基于自主随钻测量(MWD)数据的岩性录井与化学化验的机器学习方法
机器学习
2022-02-08 v1
摘要
理解区域的构造与矿物组成是采矿中必不可少的一步,无论是在勘探期(采矿前)还是采矿过程中。勘探期间,收集稀疏但高质量的数据以评估整体矿体。采矿过程中,随着矿山推进,边界位置和物料性质被细化。这一细化通过钻探、岩性录井和化学化验实现。岩性类型录井因矿化与地质多样性、即便专家人工测量的主观性以及手动记录结果的人为误差等因素而具有高度变异性。尽管基于实验室的化学化验精确得多,但其耗时且昂贵,且并不总能捕获或关联所有物料类型间的边界位置。这给行业带来重大挑战与财务影响,因为生产炮孔录井和化验过程的准确性对资源评估、矿山计划的规划与执行至关重要。为克服这些挑战,本工作报道了一项自动化岩性录井与化学化验过程的试点研究。一种机器学习方法已在从自主钻进系统(ADS)记录的随钻测量(MWD)数据中提取的特征上训练。MWD 数据有助于构建物理钻进参数随孔深变化的剖面。我们提出一个假设,将这些钻进参数与地下矿物组成联系起来。本文讨论的试点研究结果表明了该过程的可行性:对于化学化验相关系数最高达 0.92,对于物料检测准确率达 93%,具体取决于物料或化验类型及其在不同空间区域的泛化能力。
引用
@article{arxiv.2202.02959,
title = {A Machine Learning Approach for Material Type Logging and Chemical Assaying from Autonomous Measure-While-Drilling (MWD) Data},
author = {Rami N Khushaba and Arman Melkumyan and Andrew J Hill},
journal= {arXiv preprint arXiv:2202.02959},
year = {2022}
}
备注
29 pages, 19 figures, mathematical geosciences, Rio Tinto Centre for Mine Automation