Geostatistical support for categorization of metal ore resources in Poland

The authors attempted to introduce some components of the Australasian JORC Code system to the categorization of Polish Cu-Ag and Zn-Pb ore resources. The proposed geostatistical method of resource categorization applies two criteria: continuity of deposit parameters described by semivariograms and permissible, relative standard error of resources estimation determined with the ordinary kriging procedure. Considering the first criterion, we propose the following values of autocorrelation coefficients, which define the ranges (distances) of the resources categories around the measurement sites (e.g., exploration wells): “measured” category (A + B in the Polish system) – the values of the autocorrelation coefficient from 1 to 2/3, “indicated” category (C₁ in the Polish system) – the values of the autocorrelation coefficient from 2/3 to 1/3, “inferred” category (partly C₂ in the Polish system) – the values of the autocorrelation coefficient from 1/3 to 1/20, “out-of-doors” category (partly D in the Polish system) – the values of autocorrelation coefficient from 1/20 to 0. The second criterion of resources categorization is based upon the relative, standard errors of resources estimations calculated for the parts of deposit defined with the first criterion. The following permissible values of errors determined as the errors of ordinary kriging have been proposed: “measured” category (A + B in the Polish system) – 10% error, “indicated” category (C₁ in the Polish system) – 30% error, “out-of-doors” category (partly D in the Polish system) – 50% error. [...]

METADATA IN OTHER LANGUAGES:

Polish

Geostatystyczne wspomaganie kategoryzacji zasobów polskich złóż rud metali

kategoryzacja zasobów, rudy metali, semiwariogram, JORC Code

W artykule podjęto próbę włączenia pewnych elementów australijskiego systemu raportowania zasobów JORC Code do kategoryzacji polskich złóż Cu-Ag i Zn-Pb. Zaproponowano geostatystyczną metodę kategoryzacji uwzględniającą dwa kryteria: ciągłość parametrów zasobowych opisywaną za pomocą semiwariogramów oraz dopuszczalny relatywny, standardowy błąd oszacowania zasobów określany przy zastosowaniu procedury krigingu zwyczajnego. Według pierwszego kryterium uznano, że do poniżej wymienionych kategorii mogą być zakwalifikowane zasoby wokół punktów rozpoznania (np. otworów wiertniczych) w zasięgach odległości spełniających następujące warunki: kategoria measured (A + B wg polskiej klasyfikacji) – współczynnik autokorelacji przyjmuje wartości z przedziału: od 1 do 2/3, kategoria indicated (C₁ wg polskiej klasyfikacji) – współczynnik autokorelacji przyjmuje wartości z przedziału: od 2/3 do 1/3, kategoria inferred (częściowo C₂ wg polskiej klasyfikacji) – współczynnik autokorelacji przyjmuje wartości z przedziału: od 1/3 do 1/20, zasoby poza wymienionymi kategoriami (częściowo D wg polskiej klasyfikacji) – współczynnik autokorelacji przyjmuje wartości z przedziału od 1/20 do 0. Jako drugie kryterium warunkujące zaliczenie partii zasobów do danej kategorii przyjęto wielkość relatywnych, standardowych błędów oszacowań zasobów w obszarach złoża przyporządkowanym kategoriom według pierwszego kryterium. Dla poszczególnych kategorii rozpoznania zaproponowano następujące dopuszczalne wielkości błędów wyznaczanych jako błędy krigingu zwyczajnego: kategoria measured (A + B wg polskiej klasyfikacji) – 10%, kategoria indicated (C₁ wg polskiej klasyfikacji) – 20%, kategoria inferred (C₂ wg polskiej klasyfikacji) – 30%, zasoby poza wymienionymi kategoriami (D wg polskiej klasyfikacji) – 50%. [...]

REFERENCES (9)

Arik, A. 2002 – Comparison of Resource Classification Methodologies With a New Approach. 30th APCOM Symposium Proceedings, Phoenix, Arizona, pp. 57–64.

Google Scholar

Mwasinga, P.P. 2001 – Approaching resource classification: General practices and the integration of geostatistics. Computer Applications in the Minerals Industries, Xie, Wang&Jiang eds, Swets&Zeintlinger, Lisse, pp. 97–104.

Google Scholar

Nieć, M. 2009. Polska i Międzynarodowa Ramowa Klasyfikacja Zasobów (UNC F) złóż kopalin stałych i węglowodorów podobieństwa i różnice. Górnictwo Odkrywkowe R. L, No. 2–3, pp. 50–57 (in Polish).

Google Scholar

Nieć et al. 2012 – Nieć, M. (red.), Mucha, J., Sobczyk, E.J. and Wasilewska-Błaszczyk, M. 2012. Metodyka dokumentowania złóż kopalin stałych. Cz. IV – Szacowanie zasobów. Ministerstwo Środowiska, NFOŚiGW, Kraków, 241 pp.

Google Scholar

Silva, D.S.F. and Boisvert, J.B. 2014. Mineral resource classification: a comparison of new and existing techniques. The Journal of the Southern African Institute of Mining and Metallurgy Vol. 114, pp. 265–273.

Google Scholar

Sinclaire, A.J. and Blackwell, G.H. 2002 – Applied Mineral Inventory Estimation. Cambridge University Press, 381 pp.

Google Scholar

Sobczyk, E.J. and Saługa, P.W. 2013 – Coal resource base in Poland from the perspective of using the JORC CO DE. Proceedings of the 23rd World Mining Congress, 235, Montreal, Canada, pp. 1–12.

Google Scholar

Souza et al. 2009 – de Souza, L.E., Costa, J.F.C.L. and Koppe, J.C. 2009. A Geostatistical Contribution to Assess the Risk Embedded in Resource Classification Methods. Iron Ore Conference Perth, WA, 27–29 July 2009, pp. 1–10.

Google Scholar

The JORC Code (2012 edition) – Australasian Code for Reporting of Exploration Results, Mineral Resources and Ore Reserves prepared by The Australasian Institute of Mining and Metallurgy (AusIMM), Australian Institute of Geoscientists and Minerals Council of Australia.

Google Scholar

Submit your paper

For Authors

eISSN:	2299-2324
ISSN:	0860-0953