BR112021008209A2 - um método e sistema para classificação de amostra - Google Patents

Abstract

A presente invenção refere-se a um método e sistema de classificação de um sítio geológico, como um furo de sondagem, que envolve combinar as saídas dos classificadores atribuindo fios para análises de amostra, em que a combinação pode ser ponderada e restringida pela sequência de vertente e informações de espessura. A ponderação é ajustável manualmente. As análises podem ser detecção de raios gama, ensaio metalúrgico e registro geológico. As informações do modelo, como geologia de superfície, podem ser combinadas com as saídas do classificador.

Description

Relatório Descritivo da Patente de Invenção para "MÉTODO E SISTEMA PARA CLASSIFICAÇÃO DE AMOSTRA". Campo da invenção

[0001] A presente invenção se refere a um método e sistema para classificar amostras e, em particular, para classificar amostras geológi- cas. Antecedentes

[0002] Explorações de mineração normalmente envolvem a obten- ção de amostras de minerais de um local de perfuração e a avaliação da composição dessas amostras para determinar se um recurso está presente no local. Uma técnica de obtenção de amostras de minerais é a perfuração por circulação reversa (RC), em que fragmentos e casca- lhos de perfuração são trazidos à superfície por uma circulação de ar através da perfuratriz. Amostras de aparas de perfuração são normal- mente coletadas em intervalos regulares de profundidade durante a per- furação (por exemplo, intervalos de dois metros) para avaliar a compo- sição mineral em todo o comprimento do furo de perfuração.

[0003] Para cada intervalo, uma amostra de aparas de perfuração pode ser perfilada e outra amostra pode ser enviada a um laboratório para ensaio de composição, por exemplo, por análise fluorescente de raios-X (XRF). O perfilagem de campo de amostras de furos de sonda- gem envolve inspecionar visualmente as amostras e registrar os tipos de materiais presentes, bem como outras características físicas, como cor, forma e textura.

[0004] O perfilagem de campo é uma prática de rotina normalmente feita por geólogos. Embora o ensaio de composição possa descrever a composição elementar de uma amostra, o perfilagem de campo é ne- cessário para determinar os tipos de materiais geológicos presentes em uma amostra, como hematita, goethita, xisto, etc.

[0005] As informações sobre a composição e o tipo de material das amostras de perfuração são combinadas com composições mineralógi- cas conhecidas de uma área para determinar onde está a amostra em uma formação geológica. Este, por sua vez, fornece informações preci- sas sobre as características do minério ou outros recursos desejáveis naquele local, o que é útil para a prospecção.

[0006] No entanto, como as centenas de quilômetros de furos que são perfurados anualmente precisam ser classificados, o processo de classificação pode ser um gargalo de processamento significativo para a modelagem de blocos. Além disso, durante a classificação, os usuá- rios podem ser apresentados a grandes quantidades de dados de várias modalidades por furo para processar e integrar, e quaisquer inconsis- tências ou erros na classificação afetam diretamente a integridade da modelagem do bloco.

[0007] Os métodos existentes de classificação do material geoló- gico têm contado com a abordagem de identificação da mineralogia ou facie de cada camada ou estrato em uma formação multicamadas. Uma vez que as camadas foram identificadas, a sequência particular de ca- madas pode ser determinada e, assim, o local classificado. Em certos casos, local pode ser classificado como um grupo que compreende um conjunto conhecido de camadas ou estratos em uma sequência prede- terminada. No entanto, as classificações nem sempre são consistentes, pois, para um determinado sítio, uma ou mais camadas podem estar ausentes ou fora da sequência. Além disso, diferentes técnicas de aná- lise física são mais adequadas para identificar a mineralogia particular, o que significa que nem todas as camadas podem ser identificadas com a mesma análise. Além disso, é difícil identificar as transições de ca- mada em uma amostra.

[0008] US 4.646.240 descreve um método para agregar os resulta- dos de diferentes tipos de análises físicas para determinar a composição e a transição entre as camadas.

[0009] As técnicas da técnica precedente, como esta, que tentam uma classificação determinativa, envolvem cálculos altamente comple- xos que são, portanto, imprecisos, intensivos em recursos e incapazes de levar em conta os casos extremos onde pode não haver uma classi- ficação específica possível. Sumário da invenção

[0010] De acordo com um primeiro aspecto da presente invenção, é fornecido um método para atribuir uma classificação de sítio geológico a um sítio geológico, o método compreendendo as etapas de: obter uma pluralidade de amostras do sítio; para cada amostra: fornecer uma pluralidade de análises da amostra; para cada análise, fornecer uma ou mais classificações de amostra, cada classificação de amostra compreendendo uma vertente geológica e uma probabilidade, e atribuir uma ponderação relativa a cada classificação de amostra; combinar as classificações de amostra para a pluralidade de análises pelo menos de acordo com a ponderação atribuída; e atribuir uma ou mais classificações de sítio geológico de acordo com as classificações de amostra combinadas.

[0011] Tal como no presente documento utilizado, os termos 'ver- tente', /banda' e 'estrato' são usados indistintamente e referem-se a for- mações rochosas geológicas fisicamente distinguíveis que contribuem para uma sequência geológica.

[0012] O sítio geológico pode ser dividido por profundidade de acordo com uma pluralidade de divisões de profundidade, cada amostra tendo uma ou mais divisões de profundidade. Cada classificação de amostra pode compreender classificar pelo menos uma divisão de pro- fundidade como uma vertente geológica. Cada classificação de amostra pode compreender uma pluralidade de divisões de profundidade que cada divisão de profundidade tendo uma classificação de vertente geo- lógica correspondente. A classificação de sítio geológico pode corres- ponder a uma ou mais formações geológicas compreendendo uma plu- ralidade de vertentes em uma ordem predeterminada.

[0013] O sítio geológico pode ser um furo de sondagem e cada clas- sificação de amostra pode compreender uma pluralidade de vertentes geológicas.

[0014] Uma ou mais das amostras pode compreender cortes produ- zidos por perfuração de circulação reversa. Cada amostra pode corres- ponder a uma extensão vertical definida do furo de sondagem. Cada amostra pode corresponder a uma divisão de profundidade do furo de sondagem.

[0015] A pluralidade de análises pode ser escolhida de um ou mais dos seguintes: detecção de raios faixa; perfilagem geológica; e ensaio metalúrgico. A pluralidade de análises pode ser análises físicas.

[0016] A etapa de combinar as classificações de amostra para a pluralidade de análises de acordo com a ponderação atribuída pode in- cluir combinar uma ou mais classificações de modelo derivadas de da- dos de modelo. O modelo pode incluir informação de superfície, infor- mação histórica ou estratigrafia perfilada. Os dados de modelo podem ser fornecidos com um indicador de probabilidade selecionada.

[0017] Um primeiro conjunto de uma pluralidade de classificações de amostra pode corresponder a uma primeira análise e a etapa para atribuir uma ponderação relativa a cada classificação de amostra pode compreender atribuir a mesma ponderação a cada uma das classifica- ções de amostra do primeiro conjunto. Cada classificação de amostra correspondente à mesma análise pode ser atribuída a mesma pondera- ção. Em uma modalidade, cada análise tem um conjunto correspon- dente de classificações de amostra. Neste caso, a ponderação pode ser atribuída igualmente a cada classificação de amostra dentro de um con- junto.

[0018] A ponderação pode ser atribuída por um usuário. A ponde- ração cumulativa da pluralidade escolhida de análises e/ou dados de modelo podem ser constantes de modo que um aumento na pondera- ção de uma das análises corresponde a uma redução em uma de mais de uma ponderação das outras da pluralidade escolhida de análises.

[0019] A ponderação pode ser atribuída de acordo com coordena- das de valor médio.

[0020] A ponderação pode ser atribuída de acordo com coordena- das de valor médio de um ponto em um polígono, em que um número de vértices do polígono corresponde a um número de análises.

[0021] Uma ou mais das análises pode ser escolhida como análises ativas e o número de vértices do polígono pode corresponder a um nú- mero de análises ativas.

[0022] A etapa de combinar as classificações de amostra para a pluralidade de análises de acordo com a ponderação atribuída pode pro- duzir uma classificação única cumulativa de amostra, a ponderação re- lativa sendo atribuída às probabilidades da classificação de amostra para fornecer uma probabilidade combinada para a classificação única cumulativa de amostra para a amostra.

[0023] A etapa de classificar o sítio geológico pode combinar a clas- sificação única cumulativa com uma ou mais restrições de sequência de vertente.

[0024] Cada restrição de sequência de vertente pode compreender uma representação de transições de vertente permitidas.

[0025] O método pode ainda compreender dividir o sítio geológico por profundidade de acordo com uma pluralidade de divisões de profun- didade, cada amostra tendo uma ou mais divisões de profundidade e,

para cada divisão de profundidade, determinar uma probabilidade má- xima para uma vertente correspondente com referência à representação de transições de vertente permitidas. A probabilidade máxima pode ser um máximo local.

[0026] A etapa de determinar a probabilidade máxima para uma ver- tente correspondente pode compreender adicionar recursivamente pro- babilidades para divisões de profundidade próximas, em que uma pro- babilidade de divisão de profundidade corresponde a uma pontuação fornecida pelo classificador ponderado único. Divisões de profundidade próximas podem ser divisões de profundidade imediatamente acima e/ou abaixo da divisão de profundidade correspondente à vertente para a qual a probabilidade máxima é determinada.

[0027] As probabilidades para divisões de profundidade próximas podem ser recursivamente adicionadas de baixo para cima do sítio ge- ológico.

[0028] O método pode ainda compreender determinar uma soma cumulativa para cada divisão de profundidade, a soma cumulativa de uma divisão de profundidade escolhida sendo a soma de probabilidades da divisão de profundidade escolhida e todas as divisões de profundi- dade mais alta, em que uma probabilidade para uma faixa de divisões de profundidade compreende considerar uma diferença entre uma pro- babilidade cumulativa para uma divisão de profundidade em uma parte inferior da faixa e uma probabilidade cumulativa para uma divisão de profundidade em uma parte superior da faixa.

[0029] Cada classificação de amostra ainda compreende uma es- pessura da vertente e a etapa para atribuir a classificação de sítio geo- lógico pode combinar uma pluralidade de classificações únicas cumula- tivas de amostra com uma ou mais restrições da espessura da vertente.

[0030] A restrição de espessura da vertente pode compreender es- pessuras da vertente mínima e máxima para cada vertente.

[0031] Uma espessura de vertente mínima e máxima pode ser de- terminada com referência a um número de divisões de profundidade próximas considerado para a mesma vertente.

[0032] O método pode ainda compreender sobrepor a restrição da espessura da vertente para uma ou mais vertentes.

[0033] O método pode ainda compreender a etapa para atribuir pelo menos uma vertente geológica manualmente a uma classificação de amostra.

[0034] A etapa para atribuir pelo menos uma vertente manualmente a uma classificação de amostra pode compreender a etapa de identificar uma falha.

[0035] O método pode ainda compreender dividir o sítio geológico por profundidade de acordo com uma pluralidade de divisões de profun- didade, cada amostra tendo uma ou mais divisões de profundidade, o método ainda em que compreende:

[0036] fornecer uma classificação de sítio geológico próximo corres- pondente a um sítio geológico próximo, a classificação de sítio geológico próximo compreendendo uma vertente geológica e uma probabilidade;

[0037] estabelecer uma classificação de sítio propagado para o sítio geológico de acordo com uma correlação entre o sítio geológico e o sítio geológico próximo;

[0038] em que a etapa de combinar as classificações de amostra pelo menos de acordo com a ponderação atribuída inclui combinar a classificação de sítio propagado.

[0039] A correlação pode ser escolhida por um usuário. Por exem- plo, onde a estrutura de acamamento é conhecida e a distância relativa entre o sítio geológico e o sítio próximo é conhecida, a correlação entre os estratos dos dois sítios é calculada e usada como correlação.

[0040] A correlação pode ser determinada com referência a pelo menos uma classificação de amostra do sítio geológico e pelo menos uma classificação de amostra do sítio geológico próximo.

[0041] Outro aspecto se estende a um sistema para atribuir uma ou mais classificações de sítio geológico a um sítio geológico, o sistema compreendendo: um sistema de entrada de dados disposto para receber da- dos pertencentes a uma pluralidade de análises de cada uma de uma pluralidade de amostras do sítio; o sistema compreendendo uma pluralidade de classificado- res de amostra, cada classificador de amostra correspondente a uma análise, cada classificador de amostra sendo disposto para: para a análise correspondente, fornecer uma ou mais classi- ficações de amostra, cada classificação de amostra compreendendo uma vertente geológica e uma probabilidade, e atribuir uma ponderação relativa a cada classificação de amostra; combinar as classificações de amostra para a pluralidade de análises de acordo com a ponderação atribuída; e atribuir uma ou mais classificações de sítio geológico de acordo com as classificações de amostra combinadas.

[0042] O sítio geológico pode ser um furo de sondagem.

[0043] Os dados recebidos podem pertencer às análises de cortes produzidos por perfuração de circulação reversa.

[0044] Os dados recebidos podem pertencer a uma pluralidade de análises escolhida do grupo de: detecção de raios faixa; perfilagem ge- ológica; e ensaio metalúrgico.

[0045] Classificações para a pluralidade de análises podem ser combinadas com classificações de modelo derivadas dos dados de mo- delo.

[0046] Um primeiro conjunto de uma pluralidade de classificações de amostra pode corresponder a uma primeira análise e a mesma pon- deração relativa pode ser atribuída a cada uma das classificações de amostra do primeiro conjunto.

[0047] O sistema pode ainda compreender um dispositivo de en- trada do usuário, em que a ponderação é atribuída por um usuário utili- zando o dispositivo de entrada do usuário.

[0048] O sistema pode ser adaptado para atribuir uma ponderação de acordo com as coordenadas de valor médio.

[0049] A ponderação pode ser atribuída de acordo com as coorde- nadas de valor médio de um ponto em um polígono, em que um o nú- mero de vértices do polígono corresponde a um número de análises.

[0050] O sistema pode ser adaptado para escolher uma ou mais das análises como análises ativas e o número de vértices do polígono pode corresponder a um número de análises ativas.

[0051] O sistema pode ser ainda adaptado para realizar uma clas- sificação da pluralidade de amostras em uma ou mais vertentes geoló- gicas, e em que cada classificação compreende classificar uma amostra de acordo com dados pertencentes a pelo menos uma análise e fornece um indicador de certeza com cada classificação.

[0052] Combinar as classificações de amostra correspondentes à pluralidade de análises de acordo com a ponderação atribuída produz uma classificação única cumulativa de amostra, a ponderação relativa sendo atribuída às probabilidades das classificações de amostra para fornecer uma probabilidade combinada para a classificação única cu- mulativa de amostra.

[0053] Classificar o sítio geológico pode combinar a classificação única cumulativas com uma ou mais restrições de sequência de ver- tente.

[0054] As restrições de sequência de vertente podem compreender uma representação de transições de vertente permitidas.

[0055] O sistema pode ainda compreender dividir o sítio geológico por profundidade de acordo com uma pluralidade de divisões de profun- didade, cada amostra tendo uma ou mais divisões de profundidade e, para cada divisão de profundidade, determinar uma probabilidade má- xima para uma vertente correspondente com referência à representação de transições de vertente permitidas. A probabilidade máxima pode ser um máximo local.

[0056] Determinar uma probabilidade máxima para uma vertente correspondente pode compreender adicionar recursivamente probabili- dades para divisões de profundidade próximas, em que uma probabili- dade de divisão de profundidade corresponde a uma pontuação forne- cido pelo classificador ponderado único.

[0057] As probabilidades para divisões de profundidade próximas podem ser recursivamente adicionadas de baixo para cima do sítio ge- ológico.

[0058] O sistema pode ainda compreender determinar uma soma cumulativa para cada divisão de profundidade, a soma cumulativa de uma divisão de profundidade escolhida sendo a soma de probabilidades da divisão de profundidade escolhida e todas as divisões de profundi- dade mais alta, em que uma probabilidade para uma faixa de divisões de profundidade compreende considerar uma diferença entre uma pro- babilidade cumulativa para uma divisão de profundidade em uma parte inferior da faixa e uma probabilidade cumulativa para uma divisão de profundidade em um topo da faixa.

[0059] Cada classificação de amostra pode ainda compreender uma espessura da vertente e atribuir a classificação de sítio geológico combina uma pluralidade de classificações únicas cumulativas de amostra com uma ou mais restrições da espessura da vertente.

[0060] O limitador de espessura da vertente pode compreender es- pessuras da vertente mínima e máxima para cada vertente.

[0061] Uma espessura de vertente mínima e máxima pode determi- nar um número de divisões de profundidade próximas considerado para a vertente.

[0062] O sistema pode ser ainda adaptado para sobrepor a restrição de espessura da vertente para uma ou mais vertentes.

[0063] O sistema pode ser adaptado para atribuir pelo menos uma vertente geológica manualmente a uma classificação de amostra.

[0064] O sistema pode ser adaptado para identificar uma falha. À vertente pode ser manualmente atribuída identificando uma falha.

[0065] O sistema pode ser ainda adaptado para dividir o sítio geo- lógico por profundidade de acordo com uma pluralidade de divisões de profundidade, cada amostra tendo uma ou mais divisões de profundi- dade, o sistema ainda adaptado para: fornecer uma classificação de sítio geológico próximo corres- pondente a um sítio geológico próximo, a classificação de sítio geológico próximo compreendendo uma vertente geológica e uma probabilidade; estabelecer uma classificação de sítio propagado para o sítio geológico de acordo com uma correlação entre o sítio geológico e o sítio geológico próximo; em que combinar as classificações de amostra pelo menos de acordo com a ponderação atribuída inclui combinar a classificação de sítio propagado.

[0066] A correlação pode ser escolhida por um usuário.

[0067] A correlação pode ser determinada com referência a pelo menos uma classificação de amostra do sítio geológico e pelo menos uma classificação de amostra do sítio geológico próximo.

[0068] Outro aspecto se estende a um sistema para atribuir uma ou mais classificações de sítio geológico a um sítio geológico, o sistema compreendendo um sistema de entrada de dados, um processador, uma tela e um sistema de entrada de usuário, em que o sistema de entrada de dados é disposto para receber da- dos pertencentes a uma pluralidade de análises de cada uma de uma pluralidade de amostras do sítio; o processador é disposto para estabelecer uma pluralidade de classificadores de amostra, cada classificador de amostra correspon- dente a uma análise, cada classificador de amostra sendo disposto para: para a análise correspondente, fornecer uma ou mais classi- ficações de amostra, cada classificação de amostra compreendendo uma vertente geológica e uma probabilidade; exibir, na tela, uma representação combinada de todas as classificações de amostra em que a representação combinada é cons- truída por atribuir uma ponderação relativa a cada classificação de amostra, a ponderação relativa sendo especificada por um usuário utili- zando o sistema de entrada de usuário; e em que o processador é configurado para exibir mudanças na representação combinada resultante das mudanças à ponderação devido à entrada do usuário.

[0069] A tela de uma classificação de amostra pode ser dependente de uma probabilidade correspondente. A representação combinada pode ser a classificação de sítio geológico. A classificação de sítio geo- lógico pode ser exibida na dependência de uma probabilidade corres- pondente. Uma probabilidade pode afetar a sombra na qual o estrato correspondente da amostra ou classificação geológica são exibidos.

[0070] O processo de levantamento geológico, tradicionalmente re- alizado por geólogos, envolveu a obtenção de amostras de um local de perfuração (por exemplo). Os resultados desta análise são combinados com o conhecimento e a experiência do geólogo, que provavelmente começou a ser encontrado em uma área específica, levando em consi- deração não apenas a geologia da área local, mas também formações abertas, como falhas.

[0071] Verificou-se que partes do processo são suscetíveis à aná- lise estatística realizada por um computador, mas outras partes não. Em particular, o uso de classificadores treinados (como na forma de redes neurais) pode ser bem adequado para produzir uma classificação de vertente para uma amostra onde dados de treinamento suficientes fo- ram fornecidos. No entanto, os computadores não são particularmente bons em decidir como combinar as saídas de diferentes classificadores. Verificou-se que isso é particularmente verdadeiro onde as saídas de classificadores computadorizados combinadas com dados de origem humana, como perfilagem geológica, perfilagem estratigráfico e mode- lagem geológica.

[0072] Em uma modalidade, a representação combinada ainda compreende classificações para a amostra derivada de uma ou mais de uma ou mais classificações do modelo derivado dos dados de modelo. O modelo pode incluir informação de superfície, informação histórica ou estratigrafia perfilada. Os dados de modelo podem ser fornecidos com um indicador de probabilidade selecionada. Os classificadores podem atribuir um indicador de probabilidade com a classificação.

[0073] Vários indicadores de probabilidade podem ser combinados em um indicador de probabilidade combinada. Foi observado que se as classificações são acompanhadas por um indicador de probabilidade e uma representação gráfica relativa do indicador de probabilidade com- binada é fornecida na representação combinada um usuário é capaz de intuitivamente entender o significado da representação combinada. A representação gráfica do indicador de probabilidade combinada pode ser sombreamento ou numérica. Em certas modalidades, uma repre- sentação sombreada tem a vantagem de ser mais facilmente compre- endida pelo usuário.

[0074] Em outras modalidades, o usuário é capaz de confiar em sua experiência e conhecimento local, identificando manualmente falhas ou outras características da vertente.

[0075] Em certas modalidades, a combinação de informações com- putadorizadas com o conhecimento local de um usuário significa que o sistema é amplamente aplicável. Não é necessário representar todas as permutações ao modelo estratigráfico que podem ser aplicadas, em vez disso, um breve levantamento manual pode ser combinado com a saída do classificador para um resultado mais confiável e preciso. Breve descrição dos desenhos

[0076] A Figura 1 é um fluxograma de um método de acordo com uma modalidade;

[0077] A Figura 2 é uma representação esquemática de um sistema de acordo com uma modalidade;

[0078] A Figura 3 é uma representação esquemática de uma porção de um sistema de acordo com uma modalidade;

[0079] A Figura 4 é uma representação esquemática de uma porção de um sistema de acordo com uma modalidade;

[0080] A Figura 5 ilustra unidades estratigráficas, subdivisões, e respostas gama para o Grupo Hamersley;

[0081] As Figuras 6A e 6B ilustram a saída do classificador de per- filagem Gama;

[0082] As Figuras 7A e 7B ilustram a saída do classificador de per- filagem geológica;

[0083] As Figuras 8A e 8B ilustram a saída do classificador de en- saio metalúrgico;

[0084] As Figuras 9A e 9B ilustram restrições de dados de modelo prévios;

[0085] As Figuras 10A e 10B ilustram os dados de estratigrafia per- filada;

[0086] A Figura 11 ilustra uma entrada do usuário;

[0087] As Figuras 12A e 12B ilustram uma saída do classificador cumulativo;

[0088] As Figuras 13A e 13B ilustram uma saída alternada do clas- sificador cumulativo;

[0089] As Figuras 14A, 14B e 14C ilustram dados de restrições de sequência de vertente;

[0090] A Figura 15 ilustra um exemplo de um processo para iterati- vamente aplicar dados de espessura da vertente;

[0091] As Figuras 16A e 16B ilustram uma classificação de vertente sobrepondo uma saída do classificador cumulativo;

[0092] As Figuras 17A e 17B ilustram a classificação de vertente das Figuras 16A e 16B com restrições manuais adicionadas;

[0093] A Figura 18 ilustra um exemplo de um processo para deter- minar a classificação de vertente ideal dos dados de classificador cumu- lativo de acordo com as restrições de sequência de vertente e as restri- ções da espessura da vertente;

[0094] A Figura 19 ilustra uma entrada do usuário similar à Figura 11 para outra modalidade;

[0095] A Figura 20 ilustra uma entrada do usuário para outra moda- lidade; e

[0096] A Figura 21 ilustra um procedimento para determinar uma correlação entre furos de perfuração próximos. Descrição detalhada

[0097] A Figura 1 é um fluxograma 10 de um método para classificar um sítio geológico de acordo com uma modalidade. A etapa inicial do fluxograma 10 é a etapa 12 onde um furo de sondagem foi perfurado utilizando perfuração de circulação reversa. As modalidades da inven- ção se aplicam especificamente à classificação de um sítio geológico que é um furo de sondagem, mas deve ser percebido que as modalida- des são igualmente aplicáveis a outros sítios geológicos.

[0098] As amostras obtidas por perfuração de circulação reversa são apenas uma das aplicações das modalidades. Na verdade, a ma- neira como as amostras foram obtidas não é relevante para as modali- dades, embora possa ser útil para certos aspectos ter informações de profundidade correspondentes para cada uma das amostras.

[0099] Durante o processo de perfuração do furo de sondagem, cor- tes são produzidos e, na seguinte etapa, a etapa 14 do fluxograma 10, as amostras desses cortes são obtidas a cada 2 m. A delineação de 2 m é uma divisão de profundidade padrão usada nas modalidades, mas outras divisões de profundidade podem ser usadas em outras modali- dades. Nas seguintes etapas 16, 18 e 20, as amostras são analisadas. Na etapa 16, as amostras são submetidas a um ensaio metalúrgico, na etapa 18 as amostras passam por um processo de perfilagem geológica e na etapa 20, as amostras são analisadas para determinar as emissões de raios gama. Essas análises são conhecidas e são descritas em mais detalhes abaixo.

[00100] Durante o processo de análise, um conjunto de dados cor- respondentes é produzido. Esses dados são então inseridos em um classificador correspondente a cada análise. Os dados para o ensaio metalúrgico 16 são classificados na etapa 22, os dados do perfilagem geológica 18 são classificados na etapa 24 e os dados da detecção de raios faixa 20 são classificados na etapa 26. Cada um dos classificado- res correspondentes para atribuir uma ou mais vertentes geológicas à localização correspondente à amostra. Além disso, cada classificador atribuirá uma probabilidade à classificação. Tais classificadores são co- nhecidos na técnica e pode, por exemplo, ser redes neurais. Cada clas- sificador foi pré-treinado com dados de amostra.

[00101] Na etapa 40, os dados do modelo podem ser incorporados ao método formando uma classificação de modelo 42 de acordo com os dados do modelo com um indicador de confiança correspondente. Os dados deste modelo podem ser derivados de observações de superfície ou de modelos históricos ou observação. Geralmente, o indicador de confiança atribuído correspondente será O ou 1, dependendo dos requi- sitos específicos. Nesta modalidade, o valor de O ou 1 para o indicador de confiança é distinto da representação numérica da confiança usada em algumas das Figuras. Na representação numérica usada nas figu- ras, a certeza absoluta corresponde a uma representação numérica de 10, enquanto a falta de confiança é representada como um quadrado em branco.

[00102] Paracada dado de modelo usado, uma classificação corres- pondente pode ser criada, então, por exemplo, se observações de su- perfície e dados históricos forem usados, duas classificações incluindo indicadores de confiança correspondentes serão criadas. Nesse caso, a classificação do modelo 42 pode representar duas ou mais classifica- ções.

[00103] Na etapa 28, as saídas dos classificadores 22, 24, 26 e 42 são combinadas por um classificador cumulativo durante essa etapa de classificação cumulativa para produzir uma ou mais classificações de vertente para cada amostra, com indicadores de probabilidade corres- pondentes para a classificação de vertente.

[00104] A maneira pela qual o classificador cumulativo combina as saídas dos respectivos classificadores de amostra (na etapa 28) é influ- enciada pela entrada do usuário. Nesta modalidade, um usuário deter- mina os pesos na etapa 30 a serem aplicados às saídas de cada um dos classificadores constituintes (das etapas 22, 24 e 26) para produzir a classificação cumulativa.

[00105] Em outra modalidade, descrita abaixo, dados de furo pró- ximo 44 podem adicionalmente ser combinados com as saídas dos res- pectivos classificadores de amostra na etapa 28.

[00106] Na seguinte etapa, a etapa 32, a saída da etapa de classifi- cação cumulativa é ainda restrita comparando com as restrições de se- quência de vertente. Isso envolve armazenar as sequências de vertente mais prováveis (em outras palavras que vertentes geológicas devem ser encontradas adjacentes entre si) para a localização particular onde o furo de sondagem foi perfurado.

[00107] Na etapa seguinte, etapa 34, são aplicadas informações re- lacionadas às espessuras esperadas das vertentes. Semelhante à etapa 32, isso envolve a aplicação de informações relativas à localiza- ção específica do furo de sondagem e fornecer uma faixa (expressa como um máximo e mínimo) para as espessuras esperadas de cada uma das vertentes.

[00108] Finalmente, na etapa 36, um usuário pode inserir informa- ções manuais para otimizar o processo de classificação. Por exemplo, isso pode incluir informações relacionadas a falhas observadas ou re- petição de sequência. Isso também pode incluir uma vertente conhecido em uma profundidade particular. Deve ser realizado, no entanto, esta é uma etapa opcional em certas modalidades. Além disso, deve-se per- ceber que a etapa de entrada do usuário não precisa ocorrer na sequên- cia ilustrada na Figura 1. Em modalidades alternativas, a entrada do usuário pode ocorrer após qualquer uma das etapas 28, 32 ou 34, ou após uma etapa de classificação inicial, que é então seguido por uma etapa de reclassificação.

[00109] A Figura2 ilustra um sistema para classificar um sítio geoló- gico 50 de acordo com uma modalidade da invenção. O sistema 50 é adaptado para realizar o método do fluxo de trabalho 10 ilustrado na Figura 1. O sistema 50 compreende entrada de dados 52 pela qual da- dos externos são inseridos em um dispositivo de processamento 54. O dispositivo de processamento 54 compreende um processador 56 co- nectado a um armazenamento de dados 60. Dados que são inseridos através da entrada de dados 52 são processados pelo processador 56 e armazenados no armazenamento de dados 60.

[00110] O processador 56 inclui classificadores 58 e um ou mais dis- positivos de entrada do usuário 62 são conectados ao dispositivo de processamento 54 para aceitar a entrada do usuário.

[00111] Deve ser percebido que o sistema 50 da Figura 2 é apresen- tado de forma simplificada com recursos omitidos para facilitar a classi- ficação. Por exemplo, o dispositivo de processamento 54 geralmente também será conectado a um dispositivo de exibição e outros dispositi- vos de saída para apresentar informações ao usuário, como uma clas- sificação determinada e o resultado da entrada do usuário.

[00112] A Figura 3 ilustra os classificadores 58 em mais detalhes. O processador 56 inclui um número de classificadores que agem para classificar os resultados da amostra análises conforme descrito acima. Os classificadores 58 nesta modalidade incluem classificador de ensaio metalúrgico 70, classificador de perfilagem geológica 72 e classificador de perfilagem gama 74, todos os quais que emitem classificações que são combinadas pelo classificador cumulativo 76.

[00113] O armazenamento de dados 60 é mostrado em mais deta- lhes na Figura 4. O armazenamento de dados 60 inclui dados de treina- mento 82 usados no treinamento dos classificadores 58 (Figura 3) e os dados de amostra, compreendendo os dados brutos das várias análises das amostras. Os dados 60 ainda incluem dados de estratigrafia perfi- lada 86. Os dados de estratigrafia 88 compreendem os dados usados pelo classificador de perfilagem geológica 72, conforme descrito em mais detalhes abaixo. Os dados de restrições de sequência de vertente 88 e os dados de restrições de espessura da vertente 90 ainda formam parte dos dados 60 ilustrados na Figura 4. Os dados de modelo 92 usa- dos na etapa 40 são ainda armazenados como parte dos dados 60.

[00114] A Figura 5 é uma ilustração das unidades estratigráficas,

subdivisões e respostas de detecção de raios gama para o Grupo Ha- mersley. Isso é fornecido realmente a título de exemplo para mostrar que se os vertentes em um furo de sondagem podem ser identificados com precisão, essa informação pode ser extrapolada para informar ou- tras decisões de exploração.

[00115] Nas modalidades, o processo de "classificação" é usado para denotar o processo pelo qual uma estimativa é feita de onde as amostras obtidas de um furo de sondagem podem estar dentro das clas- sificações geológicas conhecidas. Deve-se perceber que isso envolve a acumulação de amostras retiradas de diferentes vertentes em diferentes locais e pode se aplicar a furos de profundidades e extensões significa- tivamente diferentes. Portanto, o resultado da "classificação" de moda- lidades não resulta necessariamente na classificação de uma amostra particular como pertencente a uma vertente geológica específica, mas é mais provável que resulte na identificação de uma série de vertentes sobrepostas através das quais o furo de sondagem passou com um as- sociado probabilidade para cada vertente. Classificador de perfilagem gama

[00116] Na etapa 26, onde as saídas da detecção de raios gama (etapa 20) são classificadas, são utilizadas redes neurais convolucio- nais (ConvNets). No exemplo ilustrado específico, os ConvNets usados para o algoritmo de classificação gama levam 161 entradas, cobrindo um intervalo de 16 m com um espaçamento de 10 cm entre as amostras. Três redes foram treinadas: uma com classes de saída correspondendo a 13 assinaturas de folhelho na Formação Brockman (mais uma classe adicional englobando toras gama não reconhecidas), uma com classes correspondendo a 6 assinaturas de folhelho na Formação Marra Mamba (mais uma não reconhecida classe), e um terceiro com classes combi- nadas de Brockman/Marra Mamba.

[00117] O ConvNetcompreende várias camadas convolucionais e de agrupamento, com unidades lineares retificadas seguindo cada camada convolucional. Os filtros na primeira camada convolucional operam com mais de 20 amostras dos dados de entrada do sinal gama de 161 amos- tras, seguido por uma operação de agrupamento. Uma segunda convo- lução com mais de 50 amostras é então realizada, seguida por outra operação de agrupamento. Duas outras convoluções são então realiza- das: primeiro usando um filtro de tamanho 85 e, em seguida, um filtro de tamanho espacial 1 que opera em canais de profundidade para re- duzir a dimensionalidade dos dados. Uma função softmax pega a saída de convolução final e produz o valor de probabilidade para cada uma das saídas do ConvNet, cada saída representando uma assinatura gama desejada, com a soma das saídas igual a 1. Valores de passo de 1 foram usados para cada convolução.

[00118] Conforme mencionado precedentemente, na etapa inicial cada um dos classificadores é treinado. O classificador gama log 74 compreendendo ConvNets foram treinados via retropropagação usando o pacote MatConvNet, usando um tamanho de lote de 40, com conver- gência ocorrendo em 500 épocas. Durante o treinamento, uma camada de eliminação foi inserida após a segunda camada de agrupamento. Uma camada de dropout remove conexões aleatórias na rede durante o treinamento, a fim de evitar a coadaptação de recursos e prevenir so- breajuste, melhorando assim a robustez do ConvNet resultante. A ca- mada de dropout foi removida no ConvNet implantado, de acordo com a prática padrão. Mais de 2.500 instâncias de assinaturas gama classi- ficadas manualmente como 19 assinaturas de xisto diferentes foram usadas para treinar os ConvNets. O centro de cada amostra foi locali- zado no centro do pico da resposta gama. Onde uma resposta tripla foi observada, o centro do pico central foi usado. Onde uma resposta dupla foi observada (por exemplo, devido à assinatura sendo distorcida ou a frequência de amostragem causando), o centro do maior pico foi usado.

Cada uma dessas assinaturas teve jitter aplicado deslocando a amostra para cima ou para baixo em uma amostra (10 cm). A classe não reco- nhecida foi treinada em mais de 10.000 janelas adicionais de logs gama que não continham nenhuma dessas assinaturas específicas.

[00119] O perfilagem gama é processado usando uma janela desli- zante. Como o classificador de perfilagem gama 74 leva 161 observa- ções como entradas, e o perfilagem gama é perfilado em intervalos de cm, a janela deslizante cobre 16 m do furo. As saídas de classifica- ção correspondem à profundidade no ponto médio da janela deslizante. Para compatibilidade com outros dados de perfilagem que são perfila- dos em intervalos de 2 m, as saídas de classificação gama para uma vertente são somadas em cada intervalo de 2 m, e um valor máximo de 1,0 aplicado. Assim, a saída final do classificador gama é um conjunto de valores S para cada intervalo de 2 m no furo, onde S é o número de vertentes, e há N intervalos. Por conveniência, esses valores são arma- zenados em uma matriz NxS.

[00120] Uma saída para um furo de exemplo é mostrada na Figura 6A, onde os picos no perfilagem gama são marcados por valores escu- ros (pretos) na saída do classificador em torno da profundidade de cada pico. Observe que algumas respostas podem ser mostradas em várias vertentes para alguns picos gama, devido à semelhança nas caracterís- ticas dos picos. As saídas de outros classificadores para o mesmo furo de exemplo são mostradas nas seções a seguir e são usadas para res- tringir a classificação final.

[00121] Usar um sombreamento ou cor para representar a saída do classificador tem a vantagem de tornar a saída fácil de analisar por um usuário. No entanto, em outras aplicações, pode ser desejável repre- sentar a saída numericamente. Em certas modalidades, as saídas do classificador são divididas em 10 gradações (excluindo a saída 0) e atri- buídas um valor numérico entre 1 e 10. A Figura 6B mostra a mesma saída ilustrada na Figura 6A, mas com uma representação numérica para a probabilidade de saída do classificador em que 10 é o mais certo e 1 o menos certo. Perfilagem geológica

[00122] O classificador de perfilagem geológica 72 é usado para es- timar as probabilidades de vertente a partir dos dados de estratigrafia perfilados 86. O perfilagem resume a composição para o intervalo em termos de tipos de materiais, conforme perfilado por um geólogo na pla- taforma de perfuração a partir das amostras trazidas à superfície em 2 intervalos de m. Nesta modalidade, um divisor de cone rotativo foi usado para dividir os chips em amostras igualmente distribuídas. Uma compo- sição perfilada para um intervalo de 2 m foi perfilada a partir de chips de uma primeira amostra desse intervalo. Os fragmentos foram perfilados pegando um copo de material da pasta, passando-o por uma peneira e estimando (1) as porcentagens de vários tipos de materiais presentes na peneira (geralmente em incrementos de 5%), (2) a cor da amostra, (3) a forma dos chips e (4) a porcentagem recuperada.

[00123] Existem muitos esquemas conhecidos de acordo com os quais os dados de amostra podem ser perfilados. Neste exemplo, foi feito uso do Esquema de Classificação de Tipo de Material, que foi de- senvolvido para padronizar características primárias, como mineralogia e textura, de maneira hierárquica. Ele modela atributos físicos e quími- cos para prever o comportamento metalúrgico e a qualidade do produto para o processamento ideal do minério. Cada tipo de material tem en- saio teórico, dureza e divisões finas correspondentes a partículas maio- res ou menores do que 6,3 mm, com diferenças geoquímicas fixas cor- respondentes, permitindo assim a estimativa a jusante de um valor de ensaio teórico, bem como divisões finas e características de manuseio de um corpo de minério. Os tipos de materiais foram definidos para se- rem identificáveis em escalas que variam de microscópico (bloco polido)

a macroscópico (chips, espécime de mão e escalas de rosto). Essas propriedades físicas qualitativas permanecem consistentes de local para local, embora possam ocorrer pequenas alterações na geoquímica e nas propriedades físicas, como o percentual fixo. Alguns tipos de ma- teriais selecionados estão listados na Tabela 1. Tabela 1. Tipos de materiais selecionados utilizados no perfilagem ge- ológica.

Mineralogia dominante Goethita Goethia terrestre Goethita Ochreous Goethita vítrea Mineralogia de goethita hematita Hematita de microplaca + martita (friável) Hematita de microplaca + martita (dura) Hematita de microplaca + martita (médio) Mineralogia dominante de hematita Martita-ocreo-goethita + goethita Martita + microplaca hematita + goethita Goethita Martita-vítrea + goethita Códigos de litologia de resíduos selecionados Formação de ferro em faixas (resíduo)

[00124] A precisão do perfilagem pode ser melhorada se o perfila- gem for submetido a uma validação. Uma segunda amostra de cada intervalo de 2 m foi enviada para análise de ensaio de XRF de laborató- rio, para medir Fe, SiO2, AI203, P, S, Mn, MgO, TiO2, CaoO, Total LOI, LOI425 (tipicamente indicando água ligada à goethita) e LOI650 (nor- malmente indicando água associada à caulinita) medições. Os valores totais de Fe e Mn foram relatados em vez de seus óxidos devido aos diferentes níveis de oxidação possíveis. Além disso, o uso de Fe total forneceu consistência com unidades de Fe usadas em outras partes da estimativa de recursos. Ao receber os dados do ensaio, um processo de validação foi realizado por meio do qual alterações geologicamente in- formadas na composição do tipo de material perfilado são feitas de modo que a química teórica da composição perfilada corresponda aos ensaios laboratoriais retornados, enquanto retém as propriedades físi- cas perfiladas. Embora a análise de XRF tenha sido usada neste caso para validar a perfilagem, deve-se perceber que outros métodos podem ser usados em vez disso (por exemplo, análise de matriz química).

[00125] É importante ressaltar que alguns tipos de materiais forne- cem contexto geológico, enquanto alguns tipos de materiais podem ser quimicamente semelhantes, sua presença pode ser usada para deter- minar a estratigrafia, como detritais vs estratos estratificados. Além disso, a porcentagem perfilada de cada tipo pode ser útil, por exemplo, o tipo de xisto, em média, tem porcentagens mais baixas de extração por intervalo em vertentes estratificados mineralizados, em comparação com vertentes de xisto. No presente documento, as porcentagens são perfiladas junto com a classificação.

[00126] Assim, a perfilagem geológica é usada como base para a classificação de vertentes e, portanto, a classificação de furos de son- dagem. O classificador de registro geológico 72 (Figura 3) classifica as probabilidades de vertente de perfilagem geológica, também usando uma estrutura de rede neural. Há uma entrada por tipo de material, com as porcentagens perfiladas usadas como entradas. Três camadas de filtragem são executadas, implementadas como convoluções, mas como o tamanho do filtro é igual ao número de tipos de materiais, sua implementação é conceitualmente aplicar um filtro ao perfil de tipo de material, em vez de convolução usando uma janela deslizante. Além disso, nenhuma etapa de agrupamento é realizada nesta modalidade. As três camadas de filtro são seguidas por uma função softmax, com o número de saídas igual ao número de vertentes, S.

[00127] O treinamento foi realizado no MatConvNet, com uma ca- mada de dropout inserida apenas para treinamento, após a segunda camada de filtragem. Para o exemplo específico ilustrado, três classifi- cadores foram treinados: um para a Formação Brockman, para a qual mais de 100.000 intervalos foram usados para treinamento; um para a Formação Marra Mamba, para o qual foram usados 100.000 intervalos diferentes para o treinamento; e um classificador combinado Brock- man/Marra-Mamba, treinado na união dos dados de treinamento.

[00128] Executar o classificador em um intervalo fornece S saídas; os resultados de executá-lo em cada um dos N intervalos em um furo podem ser armazenados em uma matriz NxS de valores de probabili- dade. Os valores para o furo de exemplo são mostrados na Figura 7A. Observe que, embora as saídas do classificador sejam semelhantes para os vertentes dentro de cada membro mineralizado, ou seja, J1-J6 são semelhantes e DG1-DG3 são semelhantes, o classificador delineou claramente esses vertentes dos detritais e unidades de xisto.

[00129] A Figura7B mostra a mesma saída ilustrada na Figura 7A, mas com uma representação numérica para a probabilidade do classifi- cador geológico onde 10 é o mais certo e 1 é o menos certo. Ensaio metalúrgico

[00130] Os dados do ensaio são inseridos no classificador de ensaio metalúrgico 70 para estimar os valores de probabilidade de vertente para cada intervalo. Em certas modalidades, um requisito era usar um classificador suave de modo que várias vertentes possam ter saídas de classificador com níveis relativamente altos de certeza para sua classi- ficação correspondente. Por exemplo, a mineralização de alto grau não se restringe a uma única vertente. Portanto, outro ConvNet foi usado para classificar os dados do ensaio. Embora os valores de ensaio teóri- cos possam ser estimados a partir do registro de tipo de material, dife- rentes combinações de tipo de material podem representar os mesmos valores de ensaio. Além disso, o uso de ensaios pode ser útil quando o tipo de registro de material não está disponível ou quando esquemas de registro de histórico são usados contendo tipos de materiais nos quais o classificador de registro não foi treinado. Assim, os ensaios são usa- dos diretamente para classificar as vertentes neste classificador.

[00131] O classificador de ensaio metalúrgico 70 tem um design se- melhante ao classificador de perfilagem geológica 72, mapeando dados de ensaio para probabilidades de vertente. Há uma entrada por ele- mento de ensaio, com as porcentagens de ensaio usadas como entra- das. Três camadas de filtragem são realizadas, implementadas como convoluções, mas como o tamanho do filtro é igual ao número de tipos de materiais, sua implementação é conceitualmente aplicar um filtro aos dados do ensaio, em vez de convolução em janela. Além disso, nenhum agrupamento é executado. As três camadas de filtro são seguidas por uma função softmax, com o número de saídas igual ao número de ver- tentes, S.

[00132] O treinamento foi realizado no MatConvNet, com uma ca- mada de dropout inserida apenas para treinamento, após a segunda camada de filtragem. Neste exemplo específico, três classificadores fo- ram treinados: um para a Formação Brockman, para a qual mais de

70.000 intervalos foram usados para treinamento; um para a Formação Marra Mamba, para o qual foram usados 100.000 intervalos diferentes para o treinamento; e um classificador combinado Brockman/Marra- Mamba, treinado na união dos dados de treinamento.

[00133] Executaro classificador para um intervalo fornece S saídas; os resultados de executá-lo em cada um dos N intervalos em um furo podem ser armazenados em uma matriz NxS de valores de probabilidade. As sa- ídas do classificador de ensaio para o furo de exemplo são mostradas na Figura 8, que demonstra que o classificador distingue entre as uni- dades mineralizadas estratificadas e unidades dominadas por xisto. Modelos de Geologia Histórica, Limite e Superficial

[00134] Uma quarta entrada (dados de modelo 40) utiliza os dados geológicos existentes, como mapeamento e modelos para a área. Um mapa de geologia de superfície, registrando observações de afloramentos geológicos, pode ser usado para restringir a classificação a uma vertente específica para o primeiro intervalo. O mapa geológico não pode registrar a unidade de afloramento ao nível de vertente, por exemplo, a área pode ser identificada apenas como o Membro Joffre, ao invés de um de seus vertentes componentes, neste caso, o primeiro intervalo pode ser res- trito a qualquer vertente dentro do membro Joffre, ou seja, J1 a J6.

[00135] “Onde um modelo geológico precedente da área existe, por exemplo, conforme modelado a partir de furos de sondagem mais es- parsamente espaçados de exploração precedente, ele pode ser usado como outra sugestão para classificar o furo de sondagem. A orientação do furo de sondagem (ou seja, o desvio da vertical) é rotineiramente pesquisada durante a perfuração e perfilagem, e isso pode ser usado para projetar o furo de sondagem no modelo e as interseções do furo de sondagem com unidades geológicas modeladas determinadas. A matriz de probabilidade do modelo histórico pode então ser preenchida com valores de 1,0 para a vertente apropriada para cada profundidade interceptada no furo de sondagem e valores com O caso contrário. De forma semelhante à restrição de geologia de superfície, onde a geologia é modelada como membros em vez de suas vertentes componentes, valores de 1,0 podem ser atribuídos a cada vertente componente para esse intervalo. A matriz de probabilidade resultante para o furo de exem- plo é mostrada na Figura 9A. Observe que há alguma sobreposição nas saídas do classificador para intervalos sucessivos, por exemplo, o limite entre J3 e J4 a 30m, para permitir que o limite seja marcado no intervalo acima, ou no intervalo abaixo, a profundidade onde o limite é calculado para cruzar o furo.

[00136] A Figura 9B mostra a mesma saída ilustrada na Figura 9A, mas com uma representação numérica para a probabilidade da saída do modelo onde 10 é o mais certo e 1 é o menos certo.

[00137] É importante na etapa de ponderação seguinte que a este componente não seja atribuída uma ponderação total, a fim de evitar que a classificação seja casada exclusivamente com o modelo exis- tente, caso em que não há benefício em classificar o furo de sondagem. Estratigrafia perfilada

[00138] Outros dados de modelo 92 que podem ser usados como uma classificação de modelo separada 42 são a estratigrafia perfilada para o intervalo. Enquanto o furo está sendo perfurado, o geólogo ob- serva o membro perfurado a cada intervalo de 2 m. Isso é comumente estimado a partir de mudanças na cor e textura dos chips RC recupera- dos e outras observações geológicas. Para esta entrada, a estratigrafia perfilada é recuperada para cada intervalo, e todas as vertentes desse membro são atribuídas a um valor de 1,0. A estratigrafia perfilada pode identificar apenas um membro, em vez de sua vertente componente, caso em que os valores são atribuídos a todas as vertentes componentes, como com os dados de geologia de superfície, e conforme mostrado na Figura 10A. A Figura 10B mostra a mesma saída ilustrada na Figura 10A, mas com uma representação numérica para a probabilidade da saída estrati- gráfica perfilada, onde 10 é o mais certo e 1 é o menos certo. Ponderação de Classificações

[00139] Na etapa 28, a classificação de vertente é produzida combi- nando as saídas do classificador de perfilagem gama 74, classificador de perfilagem geológica 72 e classificador de matriz 70 ponderando e somando eles, e combinando-os com qualquer classificação de modelo 42 para produzir uma única saída de classificador que é usada na clas- sificação geológica final.

[00140] “Nesta modalidade, os respectivos pesos para a combinação são especificados pelo usuário interativamente usando um polígono de ponderação. Cada classificador individual e as classificações do modelo são representados por um vértice do polígono. Os pesos são aplicados aos classificadores individuais posicionando um cursor dentro do polí- gono. Inicialmente, cada componente é igualmente ponderado colo- cando o cursor no centro do polígono, conforme mostrado na Figura 11. A Figura 12A mostra o resultado da ponderação igual dos classificado- res mostrados nas Figuras GA e 6B a 10A e 10B. A Figura 12B mostra a mesma saída ilustrada na Figura 12A, mas com uma representação numérica para a probabilidade em que 10 é o mais certo e 1 é o menos certo.

[00141] —Colocaro cursor diretamente sobre um vértice define a única saída do classificador correspondente ou classificação do modelo igual à saída do classificador individual ou classificação do modelo corres- pondente a esse vértice. Colocar o cursor na aresta que une dois vérti- ces poligonais ajusta linearmente os pesos dos classificadores/classifi- cações de componentes correspondentes de acordo com a distância dos vértices. A Figura 13A ilustra o resultado do uso apenas dos classi- ficadores de ensaio e registro. Colocar o cursor em outro lugar dentro do polígono pondera cada classificador individual de acordo com a dis- tância do cursor a cada vértice. Nesta modalidade, as coordenadas do valor médio são usadas, mas outro cálculo de ponderação pode ser usado em seu lugar. Além disso, classificadores individuais ou classifi- cações de modelo podem ser ativados ou desativados, e a ordem dos vértices pode ser alterada para permitir que diferentes pares sejam pon-

derados preferencialmente. A Figura 13B mostra a mesma saída ilus- trada na Figura 13A, mas com uma representação numérica para o in- dicador de probabilidade combinado do classificador cumulativo onde é o mais certo e 1 é o menos certo. Os valores de certeza atribuídos às amostras nas Figuras 13A e 13B são valores de certeza combinados determinados a partir das saídas do classificador e das ponderações escolhidas.

[00142] Cada um dos quadrados nas Figuras 12A a 13B é uma re- presentação de probabilidade combinada obtida combinando as proba- bilidades das classificações de constituintes e, em seguida, normali- zando isso para a escala escolhida. Classificação de sequência de vertente

[00143] A classificação cumulativa (etapa 28) tem as restrições de sequência de vertente (etapa 34) aplicadas.

[00144] Embora a sequência estratigráfica mostrada na Figura 5 ilus- tre a ordem deposicional, os processos geológicos, como falha e dobra- mento, causam mudanças locais na sequência. Além disso, existe um dolerite que não é mostrado na sequência. Portanto, ao classificar a se- quência, nem sempre se pode presumir que os vertentes aparecem em uma ordem fixa. A falha pode resultar em seções da sequência sendo repetidas ou perdidas, enquanto a reversão pode fazer com que a se- quência seja invertida. Durante a classificação, se o dique dolerito for observado, a classificação registra a mesma vertente em ambos os la- dos do dique.

[00145] Além das restrições de sequência, cada vertente tem uma faixa de espessura estimada a partir de medições geológicas. No en- tanto, a perfuração para baixo (o ângulo do furo de sondagem para longe da vertical) pode fazer com que a espessura aparente de uma vertente aumente significativamente.

[00146] Para classificar a geologia de forma otimizada de acordo com as restrições de sequência e espessuras aparentes das vertentes, pode-se considerar o uso de abordagens de programação dinâmica tra- dicional ou métodos de alinhamento de sequência, como sincronização de tempo dinâmica, no entanto, esses algoritmos não permitem lacunas, repetições ou reversões na sequência correspondentes aos processos geológicos acima mencionados. Considerando que o problema pode ser reformulado como um problema de programação de número inteiro, in- cluindo um grande número de restrições de transição de vertentes, res- trições de espessura de vertentes (por meio de somas sobre colunas) e uma atribuição de vertente por intervalo (por meio de somas entre |i- nhas), era muito lento na prática.

[00147] As modalidades podem ser capazes de lidar com inúmeras restrições, incluindo espessuras mínimas e máximas dos vertentes, res- trições de sequência estratigráfica, incluindo variações na sequência devido a falhas e dobramento; a presença de detritais sobrepondo-se a qualquer membro estratificado e outros ajustes manuais para restringir a classificação a uma vertente específico em uma profundidade especí- fica. O uso de recursão e armazenamento em cache de resultados de subclassificações (classificações de furos parciais) pode resultar em maior eficiência. Este aspecto das modalidades pode ser executado em tempo real, potencialmente permitindo a edição interativa de restrições manuais extras para ajustar a classificação.

[00148] O algoritmo usa três entradas. Em primeiro lugar, a matriz de pontuações de probabilidade ponderada, em que as linhas da matriz correspondem a intervalos dentro do furo, e cada coluna representa uma vertente, exemplos dos quais são mostrados nas Figuras 12A a 13B (correspondendo à saída do classificador cumulativo 76 tomando qualquer classificações do modelo em consideração, ou seja, o resul- tado da etapa 28).

[00149] “Uma segunda entrada compreende os dados de restrição de sequência de vertente 88. Nesta modalidade, esta é uma matriz qua- drada que determina quais vertentes podem se sobrepor a quais outras vertentes na classificação resultante. Uma entrada no elemento (i, j) da matriz especifica se a classificação pode especificar que a vertente i se sobrepõe à vertente j. A matriz pode ser inicializada a partir da sequên- cia estratigráfica inalterada conhecida, de um modelo geológico exis- tente da área contendo falhas e dobras ou de outra forma fornecida pelo usuário.

[00150] Um exemplo de uma sequência estratigráfica inalterada é mostrado na Figura 14A. Observe que esta sequência permite que os detritais se sobreponham a qualquer vertente estratificada, mas as ver- tentes estratificadas só podem se sobrepor à próxima vertente estratifi- cada na sequência. A presença de elementos na diagonal indica que, para qualquer intervalo, o próximo intervalo também pode estar na mesma vertente. O usuário pode limitar a gama de vertentes de acordo com o conhecimento local ou com referência a outros dados. No exem- plo mostrado, o intervalo é limitado nas restrições apenas à Formação Brockman, conforme ilustrado, apenas à Formação Marra Mamba ou uma combinação das duas.

[00151] NaFigura 14B, uma falha é ilustrada, por meio da qual a ver- tente DG3 é conhecida por se sobrepor ao membro WS1, que aparece mais alto na estratigrafia. Assim, a classificação pode conter a vertente WS1 sendo sobreposta pela vertente WS2 (como normalmente é o caso) ou pelo membro DG3. O membro DG3 só pode se sobrepor ao membro DG2. Na Figura 14C, uma coluna de valores indica que um dique de dolerito (denotado DOR) está presente e pode cortar qualquer filamento, exceto para detritais. Este conjunto de restrições especifica que a classificação pode passar de uma vertente estratificada para o dique e, em seguida, de volta para qualquer vertente estratificada. Uma vez que o dique corta transversalmente a cama e a largura do dique

(horizontal) é pequena em relação à espessura da vertente (vertical), uma restrição adicional é usada para que a vertente classificada abaixo do dique deve corresponder à vertente classificada acima do dique, pre- servando assim o sequência de vertentes se o dique for ignorado.

[00152] O resultado pode ser ainda mais limitado pela espessura da vertente (etapa 34), que contém os valores mínimo e máximo de espes- sura aparente (90) para cada vertente. Cada vertente tem uma faixa de espessura bem definida, embora isso possa ser substituído se o modelo geológico existente para a área localmente tiver valores mais grossos ou mais finos. A unidade detritais é tratada como um caso especial, para o qual nenhuma profundidade máxima é aplicada.

[00153] O algoritmo de otimização opera de maneira recursiva. Co- meçando no primeiro intervalo do furo, cada valor de espessura permi- tido é testado para aquele vertente. Os valores de espessura são testa- dos em incrementos de 2 m correspondentes ao tamanho do intervalo de registro de dados do furo de sondagem. A partir do ponto de partida da vertente e da espessura proposta, os limites de profundidade pro- postos (extensões de profundidade superior e inferior) da vertente den- tro do furo são definidos. Em seguida, a soma das pontuações de pro- babilidade ponderada para essa vertente dentro dos limites de profun- didade propostos são calculados a partir da matriz de pontuação de pro- babilidade ponderada, representando a correspondência para a classi- ficação para os limites selecionados para a vertente selecionada. Esta soma é adicionada à pontuação da subclassificação com a própria soma mais alta, calculada em uma etapa recursiva usando este método.

[00154] Uma subclassificação é calculada começando em uma ver- tente subjacente a partir do intervalo após a extensão da profundidade do fundo da vertente processada. As vertentes subjacentes são proces- sadas iterativamente e selecionadas de acordo com as restrições de sequência da vertente. A melhor subclassificação é definida como a subclassificação com a pontuação mais alta, ou seja, a maior soma das pontuações de probabilidade ponderada para os limites de profundidade selecionados da vertente mais profunda e sua própria subclassificação. Assim, a classificação resultante tem a maior soma de pontuações de verossimilhança ponderada que satisfaça as restrições fornecidas.

[00155] A Figura 18 ilustra o processo iterativo. Na etapa inicial 102, a vertente inicial S é selecionada e na etapa seguinte, a etapa 104, a melhor pontuação é definida como O. Na etapa 106, um valor de espes- sura mínimo para a vertente atual S é selecionado com base nos dados de espessura da vertente fornecidos. Na etapa seguinte, etapa 108, é feita uma comparação entre a espessura selecionada e a espessura máxima fornecida para a vertente S. Se os resultados da comparação 108 forem "não", o processo segue para a etapa 110, onde a classifica- ção corresponde ao "caminho" através das vertentes com melhores pontuações correspondentes.

[00156] Se,no entanto, o resultado da comparação na etapa 108 for "sim", o processo prosseguirá para a etapa 114, onde a soma das pon- tuações de probabilidade ponderada para a vertente S selecionada é calculada. A título de ilustração, esta soma é designada como valor À nesta Figura. Na etapa seguinte, etapa 116, a próxima vertente seguinte é selecionada de acordo com os dados de sequência fornecidos.

[00157] Naetapa118,a melhor pontuação (no presente documento designada B) e o "caminho" para a próxima vertente selecionada são calculados. Na etapa seguinte 122, a decisão é feita quanto a se existem vertentes seguintes adicionais de acordo com a sequência permitida. Se houver, o processo segue para a etapa 124, onde a próxima vertente é selecionada e, em seguida, a etapa 118 é repetida para a vertente se- lecionada.

[00158] Se,na etapa 122, for determinado que não há vertentes per-

mitidas, o processo prossegue para a comparação 126, onde é determi- nado se A mais o valor máximo de B é maior do que a melhor pontuação. Se o resultado dessa comparação for “sim”, o processo prossegue para a etapa 128, onde a melhor pontuação é atualizada como A + máx (B). Na etapa seguinte 130, os valores de espessura são aumentados incre- mentalmente (em 2 m nesta modalidade) e o processo retornará à etapa

108. Se, na etapa de comparação 126, for determinado que A + máx (B) é menor que ou igual ao melhor valor de pontuação atual, o processo prosseguirá diretamente para a etapa 130, sem atualizar o melhor valor de pontuação atual.

[00159] Os diques Dolerite são tratados como um caso especial. Conforme discutido precedentemente, a classificação da vertente abaixo do dique deve corresponder à classificação da vertente acima do dique, na suposição de que o dique não se intromete entre as vertentes. Portanto, depois de classificar o dique, as restrições da vertente de um dique são temporariamente limitadas para permitir a subclassificação abaixo do dique para começar apenas a partir da classificação da ver- tente acima do dique.

[00160] Em uma modalidade, que pode melhorar a velocidade do al- goritmo, um cache pode ser criado com as mesmas dimensões que a matriz de pontuação de probabilidade, armazenando a melhor subclas- sificação de uma dada posição de vertente/profundidade. O cache ar- mazena a melhor classificação feita a partir dessa classificação de in- tervalo/vertente, ou seja, a espessura de vertente atribuída e a próxima vertente para a qual se mover na sequência (respeitando as restrições de sequência). Em uma diferença fundamental entre este e os algorit- mos de programação dinâmica tradicionais, onde a espessura da ver- tente atribuída t é maior que 1, o que quase sempre é o caso, a solução ideal não está na linha seguinte do cache, mas mais abaixo na matriz.

[00161] Conforme o algoritmo começa no topo de cada coluna e de- termina a melhor solução, o cache é preenchido recursivamente. Recu- perar a melhor subclassificação do cache melhora muito a eficiência do algoritmo de otimização. Observe que uma vez que a classificação abaixo do dique de dolerito é dependente da vertente classificada ime- diatamente antes do dique, as melhores subclassificações após o dique não são consistentes e, portanto, o cache não pode ser usado para ar- mazenar as melhores subclassificações começando com a classificação do dique. Tabela 1: Exemplo de saídas do classificador ponderado. | tom | 00 | 005 | o66 | o31 | | | ws | pe | Ds | DG |

[00162] O conteúdo do cache é mostrado na Figura 15. Cada célula mostra: o melhor número de intervalos para selecionar daquela célula para baixo naquela vertente; a soma dos valores dessa vertente para o número especificado de intervalos de acordo com a Tabela 2; a soma cumulativa da melhor subclassificação dessa célula até o fundo do furo; e as coordenadas da próxima célula para usar na classificação.

[00163] Ocache é preenchido da seguinte maneira. Começando com WS2 a O m, e uma vez que as restrições da vertente neste exemplo limitam a vertente WS2 para se sobrepor a DG3, existem oito classifica- ções possíveis: i) classificar como WS2 de 0-2 m, e então usar a melhor subclassificação de DG3 de 2 m para baixo; ii) classificar como WS2 de 0-4 m, e então usar a melhor subclassificação de DG3 de 4 m para baixo; iii) classificar como WS2 de 0-6 m, e então usar a melhor sub- classificação de DG3 de 6 m para baixo; iv) classificar como WS2 de 0-

8 m, e então usar a melhor subclassificação de DG3 de 8 m para baixo; v) classificar como WS2 de 0-10 m, e então usar a melhor subclassifi- cação de DG3 de 10 m para baixo; vi) classificar como WS?2 de 0-12 me então usar a melhor subclassificação de DG3 de 12m para baixo; vii) classificar como WS2 de 0-14 m, e então classificar como DG3 de 14 m-16 m; ou viii) classificar todo o furo como WS2 de 0-16 m. Para de- terminar as melhores subclassificações, as subclassificações precisam ser calculadas recursivamente.

[00164] Existem quatro casos de base, correspondendo ao intervalo mais profundo no furo, ou seja, 14-16 m neste exemplo, onde a classifi- cação deve permanecer na mesma vertente e, portanto, a soma cumu- lativa é igual ao valor daquele elemento do matriz de verossimilhança. Agora, considere a subclassificação de DG2 de 12 m. Existem duas subclassificações possíveis: i) classificar como DG2 para o resto do furo, com uma pontuação de 1,46 (ou seja, 0,83 + 0,63); ou ii) classificar como DG2 para 12-14 m e, em seguida, usar a melhor subclassificação para DG3 de 14m para baixo (ou seja, classificar como DG3 de 14-16 m), com uma pontuação cumulativa de 1,65 (ou seja, 0,83 + 0,82). A opção (ii) tem a pontuação cumulativa mais alta e, portanto, é escolhida como a melhor subclassificação para DG2 de 12 m.

[00165] Em seguida, considere a subclassificação de DG2 de 10 m. No presente documento existem três subclassificações possíveis: i) classificar como DG2 para o resto do furo, com uma pontuação de 2,12 (ou seja, 0,66 + 0,83 + 0,63); ou ii) classificar como DG2 para 10-14 me então usar a melhor subclassificação para DG3 de 14m para baixo, com uma pontuação de 2,31 (ou seja, 0,66 + 0,83 + 0,82); ou iii) classificar como DG2 para 10-12 me então usar a melhor subclassificação para DG3 de 12 m para baixo, com uma pontuação de 2,03 (ou seja, 0,66 + 0,55 + 0,82). A opção (ii) tem a pontuação cumulativa mais alta e, por- tanto, é escolhida como a melhor subclassificação para DG2 de 10 m.

[00166] Nesta etapa, observe que a subclassificação de DG2 de 12 m nunca é considerada, pois está dentro da mesma vertente que está sendo classificada. O número de intervalos para uma vertente selecio- nada é iterado antes de determinar a melhor subclassificação que segue em uma vertente diferente (de acordo com as restrições de sequência da vertente). Esta é uma característica do algoritmo que permite o ge- renciamento conveniente da faixa de espessura da vertente e é particu- larmente útil quando a espessura mínima da vertente é mais de um in- tervalo. O valor em cache de DG2 de 12 m, no entanto, pode ser usado em outro lugar dentro de outras subclassificações (por exemplo, pela subclassificação em DG1 de 10 m).

[00167] Todas as subclassificações são calculadas recursivamente dessa maneira. A melhor classificação é então a subclassificação em cache a O m com a soma cumulativa mais alta. Assim, a melhor classi- ficação neste exemplo é a vertente WS2 para 0-4 m, então DG3 para 4- m, DG2 para 10-14 me DG1 para 14-16 m.

[00168] Embora neste exemplo a estrutura de cache na Figura 15 seja muito semelhante a um problema de programação dinâmica direta para esta demonstração simples, o uso de restrições de sequência de vertente do mundo real encapsulando falhas e capotamento, juntamente com restrições de espessura de vertente, requer a abordagem mais complexa descrita.

[00169] Outra otimização que pode ser feita é, em vez de calcular as somas das pontuações de probabilidade ponderada, a soma cumulativa da probabilidade de cada vertente pode ser pré-calculada. A soma das pontuações de probabilidade ponderada para uma vertente para um in- tervalo de intervalos pode então ser tomada como a diferença da pon- tuação somada para o intervalo inferior e a pontuação somada para o intervalo superior, em vez de iterar em cada intervalo.

[00170] Aespessura da vertente usada pode ser menor do que a es- pessura mínima da vertente fornecida ao algoritmo para a primeira e a última vertente da classificação. Para a primeira vertente (ou seja, ime- diatamente abaixo da superfície), valores menores que a espessura míi- nima podem ser válidos devido à erosão de uma vertente, e para a úl- tima vertente, valores menores do que a espessura mínima podem ser válidos porque o furo de sondagem não passou toda a vertente.

[00171] Paraos exemplos mostrados ao longo das Figuras acima, a classificação resultante é mostrada nas Figuras 16A e 16B, com a linha sobreposta 'C' ilustrando a classificação calculada. A Figura 16B mostra a mesma saída ilustrada na Figura 16A, mas com uma representação numérica para a saída do classificador, onde 10 é o mais certo e 1é o menos certo. Na Figura 16B, as células com bordas mais grossas indi- cam a classificação computada.

[00172] A Figura 17A ilustra a classificação da Figura 16A ajustada com uma entrada manual do usuário, conforme indicado na etapa 36 da Figura 1. A Figura 17B mostra a mesma saída ilustrada na Figura 17A, mas com uma representação numérica para a saída de classificador onde 10 é o mais certo e 1 é o menos certo. Na Figura 16B, as células com bordas mais espessas indicam a classificação computada.

[00173] Conforme indicado precedentemente, a entrada manual do usuário para a classificação é opcional. Se o usuário estiver ciente das informações relevantes, ele será capaz de manipular a classificação adi- cionando informações conforme ilustrado na Figura 17A, onde os pon- tos 102, 104 e 106 representam a entrada do usuário.

[00174] Nesta modalidade, o usuário é fornecido com uma interface de usuário onde ele ou ela é capaz de clicar em um ponto na saída do classificador ponderado na nova coluna desejada. Ao fazer isso, a inter- pretação pode ser forçada para a vertente correspondente à vertente selecionada, na profundidade selecionada. A classificação é então re- processada para substituir a classificação para baixo da profundidade selecionada (isso pode ser feito recuperando de um cache a subclassi- ficação armazenada na faixa e profundidade selecionadas). A classifi- cação não é alterada em profundidades mais rasas.

[00175] Os usuários também podem restringir manualmente a inter- pretação a uma vertente especificada para um intervalo de profundidade contíguo, clicando em um ponto na coluna desejada na saída do classi- ficador ponderado em uma profundidade inicial para o intervalo e arras- tando para um ponto na mesma coluna no profundidade final desejada para o intervalo. Neste caso, a interpretação abaixo do intervalo especi- ficado é retirada da subclassificação do intervalo final do intervalo.

[00176] Essas entradas manuais do usuário são ilustradas na Figura 17A, onde o ponto 102 representa a classificação manual onde o usuá- rio indicou que J1 começa em 116m em vez de 128m na classificação original (Figura 16A). O sistema substituiu a classificação de 118m para baixo, por exemplo, usando a subclassificação em cache para J1 de 118m. Na Figura 17A, o usuário também estendeu WS1 para baixo, ilus- trado pelos pontos 104 e 106 envolvendo as profundidades de 160m a 166m. Neste caso, o filamento WS1 é selecionado e, em seguida, o sis- tema substitui a classificação de 168m para baixo usando a melhor sub- classificação em cache para WS1 de 168m.

[00177] Essas mesmas mudanças também são ilustradas na Figura 17B, onde profundidades com entradas manuais fornecidas são denota- das pelos valores de classificação nas células sendo circundadas por “+”.

[00178] As informações para essas mudanças podem vir do conhe- cimento detalhado do geólogo da área, da observação de saídas do classificador ou de classificações de outros furos de sondagem próxi- mos.

[00179] Onde o ponto inserido manualmente introduz uma quebra na sequência da vertente que não é registrada nas restrições da sequência da vertente, uma falha também pode ser marcada na interpretação pelo sistema. As falhas não são marcadas para restrições de sequência de vertente conhecidas, por exemplo, considerando o exemplo na Figura 9A e as restrições de sequência de vertente mostradas na Figura 14A, a restrição manual para interpretar a vertente como J1 de 116m não é marcada como uma falha desde a transição de J2 a J1 é esperado como visto nas restrições de sequência de vertente. Os usuários também po- dem inserir manualmente uma falha na mesma unidade. Embora isso possa não ser visível em dados de ensaio ou registro, pode ser descrito por meio de observações estruturais e respostas gama repetidas. Um usuário pode inserir manualmente uma falha clicando com o botão di- reito na classificação na profundidade pretendida.

[00180] A classificação resultante pode então ser usada como en- trada para fins de modelagem.

[00181] Em uma outra modalidade, a geometria de vertente geoló- gica conhecida pode ser usada para propagar uma interpretação de um local para outro. Nesta modalidade, uma determinada classificação de local geológico próximo é usada como um auxiliar para a interpretação de um local (ou seja, a atribuição de uma classificação geológica com- preendendo um conjunto de estratos em uma ordem predeterminada). Nesta modalidade, o uso é feito da descrição geométrica conhecida ou presumida da localização em profundidade dos estratos como uma fun- ção da localização e as orientações conhecidas de estruturas geológi- cas, se disponíveis. A classificação de sítio geológico conhecido tem uma determinada classificação de sítio geológico próximo, onde pelo menos alguns dos estratos são classificados e a relação geométrica (ou correlação) é usada para determinar como a classificação de estratos conhecida mapearia nos estratos do sítio em questão.

[00182] Para facilidade de referência, assume-se que os sítios são furos de perfuração, embora deva ser percebido que modalidades se aplicam a outros sítios que não os furos de perfuração.

[00183] A Figura 19 ilustra uma entrada do usuário similar à Figura

11. Neste caso, o usuário é capaz de combinar e ponderar não apenas as classificações de amostra fornecidas por diferentes classificadores com base na análise física conforme descrito acima, modelo e dados de registro, mas ainda na classificação de amostra propagada de um ou mais sítios próximos (conforme mostrado pelo X' identificado como “propagado”). Portanto, dados de furo próximos são combinados com a saída de classificadores conforme ilustrado na Figura 1. Os dados de furo próximos (44, mostrados no contorno tracejado na Figura 1) na forma de uma ou mais classificações de amostra propagadas são com- binados com a saída de classificadores de acordo com as ponderações especificadas pelo usuário, como entrada com a entrada do usuário ilus- trado na Figura 19.

[00184] A Figura 20 ilustra uma entrada do usuário para determinar que sítios próximos podem ser considerados. Conforme mostrado, o usuário é capaz de determinar se todos os furos ou apenas os furos selecionados devem ser propagados. Além disso, o usuário é capaz de selecionar um raio para determinar o que constitui um "sítio próximo". O usuário também pode selecionar entre quatro opções: “propagar esses furos” que aplicará as seleções acima para a instância dada e avisará o usuário na próxima instância de processamento; “Não propagar”, ou seja, não fazer nada para os furos selecionados para a instância dada e avisar o usuário na próxima instância de processamento; “Sempre se propaga” e “nunca se propaga”, o que sempre, ou nunca, aplicará a pro- pagação e não perguntará ao usuário na próxima instância de proces- samento.

[00185] Existem várias maneiras diferentes pelas quais as informa-

ções da cadeia podem ser propagadas. Em um primeiro exemplo, a ge- ometria entre os dois furos é conhecida. Nesta modalidade, isso inclui a geometria dos próprios furos (isto é, sua orientação) e a geometria dos estratos. Por exemplo, pode-se saber que os estratos em consideração para o local específico são horizontais, caso em que um mapeamento linear direto será usado para propagar as classificações do local pró- ximo ao furo de sondagem em questão.

[00186] Em outro exemplo, a orientação dos estratos em considera- ção (mergulho e azimute) para o local específico é conhecida, caso em que um mapeamento linear será usado para propagar classificações do local próximo para o furo de perfuração em questão, onde o mapea- mento é paralelo aos valores de mergulho e azimute conhecidos.

[00187] Em uma segunda variação, a correlação ou relação geomé- trica entre os estratos do furo de sondagem em questão e o furo de sondagem dado são calculados, conforme descrito em mais detalhes abaixo.

[00188] A Figura 21 ilustra um procedimento para determinar uma correlação entre furos de perfuração próximos. Isso é usado onde o ma- peamento entre os estratos dos furos próximos não é conhecido. Na modalidade ilustrada, existem quatro sítios conhecidos 202, 204, 206 e 208 e um local desconhecido 210. No entanto, deve ser percebido que uma correlação pode ser feita com menos, ou com mais, sítios conheci- dos.

[00189] Neste contexto, um "sítio conhecido" indica um sítio para o qual a posição relativa (incluindo a profundidade) de pelo menos um estrato é conhecida. Nesta modalidade, para determinar a posição do estrato é conhecido nas quatro amostras próximas. Existem três combi- nações de três dos locais conhecidos e cada conjunto de três é consi- derado separadamente, conforme ilustrado nas Figuras 21 (A), (B) e (C).

Para cada conjunto, a localização provável do estrato em questão é de- terminada assumindo que todos os estratos estão em um plano. Isso fornecerá três localizações diferentes para o estrato no local desconhe- cido, determinadas pelas posições correspondentes para o topo e a base do estrato.

[00190] Considere a Figura 21 (A), onde o sítio conhecido 202 tem três estratos. Consideramos o estrato central (textura de ponto) que tem um contato superior 2021 e um contato inferior 2022. No sítio conhecido 204, o mesmo estrato tem um contato superior 2041 e um contato infe- rior 2042. No sítio conhecido 206, o mesmo estrato tem um contato su- perior 2061 e um contato inferior 2062. O plano de contato superior 2121A é formado a partir dos contatos superiores 2021, 2041 e 2061. O plano de contato inferior 2122A é formado a partir dos contatos inferio- res 2022, 2042 e 2062. Os intervalos de profundidade 212A situados entre os o plano de contato superior 2121A e o plano de contato inferior 2122A na classificação do furo desconhecido 210A correspondente a esta combinação de três sítios são classificados como esse estrato cen- tral.

[00191] O processo é repetido para um segundo conjunto de três sí- tios mostrado na Figura 21 (B). O plano de contato superior 2121B é formado a partir dos contatos superiores do estrato central nos furos 202, 206 e 208. O plano de contato inferior 2122B é formado a partir dos contatos inferiores do estrato central nos furos 202, 206 e 208. Os inter- valos 212B situado entre o plano de contato superior 2121B e o plano de contato inferior 2122B na classificação do furo desconhecido 210B correspondente a esta combinação de três sítios são classificados como esse estrato central.

[00192] O processo é repetido para um terceiro conjunto de três sí- tios mostrado na Figura 21 (C). O plano de contato superior 2121C é formado a partir dos contatos superiores do estrato central nos furos

202, 206 e 208. O plano de contato inferior 2122C é formado a partir dos contatos inferiores do estrato central nos furos 202, 206 e 208. Os intervalos 212C situado entre o plano de contato superior 212191Ce o plano de contato inferior 2122C na classificação do furo desconhecido 210C correspondente a esta combinação de três sítios são classificados como esse estrato central.

[00193] Para cada intervalo de profundidade no furo de sondagem, contamos o número de conjuntos de três furos para os quais esse inter- valo de profundidade está dentro do estrato. Essa contagem é então representativa de uma probabilidade para aquele estrato: quanto mais conjuntos que indicam que um determinado intervalo pertence ao es- trato, mais provável é que o intervalo seja classificado como aquele es- trato. Isso é ilustrado na Figura 21 (D), onde a probabilidade de furo combinada 210 é formada a partir da soma das contagens de conjuntos individuais, ou seja, 212A, 210B e 210C.

[00194] “Onde houver mais de quatro amostras próximas, o processo acima pode ser repetido usando subconjuntos de três ou mais amostras.

[00195] Onde houver mais de quatro amostras próximas, o processo acima pode ser repetido usando subconjuntos de três ou mais amostras. Onde houver três amostras próximas, o processo acima é executado apenas uma vez para o único conjunto de três amostras, portanto, o número resultante de conjuntos que indicam que um intervalo no furo de sondagem pertence a um estrato serão O ou 1.

[00196] Às vezes, não é possível encaixar um plano de contato su- perior devido à ausência de um contato. No caso em que um estrato é identificado a partir do topo de um furo conhecido, todos os intervalos acima do plano de contato inferior no furo desconhecido podem ser atri- buídos ao estrato. No caso em que um estrato não está presente em todo o conjunto selecionado de três furos conhecidos, o estrato não é atribuído ao furo desconhecido para o conjunto selecionado de três fu- ros conhecidos.

[00197] Às vezes, não é possível ajustar um plano de contato inferior devido a um contato não estar presente. No caso em que um estrato é identificado de todo o caminho até o fundo de um furo conhecido, todos os intervalos abaixo do plano de contato superior no furo desconhecido podem ser atribuídos ao estrato. No caso em que um estrato não está presente em todo o conjunto selecionado de três furos conhecidos, o estrato não é atribuído ao furo desconhecido para o conjunto selecio- nado de três furos conhecidos.

[00198] Este processo pode ser repetido para cada estrato presente nos furos de sondagem próximos. Como cada soma de estrato como 210 fornece uma probabilidade para cada estrato para cada intervalo, repetindo o processo para cada estrato, uma matriz de probabilidade semelhante àquelas nas Figuras 6 a 10 pode ser construída. Isso é for- necido como a classificação de local propagada para a ferramenta de ponderação na Figura 19. Essa matriz de probabilidade pode ser dimen- sionada de forma que seu maior valor corresponda aos maiores valores em outras entradas da ferramenta de ponderação.

[00199] Em uma outra modalidade, uma correlação mais complexa entre as localizações do estrato nas diferentes localizações pode ser derivada. Por exemplo, um plano curvo pode ser usado. Se desejado, uma ou mais descontinuidades correspondentes a falhas, ou orienta- ções de leito, também podem ser incorporadas ao cálculo.

[00200] Nessas modalidades, a distância entre o sítio em questão e o(s) sítio(s) próximo(s) é conhecida e utilizada no cálculo.

[00201] — Conforme indicado, o sítio conhecido, ou próximo, é um local para o qual a posição relativa de pelo menos um estrato é conhecida. Em uma modalidade, a classificação de amostra estabelecida pelas análises acima mencionadas é usada como a informação para o sítio conhecido, resultando assim em uma classificação de furo de sondagem tomando duas iterações: a primeira com base exclusivamente em dados desse furo de sondagem e a segunda adicionalmente utilizando classi- ficações propagadas. Na segunda iteração, essas classificações propa- gadas são apresentadas como dados de furo próximos 110 para a etapa de classificação cumulativa 28 na Figura 1, à qual as ponderações 30 podem ser aplicadas da maneira precedentemente descrita. Uma vez que os classificadores irão produzir uma probabilidade para a classifica- ção da amostra, as probabilidades podem ser levadas em consideração ao estabelecer a correlação (por exemplo, processando aqueles com a maior probabilidade primeiro). Desta forma, as classificações de maior probabilidade são progressivamente propagadas para furos com menor probabilidade.

[00202] “Da mesma forma, as informações produzidas por registro ou modelo, conforme descrito acima, podem ser usadas como as informa- ções de sítio conhecidas.

[00203] Deve ser entendido que, se qualquer publicação da técnica precedente for mencionada neste documento, tal referência não consti- tui uma admissão de que a publicação faz parte do conhecimento geral comum na técnica, na Austrália ou em qualquer outro país.

[00204] Nas reivindicações que se seguem e na descrição prece- dente da invenção, exceto onde o contexto exigir de outra forma devido a linguagem expressa ou implicação necessária, a palavra "compre- ende" ou variações como "compreende" ou "compreendendo" é usada em um sentido inclusivo , isto é, para especificar a presença das carac- terísticas declaradas, mas não para impedir a presença ou adição de outras características em várias modalidades da invenção.

[00205] Será entendido por aqueles versados na técnica da invenção que muitas modificações podem ser feitas sem se afastar do espírito e do escopo da invenção.

Claims (34)

REIVINDICAÇÕES

1. Método para atribuir uma classificação de sítio geológico a um sítio geológico, caracterizado pelo fato de que compreende as eta- pas de: obter uma pluralidade de amostras do sítio; para cada amostra: fornecer uma pluralidade de análises da amostra; para cada análise, fornecer uma ou mais classificações de amostra, cada classificação de amostra compreendendo uma plurali- dade de vertentes geológicas e uma probabilidade da classificação de amostra, e atribuir uma pesagem relativa a cada classificação de amos- tra; combinar as classificações de amostra para a pluralidade de análises pelo menos de acordo com a pesagem atribuída; e atribuir um ou mais classificações de sítio geológico de acordo com as classificações de amostra combinadas.

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o sítio geológico é um furo de perfuração.

3. Método, de acordo com a reivindicação 1 ou 2, caracteri- zado pelo fato de que a pluralidade de análises pode ser escolhida den- tre um ou mais dos seguintes: detecção de raios gama; registro geoló- gico; e ensaio metalúrgico.

4. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que a etapa de combinar as classificações de amostra para a pluralidade de análises de acordo com a pesagem atribuída inclui combinar uma ou mais classificações de mo- delo derivadas dos dados de modelo.

5. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que um primeiro conjunto de uma pluralidade de classificações de amostra corresponde a uma pri- meira análise e em que a etapa para atribuir uma pesagem relativa a cada classificação de amostra compreende atribuir a mesma pesagem a cada uma das classificações de amostra do primeiro conjunto.

6. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que a pesagem é atribuída por um usuário.

7. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que a etapa de combinar as classificações de amostra correspondentes à pluralidade de análises de acordo com a pesagem atribuída produz uma classificação única cumu- lativa de amostra, a pesagem relativa sendo atribuída às probabilidades das classificações de amostra para fornecer uma probabilidade combi- nada para a classificação única cumulativa de amostra.

8. Método, de acordo com a reivindicação 7, caracterizado pelo fato de que a etapa de classificar o sítio geológico combina a clas- sificação única cumulativa com uma ou mais restrições de sequência de vertente.

9. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que compreende ainda dividir o sítio geológico pela profun- didade de acordo com uma pluralidade de divisões de profundidade, cada amostra tendo uma ou mais divisões de profundidade e, para cada divisão de profundidade, determinar uma probabilidade máxima para uma vertente correspondente com referência a uma representação de transições de vertente permitidas.

10. Método, de acordo com a reivindicação 9, caracterizado pelo fato de que a etapa de determinar uma probabilidade máxima para uma vertente correspondente compreende adicionar recursivamente as probabilidades para divisões de profundidade próximas, em que uma probabilidade de divisão de profundidade corresponde a uma pontuação fornecida pelo único classificador ponderado.

11. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que cada classificação de amostra ainda compreende uma espessura da vertente e a etapa para atribuir a classificação de sítio geológico combina uma pluralidade de classificações únicas cumulativas de amostra com uma ou mais restri- ções da espessura da vertente.

12. Método, de acordo com a reivindicação 11, caracteri- zado pelo fato de que compreende ainda sobrepor a restrição de espes- sura da vertente para uma ou mais vertentes.

13. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que compreende ainda a etapa para atribuir pelo menos uma vertente geológica manualmente a uma classificação de amostra.

14. Método, de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que compreende ainda dividir o sítio geológico pela profundidade de acordo com uma pluralidade de divisões de profundidade, cada amostra tendo uma ou mais divisões de profundidade, o método ainda compreendendo: fornecer uma classificação de sítio geológico próximo corres- pondente a um sítio geológico próximo, a classificação de sítio geológico próximo compreendendo uma vertente geológica e uma probabilidade; estabelecer uma classificação de sítio propagado para o sítio geológico de acordo com uma correlação entre o sítio geológico e o sítio geológico próximo; em que a etapa de combinar as classificações de amostra pelo menos de acordo com a pesagem atribuída inclui combinar a clas- sificação de sítio propagado.

15. Método, de acordo com a reivindicação 14, caracterizado pelo fato de que a correlação é escolhida por um usuário.

16. Método, de acordo com a reivindicação 14 ou 15, carac- terizado pelo fato de que a correlação é determinada com referência a pelo menos uma classificação de amostra do sítio geológico e pelo me- nos uma classificação de amostra do sítio geológico próximo.

17. Sistema para atribuir uma ou mais classificações de sítio geológico a um sítio geológico, caracterizado pelo fato de que compre- ende: um sistema de entrada de dados disposto para receber da- dos pertencentes a uma pluralidade de análises de cada uma de uma pluralidade de amostras do sítio; o sistema compreendendo uma pluralidade de classificado- res de amostra, cada classificador de amostra correspondente a uma análise, cada classificador de amostra sendo disposto para: para a análise correspondente, fornecer uma ou mais classi- ficações de amostra, cada classificação de amostra compreendendo uma pluralidade de vertentes geológicas e uma probabilidade da classi- ficação da amostra, e atribuir uma pesagem relativa a cada classificação de amostra; combinar as classificações de amostra para a pluralidade de análises de acordo com a pesagem atribuída; e atribuir uma ou mais classificações de sítio geológico de acordo com as classificações de amostra combinadas.

18. Sistema, de acordo com a reivindicação 17, caracteri- zado pelo fato de que o sítio geológico é um furo de perfuração.

19. Sistema, de acordo com qualquer uma das reivindica- ções 17 a 18, caracterizado pelo fato de que os dados recebidos per- tencem a uma pluralidade de análises escolhida do grupo de: detecção de raios gama; registro geológico; e ensaio metalúrgico.

20. Sistema, de acordo com qualquer uma das reivindica-

ções 17 a 19, caracterizado pelo fato de que as classificações de amos- tra para a pluralidade de análises são combinadas com as classificações de modelo derivadas dos dados de modelo.

21. Sistema, de acordo com qualquer uma das reivindica- ções 17 a 20, caracterizado pelo fato de que um primeiro conjunto de uma pluralidade de classificações de amostra corresponde a uma pri- meira análise e em que a mesma pesagem relativa é atribuída a cada uma das classificações de amostra do primeiro conjunto.

22. Sistema, de acordo com qualquer uma das reivindica- ções 17 a 21, caracterizado pelo fato de que compreende ainda dispo- sitivo de entrada do usuário, em que a pesagem é atribuída por um usu- ário usando o dispositivo de entrada do usuário.

23. Sistema, de acordo com qualquer uma das reivindica- ções 17 a 22, caracterizado pelo fato de que combinar as classificações de amostra correspondentes à pluralidade de análises de acordo com a pesagem atribuída produz uma classificação única cumulativa de amos- tra, a pesagem relativa sendo atribuída às probabilidades das classifi- cações de amostra para fornecer uma probabilidade combinada para a classificação única cumulativa de amostra.

24 Sistema, de acordo com a reivindicação 23, caracterizado pelo fato de que classificar o sítio geológico combina a classificação única cumulativa com uma ou mais restrições de sequência de vertente.

25. Sistema, de acordo com a reivindicação 24, caracteri- zado pelo fato de que compreende ainda dividir o sítio geológico por profundidade de acordo com uma pluralidade de divisões de profundi- dade, cada amostra tendo uma ou mais divisões de profundidade e, para cada divisão de profundidade, determinar uma probabilidade má- xima para uma vertente correspondente com referência a uma repre- sentação de transições de vertente permitidas.

26. Sistema, de acordo com a reivindicação 25, caracteri- zado pelo fato de que determinar uma probabilidade máxima para uma vertente correspondente compreende adicionar recursivamente proba- bilidades para divisões de profundidade próximas, em que uma proba- bilidade de divisão de profundidade corresponde a uma pontuação for- necida pelo classificador ponderado único.

27. Sistema, de acordo com qualquer uma das reivindica- ções 17 a 26, caracterizado pelo fato de que cada classificação de amostra ainda compreende uma espessura da vertente e atribuir a clas- sificação de sítio geológico combina uma pluralidade de classificações únicas cumulativas de amostra com uma ou mais restrições da espes- sura da vertente.

28. Sistema, de acordo com a reivindicação 27, caracteri- zado pelo fato de que ainda é adaptado para sobrepor a restrição de espessura da vertente para uma ou mais vertentes.

29. Sistema, de acordo com qualquer uma das reivindica- ções 17 a 28, caracterizado pelo fato de que é ainda adaptado para atribuir pelo menos uma vertente geológica manualmente a uma classi- ficação de amostra.

30. Sistema, de acordo com qualquer uma das reivindica- ções 17 a 29, caracterizado pelo fato de que é ainda adaptado para dividir o sítio geológico por profundidade de acordo com uma pluralidade de divisões de profundidade, cada amostra tendo um ou mais divisões de profundidade, o sistema ainda adaptado para: fornecer uma classificação de sítio geológico próximo corres- pondente a um sítio geológico próximo, a classificação de sítio geológico próximo compreendendo uma vertente geológica e uma probabilidade; estabelecer uma classificação de sítio propagada para o sítio geológico de acordo com uma correlação entre o sítio geológico e o sítio geológico próximo;

em que combinar as classificações de amostra pelo menos de acordo com a pesagem atribuída inclui combinar a classificação de sítio propagado.

31. Sistema, de acordo com a reivindicação 30, caracteri- zado pelo fato de que a correlação é escolhida por um usuário.

32. Sistema, de acordo com a reivindicação 30 ou 31, carac- terizado pelo fato de que a correlação é determinada com referência a pelo menos uma classificação de amostra do sítio geológico e pelo me- nos uma classificação de amostra do sítio geológico próximo.

33. Sistema para atribuir uma ou mais classificações de sítio geológico a um sítio geológico, o sistema compreendendo um sistema de entrada de dados, um processador, uma tela e um sistema de en- trada de usuário, caracterizado pelo fato de que o sistema de entrada de dados é disposto para receber da- dos pertencentes a uma pluralidade de análises de cada uma de uma pluralidade de amostras do sítio; o processador é disposto para estabelecer uma pluralidade de classificadores de amostra, cada classificador de amostra correspon- dente a uma análise, cada classificador de amostra sendo disposto para: para a análise correspondente, fornecer uma ou mais classi- ficações de amostra, cada classificação de amostra compreendendo uma pluralidade de vertentes geológicas e uma probabilidade da mesma classificação; exibir, na tela, uma representação combinada de todas as classificações de amostra em que a representação combinada é cons- truída atribuindo uma pesagem relativa a cada classificação de amostra, a pesagem relativa sendo especificada por um usuário usando o sis- tema de entrada de usuário; e em que o processador é configurado para exibir mudanças à representação combinada resultante das mudanças à pesagem de- vido à entrada do usuário.

34. Sistema, de acordo com a reivindicação 33, caracteri- zado pelo fato de que a tela de uma classificação de amostra é depen- dente de uma probabilidade correspondente.