Anda di halaman 1dari 9

5. jalankan statistik klasik pada NVG_10E untuk AU1.

catat rata-rata normal.


6. Jika dikehendaki, ulangi proses diatas untuk blokblok ukuran 5 dan 25m yang menghadap ketimur. Ukuran
blok mana yang memiliki rata-rata keseluruhan paling
rendah?
7. Jika dikehendaki, jalankan Modelling
3D Blok
Statistical pada data NVG_COMP. Tetapkan OBM field 1
untuk AU1; tetapkan blok centre awal dan blok spacing
pada 24900E, 15750N, 1300RL, dan 10m E, 25m N dan 10m
RL; tetapkan blok centre pada 2510E, 16050N, 1650RL.
Biarkan MICROMINE menghitung jumlah blok. Buat file
yang disebut PROP_EFF dengan field MEAN, AT_DEV,
Median.
8. Jika dikehendaki, jalankan Stats
Regreesion /
Correlation Siple Linear pada file PROP_EFF. Tetapkan X-field ke ST_DEV dan Y-Field ke MEAN. Apakah ada
hubungan yang kuat antara kedua parameter tersebut?
Variografi dan Kriging akan dianggap sebagai modul
pelatihan terpisah.

Model Cell Blok Kosong


Baru-baru ini proses interpolasi grade dalam MICROMINE
didisain dalam cara dimana model blok dibuat pada waktu
yang sama saat grade terinterpolasi.

Ukuran Model Cell


Ukuran model Cell yang harus dipilih tergantung pada
parameter-parameter dibawah ini:
Densitas drilling;
Variabilitas grade;
Resolusi yang diinginkan;
Ukuran model akhir.
Umumnya, ukuran cell seharus mendekati sama atau
sedikit lebih kecil dari setengah ukuran drilling grid.
Saat ukuran model blok dipilih dan tingkat model dihitung, model cell blok dibuat menggunakan Modelling
3D Blok estimate
Inverse Distance Weighted (Buat
tiket OBM Kosong)

Flagging

Jika wireframe solid dan DTM telah dimodelkan, keduanya harus digunakan untuk menandai [mengidentifikasi]
model blok. Fragging harus dilakukan dengan cara yang
sama seperti yang sebelumnya telah dijelaskan. Satusatunya perbedaan muncul saat sub-bloking dibutuhkan.
Saat model blok ditandai untuk semua domain/zona/
orebody dll., cell-cell yang lain (yang tidak ditandai)
harus dihapus dari model untuk mengurangi ukuran file
dan jumlah record (File Filter Delete). Ini juga
akan membantu untuk mengontrol proses interpolasi.
Proses tersebut tidak membutuhkan lebih drai beberapa
jam.

Checklist
Model seharusnya tidak memiliki terlalu banyak cell.
Rata-rata model blok memiliki beberapa ratus ribu
cell.
Buat sub-blok untuk merepresentasikan volume dengan
lebih akurat.
Buat sebanyak field-field baru yang diperlukan untuk
flag, karena banyak tipe wireframe/string/outline
yang digunakan untuk flagging. Mudah untuk menggabungkan tipe-tipe tersebut jika diperlukan.

Interpolasi Grade
Interpolasi
Model blok dibuat secara simultan dengan interpolasi
grade. Ini berarti cara berikut harus digunakan:
1Spesifikasi
semua
parameter
input,
file,
cari
parameter ellipse dan variogram dalam Modelling 3D
Blok estimate Inverse Distance Weighted atau salah
satu dari pilihan Modelling 3D Blok Estimate ...
Krigging. Jalankan interpolasi.
2Buatlah model blok yang kini seharusnya ditandai
untuk domain dll., menggunakan wireframe atau outline
(seperti yang dijelaskan dalam 8.2).
3Semua
cell-cell
yang
tidak
ditandai
(di
atas
permukaan, di luar wireframe dll) harus di keluarkan
(File Filter Delete)
4Semua cell-cell yang ditunjuk [ditandai] harus diperiksa apakah telah mengalokasikan grade atau belum
(Stats atau Model input/Max).

5Jika tidak semua grade dialokasikan, ulangi langkahlangkah dari 1 hingga 4 dengan parameter pencarian
yang diubah (ditingkatkan) hingga semua cell memiliki
grade. Buat RUN NUMBER field dalam filr model output.
6Secara bersamaan tambahkan semua model-model yang
dibuat dalam satu cara dimana model-model sebelumnya
akan memperbarui model-model sesudahnya (File Merge
MM)
7Ulangi semua langkah dari 1 hingga 6 untuk semua
domain dan untuk semua elemen.
Proses interpolasi dapat membutuhkan beberapa jam
hingga beberapa hari.

Checklist
Aplikasikan top cut jika diperlukan;
Interpolasikan
grade-grade
menggunakan
beberapa
metode untuk validasi;
Semua cell-cell dalam model Resource seharusnya
mengalokasikan grade;
Jika menggunnakan Kriging, jalankan validasi cross
untuk memeriksa apakah variogram tepat/sesuai. Jalankan
model variogram yang menghasilkan estimasi yang baik
dengan kesalahan kriging paling rendah;
Jika menggunakan MIK, interpolasi yang dijalankan
seharusnya sama dengan: No of elements x No of domain x
No of interpolation volumes x No of Interpolation
methods. Adalah ide bagus untuk menyimpan semua program
ini dan dijalankan dalam sebuah macro.

Validasi Model Blok


Membuat model grade harus divalidasi dengan hati-hati
untuk kemungkinan kesalahan. Ada beberapa langkah:
Display visual model blok. Bandingkan grade-grade
blosk dengan grade sampel drillhole;
Bandingkan stats model blosk dengan stats sampel
kluster
(rata-rata,
plot-plot
probabilitas
dan
histogram).
Memplot bagian-bagian (section) dan rencana (plan)
bersama-sama dengan outline geologis.
Tren-tren umum dan kontinuitas mineralisasi yang
terinterpolasi seharusnya tidak terlalu berbeda dari
tren-tren yang diharapkan;

Interpolasi grade menggunakan metode yang berbedabeda. Bandingkan figur-figur global antara metodemetode
interpolasi
yang
berbeda-beda
(misalnya,
Kriging vs. IWD atau IWD2 vs. IWD3);
Membandingkan figur-figur sumber dengan laporanlaporan sebelumnya;
Membandingkan volume Microsoft dengan volume model
blok.

Latihan 3.2: Membuah sebuah model blok


1. Buatlah sebuah model blok dengan memiliki Modelling

3D Blok estimate
Inverse Distance Weighted.
Gunakan NVG_COMP sebagai file input; buat sebuah
filter untuk hanya mempertimbangkan sampel-sampel
yang ditandai sebagai ORE. Tetapkan OBM field 1 untuk
AU1 dan OBM field 2 untuk AG. Tetapkan definisi blok
untuk menyesuaikan seting-seting di atas. Tetapkan
metode Model untuk ANISTROPIC IDP.
2. Cari
parameter-parameter
yang
merupakan
faktor
penting saat membuat model-model blok. Ada sejumlah
cara untuk menspesifikasi ukuran search ellipsoid,
termasuk memeriksa drillhole dan sample spacing, atau
menggunakan range dari semivariogram. Selain itu,
anda harus menentukan orientasi search ellipsoid
menggunakan pengetahuuan anda tentang deposit. Jarak
terbalik
seharusnya
dipilih
untuk
merefleksikan
kontinuitas data anda; semakin tinggi kekuatannya,
semakin
banyak
penekanan
yang
ditempatkan
pada
sampel-sampel tersebut.
3. Tetapkan parameter Data Search pada: Radius = 45;
Sectors = FOUR; Ellipsoid set; Azimuth = 10o; Plunge =
0o; Faktor azimut = 1; Dip = 70, Dip factor = 0,75;
Thick factor = 0,4.
4. Tetapkan jarak minimum hingga 0,5 dan buat Count
field yang disebut COUNT. Ini akan memungkinkan Count
reference field; tetapkan ini pada HOLE.
5. Memungkinkan data Display dan pilihan output.
6. Tambahkan 3 additional field, yang perrtama disebut
WFG dan yang kedua disebut OXIDE. Buat field tersebut
haracter dengan Wodth 5. Namai field ketiga dengan
B_FACTOR dan dibuat (N)umeric Width 8 Decimals 3.
tetapkan file output pada NVG_OBM dan jalankan model
blok tersebut.
7. (Dalam kenyataan, anda akan menjalankan dua model
blok, satu untuk OX ore dan yang lainnya untuk

FIREWALL ore, dengan filter-filter terpisah. Kemudian


anda akan menggabungkan kedua model blok.
8. Tandailah file NVG_OBM dengan OXIDE DTM sebagai data
NVG_ASSY awal.
9. Tandailah file NVG_OBM dengan wireframe ORE(NVG)
untuk
data
NVG_ASSY
awal.
Sebuah
model
blok,
memungkinkan pilihan Sub-blok. Tetapkan field Block
Factor pada B_FACTOR dan tetapkan sub-blok pada 5
untuk semua arah.
10. Tampilkan model blok (dalam bentuk titik) dalam 3D
Viewer, bersamaan dengan data drillhole awal anda,
OXIDEDTM, dan wireframe NVG ORE. Periksa validitas
model blok dengan mengaplikasikan berbagai filter dan
memeriksa hubungannya satu dengan yang lain.
11. Jalankan Modelling
Blok Reserves
Report.
Buatlah colour set yang sederhana dengan satu nilai
yaitu 99999 dan gunakan nilai tersebut dalam prompt
Colour set. Bandingkan volume yang dilaporkan dengan
volume dari hasil teknik wireframing.

Latihan 4:
Klasifikasi Sumberdaya dan Pelaporan
Bab ini menerangkan klasifikasi sumberdaya dan pelaporannya.

Klasifikasi
Tidak ada aturan dan prosedur standar tentang bagaimana
mengklasifikasikan sumberdaya tetapi, kode JORC memberikan suatu pedoman klasifikasi. Pengguna (pengguna)
yang berbeda memiliki pendekatan yang berbeda pula.
Pendekatan yang paling umum digunakan adalah sebagai
berikut:
Range variogram dapat digunakan untuk mengelompokkan
sumberdaya. Sebagai contoh, jika sel-sel dipopulasikan menggunakan radius pencarian yang sama dengan 2/3
dari range variogram pendek dan lebih dari 3 sampel
yang digunakan, maka sel-sel tersebut diklasifikasikan sebagai sumberdaya terukur apabila menggunakan
radius pencarian yang sama dengan range variogram
yang panjang dan lebih dari 1 sampel yang digunakan,
maka sel-sel tersebut dapat dikelompokkan sebagai
sumberdaya Tertunjuk (Indicated). Sel-sel yanglain
dikelompokkan sebagai sumberdaya Terreka (Inferred).
Jika pendekatan ini dapat diterima, interpolasi yang

dijalankan
sebenarnya
akan
menjadi
kelas-kelas
sumberdaya.
Kerapatan pemboran (Densitas Drilling) atau grid
eksplorasi dapat digunakan untuk mengklasifikasikan
sumberdaya. Beberapa pengguna menerima pendapat untuk
komoditas yang ada dan kompleksitas dari deposit,
sumberdaya
dapat
dikelompokkan
berdasarkan
grid
eksplorasi yang umumnya dapat diterima (misalnya
50x50m untuk sumberdaya Terukur (Measured Resources),
100x100m untuk sumberdaya Tertunjuk (Indicated) dan
250x250m untuk sumberdaya Terreka (Inferred). Jika
pendekatan
ini
dapat
diterima,
pengguna
harus
mendigitasi outline-outline dalam plan atau section
untuk setiap kategori sumberdaya dan menggunakan
proses-proses Assign untuk mengelompokkan sel-sel
model. Jika diperlukan, wireframe solid untuk Resourc
Classes
dapat
dibuat
dan
digunakan
untuk
mengalokasikan Categoy pada sel-sel model blok.
Jika Kriging diaplikasikan untuk interpolasi grade,
varian kriging estimasi juga dapat digunakan untuk
klasifikasi sumberdaya. Jelasnya, varian yang diestimasi menunjukkan reliabilitas perkiraan grade
dalam setiap cell. Jika pendekatan ini diterima, maka
pengguna harus mendefinisikan range varian untuk
setiap Sumberdaya Category dan menjalankan File
Field Generate untuk mengalokasikan Categories.
Saat mengelompokkan sumberdaya, pengguna seharusnya
ingat
bahwa
paramater-parameter
yang
lain
harus
dipertimbang-kan, diantaranya:
Reliabilitas nilai-nilai densitas batu;
Reliabilitas sampling dan data analitis;
Metode dan reliabilitas data survey download;
Akurasi lokasi-lokasi drillhole collar
Ketersediaan dan efek yang potensial dari daerah
topografi;
Hasil-hasil kunjungan tempat/lokasi;
Parameter yang lain;
Keyakinan dari interpretasi kontinuitas dan disain
mineralisasi.
Keyakinan dalam total data input dari atas.

Checklist

Tidak ada kelas sumberdaya yang diukur akan diumumkan


tanpa kunjungan tempat;
Tidak ada kelas sumberdaya yang diukur akan diumumkan
jika ada bias atau masalah-masalah ketepatan teridentifikasi dalam analisis kualitas sampel;
Menampilkan/memplot model yang diklasifikasi dan dibandingkan dengan harapan/perkiraan.

Grade-grade
Tonasi

Cut-off

dan

Kurva

Grade-

Saat Resourcec Class dialokasikan pada setiap cell


model blok, sumberdaya dapat dihitung dan dilaporkan
dalam bentuk ton, volume dan rata-rata grade (Modelling

Blok Reserves
Raporrt). Bisanya sumberdayas
dilaporkan untuk berbagai grade cut-off untuk setiap
kategori
sumberdaya
secara
terpisah
(subdivisisubdividi yang lain mungkin bisa juga area, zona,
lense, ore bodies dll.) dan juga total figur.
Saat figur-figur dibuat untuk berbagai grade cut-off,
mereka dapat diimpor kedalam Excel dan digunakan untuk
membuat kurva grade-tonasi.

Checklist

Total

sumberdayat dapat dibandingkan dengan estimasiestimasi sebelunya. Jika tidak, perbedaan tersebut
dijelaskan.

Sumberdaya

dihitung menggunakan hasil-hasil metode


interpolasi yang berbeda-beda dan dibandingkan. Total
figur harus ditutup.

Masalah-masalah Lain dan Bab-bab dalam


Sumberdaya Report
Dokumen ini tidak mencakup semua cara modelling
resources yang mungkin. Laporan akhir juga harus
memasukkan bab-bab berikut:
Sampling Proses sampling haris direview dan dinilai.
Drilling Metodologi drilling harus direview dan
dinilai.
Geologi Geologi umum harus digambarkan.

Densitas [kepadatan] batu Harus dijelaskan bagaimana


nilai-nilai SG ditetapkan.
Analisis Resiko
Resiko semua data input dan setiap
langkah resourcec modelling harus diestimasi.
Kunjungan lokasi Tidak da sumberdaya yang diukur
dilaporkan tanpa kunjungan lokasi.

Bagan Resource Modelling


Persiapan data dan impor
Memperbaiki Error
Validasi data
Tabel

Statistika klasik

Grafik
String & Outline

Interpretasi

String & Outline

Wireframing

Mendapatkan Volume
Wireframe Referensi

Fragging Data Sampel

Mengkomposisikan
Sampel
Statistika Klasik

Efek
Proporsional
Declustering

Mendapatkan Volume
Global Referensi

Variografi
BM Cell Kosong

BM Cell Kosong Fragging


IDW
Interpolasi Grade

Klasifikasi Resource

Resource Reporting

OK, MIK,
IDW

Tabel
Kurva Grade-Tonasi
Laporan

Anda mungkin juga menyukai