DOI: https://doi.org/10.3390/min16030280
تاريخ النشر: 2026-03-07
المؤلف: Cemile Dilara Bağ وآخرون
الموضوع الرئيسي: النمذجة الجيولوجية والتحليل
نظرة عامة
تبحث هذه الدراسة في فعالية نماذج التعلم الآلي الجماعية، وتحديداً الغابة العشوائية وتعزيز التدرج، في تقدير الدرجات ونتائج الوزن للدرجات العالية من رواسب الكبريتيدات الضخمة البركانية (VMS) ذات الحجم الصغير. تقارن الأبحاث هذه النماذج مع الطرق الجيولوجية التقليدية، بما في ذلك وزن المسافة العكسية (IDW) وكريغينغ (SK) وكريغينغ العادي (OK). تشير النتائج إلى أن نماذج التعلم الآلي تتفوق على الطرق التقليدية من حيث انخفاض خطأ الجذر التربيعي المتوسط (RMSE) وارتفاع قيم $R^2$، مما يتيح لها التقاط أنماط الدرجات المعقدة بشكل فعال. ومع ذلك، عند تطبيقها عبر نموذج الكتلة بالكامل، أنتجت خوارزميات التعلم الآلي درجات غير صفرية في مناطق غير مدعومة جيولوجياً، مما يستلزم تنفيذ عتبة تصفية لتعزيز الصلة الجيولوجية للتنبؤات.
تسلط النتائج الضوء على أنه بينما حقق IDW أعلى كمية من الذهب المحتوى عند درجات قطع منخفضة، قدم SK وتعزيز التدرج تقديرات أكثر اتساقًا ومعقولية جيولوجياً. تؤكد الدراسة على أهمية دمج التحكم في المجال الجيولوجي وضبط النموذج لتحسين موثوقية تنبؤات التعلم الآلي. وتقترح أن التحسينات المستقبلية يمكن تحقيقها من خلال تقييد التنبؤات لمجالات أصغر محددة جيولوجياً، مما يسمح للنماذج بتعلم الأنماط المحلية بشكل أكثر فعالية. بشكل عام، تؤكد الأبحاث على أن الجمع بين التعلم الآلي والطرق الجيولوجية التقليدية، مع الأخذ بعين الاعتبار السياق الجيولوجي بعناية، يمكن أن يؤدي إلى تحسين تقدير الموارد المعدنية، خاصة في التقييمات المبكرة حيث لا تزال النماذج الجيولوجية التفصيلية قيد التطوير.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم لتقدير الموارد في مشاريع التعدين، والتي تؤثر بشكل مباشر على الجدوى الاقتصادية واستدامة العمليات. يعد تقدير الدرجات بدقة، الذي يتم عادةً من خلال نماذج الكتل التي تمثل أجسام الخام باستخدام تقديرات احتمالية من بيانات ثقوب الحفر، أمرًا أساسيًا لتقليل المخاطر التشغيلية ودعم نجاح المشروع على المدى الطويل. تناقش الورقة الطرق التقليدية مثل وزن المسافة العكسية (IDW) وكريغينغ، مع تسليط الضوء على قوة كريغينغ الإحصائية بسبب قدرته على نمذجة الارتباطات المكانية. بينما تم تحسين IDW، فإنه يفتقر إلى القدرة على حساب العلاقات المكانية وعدم اليقين في التقديرات، مما أدى إلى تطوير طرق جيولوجية إحصائية.
تستعرض المقدمة أيضًا التقدم في أساليب التعلم الآلي لتقدير الموارد المعدنية، مشيرة إلى قدرتها على معالجة تعقيدات أنواع الرواسب المختلفة، بما في ذلك رواسب الكبريتيدات الضخمة البركانية (VMS) التي تتميز بحدود درجات حادة. تشير الدراسات الحديثة إلى أن نماذج التعلم الآلي غالبًا ما تتفوق على الطرق التقليدية في التقاط توزيعات الدرجات غير الخطية، خاصة في البيئات الجيولوجية المعقدة. توضح الورقة الحاجة إلى مزيد من البحث لاستكشاف قابلية تطبيق هذه التقنيات عبر أحجام وأنواع الرواسب المختلفة، خاصة في عمليات التعدين الصغيرة حيث تكون البيانات غالبًا محدودة. تستخدم الدراسة مجموعة بيانات ثقوب الحفر التي تضم حوالي 15,000 نقطة لمقارنة أداء IDW وكريغينغ وخوارزميات التعلم الآلي، بهدف إثبات فعالية التعلم الآلي في تحسين دقة تقدير الدرجات مع تقليل الاعتماد على الحفر الواسع.
طرق
في هذه الدراسة، يبحث المؤلفون في طرق تقدير درجات الخام لرواسب من نوع VMS تتميز بمنطقة معدنية ذات حجم صغير ودرجة عالية. يقارنون الطرق التقليدية، وتحديداً وزن المسافة العكسية (IDW) وكريغينغ، مع خوارزميات التعلم الآلي بسبب الإعداد الجيولوجي المعقد والتباين المحلي الكبير في درجات المعادن. يعد IDW، على الرغم من كونه بسيطًا وشائع الاستخدام في تقدير الموارد المعدنية المبكر، غير قادر على حساب الارتباط المكاني ولا يوفر مقاييس لتباين التقدير أو عدم اليقين. في المقابل، يتضمن كريغينغ الاستمرارية المكانية من خلال نماذج الفاريوغرام، مما يوفر إطارًا أكثر قوة للتقدير.
تشمل المنهجية استخدام برنامج Vulcan 2024.2 للطرق التقليدية، حيث يتم إنشاء نماذج كتلة ثلاثية الأبعاد للتداخل المكاني، ويتم إجراء التحقق المتبادل لتقييم الدقة من خلال حسابات خطأ الجذر التربيعي المتوسط (RMSE). تستخدم الدراسة أيضًا تقنيات التعلم الآلي في MATLAB R2024a لتحديد النموذج الأفضل أداءً بناءً على قيم RMSE، والذي يتم تنفيذه بعد ذلك في Python 3.13.0 لمزيد من التنبؤات وتحليل الوزن-الدرجة. تتكون مجموعة البيانات من 102 ثقب حفر، مع التركيز على تحليلات الذهب (Au) والفضة (Ag)، مما يضمن الاتساق المكاني ويقلل من تأثير أنماط العينة غير المنتظمة. تهدف النتائج إلى تقييم اتساق وفوائد محتملة لطرق التعلم الآلي مقارنة بالطرق التقليدية في تقدير درجات الخام.
نتائج
تشير النتائج إلى توزيع مائل بشكل واضح لدرجات Au، مع عدد كبير من العينات ذات الدرجات المنخفضة وعدد أقل من القيم ذات الدرجات العالية، كما هو موضح في الشكل 2. يبرز هذا الميل التعقيدات المعنية في تقدير الدرجات ضمن أنظمة المعادن غير المتجانسة. تؤكد الدراسة على إمكانيات تقنيات التعلم الآلي في نمذجة العلاقات المعقدة وغير الخطية بفعالية بين المتنبئين المختلفين، مما يتناقض مع قيود طرق الكريغينغ التقليدية في معالجة التوزيعات المائلة.
لتقييم فعالية طرق التقدير المختلفة، قام الباحثون بحساب خطأ الجذر التربيعي المتوسط (RMSE) ومعامل التحديد ($R^2$) من خلال مقارنة درجات Au المتوقعة بالقيم الفعلية. تم تقييم الطرق التقليدية، بما في ذلك وزن المسافة العكسية (IDW) وكريغينغ العادي (OK) وكريغينغ البسيط (SK)، باستخدام التحقق المتبادل ضمن برنامج Vulcan. بالنسبة لأساليب التعلم الآلي، تم تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار، مع تخصيص 20% من البيانات للاختبار لضمان تقييم موثوق للنموذج.
مناقشة
في هذا القسم، يناقش المؤلفون المنهجيات المستخدمة لتقدير الموارد المعدنية، مع التركيز على نموذج كتلة ثلاثي الأبعاد وتقنيات التقدير المختلفة، بما في ذلك وزن المسافة العكسية (IDW) وكريغينغ (كلاهما كريغينغ البسيط (SK) وكريغينغ العادي (OK))، وأساليب التعلم الآلي مثل الغابة العشوائية وتعزيز التدرج. تم بناء نموذج الكتلة باستخدام كتل منتظمة بأبعاد 5 × 5 × 5 م، مع استخدام فترة تحليل ثابتة تبلغ 2 م للتجميع. تؤكد الدراسة على أهمية الحفاظ على توزيع الدرجات الطبيعي من خلال الاحتفاظ بجميع العينات ذات الدرجات العالية وتطبيق المتوسطات الموزونة بالطول لدعم العينات بشكل متسق أثناء نمذجة الفاريوغرام وكريغينغ.
تتميز طريقة IDW، بطبيعتها الحتمية، بتخصيص أوزان تتناسب عكسياً مع المسافة من نقطة التقدير، بينما يُلاحظ أن كريغينغ قادر على تقليل تباين الخطأ ولكنه قد يقدم تلطيفًا وانحيازًا شرطيًا، خاصة في التوزيعات ذات الدرجات العالية. تم إجراء نمذجة الفاريوغرام لت quantifying الاستمرارية المكانية، مع الإشارة إلى تأثير النوجت بمقدار 4 وإجمالي السيل بمقدار 10، مما يعكس التباين في توزيع الدرجات. أظهرت نماذج التعلم الآلي، وخاصة خوارزميات الغابة العشوائية وتعزيز التدرج، أداءً تنبؤيًا متفوقًا مقارنة بالطرق التقليدية، محققةً قيمًا أقل لخطأ الجذر التربيعي المتوسط (RMSE) ودرجات أعلى من R². تسلط الدراسة الضوء على فعالية تقنيات التعلم الجماعي في التقاط كل من الاتجاهات المركزية والتباين في توزيعات الدرجات، بينما تعالج أيضًا التحديات المتعلقة بالتجمع المكاني والحاجة إلى التحقق المتبادل المدرك مكانيًا لضمان تقييم موثوق للنموذج.
DOI: https://doi.org/10.3390/min16030280
Publication Date: 2026-03-07
Author(s): Cemile Dilara Bağ et al.
Primary Topic: Geological Modeling and Analysis
Overview
This study investigates the effectiveness of ensemble machine learning models, specifically Random Forest and Gradient Boosting, in estimating grades and grade-tonnage results for small-volume, high-grade volcanogenic massive sulfide (VMS) deposits. The research compares these models against traditional geostatistical methods, including Inverse Distance Weighting (IDW), Simple Kriging (SK), and Ordinary Kriging (OK). The findings indicate that the machine learning models outperform traditional methods in terms of lower root mean square error (RMSE) and higher $R^2$ values, effectively capturing complex grade patterns. However, when applied across the entire block model, the machine learning algorithms produced nonzero grades in geologically unsupported areas, necessitating the implementation of a filtering threshold to enhance the geological relevance of predictions.
The results highlight that while IDW yielded the highest contained gold equivalent at low cutoff grades, SK and Gradient Boosting provided more consistent and geologically reasonable estimates. The study emphasizes the importance of integrating geological domain control and model tuning to improve the reliability of machine learning predictions. It suggests that future enhancements could be achieved by restricting predictions to smaller, geologically defined domains, thereby allowing models to learn localized patterns more effectively. Overall, the research underscores that a combination of machine learning and traditional geostatistical methods, along with careful consideration of geological context, can lead to improved mineral resource estimation, particularly in early-stage evaluations where detailed geological models are still under development.
Introduction
The introduction of the research paper emphasizes the critical role of resource estimation in mining projects, which directly impacts economic viability and operational sustainability. Accurate grade estimation, typically achieved through block models that represent ore bodies using probabilistic estimates from drill hole data, is essential for minimizing operational risks and supporting long-term project success. The paper discusses traditional methods such as Inverse Distance Weighting (IDW) and Kriging, highlighting Kriging’s statistical robustness due to its ability to model spatial correlations. While IDW has been improved upon, it lacks the capacity to account for spatial relationships and uncertainty in estimates, leading to the development of geostatistical methods.
The introduction also reviews advancements in machine learning approaches for mineral resource estimation, noting their potential to address the complexities of various deposit types, including volcanogenic massive sulfide (VMS) deposits characterized by sharp grade boundaries. Recent studies indicate that machine learning models often outperform traditional methods in capturing non-linear grade distributions, particularly in complex geological settings. The paper outlines the need for further research to explore the applicability of these techniques across different deposit sizes and types, particularly in small-scale mining operations where data is often limited. The study utilizes a borehole dataset of approximately 15,000 points to compare the performance of IDW, Kriging, and machine learning algorithms, aiming to demonstrate the effectiveness of machine learning in enhancing grade estimation accuracy while reducing reliance on extensive drilling.
Methods
In this study, the authors investigate ore grade estimation methods for a VMS-type deposit characterized by a small-volume, high-grade mineralization zone. They compare traditional methods, specifically Inverse Distance Weighting (IDW) and Kriging, with machine learning algorithms due to the complex geological setting and significant local variability in mineral grades. IDW, while straightforward and commonly used in early mineral resource estimation, lacks the ability to account for spatial correlation and does not provide measures of estimation variance or uncertainty. In contrast, Kriging incorporates spatial continuity through variogram models, offering a more robust framework for estimation.
The methodology involves the use of Vulcan Software 2024.2 for traditional methods, where 3D block models are created for spatial interpolation, and cross-validation is performed to assess accuracy through Root Mean Square Error (RMSE) calculations. The study also employs machine learning techniques in MATLAB R2024a to identify the best-performing model based on RMSE values, which is subsequently implemented in Python 3.13.0 for further predictions and tonnage-grade analysis. The dataset comprises 102 boreholes, focusing on gold (Au) and silver (Ag) assays, ensuring spatial consistency and minimizing the impact of irregular sampling patterns. The results aim to evaluate the consistency and potential advantages of machine learning methods over traditional approaches in ore grade estimation.
Results
The results indicate a pronounced right-skewed distribution of Au grades, with a significant number of low-grade samples and a smaller number of high-grade values, as illustrated in Figure 2. This skewness underscores the complexities involved in grade estimation within heterogeneous mineral systems. The study emphasizes the potential of machine learning techniques to effectively model intricate and nonlinear relationships among various predictors, contrasting with the limitations of traditional kriging methods in addressing skewed distributions.
To assess the efficacy of the different estimation methods, the researchers calculated the Root Mean Square Error (RMSE) and the coefficient of determination ($R^2$) by comparing predicted Au grades to actual values. Traditional methods, including Inverse Distance Weighting (IDW), Ordinary Kriging (OK), and Simple Kriging (SK), were evaluated using cross-validation within the Vulcan software. For the machine learning approaches, the dataset was divided into training and testing subsets, with 20% of the data reserved for testing to ensure robust model evaluation.
Discussion
In this section, the authors discuss the methodologies employed for mineral resource estimation, focusing on a three-dimensional block model and various estimation techniques, including Inverse Distance Weighting (IDW), Kriging (both Simple Kriging (SK) and Ordinary Kriging (OK)), and machine learning approaches such as Random Forest and Gradient Boosting. The block model was constructed with regular blocks of dimensions 5 × 5 × 5 m, utilizing a fixed assay interval of 2 m for compositing. The study emphasizes the importance of maintaining the natural grade distribution by retaining all high-grade samples and applying length-weighted averaging for consistent sample support during variogram modeling and Kriging.
The IDW method, characterized by its deterministic nature, assigns weights inversely proportional to the distance from the estimation point, while Kriging is noted for its ability to minimize error variance but may introduce smoothing and conditional bias, particularly in high-grade distributions. Variogram modeling was conducted to quantify spatial continuity, with results indicating a nugget effect of 4 and a total sill of 10, reflecting the variance in the grade distribution. The machine learning models, particularly the Random Forest and Gradient Boosting algorithms, demonstrated superior predictive performance compared to traditional methods, achieving lower root mean square error (RMSE) values and higher R² scores. The study highlights the effectiveness of ensemble learning techniques in capturing both central trends and variability in grade distributions, while also addressing challenges related to spatial clustering and the need for spatially aware cross-validation to ensure robust model evaluation.