转公众号已发文章：https://mp.weixin.qq.com/s/oRzDLi6w7Icu8KTyLXjEig

论文标题：Optimizing Drilling in Brownfield Ni-Cu Depositional Systems Based on the Integration of Geochemical, Geophysical and Drill-Hole Data

论文链接：https://doi.org/10.3390/min16010082

期刊名：Minerals

期刊主页：https://www.mdpi.com/journal/minerals

在已知矿床附近寻找新矿体，好比在熟悉的街区寻找隐藏的宝藏，虽有线索，但盲目开挖可能血本无归。矿产勘探中的钻孔作业极其昂贵且充满不确定性。近期，来自斯坦福大学的 Céline Scheidt博士及其团队在 Minerals 期刊发表文章，提出了一种以信息增益为导向的钻孔序列优化框架，不仅能够显著提高钻孔布设效率，还可在勘探早期有效控制风险，为高成本钻探决策提供科学依据。

研究方法

研究团队开发了一套结合地球化学、地球物理和已有钻孔数据的智能决策方法技术流程。其核心是利用“信息有效性”指标，量化每个潜在钻孔带来的信息价值。该方法首先从已充分勘探的相邻区域学习地质规律，构建出新目标区矿体形态和品位等多种先验模型。然后，系统评估不同候选钻孔对降低资源品位与吨位不确定性的预期贡献，从而优先选择那些“性价比”最高的点位进行钻探。

研究者将这套方法应用于巴西库拉萨河谷的一个实际案例。他们利用已探明异常区 (A1) 的数据，成功指导了相邻未知区 (A3) 的钻探决策。结果表明，该方法能有效利用先验地质知识，在勘探早期显著提高靶区定位效率，降低资源估算的不确定性，为“棕地”(即已开发区域) 勘探提供了更科学、经济的决策工具。

图：针对新区侵入体与镍品位的不确定性建模的建议步骤

研究过程与结果

数据继承与学习

研究区包含三个地球化学异常区 (A1，A2，A3)，其中A1和A2已进行大量勘探。第一步是判断哪个已知区的数据对预测A3最有价值。通过对比地球物理 (反演密度、磁化率) 和土壤地球化学勘探数据，研究发现A1区与A3区在密度和镍含量关系上高度相似，而磁化率数据则无此关联，因此确定以A1作为训练区。

构建先验模型

研究分两步构建A3的勘探远景区：

•侵入体模型：利用A1区已知的侵入体形态和密度反演数据，通过贝叶斯公式学习“高密度意味着高侵入概率”的关系，并将此关系应用于A3的密度数据，生成A3的侵入体概率模型。

•镍品位模型：利用A1的土壤地球化学数据 (特别是Ni/Fe比值) 与浅层钻孔品位数据的关系，建立预测模型。研究发现，这种关联仅在浅层 (约300米以浅) 有效，因此对浅层和深层采用了不同的建模策略。

计算“信息价值”

研究团队生成了500个可能的A3地下模型 (涵盖侵入体和镍品位)。接着，设定了9个候选钻孔位置。核心创新在于计算每个钻孔的“信息有效性”：通过对每个候选孔位进行“虚拟”钻探模拟，会得到一系列可能的钻孔岩芯数据；然后评估这些“虚拟数据”能多大程度地缩小对关键目标 (如矿石吨位和平均品位) 的不确定性。

优化选择与验证

•计算结果显示，不同钻孔对减少“吨位不确定性”和“品位不确定性”的贡献不同。例如，位于高密度区域内部的钻孔 (如#2，#3，#5) 对约束吨位最有效；而位于密度模型边界附近的钻孔 (如#1，#7，#9) 对约束品位更关键。

•综合权衡后，研究选择#3号孔作为首钻最优位置。为了验证流程，他们假设其中一个先验模型是“真实”的，从中提取了#3号孔的“合成观测数据”。

•利用这第一个孔的“观测结果”，研究更新了所有先验模型，使其符合新数据。在此基础上，再次计算信息有效性，成功识别出#7号孔为下一个最具信息价值的钻探点。更新后的不确定性范围与假设的“真实”模型在#7号孔的表现一致，初步验证了方法的合理性。

图：研究区示意图，三个目标异常及土壤地球化学采样点分布。

研究总结

这项研究为矿产勘探，尤其是数据相对有限的“棕地”勘探，提供了一套强有力的数据驱动决策框架。它不再依赖于单一的地质解释模型，而是通过生成大量涵盖不确定性的先验模型，并量化每个钻孔的预期信息增益，来实现勘探序列的智能化、最优化。

方法的精髓在于融合与量化：

•多源数据融合：巧妙地将地球物理、地球化学和稀疏钻孔数据在同一统计学框架下结合，充分利用了不同数据的优势。

•不确定性量化：全程以概率分布的形式表达对地下认知的不确定性，使决策建立在坚实的风险评估基础上。

•信息价值量化：引入信息有效性指标，将“哪个钻孔最能解惑”这个问题转化为可计算、可比较的数值，让钻探投资花在“信息刀刃”上。

该框架不仅适用于文中研究的镍铜矿系统，其核心思想——利用已知知识指导未知区域的顺序探索、并量化每一步决策的信息回报——可广泛适用于其他矿产资源甚至其他领域的勘探活动。它标志着矿产勘探正从依赖经验的“艺术”，转向基于数据和模型的“科学”，有望在降低勘探风险、节约成本方面发挥重要作用。

Minerals 期刊介绍

主编：Prof. Dr. Leonid Dubrovinsky, University Bayreuth, Germany

期刊研究范围涵盖矿物学、矿物地球化学和年代学、经济矿物资源、矿物勘探、创新的采矿技术以及矿物加工等广泛领域。期刊现已被SCIE、Scopus等数据库收录。

2024 Impact Factor: 2.2

2024 CiteScore: 4.4

Time to First Decision: 17.7 days

Acceptance to Publication: 2.6 days