated values in the blocks are not realized when processed, as no block is fed alone but together in a mixture with other blocks. Therefore, the estimated value in a block must consider the values of the other blocks with which it mixes. Mine planning must be scheduled to form the best mixtures concerning the response of the processing plant. A mixture model is necessary so that mine planning can optimize block sequencing. When there is a synergistic blending, the optimal sequencing will be the one that mixes different materials. When there is antagonist blending, it is better to extract similar blocks in sequence. In any case, better mine planning is possible when considering ore blending and nonlinear variables.

Existe uma demanda crescente por estudos relacionados a variáveis geometalúrgicas, sua previsão espacial em um modelo de blocos e seu uso no planejamento de lavra. Esta tese visa esclarecer características importantes dessas variáveis e os dados obtidos a partir da medição de propriedades geometalúrgicas, que influenciam a aplicação de metodologias de estimativa espacial e também devem ser consideradas para o planejamento de lavra. As propriedades geometalúrgicas podem ser classificadas em propriedades intrínsecas da rocha ou propriedades de resposta. Dada a complexidade de medir as propriedades de resposta (por exemplo, custo, volume necessário para testes, precisão dos equipamentos), um banco de dados geometalúrgico tende a ser menor do que um banco de dados de exploração geológica, resultando em dados esparsos com diferentes suportes e valores faltantes. Além dessas particularidades relacionadas aos dados, as variáveis geometalúrgicas geralmente têm uma média não linear e exibem um comportamento multivariado complexo. Essas especificidades requerem tratamento especial para a estimativa espacial. Duas metodologias são empregadas nesta tese: uma abordagem por modelagem geoestatística multivariada e outra por aprendizado de máquina. É feita uma análise de suas diferenças e quando usar cada método. A primeira é sugerida quando é possível inferir os variogramas de todas as variáveis e a incerteza conjunta é importante; a segunda é mais indicada quando a inferência de variogramas não é possível e quando existem altas correlações entre as variáveis. O impacto das complexidades das variáveis geometalúrgicas se estende ao planejamento da lavra. A média não linear de uma mistura está relacionada à transformação do valor estimado no bloco de lavra para o valor do material que alimenta a usina de beneficiamento. Considerando que há uma mistura durante a lavra e o beneficiamento mineral, os valores estimados nos blocos não se concretizam quando processados, pois nenhum bloco é alimentado sozinho e sim em conjunto com outros blocos em uma mistura. Portanto, o valor estimado em um bloco deve considerar os valores dos outros blocos com os quais ele se mistura. O planejamento da lavra deve ser programado para formar as melhores misturas em relação à resposta da planta de beneficiamento. Um modelo de mistura é necessário para que o planejamento da lavra possa otimizar o sequenciamento de blocos. Quando há uma mistura sinérgica, o sequenciamento ótimo será aquele que mistura materiais diferentes. Quando há mistura antagonista, é melhor extrair blocos semelhantes em sequência. De qualquer forma, um melhor planejamento de lavra é possível quando se considera a mistura de minério e variáveis não lineares.