![](https://baike.boyidashi.com/wp-content/uploads/2020/05/c4ca4238a0b9-48x48.jpg)
特高品位的处理是矿产资源量估算中非常重要的一环,也是国内报告评审、国外同行审查的核心关注点;特高品位处理不当造成项目评估、市场交易、矿山生产中出现事故的例子并不鲜见。但我国行业实践中,在特高品位的确定方法、处理方法和处理合理性检验方面还存在诸多问题。
正本清源-特高与特低
很多人只关注特高品位,其实是不全面的,因为准确的讲与之对应的还有特低品位。
偏离样本群总体分布规律或者偏离绝大部分样本的特殊样本称为特异样本(outlier sample),包括离群点、高杠杆点等,它们的数值称为“特异值”。特异值包括特高值和特低值,针对品位来讲,就包括“特高品位”和“特低品位”。特低品位对平均品位、变化系数、分位数品位值等因素的影响,还可以干扰对特高品位的分析和确定,同样不应忽略。
按照我国现行标准规范,在圈定矿化体时采用边界品位、单工程品位、最低工业品位、夹石剔除厚度等工业指标来严格约束,通常特低品位的出现几率或影响较小,在国内几乎很难见到对“特低品位”分析和处理的实例。由于二者的识别和处理方法在原理上是共通的,本文主要针对特高品位开展讨论。
之所以要识别和处理特高品位,是因为它们非常容易对资源量估算造成明显的高估,特别是空间分布上高度离散的特高品位,影响更加突出。同时,在特高品位处理中又要防止过于保守而造成低估。品位的估算关系到设计、采矿和选矿等,直接影响后端的经济效益,所以特高品位的处理在金属矿山精细化生产管理上至关重要。聊产业、做金融,上扑克!
勘查中的质量管理
特高品位相关的质量控制和质量保证须从源头做起,在勘查阶段从样品采集、样品加工和样品分析等环节进行管控。
首先,采样必须有代表性,综合考虑矿化类型、分析方法等因素来选择合适的采样方法和样品规格。切忌选择性取样和采集规格过小的样品,比如只采集含明金的石英薄脉而忽略围岩,或者采取十几厘米的岩心。
其次,注意样品加工过程中的质量控制,防止样品污染等问题。比如含自然金、自然银的样品,由于金银的延展性非常好,很容易在加工设备中粘连累积,脱落后进入某一个独立样品而造成虚假特高品位。企业需要制订有效的样品加工管理程序,地质师在编录采样过程中,发现潜在特高品位的样品应专门要求样品加工车间在加工该样品前后分别清洗一次设备。
再次,样品分析环节应通过研究来选择合适的化验方法,工作中不仅要用空白样、重复样和标样的整体分析来判断该批次的化验分析质量,还须对疑似特高品位的样品增加重复检测分析。对于特殊样品应选择针对性的化验方法,如网筛火法试金等,以提高化验结果的可靠程度。
最后,确认特高品位是合理采样的真实化验结果是基础性前提,否则特高品位处理不仅毫无意义,还会带来严重的负面影响。收到化验结果后,对其中特高品位的样品还须返回去检查样品的地质特征,以判断是否具有地质合理性。这些工作应该在开展资源量估算之前完成。
如何确定特高品位
进行特高品位的处理的前提是判断样本群中是否存在特高品位,若存在,再确定其下限值。如何确定特高品位,没有放之四海而皆准的量化标准,但有行业最佳实践供参考,常用的方法有:
1-累计概率分布曲线法:将品位对数累计概率分布曲线上的拐点或断点作为特高品位的下限值。该方法并不预先设定特高品位一定存在,而是从统计学上的样本分布特征来合理判断;如果分布型式趋近直线而没有明显的拐点和断点,则未必存在特高品位。此种方法因其简单性、易用性和合理性,和品位分布直方图结合时更容易消除不同人之间的分歧,且可以同时分析研究特高品位和特低品位等优势,广受业界青睐。其弊端是样品数较少时适用性差。
2-平均品位的6-8倍法:如果存在单样品位超过平均品位的6倍以上时,认为存在特高品位。当有用组分变化均匀时,取平均品位的6倍;变化较均匀时,取平均品位的7倍;变化不均匀时,取平均品位的8倍为特高品位的下限。此种方法源自我国的相关规范,其特点是简单易用,且设置了判断是否存在特高品位的前提条件;缺点是不够精细且或多或少有一刀切的弊端,但在使用传统剖面法和块段法时,不失为有效手段。
3-十分位法:由Parrish于1997年提出,先统计各个十分位(如0-10%,10%-20%…)品位段对应的金属量,当90% – 100%十分位段对应的金属量超过估算域总金属量的40%,或者超过80% – 90%十分位段金属量的2倍时,即可确定存在特高品位。然后再对90% – 100%十分位段划分百分位段(90%-91%,91%-92%…),当某个百分位段的金属量超过总金属量的10%时,比其低的百分位段的品位最大值被确定为特高品位的下限;当样本群数据较少时,也可根据实际情况以首次出现超过总金属量的5%的百分位段为依据。此方法对高估的风险有较好的管控,但操作起来比较复杂,因而未被广泛采用。
4-累计频率95%分位法:这是部分矿山在生产过程中的经验判断法,选择品位累计频率95%分位对应的品位值为特高品位的下限。国际上公开报告中对这种方法的采用越来越少,近年几乎很难见到。我国常有报告采用97.5%分位数,虽多方问询,但未曾查到任何理论和实践研究的文献支持。该方法看似基于统计学思维,但缺少严格意义上的样本分布特征分析,无法确保这些特高品位一定具有特异性,颇有一刀切的意思。比如一组品位分布均匀变化系数很小的样本,并不一定存在特异样本,但97.5%分位却是一定存在的。该方法简单直接,和累计概率分布曲线法一样,其还有一个弊端,就是样品数较少时适用性差。
5-其它方法:如标准差法,特高品位等于中值或平均值加上2倍或3倍标准差。四分位差法(Interquartile Range),Q1=25%分位,Q3=75%分位,IQR=Q3-Q1,那么特高品位=Q3+1.5×IQR,特低品位=Q1-1.5×IQR(也有人用3×IQR)。另外还有风险金属法(Metal at risk)、截切曲线法(cutting curve)、截切统计图法(cutting statistics plots)、三维热点分析法(3D hot spot analysis)等。
非常关键的是,特高品位这个术语的第一关键字是“特”,其次才是“高”。如果只是高品位,而在样本群中并没有表现出特异性,不应视为特高品位。所以应先判断是否有特高品位,不能直接用某种方法如累计频率分位数(无论95%、97.5%还是其它)、标准差法、四分位法一刀切的去确定特高品位的下限。
如何处理特高品位
通过分析确定了特高品位的下限后,在资源量估算中对特高品位的处理方法同样没有放之四海而皆准的通用标准,应根据项目具体情况具体对待。但共识度最高的一条是,如果存在特高品位集中区段,则需要圈定其范围独立估算。针对空间上离散分布的特高品位,除非估算方法本身能够消除特高品位的影响,否则应该进行特高品位处理,常用的处理方法包括:
1-替代法:用单工程或块段平均品位、品位中值或者基于生产实际而选择的一个固定值去替代样本群中的特高品位;替代后这些样本的品位不再是样本群的最高值。
2-截止法(cutting, capping, clipping):用特高品位的下限值替换样本群内所有的特高品位,替代后这些样本的品位仍然是样本群的最高值,故称之为截止。需要特别指出的是,根据具体情况可对原始样品进行处理,亦可对等长度加权组合的样品进行处理;对于样品长度变化不一的样本群,后者更加合理。为此有的软件增加了对特高品位和特低品位同时截止处理的功能,而不用对原始数据进行手工修改。
3-限制法(restriction):限制特异品位的影响空间,比如设定更小的搜索距离来约束这些样本对块模型的插值范围。特殊情况下可以将截止法和限制法结合,甚至先以特高品位下限值进行替换,再设定一个更低的“限制品位”来约束其影响范围。
4-舍弃法(discard):舍弃该样品的品位值,千万慎用,绝不能以零来替换。
合理性检验
资源量估算过程中须对特高品位处理的合理性进行检验,这通常是一项反复迭代的复杂工作。对处理结果的合理性检验同样没有一统江湖的标准,也须因矿而宜,常用的原则性(非定量)判断依据包括:
品位变化系数在一定程度上降低(请注意特低品位对变化系数的影响,建议二者联动分析和处理),更加契合优选的估算方法,处理后样本群算术平均品位小于且接近西舍尔估值;获得更好的估值参数效果,如克立格方差KV、克立格效率KE、回归斜率SoR等参数的改良,建议和KNA分析并行开展;获得更好的局部验证和/或全局验证效果;
金属量变化的考量,比如处理后贵金属矿种的金属量损失≤处理前总金属量的10%,或者≤[处理前总金属量的10%+最高品位对应的金属量];
在产项目以实际生产数据和经验来检验并指导未来资源量估算工作。
简评
特高品位处理是资源量估算中非常重要的环节,但在我国的矿业实践中并未提到应有的高度,也没有得到应有程度的重视。工作中应根据项目、数据、估算方法等具体情况,因矿而宜来选择合适的确定和处理的方法。原则上讲,如下核心四步是不可简单逾越的:确认是采样点的合理化验品位,判断其存在并确定特高品位,选择合理的处理方法,检验处理结果是否合理。
特高品位,绝不可一刀切了之。
参考资料:
1. Parrish, Geologist&
#39;s Gordian Knot: to Cut or Not to Cut, Mining Engineering, Vol. 49, 1997.
2. O. Leuangthong and M. Nowak, Dealing with high-grade data in resource estimation,the Joural of the Southern African Institute of Mining and Meatallurgy, 2015.
3. Erik C. Ronald, Introduction to Exploratory Data Analysis (EDA) using Excel,Mining Geology HQ Guidebook, 2016.
4. Sung-Min Kim, Yosoon Choi, Hyeong-Dong Park, New Outlier Top-Cut Method for Mineral Resource Estimation via 3D Hot Spot Analysis of Borehole Data, 2018.
5. RPA and Barrick workshop material, Assay Statistics – Grade Capping, 2018.
6. 固体矿产地质勘查规范总则, GB/T 13908 – 2020, 2020.