Qualitative description of metal ore deposits parameters based on selected fuzzy logic operators on the example of a KGHM Polish Copper S.A. copper-silver mine

• Autorzy: Krzak Mariusz , Panajew Paweł

Identyfikatory

DOI

10.24425/ams.2019.128682

Warianty tytułu

PL

Jakościowy opis parametrów złoża rud metali w oparciu o wybrane operatory logiczne zbiorów rozmytych na przykładzie kopalni rud miedziowo-srebrowych w KGHM „Polska Miedź” S.A.

• Języki publikacji: EN

Abstrakty

EN

The basis for a mineral deposit delimitation is a qualitative and quantitative assessment of deposit parameters, qualifying a deposit as an economically valuable object. A conventional approach to the mineral deposit recognition and a deposit detailed parameters qualification in the initial stages of develop-ment work in the KGHM were presented in the paper. The goals of such recognition were defined, which through a gradual detailed expansion, resulting from the information inflow, allows for the construction of a more complete decision-making model. The description of the deposit parameters proposed in the article in the context of fuzzy logic, enables a presentation of imprecise statements and data, which may be a complement to a traditional description. Selected non-adjustable and adjustable s-norm and t-norm operators were demonstrated. Operators effects were tested for selected ore quality parameters (copper content and deposit thickness) by constructing adequate membership functions. In a practical application, the use of chosen fuzzy logic operators is proposed for the assessment of the qualitative parameters of copper-silver ore in the exploitation blocks for one of the mines belonging to KGHM Polish Copper S.A. The considerations have been extended by including the possibility of using compensation operators.

PL

Podstawą delimitowania złoża jest ocena parametrów jakościowych oraz ilościowych, kwalifikująca twór przyrodniczy jako obiekt o znaczeniu gospodarczym. W artykule przybliżono konwencjonalne podejście do rozpoznania serii złożowej i szczegółowych parametrów złoża, realizowane w kopalniach KGHM Polska Miedź S.A. w trakcie wykonywania tzw. robót przygotowawczych. Określono celowośćtakiego rozpoznania, które poprzez stopniowe uszczegółowianie, wynikające z napływu informacji, pozwala na konstrukcję bardziej kompletnego modelu decyzyjnego. Dopełnieniem tego tradycyjnego opisu może być zaproponowana w artykule deskrypcja parametrów złoża w ujęciu logiki rozmytej, umożliwiająca przedstawienie nieprecyzyjnych stwierdzeń i danych. Zademonstrowano wykorzystanie nastawialnych i nienastawialnych operatorów mnogościowych s-normy i t-normy a działanie operatorów przetestowano dla wybranych parametrów jakościowych rudy (zawartości miedzi oraz miąższości złoża) konstruując adekwatne funkcje przynależności. W praktycznym zastosowaniu przetestowano wybrane operatory logiki rozmytej do oceny parametrów jakościowych złoża rud miedziowo-srebrowych w blokach eksploatacyjnych dla jednej z kopalń KGHM Polska Miedź S.A. Rozważania poszerzono o możliwośćzastosowania operatorów kompensacyjnych.

Słowa kluczowe

EN

ore deposit parameters; mineral deposit management; fuzzy sets; logical operators

PL

ruda miedzi; jakość złoża; zbiory rozmyte; operator logiczny

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2019
• Tom: Vol. 64, no. 2
• Strony: 261--277
• Opis fizyczny: Bibliogr. 25 poz., rys., tab., wykr.

Twórcy

autor

Krzak Mariusz

• AGH University of Science and Technology, al. A. Mickiewicza 30, 30-059, Krakow, Poland

autor

Panajew Paweł

• KGHM Polska Miedź S.A., O/ZG Polkowice-Sieroszowice, Poland

Bibliografia

• [1] Bandopadhyay S., 1987. Fuzzy algorithm for decision making in mining engineering. Short Communication. International Journal of Mining and Geological Engineering 5, 149-154.
• [2] Bárdossy A., Bogardi I., Kelly W.E., 1988. Imprecise (Fuzzy) Information in Geostatistics. Mathematical Geology 20, 4, 287-311.
• [3] Bárdossy A., Bogardi I., Kelly W.E., 1990. Kriging with Imprecise (Fuzzy) Variograms. I: Theory. Mathematical Geology 22, 1, 63-79.
• [4] Bárdossy G., Fodor J., 2005. Assessment of the Completeness of Mineral Exploration by the Application of Fuzzy Arithmetic and Prior Information. Acta Polytechnica Hungarica 2, 1, 15-31.
• [5] Bárdossy G., Szabó R., Varga G., 2003. A New Method of Resource Estimation for Bauxite and Other Solid Mineral Deposits. Journal Of Hungarian Geomathematics 1, 14-26.
• [6] Brzychczy E., Kęsek M., Napieraj A., Sukiennik M., 2014. The Use of Fuzzy Systems in the Designing of Mining Process in Hard Coal Mines. Archives of Mining Sciences 59, 3, 741-760.
• [7] Demicco R., Klir G., (Eds.) 2003. Fuzzy Logic in Geology. Academic Press, Cambridge USA.
• [8] Elmas N., Sahin U., 2013. Computation of grade values of sediment-hosted barite deposits in north-eastern Isparta (western Turkey). Turkish Journal of Earth Sciences 23, 1-13.
• [9] Gligoric Z., Beljic C., Gluscevic B., Cvijovic C., 2015. Underground Lead-Zinc Mine Production Planning Using Fuzzy Stochastic Inventory Policy. Archives of Mining Sciences 60, 1, 73-92.
• [10] Kawalec W., 2005. Koncepcja rozmytego modelu wyrobiska docelowego. Szkoła Ekonomiki i Zarządzania w Górnictwie 2005. Krynica, 14-16 września 2005. Wydział Górnictwa i Geoinżynierii AGH, Kraków 289-302.
• [11] Kawalec W., 2008. Fuzzy modeling of an Ultimate Pit. Economic Evaluation and Risk Analysis of Mineral Projects. International Mining Forum, Taylor & Francis, London, 95-106.
• [12] Kesimal A., Bascetin A., 2002. Application of fuzzy multiple attribute decision making in mining operations. Mineral Resources Engineering 11, 59-72.
• [13] Luo X., Dimitrakopoulos R., 2003. Data-Driven Fuzzy Analysis in Quantitative Mineral Resource Assessment. Computers & Geosciences 29, 3-13.
• [14] Nieć M., 1997. Złoża rud miedzi i srebra. R. Ney (Ed.), Surowce mineralne Polski. Surowce metaliczne; Miedź, srebro. Wydawnictwo Centrum Podstawowych Problemów Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk, Kraków, 9-44.
• [15] Nieć M., Piestrzyński A., 1996. Geologia. A. Piestrzyński (Ed.), Monografia KGHM „Polska Miedź”. CBPM „Cuprum”, Lubin, 75-390.
• [16] Niedbał M., 2014. Koncepcja zastosowania teorii zbiorów rozmytych do analizy projektów kopalni odkrywkowej złóż polimetalicznych. Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk 86, 55-68.
• [17] Pham T.D., 1997. Grade Estimation Using Fuzzy-Set Algorithms. Mathematical Geology 29, 2, 291-305.
• [18] Tahmasebi P., Hezarkhani A., 2010. Application of Adaptive Neuro-Fuzzy Inference System for Grade Estimation; Case Study, Sarcheshmeh Porphyry Copper Deposit, Kerman, Iran. Australian Journal of Basic and Applied Science 4, 3, 408-420.
• [19] Tutmez B., 2007. An uncertainty oriented fuzzy methodology for grade estimation. Computers & Geosciences 33, 280-288.
• [20] Tutmez B., Dag A., 2007. Use of Fuzzy Logic in Lignite Inventory Estimation. Energy Sources. Part B: Economics. Planning and Policy 2, 1, 93-103.
• [21] Tutmez B., Tercan A.E., Kaymak U., 2007. Fuzzy Modeling for Reserve Estimation Based on Spatial Variability. Mathematical Geology 39, 1, 87-111.
• [22] Whittle D., Borzorgebrahimi A., 2004. Hybrid pits – Linking conditional simulation and Lerchs-Grossman through set theory. Orebody Modelling and Strategic Mine Planning. 22-24 November 2004, Perth 399-404.
• [23] Yujić S., Miljanović I., Kuzmanović M., Bartulović Z., Gajić G., Lazić P., 2011. The Deterministic Fuzzy Linear Approach in Planning the Production of Mine System with Several Open Pits. Archives of Mining Sciences 56, 3, 489-497.
• [24] Zadeh L., 1965. Fuzzy sets. Information and Control 8, 338-353.
• [25] Zimmermann H-J., Zysno P., 1980. Latent connectives in human decision making. Fuzzy Sets and Systems 4, 1, 37-51.