Schlussbericht - TU Bergakademie FreibergSchlussbericht nach Nr. 3. 2 BNBest-BMBF 98 1 Technische Universität Bergakademie Freiberg Freiberg, 31.03.2014 Schlussbericht nach Nr. 3.2

T U B e r g a k a d e m i e F r e i b e r g , I n s t i t u t f ü r M a r k s c h e i d e w e s e n u n d G e o d ä s i e

2014

Schlussbericht Verbundprojekt 1.2: „Integriertes Lagerstät-

tenmanagement“ Dipl.-Geoinf. André John

Dipl.-Geoinf. Corinna Minnecker

Dr.-Ing. habil. Ralf Donner

Innovative Braunkohlen Integration in Mitteldeutschland – ibi

Das diesem Bericht zugrunde liegende Vorhaben wurde mit den Mitteln des Bun-desministeriums für Bildung und Forschung unter dem Förderkennzeichen 03WKBZ01B gefördert. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt beim Autor. 20

14

Schlussbericht nach Nr. 3.2 BNBest-BMBF 98 1

Technische Universität

Bergakademie Freiberg

Freiberg, 31.03.2014

Schlussbericht nach Nr. 3.2 BNBest-BMBF 98

ZE:

TU Bergakademie Freiberg

Fakultät für Geowissenschaften,

Geotechnik und Bergbau

Institut für Markscheidewesen und Geodäsie

Förderkennzeichen:

03WKBZ01B

Vorhabenbezeichnung:

Wachstumskern:

„Innovative Braunkohlen-Integration in Mitteldeutschland – ibi“

Verbundprojekt VP1: „Integriertes Lagerstättenmanagement“ TP 1.2: Geostatistische Simulation von Sedimentlagerstätten mit Mehrfachkorrelation

Laufzeit des Vorhabens:

01.04.2011 - 31.03.2014

Berichtszeitraum:

01.04.2011 - 31.03.2014

Ziel des Verbundprojektes VP1:

Das von der MIBRAG mbH und dem Institut für Markscheidewesen und Geodäsie der TU Berg-akademie Freiberg gemeinsam bearbeitete Verbundprojekt VP1 beinhaltet im Kern die Opti-mierung und die Entwicklung neuer Verfahren und Algorithmen in einem „integrierten Lager-stättenmanagement“, welches eine optimale Erkundung und Abbauplanung unter Berücksich-tigung der geologischen Unsicherheit der struktur- und qualitätsbeschreibenden Lagerstät-tenmerkmale für eine hochselektive Gewinnung mehrerer Braunkohlesorten gewährleistet.




Inhalt

I. Teil – Kurzdarstellung

1. Aufgabenstellung

2. Voraussetzungen unter denen das Vorhaben durchgeführt wurde

3. Planung und Ablauf des Vorhabens

4. Wissenschaftlicher und technischer Stand, an den angeknüpft wurde

5. Zusammenarbeit mit anderen Stellen

II. Teil – Eingehende Darstellung

1. Verwendung der Zuwendung und erzielte Ergebnisse

2. Wichtigste Positionen des zahlenmäßigen Nachweises

3. Notwendigkeit und Angemessenheit der geleisteten Arbeit

4. Verwertbarkeit der Ergebnisse

5. Fortschritte auf dem Gebiet des Vorhabens bei anderen Stellen

6. Erfolgte und geplante Veröffentlichungen der Ergebnisse

Anhang - Literaturliste




I. Teil - Kurzdarstellung 1. Aufgabenstellung

Das Ziel der im ibi-Wachstumskern kooperierenden Partner war es, alternative Kohlenwasser-stoffquellen für die chemische Industrie als Substitutionen für Öl und Gas nachhaltig und preis-wert zur Verfügung zu stellen. Daraus resultieren signifikant höhere Anforderungen an die Qua-litätsparameter des Ausgangsmaterials Braunkohle und deren Genauigkeit. Für die Bereitstel-lung von mehr Kohlesorten mit schmalen Parameterbereichen ist eine wesentlich selektiver arbeitende Gewinnungstechnologie notwendig und für deren Steuerung ein verfeinertes, inte-griertes, Lagerstättenmanagement. Das bedeutet, zukünftig bedarf es neuer Ansätze für das Lagerstättenmanagement, da die bisher genutzten Verfahren der Vorhersage der Lagerstätten-parameter den Anforderungen für eine hoch-selektive Gewinnung nicht mehr gerecht werden. Der Grund dafür ist, dass diese Methoden die natürliche Variabilität der interessierenden La-gerstättenattribute und die daraus resultierenden Ungenauigkeiten lokaler Vorhersagen nicht berücksichtigen.

Im Rahmen des ibi - Verbundprojektes VP1 "Integriertes Lagerstättenmanagement" sollte das bestehende Defizit der fehlenden Berücksichtigung der natürlichen Variabilität beim Lagerstät-tenmanagement durch den Einsatz moderner geostatistischer Simulations- und mathemati-scher Optimierungsmethoden in einem „Integrierten Lagerstättenmanagement“ beseitigt wer-den. Für die Berücksichtigung der Unsicherheiten im Planungsprozess waren folgende Aufgaben zu bearbeiten:

Entwicklung, Implementierung und Prüfung eines Ansatzes für die unsicherheitsbasierte Modellierung von komplexen, sedimentartig ausgebildeten Lagerstätten auf Basis geo-statistischer Simulationsverfahren.

1. Ermittlung der Grenzen und Möglichkeiten bereits existierender Simulationsver-fahren

2. Entwicklung/Weiterentwicklung und Implementierung eines mathematischen Ansatzes für die geostatistische Simulation

3. Entwicklung eines Konzepts für den Aufbau komplexer 3D-Lagerstättenmodelle

4. Schätzung von Modellparametern aus der Analyse von Explorationsdaten

5. Prüfung und Kalibrierung des entwickelten Konzepts in einem bekannten Umfeld und Anwendung auf eine aktuelle Lagerstätte

Entwicklung, Implementierung und Prüfung eines Ansatzes für die automatisierte Ab-bauplanungsoptimierung, unter Berücksichtigung der Unsicherheit der geologischen Struktur- und Qualitätsmerkmale, auf Grundlage der Methoden der mathematischen Optimierung.

1. Analyse der Methoden der mathematischen und kombinatorischen Optimierung und Auswahl eines geeigneten Optimierungsansatzes

2. Entwicklung eines Optimierungsmodells zur Abbauplanungsoptimierung unter Berücksichtigung geologischer Unsicherheiten




3. Implementierung des Optimierungsmodells

4. Prüfung und Kalibrierung des entwickelten Optimierungsmodells in einem be-kannten Umfeld und Anwendung auf eine aktuelle Lagerstätte

Sensitivitätsanalyse der Eingangsparameter und Anwendung

Umsetzung der Forschungsergebnisse zur unsicherheitsbasierten Lagerstätten-modellierung und Abbauplanungsoptimierung zu einem industriekonformen Workflow

2. Voraussetzungen, unter denen das Vorhaben durchgeführt wurde

Das Verbundprojekt VP1 wurde durch die TU Bergakademie Freiberg und der MIBRAG mbH gemeinsam bearbeitet. Für die Durchführung der umfangreichen Forschungsarbeiten standen an der TU Bergakademie Freiberg bis auf die Grundausstattung der Hochschule weder Mittel noch Personal zur Verfügung. Daher wurden an der TU Bergakademie Freiberg für die gesamte Projektlaufzeit eine volle und eine halbe Wissenschaftlerstelle geschaffen, welche zu 100% vom BMBF finanziert wurden. Die halbe Stelle wurde dann ab Juli 2013 für die verbleibende Projekt-laufzeit von 9 Monaten auf eine volle Stelle aufgestockt, da die Bearbeitung der geplanten Auf-gaben aufgrund ihrer Komplexität mehr Zeit in Anspruch genommen hat. Dies war in der Phase des Projektantrages nicht absehbar. Die für die Durchführung der Forschungsarbeiten notwen-dige technische Ausstattung, in Form von spezieller Rechentechnik und Software, sowie Dienst-reisen wurden ebenfalls über die bewilligten Projektmittel finanziert.

Für die Bearbeitung der einzelnen Aufgaben konnte auf Erfahrungen aus bisherigen Arbeiten der TU Bergakademie Freiberg zur geostatistischen Simulation, zur Datenanalyse und Schätzung der Modellparameter, zur geostatistischen Vorhersage, zur Berücksichtigung kreuzkorrelierter Beobachtungen, sowie zur Messstellenplanung und optimalen Erkundung zurückgegriffen wer-den.

3. Planung und Ablauf des Vorhabens

Abbildung 1: ibi - Prozesskette

Das Verbundprojekt VP1 „Integriertes Lagerstättenmanagement“ ist das erste der sechs eng miteinander verzahnten Verbundforschungsprojekte (Abb. 1). Die Leitung des Verbund-projektes VP1 wurde durch die MIBRAG mbH übernommen.

VP1-Projektleiter: Dipl.-Ing., Dipl.- Kfm (FH), Markscheider Oliver Lohsträter

MIBRAG mbH




Das Verbundprojekt VP1 umfasste 2 Teilprojekte:

TP 1: MIBRAG mbH - Entwicklung einer Consultingleistung zur Abbauplanungsoptimierung unter geologischer Unsicherheit auf der Grundlage von Methoden zur geostatistischen Simula-tion der geologischen Struktur- und Qualitätsattribute sedimentartig ausgebildeter Lagerstät-ten.

Projektleitung: Dipl.-Ing., Dipl.- Kfm (FH), Markscheider Oliver Lohsträter

MIBRAG mbH

TP 2: TU Bergakademie Freiberg - Entwicklung, Implementierung und Prüfung eines Konzep-tes zur Abbauplanungsoptimierung unter geologischer Unsicherheit auf der Grundlage von Me-thoden zur geostatistischen Simulation der geologischen Struktur- und Qualitätsattribute sedi-mentartig ausgebildeter Lagerstätten.

Projektleitung: Prof. Dr.-Ing. habil. Anton Sroka



Professor Sroka hat die Administration des Teilprojektes an:

Priv.-Doz. Ralf Donner



übertragen, 2013 wurde er emeritiert.

Wissenschaftlich wurde das Projekt durch

Herrn Dr.-Ing. Jörg Benndorf (TU Delft) sowie

Herrn Prof. em. Dr.-Ing. Joachim Menz

im Auftrag der MIBRAG mbH betreut.

Die Aufgaben des Verbundprojektes wurden in vier Arbeitspakete (AP) gegliedert, welche in beiden Teilprojekten hinsichtlich der Titel und Ergebnisse gleich sind und sich nur bezüglich der Aufgaben unterscheiden. In Abbildung 2 erfolgt eine detaillierte Darstellung der Aufgaben se-parat für jedes Teilprojekt.




AP 1: Entwicklung eines Simulationsalgorithmus zur Anwendung auf sedimentartig ausgebil-dete Lagerstätten

AP 2: Entwicklung eines automatisierten Planungsalgorithmus auf der Grundlage der

mathematischen Optimierung

AP 3: Sensitivitätsanalyse der Eingangsparameter und Anwendung

AP 4: Umsetzung der Forschungsergebnisse

Die Überprüfung von Zwischenergebnissen erfolgte durch zwei vorab definierte Meilensteine (MS), die das Erreichen von Teilzielen markierten:

MS 1: Entwicklung eines Algorithmus zur Simulation sedimentartig ausgebildeter Lagerstätten

MS 2: Entwicklung eines automatisierten Planungsalgorithmus auf der Grundlage der

mathematischen Optimierung




Abbildung 2: aktueller Arbeitsplan (Stand 31.12.2013)




Das praxisgebundene Forschungsvorhaben im Verbundprojekt VP1 erforderte in allen Arbeits-paketen eine enge Verzahnung der Aufgaben zwischen den Kooperationspartnern. Die TU Bergakademie Freiberg übernahm im Verbundprojekt VP1 den Teil der wissenschaftlichen Grundlagenarbeit, die Implementierung der entwickelten Ansätze sowie den experimentellen Teil der Optimierung der Algorithmen im integrierten Lagerstättenmanagement. Die MIBRAG mbH begleitete die TU Bergakademie Freiberg in allen Phasen des Projektablaufes bei der Veri-fizierung der neu entwickelten Verfahren und Ansätze unter Anwendung dieser in den Berei-chen der Lagerstättenmodellierung, der markscheiderischen Betriebskontrolle, der Tagebau-planung und in der Rohstoffökonomie.

In den Teilpaketen des Arbeitspaktes 1 - 4 musste die ursprüngliche Arbeitsplanung im Verlauf der Pro-jektlaufzeit angepasst werden. Alle Änderungen wurden im Rahmen der halbjährigen Zwischenberichte angezeigt. Die durchgeführten Anpassungen der Arbeits- bzw. Zeitplanung lassen sich darüber hinaus mit Hilfe des aktuellen Arbeitsplans (Stand: 31.12.2013) nachvoll-ziehen.

Die wesentlichen Gründe für die Notwendigkeit der Anpassungen waren:

Aufgaben der Projektkoordination bei der ursprünglichen Arbeits- bzw. Zeitplanung wurden nicht berücksichtig,

zusätzlich, in der Phase des Projektantrages nicht absehbare Arbeiten, die Bearbeitung der geplanten Aufgaben nahm aufgrund ihrer Komplexität mehr Zeit in

Anspruch, aufgrund der engen Verzahnung der Aufgaben wurden verschiedene Teilpakete parallel

bearbeite, d.h. die ursprüngliche geplante schrittweise aufeinanderfolgende Abarbei-tung der Teilaufgaben konnte so nicht umgesetzt werden,

gegenseitige Abhängigkeit der Bearbeitung einzelner Teilpakete.

Für die Erreichung der wesentlichen Ziele des Vorhabens innerhalb der Projektlaufzeit hatten diese Anpassungen jedoch keine negativen Auswirkungen. Jedoch musste der Umfang der in der Projektlaufzeit zu bearbeitenden Aufgaben für die Fragestellungen der Abbauplanung redu-ziert werden, da sich diese als sehr komplex erwiesen. Die Forschungsarbeiten zeigten, dass für die Lang- und Kurzfristplanung separate Optimierungsaufgaben formuliert werden müssen. Die Optimierungsaufgaben bauen aufeinander auf, d.h. erst nachdem die Langfristplanung erfolg-reich angewendet wurde, kann mit der Übertragung des Konzeptes auf die Kurzfristplanung begonnen werden. Die Entwicklung, Implementierung und Prüfung eines Konzeptes für die Op-timierung der Abbauplanung auf Basis der geologischen Unsicherheit wurde daher nur für die Langfristplanung umgesetzt. Die Übertragung der Algorithmen und Methoden auf die besonde-ren Erfordernisse der Kurzfristplanung konnte im Projektzeitraum nicht erreicht werden. Diese Einschränkung hatte auch Einfluss auf die Bearbeitung des Teilpaketes 3.1 (Analyse der Block-größen-Selektivität) des Arbeitspaketes 3 (Sensitivitäts-analyse der Eingangsparameter und Anwendung), da die Selektivität unterschiedlicher Blockgrößen erst im Rahmen der Kurzfrist-planung von Interesse ist.

4. Wissenschaftlicher und technischer Stand, an den angeknüpft wurde

Eine hochselektive Gewinnung, so wie sie im ibi - Verbundprojekt VP2 konzipiert werden sollte, gab es noch nicht. Ebenso fand man in der Literatur keine Arbeiten, aus denen die damit ver-bundenen Anforderungen an das Lagerstättenmanagement entnommen werden konnten. Die-se mussten im beantragten Verbundprojekt VP1 erst erarbeitet werden. Dagegen konnte in der




Dissertation Benndorf, 2009 bereits gezeigt werden, dass der Einsatz der geostatistischen Simu-lation zur Berücksichtigung der Variabilität von Braunkohlenlagerstätten vielversprechend ist. Ausgehend von den guten Erfahrungen, die mit der geostatistischen Simulation im Erzberg-bau gemacht worden sind (Benndorf und Dimitrakopoulos, 2007, 2009; Boucher und Dimitrakopou-los, 2007; Dimitrakopoulos, 2007, 2009) wurde in der Dissertation Benndorf, 2009 die Über-tragbarkeit dieser Verfahren unter dem Aspekt der besonderen Bedingungen des Braunkohlen-bergbaus diskutiert. In der Arbeit wird an zahlreichen Fallstudien demonstriert, welche Vorteile das Verfahren für die Entscheidungsfindung zur Braunkohlengewinnung unter geologischer Unsicherheit bietet.

Den Ausgangspunkt der Forschungsarbeiten des Verbundprojektes VP1 für eine unsicherheits-basierte Lagerstättenmodellierung bildeten die umfangreichen Erfahrungen aus bisherigen Ar-beiten der TU Bergakademie Freiberg zur geostatistischen Simulation, zur Datenanalyse und Schätzung der Modellparameter, zur geostatistischen Vorhersage, zur Berücksichtigung kreuz-korrelierter Beobachtungen, sowie zur Messstellenplanung und optimalen Erkundung und ver-öffentlichte geostatistische Verfahren und Softwareentwicklungen der führenden Zentren für Geostatistik. Die Open Source-Software SGeMS (Stanford Geostatistical Modeling Software) sowie dass von Prof. Thomas Mejer am Niels Bohr Institut in Dänemark entwickelte SGeMS-Matlab Interface bildeten die Entwicklungsplattform für unsere Forschungsarbeiten. Die Soft-ware SGeMS bietet bereits eine intuitive graphische Benutzeroberfläche, ein interaktives 3D-Visualierungstool sowie eine große Auswahl bereits implementierter Algorithmen. SGeMS bie-tet sich aufgrund der guten Erweiterungsmöglichkeiten, durch den integrierten Plug-In-Mechanismus, als Basis für eigene Entwicklungen an.

Die theoretischen Grundlagen für die Forschungsarbeiten hinsichtlich eines Konzeptes zur Pla-nungsoptimierung auf der Basis der mathematisch-stochastischen und kombinatorischen Opti-mierung bildeten die verschiedenen Ansätze der mathematischen Optimierung, sowie die in der Literatur beschriebenen Ansätze für die Anwendung (Johnson, 1968, Whittle, 2005, Benn-dorf und Dimitrakopoulos, 2009, Dimitrakopoulos und Ramazan, 2004, Benndorf, 2009). In der Dissertation Benndorf, 2009 wurde der Stand der Wissenschaft und Technik hinsichtlich der Optimierung der lang- und kurzfristigen Abbauplanung unter geologischer Unsicherheit be-schrieben und bewertet, sodass diese Arbeit die Grundlage bildet, von der im Verbund-projekt VP1 auszugehen war. Für die Implementierung der entwickelten Optimierungsmodelle wurde die kommerzielle Optimierungssoftware ILOG CPLEX eingesetzt, da diese im industriellen Um-feld den Standard zur Lösung von Optimierungsaufgaben darstellt.

Neben dem Studium von Grundlagenliteratur der Geostatistik und der mathematischen Opti-mierung wurden einschlägige Fachzeitschriften und Datenbanken im Rahmen der Literatur-recherche zu existierenden Simulations- und Optimierungsalgorithmen genutzt, um eine An-knüpfung der Forschungsarbeiten an den aktuellen Stand der Wissenschaft und Technik des Forschungsbereiches sicherzustellen. Beispielhaft seien die nachfolgenden Quellen (Grundla-genliteratur, Fachzeitschriften, Datenbanken) genannt:

Grundlagenliteratur:

H. Akin, H. und Siemes: Praktische Geostatistik - Eine Einführung für den Bergbau und die Geowissenschaften, Springer-Verlag, Berlin, 1988.




A. G. Journel und C. J Huijbregts: Mining Geostatistics, Academic Press, London, 1978. P. Goovaerts: Geostatistics for Natural Resources Evaluation, Oxford, University Press,

New York, 1997. T. Unger und S. Dempe: Lineare Optimierung: Modell, Lösung, Anwendung, Vie-

weg+Teubner Verlag/GWV Fachverlage GmbH, Wiesbaden, 2010 A. Scholl: Robuste Planung und Optimierung: Grundlagen - Konzepte und Methoden -

experimentelle Untersuchungen, Physica-Verlag HD, 2001 J.R. Birge und F. Louveaux: Introduction to Stochastic Programming, Springer-Verlag,

Berlin, 2011

Fachzeitschriften:

Mathematical Geology Computers & Geosciences Mathematical Geosciences International Journal of Coal Geology International Journal of Mining, Reclamation and Environment Transactions of the Institutions of Mining and Metallurgy, Section A: Mining Technology Journal of the Operational Research Society

Datenbanken:

Bundesanstalt für Geowissenschaften und Rohstoffe (BGR) - www.bgr.bund.de BERG Bergbau (WTI Frankfurt) - http://tecfinder.fiz-technik.de OneMine (the online global mining and minerals library) - www.onemine.org GeoRef (American Geological Institute) GEOBASE (Elsevier Science) - www.engineeringvillage.com ISI Web of Science (Thomson Reuters) - http://apps.isiknowledge.com SciVerse SCOPUS (Elsevier) - www.scopus.com GeoScienceWorld - www.geoscienceworld.org




5. Zusammenarbeit mit anderen Stellen

Zur Realisierung der definierten Arbeitsziele war eine enge Zusammenarbeit zwischen den bei-den Verbundprojektpartnern in der gesamten Projektlaufzeit notwendig. Zum fachlichen Ab-gleich und zur Bewertung der Zwischenergebnisse in der laufenden Forschung sowie zur Wahr-nehmung administrativer Aufgaben innerhalb der Projektarbeit wurden monatlich Arbeitstref-fen unter Teilnahme des Verbundprojektleiters und den Mitarbeitern aus den beiden Teilpro-jekten durchgeführt. Bei Bedarf wurden außerdem Telefonkonferenzen zum fachlichen Ab-gleich der Projektarbeit durchgeführt. Für die effektive Zusammenarbeit zwischen den Ver-bundprojektpartnern wurde in der MIBRAG mbH eine IT-Datenaustauschplattform geschaffen, welche das Projektmanagement auf Distanz hinsichtlich des Austausches, der Verwaltung und der Ablage von Daten, Zwischenergebnissen, Berichten und administrativen Unterlagen we-sentlich vereinfacht hat.

Darüber hinaus wurden die Forschungsarbeiten zum Verbundprojekt VP1 durch Herrn Dr.-Ing. Jörg Benndorf (TU Delft, Faculty of Civil Engineering and Geosciences) und Herrn Prof. Dr.-Ing. Joachim Menz (TU Bergakademie Freiberg, Institut für Markscheidewesen und Geodäsie) koor-diniert und fachlich begleitet.

Für die fachliche Begleitung der Entwicklung eines Konzeptes zur Abbauplanungsoptimierung konnte darüber hinaus Prof. Dr. Stephan Dempe vom Institut für Numerische Mathematik und Optimierung der TU Bergakademie Freiberg gewonnen werden.

Des Weiteren fand ein Austausch mit der Firma Geovariances in Avon (49bis avenue Franklin Roosevelt, BP 91, 77212 AVON Cedex, FRANCE) statt. Geovariances entwickelt die kommerzielle Geostatistik Software Isatis. Die Software Isatis wurde im Rahmen der Projektarbeit zur Daten-analyse benötigt und darüber hinaus für vergleichende Vorhersagen und Simulationen genutzt. Im Rahmen eines 5-tägigen Seminars konnten verschiedene Aspekte der Datenanalyse sowie der Lagerstättenmodellierung diskutiert werden.

Außerdem fand ein Austausch mit den Bearbeitern des Verbundprojektes VP2 „Hochselektive Braunkohlengewinnung“ am Institut für Bergbau und Spezialtiefbau der TU Bergakademie Frei-berg statt.




II. Teil – Eingehende Darstellung 1. Verwendung der Zuwendung und erzielte Ergebnisse

Der wesentliche Teil der Zuwendung wurde für Personalausgaben verwendet. Diese Ausgaben spiegeln sich in den erzielten Ergebnissen der Arbeitspakete wieder. Die Investitionen in Re-chentechnik und Software waren für die Realisierung der entwickelten Verfahren und Konzep-te, für die Datenanalyse, für vergleichende Vorhersagen und Simulationen, für Visualisierungen der Modellergebnisse und zur Quantifizierung von Parallelisierungseffekten bei der Verfah-rensimplementierung in den verschiedenen Bearbeitungsphasen notwendig. Die entstandenen Reisekosten resultieren aus den notwendigen Projekttreffen zwischen den Verbundprojekt-partnern, sowie aus der Teilnahme an wissenschaftlichen Fachtagungen, welche als Plattfor-men für die Präsentation von Forschungsergebnissen genutzt wurden.

Die nachfolgenden Abschnitte beinhalten die Darstellung der Ergebnisse der einzelnen Arbeits-pakete (AP 1 - AP 4). Für jedes dieser Arbeitspakete erfolgt zunächst eine Darstellung der ge-setzten Ziele und anschließend werden der definierten Aufgabenstellung die erzielten Ergebnis-se gegenübergestellt.

AP 1: Entwicklung eines Simulationsalgorithmus zur Anwendung auf sedimentartig ausge-bildete Lagerstätten

Das aktuell übliche Vorgehen bei der Modellierung der Geometrie und Qualitätsparameter komplexer, sedimentartig ausgebildeter Lagerstätten basiert auf der Anwendung einfacher in-terpolierender Ansätze. Diese Ansätze sind jedoch aufgrund ihrer zugrundeliegenden mathe-matischen Konzepte unzureichend hinsichtlich der aktuellen Anforderungen an ein Lagerstät-tenmanagement, da die natürliche Variabilität der interessierenden Lagerstätten-attribute und die daraus resultierende Ungenauigkeit lokaler Vorhersagen nicht berücksichtigt werden. Durch den Einsatz geostatistischer Simulationsverfahren für die Modellierung der form- und qualitäts-beschreibenden Lagerstättenmerkmale, sollte dieses Defizit behoben werden.

Aufgabenstellung

Die Entwicklung, Implementierung und Prüfung eines Ansatzes für die unsicherheitsbasierte Modellierung von komplexen, sedimentartig ausgebildeten Lagerstätten auf Basis geostatisti-scher Simulationsverfahren war die im Arbeitspaket 1 gesetzte Aufgabenstellung, welche fol-gende Teilaufgaben beinhaltet:

Ermittlung der Grenzen und Möglichkeiten bereits existierender Simulationsverfahren

Entwicklung/Weiterentwicklung und Implementierung eines mathematischen Ansatzes für die geostatistische Simulation

Entwicklung eines Konzepts für den Aufbau komplexer 3D-Lagerstättenmodelle

Schätzung von Modellparametern aus der Analyse von Explorationsdaten

Untersuchungen zur Sicherstellung verfahrensbedingter Anforderungen




Prüfung und Kalibrierung des entwickelten Konzepts in einem bekannten Umfeld und Anwendung auf eine aktuelle Lagerstätte

Ergebnisse

Die Ergebnisse der Forschungsarbeiten des Arbeitspaketes 1 sind hinsichtlich der Übertragung und Anwendung des Konzepts der geostatistischen Simulation für die Modellierung komplexer, sedimentartig ausgebildeter Lagerstätten im praxisrelevantem Umfang und unter Berücksichti-gung der besonderen Anforderungen derartiger Lagerstätten positiv zu bewerten. Es konnten die spezifischen Anforderungen definiert und geeignete Algorithmen ausgewählt und weiter-entwickelt werden. Darüber hinaus wurde die Prozesskette der unsicherheits-basierten Model-lierung hinsichtlich der Sicherstellung verfahrensbedingter Anforderungen analysiert und es entstanden Konzepte für die Erstellung von Struktur- und Qualitätsmodellen sowie für die Trendmodellierung und Trendberücksichtigung. Für die praktische Umsetzung der entwickelten Strategien wurden effiziente Software-Tools implementiert. Nachfolgend sollen die wesentli-chen Ergebnisse detailliert dargelegt werden.

Bereitstellung von anforderungsgerechten Algorithmen / Verfahren

Die immer komplexer werdenden geologischen Verhältnisse aktueller Lagerstätten, sowie die Umsetzung einer hoch-selektiven Rohstoffgewinnung, machen eine hochauflösende Modellie-rung von komplexen, sedimentartig ausgebildeten Lagerstätten auf Basis von geostatistischen Simulationsverfahren in einem modernem Lagerstättenmanagement notwendig, da nur diese Verfahren die in-situ Variabilitäten der struktur- und qualitäts-beschreibenden Lagerstättenpa-rameter wirklichkeitstreu vorhersagen und damit realistische betriebswirtschaftliche Risikoab-schätzungen zu den Auswirkungen der Unsicherheiten in der Vorhersage, aufgrund eines un-vollständigen Kenntnisstandes, ermöglichen.

Die Anforderungen (John, 2011) für die unsicherheitsbasierte Modellierung von komplexen, sedimentartig ausgebildeten Lagerstätten im Praxisumfeld resultieren aus dem Lagerstättentyp, aus den damit verbundenen geologischen prä- und postgenetischen Bedingungen, aus dem typischen geochemischen Umfeld und aus den zu integrierenden Datenquellen der Lagerstätte. Sie beziehen sich auf den Simulationsalgorithmus und auf das prinzipielle Vorgehen beim Auf-bau von 3D-Lagerstättenmodellen. Die wesentlichsten Anforderungen sind:

Eine hohe rechentechnische Effizienz des Verfahrens, aufgrund der relativ großen räum-lichen Ausdehnung typischer sedimentärer Lagerstätten, der für eine hoch-selektive Rohstoffgewinnung geforderten Modellauflösung und der zumeist großen Anzahl zu be-rücksichtigender Lagerstättenparameter.

Die Berücksichtigung räumlicher Zusammenhänge zwischen Lagerstättenmerkmalen, durch Nutzung von auto- und kreuzkorrelierten Beobachtungen.

Die Generierung von konsistenten Schichtmodellen in denen die Einhaltung der Plausibi-lität der Reihenfolge der geologischen Schichten sichergestellt wird.

Die Bereitstellung eines relativ dichten Netzes an Erkundungsdaten für die struktur- und qualitätsbeschreibenden Lagerstättenparameter durch Nutzung möglichst vieler Daten-quellen.

Die Umsetzbarkeit der Ansätze im industriellen Umfeld.




Eine Recherche und Klassifizierung existierender Simulationsalgorithmen und ihrer Variationen schaffte die notwendige Grundlage für eine problemadäquate Auswahl eines, hinsichtlich der definierten Anforderungen, geeigneten Verfahrens. Die Bewertung der verschiedenen Ansätze zeigte, dass die Generalisierte Sequentielle Gaußsche Simulation (GSGS) ein geeigneter Aus-gangspunkt für eine Weiterentwicklung darstellte.

Für die Berücksichtigung von Sekundärinformationen wird die Nutzung möglichst einfacher Ko-Regionalisierungsmodelle (Markov-Modelle) oder die Transformation der abhängigen Vari-ablen in unabhängige Faktoren (MAF – Minimum/Maximum Autokorrelationsfaktoren) emp-fohlen, da der Zeitaufwand für die Modellierung der räumlichen Zusammenhänge im Praxisum-feld überschaubar bleiben muss. Die Nutzung komplexer Ko-Regionalisierungsmodelle, wie z.B. das LMC (lineares Modell der Ko-Regionalisierung), führt zu einem deutlichen Mehraufwand, da die Anzahl zu modellierender Variogramme bzw. Kreuzvariogramme steigt, die zu lösenden Ko-Kriging-Gleichungssysteme deutlich mehr Berechnungs-aufwand verursachen und die Validie-rung der Simulationsergebnisse aufwändiger ist.

Es werden zwei grundsätzliche Ko-Simulationsansätze vorgeschlagen. Der erste Ansatz ist die direkte Nutzung von Sekundärinformationen durch die Modellierung räumlicher Zusammen-hänge in einem Ko-Regionalisierungsmodell. Die Verwendung von Sekundärinformationen, für die Simulation einer Primärvariablen, ist eine Funktionalität, welche durch den GSGS-Algorithmus bisher nicht zur Verfügung gestellt wurde. Für die Ko-Simulation abhängiger Vari-ablen eines Ko-Regionalisierungsmodells wurde der existierende GSGS-Algorithmus daher mo-difiziert. Der modifizierte Algorithmus wird als Generalisierte Sequentielle Gaußsche Ko-Simulation (CoGSGS) bezeichnet.

Die Anzahl der kreuzkorrelierten Variablen ist theoretisch unbegrenzt, in der Praxis ist jedoch eine Verwendung von mehr als drei Variablen unpraktikabel. Die Modelle der Ko-Regionalisierung gehen immer von einer linearen Korrelation zwischen den Variablen aus. Diese Annahme ist jedoch im Kontext der Lagerstättenmodellierung nicht grundsätzlich immer geeig-net, eine intensive Analyse der Zusammenhänge ist daher die Voraussetzung für eine erfolgrei-che Anwendung von Ko-Simulationsverfahren. Der zweite Ansatz ist die Ko-Simulation unter Nutzung der MAF (Minimum/Maximum Autokorrelationsfaktoren). Diese basiert auf einer Transformation des Vektors von Zufallsfunktionen in voneinander unabhängige Faktoren, wodurch eine Modifikation des ursprünglichen GSGS-Algorithmus unnötig ist, da jeder Faktor unabhängig simuliert werden kann. Die Anwendung dieses Ansatzes wird empfohlen, wenn eine große Anzahl (n > 3) von kreuzkorrelierten Lagerstättenmerkmalen gleichzeitig berücksich-tigt werden soll.

Die Simulationsalgorithmen GSGS und CoGSGS wurden als Plug-In für die Software SGeMS effi-zient implementiert, d.h. eine Parallelisierung von Rechenabläufen wurde bei der Implementie-rung umgesetzt. Für die Parallelisierung wurde die Spezifikation bzw. Programmierschnittstelle OpenMP (Open specifications for Multi Processing) genutzt, da dieser Ansatz das inkrementelle Parallelisieren von Teilbereichen einer Software mit relativ geringem Aufwand ermöglicht. Die Untersuchung verschiedener Parallelisierungsstrategien ergab, dass der größtmögliche Lauf-zeitvorteil bei einer Parallelisierung der Simulation der unabhängigen Realisierungen zu erwar-ten war. Die Analyse der Laufzeiten ergab einen signifikanten Laufzeit-vorteil, aufgrund der Pa-rallelisierung der implementierten Verfahren. Im Mittel zeigt sich eine Effizienzrate von ≥ 80 %.




Datenanalyse und Datenvorverarbeitung

Für eine praxisrelevante Anwendung der unsicherheitsbasierten Lagerstättenmodellierung ist jedoch nicht nur die Auswahl eines geeigneten Simulationsverfahrens notwendig, vielmehr muss grundsätzlich auch die Sicherstellung verfahrensbedingter Anforderungen, durch eine intensive Datenanalyse und gegebenenfalls Datenvorverarbeitung gewährleistet werden.

Eine ausreichende Erkundungsdichte der struktur- und qualitätsbeschreibenden Lagerstätten-

parameter ist für eine Anwendung geostatistischer Simulationsverfahren im Sinne der

Abbildung AP1-1: optimaler Informationsfluss in einem modernen Lagerstättenmanagement

Ergodizität sicherzustellen. Daher ist eine optimale Ausnutzung der zur Verfügung stehenden Informationsquellen, neben der Anwendung moderner Verfahren, eine der wesentlichen Her-ausforderungen für die Zukunft in der Lagerstättenmodellierung. Das bedeutet zum einen eine optimale Nutzung aller Explorationsdaten (Bohrdaten, geophysikalische Messungen, etc.) sowie eine Rückfluss von Informationen. Die Abbildung AP1-1 zeigt einen optimalen Informationsfluss in einem modernen Lagerstättenmanagement durch Rückfluss von Informationen, wie z.B. ge-ometrische Informationen aus Stoßkartierungen, aus dem Produktionsprozess.

Die gleichwertige Nutzung aller Qualitätsbohrungen war in der Vergangenheit nicht möglich, da die Bohrungen unterschiedliche Beprobungsschemata aufweisen. Das alte Beprobungsschema weist in den Randbereichen der Flöze Kernprobenlängen bis 200 cm auf, für welche nur ein Mischwert als Analysewert existiert, während das aktuelle Schema in den Randbereichen der Flöze Werte für die Kernprobenlängen 30, 70 und 100 cm liefert. Die Qualitätsparameter variie-ren sehr stark im vertikalen Verlauf eines Kohleflözes. Zur gleichwertigen Nutzung aller Bohr-proben müssen die nach dem alten Schema beprobten Bohrungen an das aktuelle Beprobungs-schema angepasst werden, da sich die Vergleichmäßigung der Qualitätsparameter unterschied-licher Kernprobenlängen auch auf die Variogrammparameter auswirkt. Die Abbildung AP1-2 zeigt die unterschiedlichen Verläufe der Variogramme in Abhängigkeit von der Kernprobenlän-ge (Dispersionsvarianz). Ohne eine Korrektur der im alten Schema beprobten Bohrungen käme es zu einer Unterschätzung der Varianz für die Randbereiche der Kohleflöze.




Abbildung AP1-2: Variogramme unterschiedlicher Kernprobenlängen (Dispersionsvarianz)

Das Verhalten der Dispersionsvarianz in Abhängigkeit von der Größe der Kernproben wird mit der Volumen-Varianz-Beziehung beschrieben. Da der Bohrkerndurchmesser nur eine unterge-ordnete Rolle spielt, ist eine Vereinfachung der Zusammenhänge auf den 1D-Fall möglich, d.h. es werden nur die Längen der Kernproben betrachtet. Die Volumen-Varianz-Beziehung wird nun für die Anpassung der Beprobungsschemata genutzt. Die Aufteilung des Mischwertes der 200 cm Kernproben auf die Intervalle 30, 70 und 100 cm erfolgt über die Ermittlung eines mitt-leren Variogrammwertes durch eine numerische Berechnung (Journel und Huijbregts, 1978, S. 95). Für die praktische Durchführung der Anpassung von Beprobungs-schemata entstand im Rahmen des Verbundprojektes VP1 die Software DaNorm.

Die Abbildung AP1-3 zeigt die Programmoberfläche der Software DaNorm. Für eine detaillierte Verfahrens- und Programmbeschreibung wird auf den Forschungsteilbericht T114 (Minnecker und Menz, 2014) und die Studienarbeit (Peine, 2012) verwiesen.

Abbildung AP1-3: Programmoberfläche der Software DaNorm

Die Probedaten eines Untersuchungsgebietes sind in den wenigsten Fällen regelmäßig über dessen Fläche verteilt. Ein Grund hierfür ist eine bevorzugte Probenahme in besonders interes-santen Lagerstättenbereichen, aufgrund von Kenntnissen aus der Vorerkundung des Untersu-chungsgebietes.




Abbildung AP1-5: Nutzerinterface für die Tools declus_check (links) und declus (rechts)

Abbildung AP1-4: graphische Ausgaben der Zellgrößenanalyse (declus_check) – Mittelwert (links) und Varianz (rechts) in Abhängigkeit der Zellgröße

Da geostatistische Simulationsverfahren unter anderem auch das Histogramm der Daten repro-duzieren, ist es zwingend notwendig dass dieses repräsentativ für das Untersuchungs-gebiet ist um Schätzungen nicht zu verzerren. Dies erreicht man indem man die Probepunkte in Abhän-gigkeit der Entfernung zu anderen Probepunkten gewichtet, d.h. man führt eine so genannte Entclusterung (engl. declustering) durch. Die Gewichtung verändert dabei nur den Einfluss ein-zelner Punkte auf die Gesamtstatistik und nicht die Werte der Punkte selbst. Ein hierfür häufig genutztes Verfahren der Geostatistik ist das Zellenentclusterungsverfahren, (engl. cell-declustering technique, [Goovaerts, 1997, S. 81]). Dieses bildet die Grundlage für die Imple-mentierung von zwei SGeMS-Plug-Ins für die Analyse und Bereinigung von Clusterungs-




effekten. Das Tool declus_check liefert eine Analyse des Mittelwerts und der Varianz bezüglich verschiedener Zellgrößen, und erleichtert damit die Suche nach einer optimalen Zellgröße. Das Tool declus berechnet dann die Gewichte bezüglich einer definierten Zellgröße auf Basis des bekannten Zellenentclusterungsverfahrens. Die Abbildung AP1-4 zeigt beispielhaft die graphi-schen Ausgaben der Zellgrößenanalyse und die Abbildung AP1-5 zeigt die Nutzer-schnittstellen für die Tools declus_check und declus.

Für die Berücksichtigung der Gewichte aus der Entclusterung, im Rahmen der Normaltrans-formation der Datengrundlage für die Simulation, wurden die Transformationsalgorithmen für die so genannte Normal-Score Transformation und Rücktransformation erweitert. Es entstan-den die Plug-Ins nscore (NScore Transformation) und backtr (Rücktransformation).

Darüber hinaus wurden im Verbundprojekt VP1 unterschiedliche Möglichkeiten für eine Be-handlung von Trends in den Daten untersucht. Die Behandlung von Trends im Zuge der Lager-stättenmodellierung ist für die Sicherstellung der getroffenen Stationaritätsannahme wichtig, da eine Verletzung dieser Annahme eine sachgerechte Anwendung geostatistischer Methoden verhindert. Durch einen Vergleich der Verfahren der Trendabspaltung und der Berücksichtigung des Trends durch eine schrittweise Transformation der Daten bedingt an den Trend konnte die Äquivalenz der beiden Ansätze gezeigt werden. Beide Ansätze zeigen eine gute Reproduktion der Korrelation zwischen dem Trendmodell und den Daten, sowie vergleichbare Realisationen des untersuchten Lagerstättenmerkmals. Unabhängig von der Wahl des Ansatzes der Trendbe-rücksichtigung muss ein geeignetes Trendmodell modelliert werden. Dieser Prozess ist vor al-lem von subjektiven Entscheidungen geprägt, welche mit Hilfe von Expertenwissen und kompe-tenter Interpretation der Daten getroffen werden sollte. Grundsätzlich lässt sich jedoch sagen, dass ein Trendmodell nur die großräumigen Strukturen im Untersuchungsgebiet beschreiben sollte, so dass das resultierende Residuum die Stationaritätsbedingung erfüllt. Ein messbares Kriterium für die Güte eines Trendmodells ist die statistische Unabhängigkeit zwischen dem Trendmodell und dem resultierenden Residuum.

Abbildung AP1-6: Generierung eines Trendmodells in 2 Stufen - Datengrundlage (links), erste Schätzung durch “Kriging für den Mittelwert” (mitte), Glättung des Modells durch einen “Mo-ving Average-Ansatz” (rechts)

Durch Anwendung eines zweistufigen Modellierungsansatzes mit Hilfe der Verfahren “Kriging für den Mittelwert” und einem “Moving Average-Ansatz” konnten gute Ergebnisse erzielt wer-den. Die Abbildung AP1-6 zeigt an einem Beispiel die einzelnen Schritte der Trendmodellierung beginnend mit den zur Verfügung stehenden Daten.




Für die Zusammensetzung eines Lagerstättenmerkmals aus Trend und simuliertem Residuum wurde das Plug-In add_trend implementiert. Für die Trendabspaltung im Probedatensatz exis-tierte bereits das Plug-In DifferenceWithBase.

Aufbau komplexer 3D-Lagerstättenmodelle

Der Aufbau eines 3D-Lagerstättenmodells sollte zweckmäßigerweise in mehreren Teilschritten erfolgen, der erste Schritt ist die Erstellung eines Strukturmodells, welches die Geometrie der Lagerstätte beschreibt, der zweite Schritt ist die Erstellung eines Qualitätsmodells, welches die Variabilität der Qualitätsparameter innerhalb der interessierenden Schichten beschreibt und der letzte Schritt ist die Kombination der beiden Teilmodelle zu einem Gesamtmodell. Die Er-stellung der Teilmodelle erfolgt durch die Unterteilung des 3D-Problems in weniger komplexe 2D-Teilprobleme.

Für die Modellierung der Lagerstättengeometrie wird ein Ansatz basierend auf der Simulation von Leitflächen und Schichtmächtigkeiten empfohlen. Ausgehend von den so genannten Leit-flächen lassen sich dann alle Grenzflächen der relevanten Rohstoffschichten rechnerisch durch Addition bzw. Subtraktion von Mächtigkeiten ermitteln. Da sich die Lagefehler der Schichten, aufgrund der Varianzfortpflanzung, mit zunehmendem Abstand von der Leitfläche erhöhen, wird vorgeschlagen die Lagerstätte in Gruppen (Schichtkomplexe) von geologischen Schichten aufzuteilen, wobei für jeden Schichtkomplex eine Leitfläche definiert wird. Eine Kalibrierung des Ansatzes an die spezifischen Bedingungen der untersuchten Lagerstätte wird als zwingend not-wendig erachtet. Die nicht vollständig zu vermeidenden Überschneidungen zwischen einzelnen Schichtkomplexen werden in einem abschließenden Schritt entfernt, damit ein widerspruchs-freies Strukturmodell entsteht.

Bei der Korrektur der Lage der Grenzflächen (Hangende, Liegende) müssen jedoch die Mächtig-keiten der Rohstoffschichten erhalten bleiben, da es in der Folge sonst zu verzerrten Schätzun-gen der Rohstofftonnagen kommen kann. Es wurden zwei mächtigkeitstreue Korrekturansätze entwickelt: (1) Ansatz für die Korrektur von Überschneidungen im 3D-Strukturmodell mit einem fixierten Schichtkomplex und (2) Ansatz für die Korrektur von Überschneidungen im 3D-Strukturmodell mit zwei variablen Schichtkomplexen. Als Entscheidungskriterien für die Wahl eines der beiden Ansätze ist ein Vergleich des Umfangs der Probedaten und deren Konfigurati-on bzw. der aus den Simulationen bestimmten lokalen Unsicherheiten der zu vergleichenden Schichtkomplexe geeignet. Bei lokal auftretenden Aufspaltungen von geologischen Schichten werden die entsprechenden Teilschichten als eine unabhängige geologische Schicht über das gesamte Untersuchungsgebiet betrachtet und modelliert, d.h. ungespaltene Bereiche werden in die Anzahl auftretender Teilschichten aufgeteilt und durch Nullmächtigkeiten der Zwischen-mittel beschrieben. Für die Berücksichtigung von Störungen, welche die natürliche Lagerung der geologischen Schichten beeinflusst haben, wird eine separate Modellierung der Störfläche und des ungestörten Zustandes der Lagerstätte mit anschließender Verschneidung empfohlen.

Für die Modellierung der Rohstoffqualitätsparameter hat sich die Zerlegung der Rohstoff-schichten in Teilschichten/Peels als geeignet erwiesen, da so die Struktur natürlich auftretender Variabilitäten der Rohstoffqualitätsparameter bestmöglich reproduziert wird. Die Charakteristik eines Qualitätsparameters ist damit innerhalb der einzelnen Teilschichten/Peels vergleichbar. Der durch die Genese bedingten erhöhten Verunreinigung in den Randbereichen der Rohstoff-schichten sollte durch eine entsprechend angepasste Aufteilung der Peels Rechnung getragen




werden. Eine Aufteilung in Anlehnung an das aktuelle Beprobungsschema hat sich als sinnvoll erwiesen. Das räumliche Verhalten der Qualitätsparameter innerhalb der Teilschichten ändert sich i.d.R. nicht grundlegend von Peel zu Peel. Die Rohstoffschichten lassen sich daher i.d.R. in zwei quasi homogene Bereiche unterteilen. Das sind die Randbereiche und der Kernbereich. Die Einteilung der Peels in Zonen reduziert den Aufwand für die Modellierung der räumlichen Strukturen deutlich, da nicht mehr für jedes einzelne Peel ein Variogrammmodell modelliert werden muss, sondern nur noch für jede Zone. Für die Ausnutzung der statistischen Zusam-menhänge zwischen verschiedenen Qualitätsparametern hat sich die Nutzung der simulierten Verläufe der Qualitätsparameter benachbarter Schichten bzw. korrelierter Qualitätsparameter als Sekundärvariablen über die so genannte Co-located Co-Simulation unter der Annahme eines der beiden Markov-Modelle als geeigneter Ansatz erwiesen.

Für die Erstellung der Teilmodelle aus den simulierten struktur- und qualitätsbeschreibenden Lagerstättenmerkmalen wurden weitere Plug-Ins für die Software SGeMS implementiert. Die Tabelle AP1-1 gibt einen Überblick zu den entwickelten Hilfswerkzeugen.

Plug-In Name Kurzbeschreibung

add_thickness Dieses Plug-In berechnet neue Merkmale aus der Addition von zwei Merkmalen. An-wendung findet dieses Plug-In z.B. für die Berechnung einer geologischen Trennfläche, z.B. das Liegende einer Schicht + Schichtmächtigkeit = das Hangende.

subtract_thickness Dieses Plug-In berechnet neue Merkmale aus der Subtraktion von zwei Merkmalen. Anwendung findet dieses Plug-In z.B. für die Berechnung einer geologischen Trennflä-che, z.B. das Hangende einer Schicht – Schichtmächtigkeit = das Liegende.

minimum_layer Dieses Plug-In berechnet an allen Punkten eines Datensatzes das Minimum zwischen einem Merkmal (Störung) und beliebig gewählten Merkmalen. Anwendung findet die-ses Plug-In z.B. für die Verschneidung eines ungestört modellierten geometrischen Lagerstättenmodells mit dem modellierten Verlauf einer Störung.

maximum_layer Dieses Plug-In berechnet an allen Punkten eines Datensatzes das Maximum zwischen einem Merkmal und beliebig gewählten Merkmalen.

assign_data Dieses Plug-In nimmt eine Wertezuweisung von einem Eingangsdatensatz auf ein Ziel-Grid vor. Dabei kann zwischen verschiedenen Arten der Zuweisung gewählt werden:

closest point: Einer Zelle des Ziel-Grid wird jeweils der nächstgelegende Punkt des Eingangsdatensatzes (innerhalb dieser Zelle) zugewiesen.

equal weighted: Einer Zelle des Ziel-Grid wird der Mittelwert (gleichgewichtet) aller Punkt des Eingangsdatensatzes (innerhalb dieser Zelle) zugewiesen.

distance weighted: Einer Zelle des Ziel-Grid wird der gewichtete Mittelwert aller Punkt des Eingangsdatensatzes (innerhalb dieser Zelle) zugewiesen. Die Wichtung erfolgt auf Grundlage der Entfernung der Punkte zum Mittelpunkt der Zelle des Ziel-Grid.

Zur Anwendung kommt das Plug-In z.B. wenn auf einem sehr hoch aufgelösten Gitter (z.B. 5*5m) simuliert wurde, die Ergebnisse jedoch später auf einem gröberen Gitter (z.B. 25*25m) zur Verfügung gestellt werden sollen.

Tabelle AP1-1: Tools für die Erstellung von 3D-Lagerstättenmodellen (SGeMS Plug-Ins)




Die beschriebenen Verfahren und Strategien wurden in einem bekannten Umfeld kalibriert und anschließend auf ein komplettes Baufeld angewendet. Das resultierende Modell zeigte eine gute Vorhersage der lagerstättentypischen Strukturen und des räumlichen Verhaltens der Qua-litätsparameter. Die Abbildungen AP1-7 und AP1-8 zeigen das Schema für den Aufbau des Strukturmodells, sowie eine schematische Darstellung der Peelseinteilung eines Kohleflözes. Die Abbildung AP1-9 zeigt exemplarisch den Verlauf des Hangenden eines Kohleflözes aus dem 3D-Strukturmodell.

Abbildung AP1-7: Schema für den Aufbau des Strukturmodells einer komplexen mehrschichti-gen Braunkohlenlagerstätte in Mitteldeutschland.




Abbildung AP1-8: Einteilung eines Flözes in Teilschichten (Peels) und Definition der quasi-homogenen Zonen für die Variogrammmodellierung.

Abbildung AP1-9: Darstellung des räumlichen Verlaufs der Grenzfläche (Hangendes) einer geo-logischen Schicht aus dem 3D-Strukturmodell




AP 2: Entwicklung eines automatisierten Planungsalgorithmus auf der Grundlage der ma-thematischen Optimierung

Aufgabenstellung

Die Entwicklung, Implementierung und Prüfung eines Ansatzes für die automatisierte Abbau-planungsoptimierung, unter Berücksichtigung der geologischen Unsicherheit der geologischen Struktur- und Qualitätsmerkmale, auf Grundlage der Methoden der mathematischen Optimie-rung war die im Arbeitspaket 2 gesetzte Aufgabenstellung, welche folgende Teilaufgaben bein-haltet:

die Formulierung der Optimierungsaufgaben und Auswahl eines Optimierungsansatzes

die mathematische Formulierung der Optimierungsaufgaben (Optimierungsmodell)

die Implementierung des Optimierungsmodells

den Test der entwickelten Software und die Kalibrierung des Optimierungsmodells

Ergebnisse

Die Ergebnisse des Arbeitspaketes 2 sind hinsichtlich der Durchführung einer unsicherheits-basierten langfristigen Abbauplanung (mit praxisrelevantem Umfang) unter Berücksichtigung der speziellen Anforderungen beim Einsatz kontinuierlicher Gewinnungstechnologie für den Abbau sedimentartiger Lagerstätten positiv zu bewerten. Die besonderen Anforderungen wur-den definiert und darauf basierend wurde ein Konzept zur lang- und kurzfristigen Abbaupla-nungsoptimierung entwickelt und ein entsprechender Optimierungsansatz zur Formulierung der Optimierungsmodelle ausgewählt. Für die praktische Umsetzung wurde eine effiziente Software-Lösung implementiert. Diese Software erlaubt dem Anwender eine interaktive Ar-beitsweise und ermöglicht eine Integration von bestehenden Software-Komponenten. Nachfol-gend werden die wesentlichen Ergebnisse detailliert dargelegt.

Die Abbauplanung ist ein sehr komplexer Prozess, an den durch den technischen Fortschritt und die zunehmend komplexer werdenden geologischen Verhältnisse der Lagerstätten steigen-de Anforderungen gestellt werden. Aufgrund des unvollständigen Kenntnisstandes über die Lagerstätte gibt es Unsicherheiten in der Vorhersage der struktur- und qualitätsbeschreibenden Lagerstättenparameter, welche durch die Anwendung geostatistischer Simulationsverfahren beschrieben werden können. Die Integration dieser neuen Datenbasis in den Abbauplanungs-prozess ermöglicht es dem Planer, das mit der Unsicherheit verbundene Risiko in den bergbau-lichen Entscheidungsprozess einfließen zu lassen und erfordert die Entwicklung neuer effizien-ter Methoden und Werkzeuge zur Verarbeitung der Simulationsdaten, sodass ein „bester“ Ab-bauplan entsteht.

Definition der Optimierungsaufgaben

Ziel der Abbauplanungsoptimierung ist das Finden eines optimalen Abbauplans, d.h. die Be-stimmung einer optimalen zeitlichen Abbaureihenfolge des auszubringenden Materials, unter Beachtung wirtschaftlicher, technischer, ökologischer und gesetzlicher Gesichtspunkte. Der Abbauplanungsprozess ist bisher durch ein iteratives Vorgehen und mehrere Planungs-




aufgaben, die unterschiedliche Zeitperioden umfassen können, gekennzeichnet. Anhand der Planungshorizonte erfolgt eine Unterteilung in die langfristige und kurzfristige Abbauplanung.

Die Langfristplanung umfasst die Planung der Tagebauentwicklung bis zum Tagebauauslauf. Dabei erfolgen eine grobe Geräteeinsatzplanung und eine gesamteinheitliche Analyse der Ge-winnung und Nutzung der Kohle. Des Weiteren werden Investitionen, eventuelle Straßen-verlegungen und Umsiedlungen sowie die spätere Landschaftsgestaltung geplant. Ziel ist die Minimierung der Abbauverluste, das möglichst vollständige Lagerstättenausbringen und die zuverlässige und wirtschaftliche Bereitstellung eines bedarfsgerechten Rohstoffes über die ge-samte Laufzeit des Abbaufeldes.

Im Vergleich zur langfristigen Abbauplanung umfasst die Kurzfristplanung wesentlich kürzere Zeitabschnitte, etwa Monate, Wochen oder Tage. Zielstellung ist eine Kostenminimierung sowie die Einhaltung der Quantitäts- und Qualitätsvorgaben für verschiedene Produkte und Qualitäts-parameter unter Einhaltung der durch die Langfristplanung vorgegebenen geometrischen Ent-wicklung des Tagebaus. Es wird eine operative Steuerung der Massenströme zwischen den Ar-beitsebenen durchgeführt um betriebliche Engpässe zu erkennen und ihnen entgegen zu wir-ken, um auf veränderte Rohstoffanforderungen zu reagieren sowie zur Steigerung der Geräte- und Systemeffizienz.

Die lang- und kurzfristige Abbauplanung haben unterschiedliche Zielstellungen und für die Kurz-fristplanung werden sehr detaillierte Informationen benötigt, die für die ersten Planungen eines Neuaufschlusses oder einer Tagebauerweiterung eventuell noch nicht zur Verfügung stehen. Aus diesem Grund wurden die bisherige iterative Vorgehensweise und die Einteilung in Kurz- und Langfristplanung beibehalten. Es müssen daher jeweils eine Optimierungsaufgabe für die kurz- und langfristige Planung formuliert werden.

Für die Optimierung der Abbauplanung wird ein Blockmodell benötigt. Zur Definition dieses Blockmodells müssen Werte für die Parameter Modellausdehnung und Modellauflösung (Blockgröße) vorgegeben werden. Sie legen die Modellgröße fest, d.h. aus wieviel einzelnen Blöcken das Gesamtmodell für die Abbauplanung zusammengesetzt ist.

Die maximale Ausdehnung des Gesamtmodells hängt von dem äußeren Umring des im Geneh-migungsverfahren für die Rohstoffgewinnung bewilligten Tagebaufeldes ab.

Die Modellauflösung hängt vom Planungshorizont und den gesetzten Zielen ab, d.h. die Block-größe muss an die Fragestellung angepasst sein. Beispielsweise treten Vergleichmäßigungs-effekte bei der Wahl einer zu großen Blockgröße auf wodurch das Qualitätswertespektrum stark reduziert sein kann und Bereiche mit höherwertiger Kohle durch das Zusammenfassen mit Bereichen mit minderwertiger Kohle nur noch als Kohle mittlerer Qualität ausgewiesen werden können. Während das für eine Langfristplanung zur Sicherstellung des Rohstoffes ausreichend ist, wird für die Kurzfristplanung zur Planung der Gerätedisposition eine höhere Auflösung zur Ausweisung der Variabilitäten benötigt. Des Weiteren ist die Auflösung so zu wählen, dass die Abbaubewegung (insbesondere im Schwenkbetrieb) möglichst genau abgebildet werden kann.

Das gewählte Konzept für den Abbauplanungsprozess – die Aufteilung in Lang- und Kurzfrist-planung – stellt zusätzlich eine weitere Forderung an das Blockmodell. Mit den Ergebnissen der Langfristplanung muss eine Kurzfristplanung durchführbar sein.




Die Leistungsfähigkeit der aktuellen EDV-Technik spielt ebenfalls eine entscheidende Rolle, denn die gewählte Modellgröße muss ein Lösen der definierten Optimierungsaufgaben in ver-tretbarer Zeit zulassen.

Aus diesen Anforderungen an das Blockmodell folgt, dass ein unregelmäßiges Blockmodell, welches an die eingesetzte Abbautechnologie angepasst ist, benötigt wird (Abb. AP2-1) und Basis der Abbauplanungsoptimierung ist. Bei der Entwicklung eines entsprechenden Konzepts und der praktischen Umsetzung wurde der Verbundprojektpartner MIBRAG dabei durch die Uni unterstützt.

Für die Einteilung des Baufeldes in geometrische Blöcke müssen technologische Zwänge der Hauptprozesse eines Tagebaubetriebes als Parameter des Blockmodells betrachtet und festge-legt werden. Diese umfassen:

die Baufeldgrenze, die von der bewilligten Feldesgrenze abweichen kann und für die eingesetzte Abbautechnologie optimiert wurde

die Arbeits- und Trennebenenanzahl

den Geräteeinsatz pro Arbeitsebene (Betriebsmittelauswahl)

die Drehpunkte für die einzelnen Gewinnungsschnitte

Abbildung AP2-1: Konzept zur Erstellung eines an die eingesetzte Abbautechnologie angepass-ten Blockmodells




Geeignete Werte für diese Vorgaben sind anhand von Variantenvergleichen zu ermitteln.

Vertikal wird das Baufeld durch Blöcke unterteilt, welche den gesamten Abstand zwischen zwei benachbarten Arbeitsebenen umfassen. Innerhalb einer Arbeitsebene erfolgt eine Unterteilung in Durchgänge, dessen maximale Breite der Rückweite der eingesetzten Bandanlagen (für den Materialtransport) entspricht. Die Durchgänge werden wiederrum unterteilt um einen Genau-igkeitsverlust durch Vergleichmäßigung zu vermeiden. Für eine Kurzfristplanung werden die Blöcke des Langfristplanungsmodells vertikal nochmals in Scheiben unterteilt um eine höhere Genauigkeit für die wesentlich kürzeren Planungsintervalle bereitzustellen und den Vorgaben der Langfristplanung folgen zu können. Durch diese Vorgehensweise konnte die benötigte Blo-ckanzahl erheblich reduziert werden, welche einen entscheidenden Einfluss auf die Laufzeit der Lösungsalgorithmen der Optimierung hat.

Bei der Verschneidung des geometrischen Blockmodells mit jeder Realisierung des geologi-schen Modells werden die lagerstättenrelevanten Informationen jedes einzelnen Blockes be-stimmt. Im Forschungsvorhaben waren das folgende Parameter:

Abraumvolumen

Kohletonnage

Heizwert

Aschegehalt

Schwefelgehalt

Eisenoxidgehalt in der Asche

Wassergehalt

Die Rohstoffschichten wurden bei der Modellierung der Rohstoffqualitätsparameter in Teil-schichten/Peels zerlegt (vgl. S. 18f). Daher war zunächst nur eine Ausweisung der Rohstoffquali-täten pro Block und Peel möglich. Das entwickelte und implementierte Excel-Makro „Accumula-tionOfPeelData“ (Abbildung AP2-2) fasst diese Werte für einen Block zusammen und führt eine Umrechnung der gegebenen wasserfreien Daten in Rohdaten durch, da die Simulation auf was-serfreien Qualitätswerten basiert, aber für die Abbauplanungsoptimierung Rohdaten benötigt werden.

Die Abbauplanungsoptimierung kann als eine Extremwertaufgabe mit Randbedingungen inter-pretiert und gelöst werden. Dabei werden Aktivitäten zur Erreichung eines angestrebten Zu-stands geplant, welcher von den jeweiligen unternehmerischen Zielen und ihren Prioritäten abhängt. Die Aktivitäten werden hinsichtlich ihres Beitrags zur Erreichung des angestrebten Zustands bewertet und miteinander verglichen. Im Allgemeinen unterliegt jede Planung Ein-schränkungen, die durch Randbedingungen beschrieben werden und technisch nicht umsetzba-re Aktivitäten ausschließen. Diese Randbedingungen, Ziele und Aktivitäten wurden, basierend auf dem an die eingesetzte Abbautechnologie angepassten Blockmodell, in einem Anforde-rungskatalog für das Langfristplanungsoptimierungsmodell (Knapp, 2012) formuliert (Abb. AP2-3). Die zu beachtenden technischen Randbedingungen umfassen die Gerätekapazitäten, die Ab-baureihenfolge innerhalb einer Arbeitsebene und die Vorlaufverhältnisse. Mit Vorgabe des Blockmodells wurde definiert, welche Geräte für den Abbau eingesetzt werden. Jedes diese Geräte besitzt eine beschränkte Förderleistung. Durch die verwendeten Bandanlagen (zum Ma-terialtransport) ist die Bewegungsfreiheit der Tagebaugroßgeräte innerhalb einer Arbeitsebene




eingeschränkt und dies ist im Optimierungsmodell auch zu berücksichtigen. Weiterhin müssen die Geräte den Fortschritt der Geräte aus darüber liegenden Arbeitsebenen beachten um die Standsicherheit dieser nicht zu gefährden (Abb. AP2-4). Daraus folgt, dass das Mischen von Kohleprodukten mit unterschiedlichen Qualitäten nur durch Variation der Abbau-geschwindigkeit auf einzelnen Arbeitsebenen erreicht werden kann.

Abbildung AP2-2: Programmoberfläche des Excel-Makros „AccumulationOfPeelData“

Abbildung AP2-3: Zusammenhang zwischen den Anforderungen an das Optimierungsmodell und seinen Komponenten.

Neben den technischen Randbedingungen wurden Optimierungsziele festgelegt. Dies ist zum einen die bedarfsgerechte Bereitstellung von Kohle, d.h. zu fest definierten Terminen ist eine bestimmte Menge Kohle in einem definierten Qualitätsspektrum zu liefern. Dazu wurden zwei Kohleprodukte mit oberen und unteren technischen Grenzwerten sowie einem Zielwert defi-niert. Weiterhin soll der Kapitalwert maximiert werden, welcher durch definierte Kosten- und




Erlösfunktionen (in Abhängigkeit von der Kohlequalität und dem entsprechenden Kohlepro-dukt) berechnet werden kann. Das Ziel des möglichst vollständigen Lagerstättenausbringens wird indirekt berücksichtigt, indem das „Ultimate Pit Limit“ in die Blockmodellerstellung einge-flossen ist. Für die Optimierung folgt daraus, dass der Abbau aller Blöcke des Blockmodells si-cherzustellen ist.

Abbildung AP2-4: Veranschaulichung der Vorlaufverhältnisse am Beispiel der Arbeitsebenen 2 und 3. Bevor Durchgang „w“ gewonnen werden kann, muss Durchgang „u“ abgebaut werden, da sonst der Mindestaufstellabstand „d“ unterschritten würde

Mathematische Formulierung der Optimierungsmodelle

Basierend auf dem Anforderungskatalog und einer umfangreichen Recherche und Bewertung existierender mathematischer Ansätze (zur Formulierung der Zielfunktion und der Randbedin-gungen) wurde ein Optimierungsansatz ausgewählt. Dabei wurde von etablierten Verfahren der Abbauplanungsoptimierung im Erzbergbau ausgegangen (z.B. (Benndorf und Dimitrakopou-los, 2009)). Da sich die zu berücksichtigenden technisch-technologischen, geologischen und kundenspezifischen Randbedingungen für die Hauptprozesse der Gewinnung von Rohkohlepro-dukten und die betriebswirtschaftliche Bewertung linear abbilden lassen, konnte ein Ansatz aus dem Bereich der linearen Optimierung gewählt werden. Wegen der Vorgabe mehrerer Ziele handelt es sich um eine Vektoroptimierungsaufgabe. Dafür wurde ein Goal-Programming-Ansatz1 ausgewählt. Die Mengen- und Qualitätsvorgaben wurden als „Soft Constraints“ in die Zielfunktion integriert, d.h. eine Verletzung der Vorgaben ist zulässig, wird aber bestraft durch Verringerung des Zielfunktionswertes. Bei einer Maximierungsaufgabe führt dies dazu, dass Abbaupläne, die die Vorgaben weniger stark verletzen (bei gleichem Kapitalwert) positiver be-wertet werden. Das bedeutet, die Optimierungsaufgabe liefert eine Lösung auch wenn die

1 siehe z.B. (Scholl, 2001) für eine genauere Beschreibung dieses Ansatzes




Mengen- oder Qualitätsvorgaben verletzt werden, wodurch die Identifizierung von Planungs-engstellen möglich wird. Zur Integration der geologischen Unsicherheit wurde ein Ansatz aus der Stochastischen Programmierung ausgewählt.

Bei der mathematischen Formulierung der Optimierungsaufgabe (Optimierungsmodell) hat sich ein iteratives Vorgehen mit zunehmender Steigerung der Modellkomplexität als geeignet her-ausgestellt, um den Einfluss einzelner Modellkomponenten zu untersuchen. Diese Untersu-chungen dienen nicht nur zur Modellkalibrierung, sondern können in der Praxis zur Erlangung eines größeren Verständnisses für die konkrete Abbauplanungsaufgabe beitragen. Im Allgemei-nen liegen bei mehreren Zielen Konflikte vor, da jedes Ziel für eine andere Handlungsalternative (Abbauplan) seinen Maximalwert erreicht. Eine hohe Geräteauslastung steht beispielsweise in Konflikt mit einer selektiven Gewinnung. Daher muss durch eine Priorisierung der Ziele ent-schieden werden was „optimal“ bedeutet. Die Wahl der Zielgewichte hat einen entscheidenden Einfluss auf die Ergebnisse der Optimierung und ein tieferes Verständnis für die konkrete Ab-bauplanungsaufgabe kann zu einer besseren Wahl der Modellparameter führen.

Zunächst wurde daher ein initiales Optimierungsmodell für ein interpoliertes Modell der Lager-stätte formuliert, welches nur die technischen Randbedingungen enthielt und dessen Zielfunk-tion sich nur aus Straftermen für die Abweichungen von den Mengenvorgaben zusammensetz-te, d.h. die Produktqualitäten sowie der monetäre Wert der Lagerstätte wurden zunächst ver-nachlässigt. Mit diesem Modell ist es möglich zu untersuchen, ob mit den gewählten Optimie-rungsparametern (Gerätekapazitäten, Mindestaufstellabstände, etc.) ein Abbauplan erstellt werden kann, der wenigstens die geforderten Mengen liefert. Auf Basis dieses Abbauplans konnte eine erste Kalibrierung der Modellparameter durchgeführt werden.

Zur Festlegung der Abbaureihenfolge musste für das Optimierungsmodell pro Block und Abbau-zeitperiode eine binäre Entscheidungsvariable definiert werden. Sie beschreiben den Geräte-fortschritt auf den einzelnen Arbeitsebenen und erhalten den Wert Eins, wenn der jeweils be-trachtete Block in der zugehörigen Zeitperiode abgebaut wird, ansonsten den Wert Null.

In einem zweiten Schritt wurde das Optimierungsmodell um die Berücksichtigung der Kohle-qualitätsvorgaben in der Zielfunktion erweitert. Dazu wurden weitere Entscheidungsvariablen x pro Block und Zeitperiode definiert, die angeben, wieviel der im Block enthaltenen Kohle zur Mischung eines bestimmten Kohleproduktes verwendet werden soll (Abb. AP2-5).

Die Parameter eines Abbauplans setzten sich also aus den binären Entscheidungsvariablen zur Bestimmung der Abbaureihenfolge der Blöcke und den kontinuierlichen Entscheidungs-variablen x zur Bestimmung der Zusammensetzung der Kohle zusammen.




Abbildung AP2-5: Aufteilung des Blockes ijk vor und nach der Optimierung (O…Kohlemenge, W…Abraummenge).

Im dritten Schritt wurde die Zielfunktion um den Kapitalwert ergänzt. Als letzter Schritt wurde das interpolierte Modell durch die geostatistischen Simulationsdaten ausgetauscht und das Optimierungsmodell entsprechend erweitert. Während die Unsicherheiten in den Randbedin-gungen durch den risikoaversen „Fat-Solution“-Ansatz2 berücksichtigt wurden, um sicherzustel-len, dass der erstellte Abbauplan praktisch umsetzbar ist, wurden die Unsicherheiten in der Zielfunktion durch einen risikoneutralen Bewertungsansatz, dem Erwartungswert, integriert.

Für mehr Details zur mathematischen Formulierung der langfristigen Abbauplanungs-optimierungsaufgabe wird auf (Minnecker, 2013) verwiesen.

Implementierung der Optimierungsmodelle

Zur Lösung von Optimierungsaufgaben sind verschiedene Softwarelösungen, sogenannte Sol-ver, verfügbar. Sie stellen Lösungsalgorithmen für verschiedene Optimierungsproblemklassen bereit. Im Rahmen der Forschungsarbeit wurde das kommerzielle Programm CPLEX verwendet. Die Interaktion mit diesem Solver und die Vorgabe einer Optimierungsmodellinstanz sind auf verschiedene Arten möglich. Eine Möglichkeit ist die Verwendung des „Interactive Optimizers“. Dabei handelt es sich um ein Programm, welches über die Kommandozeile gestartet wird und durch die Eingabe definierter Befehle CPLEX steuern kann. Dieser Prozess ist automatisierbar durch die Verwendung einer Batch-Datei zum Start des Programms und der Angabe eines Be-fehlsskriptes zur Konfiguration des Solvers und zur Vorgabe einer Optimierungsmodellinstanz. Weiterhin bietet CPLEX Schnittstellen zur Integration/Interaktion in/mit Matlab und Microsoft Excel. Als dritte Möglichkeit werden „Component Libraries“ bereitgestellt, welche die direkte Integration von CPLEX in eigene Softwareprodukte ermöglicht. Andere Solver stellen ähnliche Schnittstellen für den Anwender bereit.

Eine weitere Möglichkeit stellt die Verwendung einer algebraischen Modellierungssprache (AML) dar, welche im Allgemeinen die Design-Grundsätze „Trennung von Optimierungsmodell und Daten“ sowie „Trennung von Optimierungsmodell und Lösungsalgorithmus“ verfolgen. Diese Unabhängigkeiten werden durch die Bereitstellung eines Modellinterpreters und von Interaktionsschnittstellen für verschiedene Solver erreicht. Der Modellinterpreter überführt die in einer höheren Programmiersprache definierte Optimierungsmodellinstanz in eine für den jeweiligen Solver verständliche Form. In der Regel ist die Syntax dieser höheren Programmier-sprachen ähnlich der mathematischen Notation zur Definition eines Optimierungsmodells und besitzt Sprachelemente wie Mengen, Indizes und algebraische Ausdrücke. Dadurch sind kurze und für den Anwender gut lesbare Modelldefinitionen möglich.

Wegen des unregelmäßigen Blockmodells und um unabhängig von der gewählten Solver-Software zu sein, wurde die erste Möglichkeit („Interactive Optimizer“) in Verbindung mit Batch- und Befehlsskripten ausgewählt.

Im Rahmen der Forschungsarbeiten wurde das Programm MinePlanOpt entwickelt. Es ist ein Datenanalysetool und Modellgenerator. Anhand der vom Anwender angegebenen Modell-parameter, in Form einer selbstdefinierten XML-Parameterdatei, werden zunächst alle Ein-

2 siehe z.B. (Birge und Louveaux, 2011) für eine genauere Beschreibung dieses Ansatzes




gangsdaten eingelesen, alle indirekten Modellparameter berechnet und danach eine Instanz des Optimierungsmodells in einem Standarddatenformat (LP-Format), welches auch von ande-ren Solvern eingelesen werden kann, ausgegeben. Zu den indirekten Modellparametern gehö-ren z.B. die Vorlaufverhältnisse. Zur Berechnung der Vorlaufverhältnisse wurde beispielsweise ein Algorithmus entwickelt. Der Anwender hat die Möglichkeit die Ergebnisse dieser Berech-nung interaktiv in MinePlanOpt anzuschauen (Abb. AP2-6). Für den Einsatz von Sondertechnolo-gien kann der Anwender die Ergebnisse manuell den jeweiligen Gegebenheiten anpassen.

Abbildung AP2-6: Beispiele der Programmoberfläche von MinePlanOpt – I (links: grafische Ver-anschaulichung der berechneten Vorlaufverhältnisse; rechts: Menge an Kohle in den einzelnen Blöcken)

Der CPLEX-Solver liefert nach dem Lösen der Optimierungsaufgabe eine Ergebnisdatei (SOL-Datei), die wieder in MinePlanOpt eingelesen und ausgewertet werden kann. Unter anderem ist es dem Anwender möglich, sich den berechneten Abbauplan in einer für ihn interpretierbaren Form grafisch anzeigen zu lassen (Abb. AP2-7) und den Plan für weiterführende Analysen als Tabelle in verschiedenen Detailstufen ausgeben zu lassen. Dazu wurden die berechneten Werte der Entscheidungsvariablen des Optimierungsmodelles mit dem Blockmodell verknüpft.

Die Implementierung erfolgte mit der Programmiersprache C++ und es wurde auf die Bibliothe-ken Qt (für die Gestaltung der grafischen Oberfläche) und Boost zurückgegriffen. Weiterhin wurden zur effizienten Verarbeitung der selbstdefinierten Parameter- und der Ergebnisdatei der Optimierung neueste XML-Technologien wie XPath, XQuery, XSD-Validierung und XSLT ein-gesetzt.




Abbildung AP2-7: Beispiele der Programmoberfläche von MinePlanOpt – II (links: berechneter Abbauplan mit Darstellung in welcher Abbauzeitperiode die einzelnen Blöcke gewonnen wer-den; rechts: berechneter Abbauplan mit Darstellung der Blockqualitäten in Abhängigkeit vom oberen und unteren technischen Grenzwert des Kohleproduktes)




AP 3: Sensitivitätsanalyse der Eingangsparameter und Anwendung

Bei einer Sensitivitätsanalyse werden Wirkungsbeziehungen auftretender Parameter in einem komplexen System untersucht. Von Interesse sind die Auswirkungen auf das System bei Verän-derung eines oder mehrerer Parameter.

Aufgabenstellung

Das Ziel ist die Entwicklung von Konzepten für die Sensitivitätsanalyse bezüglich des Einflusses der Erkundungsdichte auf die unsicherheitsbasierte Abbauplanung. Folgende Teilaufgaben sind zu bearbeiten:

Analyse verschiedener Erkundungsraster als Grundlage für eine Sensitivitätsanalyse der Abbauplanung bezüglich des Erkundungsgrades

Optimierung von Erkundungsrastern auf Basis geologischer Unsicherheiten bzgl. beliebi-ger Lagerstättenmerkmale

Ergebnisse

Die Ergebnisse einer unsicherheitsbasierten Lagerstättenmodellierung, der einzelnen Lagerstät-tenmerkmale, hängen signifikant von den verfügbaren Daten, also dem Erkundungsstand im Untersuchungsgebiet, ab. Ein relativ dichtes Netz an Erkundungsdaten für die geometrie- und qualitätsbeschreibenden Parameter ist eine Voraussetzung für die sinnvolle Anwendung geo-statistischer Verfahren. Daher ist eine optimale Ausnutzung der zur Verfügung stehenden In-formationsquellen, neben der Anwendung moderner Verfahren, eine der wesentlichen Heraus-forderungen für die Zukunft. Das bedeutet zum einen eine optimale Nutzung aller Explorati-onsdaten, sowie einen Rückfluss von Informationen aus dem Produktionsprozess.

Die Dichte der zur Verfügung stehenden Erkundungsdaten hat signifikanten Einfluss auf die Schätzung robuster Variogramme und auf die, aus der unsicherheitsbasierten Lagerstätten-modellierung abgeleiteten, geologischen Unsicherheiten. Zur Gewährleistung einer selektiven Gewinnung und unsicherheitsbasierten Abbauplanungsoptimierung sind daher möglichst dichte Messnetze zur Verfügung zu stellen. Konkrete Maße für notwendige Erkundungsdichten kön-nen jedoch immer nur in Abhängigkeit der spezifischen Lagerstättengeologie definiert werden.

Eine Möglichkeit geeignete Erkundungsraster zu eruieren, ist die Anwendung der Ansätze der unsicherheitsbasierten Lagerstättenmodellierung. Bereits in der Erschließungsphase neuer zu-künftiger Lagerstätten ist es möglich mit Hilfe dieser Ansätze Erkundungsraster hinsichtlich der zu erwartenden Unsicherheiten zu bewerten und geeignete Punkte für Nacherkundungen zu identifizieren. Das aktuell übliche Vorgehen bei Erkundung von Lagerstätten basiert i.d.R. auf der Planung von Bohrungen auf quasi-regelmäßigen Rastern (Vorerkundung), welche im Zuge der Nacherkundung dann systematisch weiter verfeinert werden. Im besten Fall erfolgt die Verdichtung des Probengitters aufgrund von regionalen geologischen Informationen oder sons-tigem Hintergrundwissen. Die bedingte Varianz bzw. bedingte Standardabweichung aus der Simulation, welche die lokalen Unterschiede zwischen verschiedenen Lagerstätten-realisationen beschreibt und damit ein Maß für die Unsicherheit in der Vorhersage eines Merkmals ist, kann als Kriterium für die Wahl optimaler Punkte für eine Nacherkundung ge-nutzt werden. Optimal bedeutet in diesem Zusammenhang, dass die Unsicherheiten aufgrund




des unvollständigen Kenntnisstandes mit jeder neuen Bohrung signifikant reduziert werden. Das grundsätzliche Vorgehen, für die Auswahl eines optimalen Punktes einer ergänzenden Bohrprobe, lässt sich wie folgt zusammenfassen:

1. Vorhersage/Schätzung eines Lagerstättenmerkmals mit Hilfe von geostatistischen Simu-lationsverfahren auf Basis der Daten aus der Vorerkundung

2. Ableitung von Unsicherheiten in der Vorhersage in Form der bedingten Varianz bzw. be-dingten Standardabweichung

3. Auswahl eines Punktes für eine Nacherkundung in einem Bereich mit großen Unsicher-heiten

4. Aktualisierung der Schätzung und Ableitung der Unsicherheiten auf Basis der Daten aus der Vorerkundung und Nacherkundung

Diese Schritte werden solange wiederholt bis ein definiertes Sicherheits- bzw. Unsicherheits-level für die Vorhersage erreicht wird oder beispielsweise die zur Verfügung stehenden finanzi-ellen Mittel für die Nacherkundung erschöpft sind.

Bei der praktischen Umsetzung dieses Ansatzes sind jedoch zwei grundsätzliche Aufgaben zu bewältigen. Die erste Problematik besteht darin einen geeigneten Punkt für die Nacherkundung auf Basis einer Unsicherheitskarte auszuwählen, denn der Punkt mit der betragsmäßig größten Unsicherheit ist nicht zwangsläufig auch ein geeigneter Punkt für eine neue Bohrung. Der Grund hierfür ist, dass Extremwerte in relativ “sicheren” Bereichen auftreten können. Das bedeutet, die Bewertung der Unsicherheit einzelner Punkte ist nicht zielführend. Die Nachbarschaft der Punkte muss bei einer Auswahl immer mit berücksichtigt werden. Möglichkeiten dies in der Praxis umzusetzen, sind z.B. die Bildung eines gleitenden Mittelwertes (Moving-Window-Average) der ausgewiesenen Unsicherheiten. Dadurch wird der Einfluss von Extremwerten rela-tiviert und unsichere Bereiche können eindeutiger identifiziert werden. Eine weitere Möglich-keit, welche im Grunde jedoch denselben Effekt hat, ist die Vergröberung des zugrundeliegen-den Simulationsgitters und Ausweisung von Mittelwerten auf diesem Gitter.

Abbildung AP3-1: Darstellung der Unsicherheit in der Vorhersage für 4 Merkmale

Eine weitere Problematik ist, dass i.d.R. immer mehrere Lagerstättenmerkmale gleichzeitig von Interesse sind. Für jedes einzelne Merkmal kann eine geologische Unsicherheit ausgewiesen werden, wobei der optimale Punkt für eine Nacherkundung für jedes Merkmal an einem ande-ren Ort sein wird (Abb. AP3-1). In der Praxis ist es daher von Interesse die Unsicherheiten in der Vorhersage verschiedener Lagerstättenmerkmale miteinander zu kombinieren. Für die Kombi-nation der Unsicherheiten mehrerer Merkmale zu einer Gesamtunsicherheit werden drei Mög-lichkeiten vorgeschlagen, welche sich hinsichtlich der Komplexität der Zusammenhänge unter-scheiden.




1. Der erste Ansatz ermittelt eine Gesamtunsicherheit auf der Grundlage der Varianz-fortpflanzung. Es wird eine Gesamtvarianz als Summe der Varianzen der betrachteten n Merkmale Qi gebildet.

2. Die zweite Möglichkeit ist die Ermittlung einer gewichteten mittleren Unsicherheit, wel-che es ermöglicht die betrachteten n Lagerstättenmerkmale Qi hinsichtlich ihrer Relevanz bzw. ihres Einflusses auf die Gesamtvarianz zu gewichten.

3. Die dritte Möglichkeit ist die Definition einer neuen Variablen, welche die Auswirkung der Unsicherheiten in den n Lagerstättenmerkmalen Qi beschreibt. Die Beschreibung der n Unsicherheitsvariablen der Merkmale Qi erfolgt über definierte funktionale Zusammenhänge oder über die Bildung von Vertrauensklassen (Abb. AP3-2). Dadurch wird eine differenzierte Gewichtung in Abhängigkeit von der untersuchten Vari-able und Höhe der Unsicherheiten möglich.

Abbildung AP3-2: Beschreibung der Unsicherheit eines Merkmals Qi unter Berücksichtigung der Unsicherheit durch funktionale Zusammenhänge, z.B. linear (links), quadratisch (mitte), oder Vertrauensklassen (rechts)

Eine Berücksichtigung der geologischen Unsicherheiten für die Bewertung und Optimierung von Erkundungsrastern von Lagerstätten ist, hinsichtlich einer selektiven Kohlegewinnung und eines optimalen Einsatzes der zur Verfügung stehenden finanziellen Mittel für die Nacherkundung, zu empfehlen, da dieser Ansatz gezielt Unsicherheiten reduziert und die zur Verfügung stehenden Mittel, mit dem Ziel der Maximierung des Erkenntnisgewinns, einsetzt.

∑=

=n

iQiGesamt

1

22 σσ

11

22 =

⋅= ∑∑

=i

n

i

iQiMittel wmit

nwσ

σ

∑=

=n

iQiGesamt

1

2 δδ




AP 4: Umsetzung der Forschungsergebnisse

Aufgabenstellung

Umsetzung der Forschungsergebnisse zu einem industriekonformen Workflow, d.h. die in den Arbeitspakten 1 -2 entwickelten und praktisch getesteten Strategien für die:

unsicherheitsbasierte Lagerstättenmodellierung,

unsicherheitsbasierte Abbauplanungsoptimierung

werden zu einem so genannten Integrierten Lagerstättenmanagement zusammengefügt.

Ergebnisse

Das Ergebnis des Arbeitspaktes 4 ist ein Gesamtkonzept für eine automatisierte Abbaupla-nungsoptimierung unter Berücksichtigung der geologischen Unsicherheiten der struktur- und qualitätsbeschreibenden Lagerstättenmerkmale in einem so genannten Integrierten Lagerstät-tenmanagement.

Abbildung AP4-1: Module des Integrierten Lagerstättenmanagements

Die entwickelten Module des Integrierten Lagerstättenmanagements stellen aufgrund der komplexen Betrachtung der technischen, technologischen und betriebswirtschaftlichen Para-meter und der Einbindung der geologischen Unsicherheit zur Entscheidungsfindung bedeuten-de Verbesserungen gegenüber den traditionellen Ansätzen dar.

Der Aufbau ist modular und beinhaltet die Ergebnisse aus den Arbeitspaketen 1 und 2, in denen Konzepte und Algorithmen zur unsicherheitsbasierten Lagerstättenmodellierung, sowie zur Abbauplanungsoptimierung unter Berücksichtigung der geologischen Unsicherheit konzipiert und entwickelt wurden. Beide Module sind voneinander existentiell unabhängig verwendbar. Die Schnittstelle zwischen den beiden Tools besteht in der Bereitstellung der simulierten Lager-stätteninformationen als lagerstättenrelevanter Primärdatensatz für die stochastische Abbau-planungsoptimierung.

Integriertes Lagerstättenmanagement

Lagerstättenmodellierung auf Basis geostatistischer Simulation (AP 1)

Abbauplanungsoptimierung auf Basis mathematischer Optimierung (AP 2)




Die wesentlichen Leistungsmerkmale des Integrierten Lagerstättenmanagements sind für beide Module (Lagerstättenmodellierung, Abbauplanungsoptimierung) nachfolgend zusammen-gefasst.

Leistungsmerkmale des Moduls - Lagerstättenmodellierung:

Generierung von konsistenten Schichtmodellen komplexer, sedimentartig ausgebildeter Lagerstätten

Realistische Vorhersage von in-situ Variabilitäten der struktur- und qualitäts-beschreibenden Lagerstättenparameter

Quantifizierung der Vorhersagegenauigkeit (geologisches Risiko) der Lagerstättenpara-meter im Modell

Einbindung verschiedenartiger Datenquellen zur Modellierung Vorhersagen auf Basis auto- und kreuzkorrelierter Beobachtungen Effiziente Generierung von stochastischen Lagerstättenmodellen auf großen Gittern benutzerdefinierter Export der Ergebnisse / Modelle

Leistungsmerkmale des Moduls - Abbauplanungsoptimierung:

Entwicklung eines „besten“ Abbauplanes unter komplexer Betrachtung der Entschei-dungskriterien:

o Kundenanforderungen o Betriebssicherheit o Betriebswirtschaft o Effizienter Einsatz der Gewinnungsgeräte o Vollständiges Lagerstättenausbringen

Berücksichtigung geologischer Unsicherheiten durch Einbindung stochastischer Lager-stättenmodelle

Export von Abbauplänen und Geräteauslastungen Berechnung indirekter Modellparameter (z.B. Vorlaufverhältnisse) Visualisierung des Blockmodells, ausgewählter Modelleingangsdaten zur Überprüfung

der erstellten Optimierungsmodellinstanz und berechneter Abbaupläne

Die Abbildung AP4-2 zeigt das Zusammenspiel der verschiedenen Komponenten im Integrierten Lagerstättenmanagement. Bei der Entwicklung der Konzepte wurde darauf geachtet das eine problemlose Einbindung der entwickelten Komponenten in die bestehende IT-Infrastruktur möglich ist, d.h. bisherige Softwarelösungen sollten nicht ersetzt, sondern durch weitere Kom-ponenten ergänzt werden. Der Workflow der Lagerstättenmodellierung wurde um die Software SGeMS inkl. Erweiterungen (AP 1) und der Workflow der Abbauplanung um die Software Mine-PlanOpt inkl. CPLEX-Solver (AP 2) erweitert. Die Beschreibungen der entwickelten Software-komponenten erfolgte bereits in den Ergebnisdarstellungen der Arbeitspakete 1 und 2.

Die Software Mincom MineScape wurde bisher für alle Aufgaben der Lagerstättenmodellierung und Abbauplanung genutzt. Der in Abbildung AP4-2 dargestellte Workflow zeigt, dass diese Software aktuell nicht ersetzbar ist, da die Nutzung verschiedener Funktionen weiterhin erfor-




derlich ist. So wird Mincom MineScape für die Erstellung von Block- und Peelsmodellen, sowie für die Bereitstellung der peelsbezogenen Qualitätsdaten und der Geometriedaten benötigt.

Die Software Microsoft Excel dient im Wesentlichen der Zusammenführung bzw. Berechnung von Eingangsdateien für die beiden Komponenten SGeMS und MinePlanOpt.

Abbildung AP4-2: Zusammenspiel der Softwarekomponenten (Flussdiagramm)




1. Wichtigste Positionen des zahlenmäßigen Nachweises

Im Teilprojekt 1.1 (TP 1) des ibi-Verbundprojektes VP1 war der wesentliche Teil der Kosten durch Personalausgaben entstanden. An zweiter Stelle folgten Ausgaben für Investitionen > 400 €, die im wesentlich durch die Anschaffung von 2 projektspezifischen Rechnern (Worksta-tions) und Investitionen in notwendige Software-Lizenzen (Isatis, Matlab, Surfer) entstanden. Die Kosten für Dienstreisen, allgemeine Verwaltungskosten sowie für Investitionen < 400 € nehmen eine untergeordnete Rolle ein.

Aktualisierung der Zahlen zum 31.03.2014 notwendig

Kostenart Ausgaben bis einschl. 2013

Personalkosten 227.869,98 €

allgemeine Verwaltungskos-ten 11.452,66 €

Reisekosten 5.223,13 €

Investitionen < 400 € 297,90 €

Investitionen > 400 € 40.801,46 €

Gesamtkosten 285.645,13 €

Personalkosten

allgm. Verwaltungskosten

Reisekosten

Investitionen < 400 €

Investitionen > 400 €




2. Notwendigkeit und Angemessenheit der geleisteten Arbeit

Die durchgeführten Forschungsarbeiten im Verbundprojekt VP1 sowie die dafür aufgewandten Ressourcen waren notwendig und angemessen, da sie der im Projektantrag formulierten Pla-nung entsprachen und alle wesentlichen im Arbeitsplan formulierten Aufgaben erfolgreich be-arbeitet wurden. Bei den geplanten Kosten für Auslandsreisen und für Software konnten Mittel eingespart und für eine verbesserte Konfiguration der beiden Workstations und für die Erweite-rung der Personalkosten genutzt werden. Darüber hinaus waren keine zusätzlichen Ressourcen für das Projekt notwendig.

3. Verwertbarkeit der Ergebnisse

Im Rahmen der Forschungsarbeiten im Verbundprojekt 1 wurde das Ziel verfolgt, ein Integrier-tes Lagerstättenmanagement als Grundlage für die selektive Braunkohlengewinnung zu entwi-ckeln, das neue Maßstäbe für die Marktentwicklung vorgibt. Mit der Bereitstellung eines praxis-tauglichen Konzeptes zur stochastischen Abbauplanungsoptimierung unter Berücksichtigung der geologischen Unsicherheit konnte dieses Ziel erreicht werden.

Die entwickelten Ansätze des Integrierten Lagerstättenmanagements stellen aufgrund der komplexen Betrachtung der technischen, technologischen und betriebswirtschaftlichen Para-meter und der Einbindung der geologischen Unsicherheit zur Entscheidungsfindung bedeuten-de Verbesserungen gegenüber den traditionellen Ansätzen der Arbeitsprozesse zur Lagerstät-tenmodellierung und zur Abbauplanung dar. Der Aufbau ist modular und beinhaltet die Ergeb-nisse aus den Arbeitspaketen 1 und 2, in denen Konzepte und Algorithmen zur unsicherheitsba-sierten Lagerstättenmodellierung, sowie zur Abbauplanungsoptimierung unter Berücksichti-gung der geologischen Unsicherheit konzipiert und entwickelt wurden. Beide Module wurden in der Projektlaufzeit parallel entwickelt und sind voneinander existentiell unabhängig. Die Schnittstelle zwischen den beiden Modulen besteht in der Bereitstellung der simulierten Lager-stätteninformationen als lagerstättenrelevanter Primärdatensatz für die stochastische Abbau-planungsoptimierung.

Wie geplant werden die entwickelten Methoden und Softwaremodule zuerst in die kontinuier-lichen Arbeitsprozesse der Lagerstättenmodellierung und der Bergbauplanung in der MIBRAG mbH integriert, damit diese hinsichtlich aktueller Anforderungen optimiert werden.

Die externe Verwertung der Forschungsergebnisse erfolgt, wie im Projektantrag dargestellt, als erweiterte Consulting & Engineering Kompetenz durch die MIBRAG Consulting International GmbH.

Darüber hinaus erfolgt eine Verwertung der Ergebnisse, indem die Erkenntnisse aus der ange-wandten Forschung des Verbundprojektes in die universitäre Lehre einfließen. Beispielhaft sei-en hier die Module „Geomodellierung“ und „Markscheiderische Lagerstättendarstellung und -bearbeitung“ genannt.

Des Weiteren kann die gewonnene Kompetenz, hinsichtlich der Anwendung geostatistischer Methoden sowie der mathematischen Optimierung, fachübergreifend genutzt werden. Ein For-schungsbeispiel hierfür ist die Nutzung der geostatistischen Methoden bei der Interpolation radarinterferometrisch bestimmter Senkungsraten in Bergbaufolgelandschaften (Tzscharf et al. 2014).




Nicht zuletzt können die vorliegenden Ergebnisse als Referenzobjekt für weitere Forschungs-projekte dienen.




4. Fortschritte auf dem Gebiet des Vorhabens bei anderen Stellen

Im Projektzeitraum sind uns keine Kenntnisse über Ergebnisse Dritter bekannt geworden, wel-che für die Durchführung des Vorhabens relevant waren. Neben dem Studium einschlägiger Fachzeitschriften wurden hierfür die nachstehenden Datenbanken explizit mit Hilfe relevanter Stichworte regelmäßig durchsucht.

Datenbanken:

Bundesanstalt für Geowissenschaften und Rohstoffe (BGR) - www.bgr.bund.de

BERG Bergbau (WTI Frankfurt) - http://tecfinder.fiz-technik.de

OneMine (the online global mining and minerals library) - www.onemine.org

GeoRef (American Geological Institute) - http://www.agiweb.org/georef/

GEOBASE (Elsevier Science) - www.engineeringvillage.com

ISI Web of Science (Thomson Reuters) - http://apps.isiknowledge.com

SciVerse SCOPUS (Elsevier) - www.scopus.com

GeoScienceWorld - www.geoscienceworld.org

Deutsches Patent- und Markenamt – www.dpma.de

Fraunhofer-Informationszentrum Raum und Bau IRB - www.irb.fraunhofer.de

5. Erfolgte und geplante Veröffentlichungen der Ergebnisse

Die Ergebnisse des ibi-Verbundprojektes VP1 wurden und werden wie nachfolgend aufgeführt im Rahmen von Fachartikeln in Zeitschriften und Tagungsbänden, Präsentationen auf nationa-len und internationalen Tagungen, sowie durch im Rahmen des Verbundprojektes entstandene Dissertationen präsentiert.

Liste der im Projektzeitraum erfolgten Veröffentlichungen:

John, A.:

Vortrag: VP1 – Integriertes Lagerstättenmanagement: Ansätze zur Erhöhung des Informations-gehaltes und der Vorhersagegenauigkeit im geologischen Modell – 1. ibi-Fachsymposium, 2011

John, A.:

Approaches to increase the prediction accuracy in a geological reservoir model of a brown coal deposit as a requirement for a highly selective coal extraction - International Conference Young

http://www.bgr.bund.de/

http://tecfinder.fiz-technik.de/

http://www.onemine.org/

http://www.agiweb.org/georef/

http://www.engineeringvillage.com/

http://apps.isiknowledge.com/

http://rzblx10.uni-regensburg.de/dbinfo/warpto.php?bib_id=tubfr&color=2&titel_id=3636&url=http%3A%2F%2Fwww.scopus.com

http://rzblx10.uni-regensburg.de/dbinfo/warpto.php?bib_id=tubfr&color=2&titel_id=5599&url=http%3A%2F%2Fwww.geoscienceworld.org

http://www.dpma.de/

http://www.irb.fraunhofer.de/




Researchers at the State Mining University of St. Petersburg, April 25-27, 2012, Tagungsband, S. 91-93, ISBN 978-5-94211-564-7

Donner, R., John, A.:

Geostatistische Simulation oder besser Kollokation? - 13. Geokinematischer Tag, Mai 10-11, Freiberg, 2012, Tagungsband, S. 312-320, ISBN 978-3-86797-137-9

Minnecker, C.:

Ansatz zur optimierten Abbauplanung für die selektive Gewinnung in Braunkohletagebauen - 13. Geokinematischer Tag, Mai 10-11, Freiberg, 2012, Tagungsband, S. 321-332, ISBN 978-3-86797-137-9

Minnecker, C.:

Optimierung der langfristigen Abbauplanung von Braunkohle - 14. Geokinematischer Tag, Mai 16-17, Freiberg, 2013, Tagungsband, S. 202-214, ISBN 978-3-938390-10-8

John, A.:

Ansatz für den Aufbau eines komplexen 3D-Lagerstättenmodells einer Braunkohlenlagerstätte unter Nutzung geostatistischer Simulationsverfahren - In Proceedings XV International ISM Con-gress 2013 Tagungsband Energie und Rohstoffe 2013 IFM & DMV, September 16-20, Volume 1, S. 472-484, ISBN 978-3-86797-137-9, 2013.

Minnecker, C., Benndorf, J., Lohsträter, O.:

Optimizing of Long-Term Mine Planning in Large Lignite Deposits - In Proceedings of the 22nd MPES Conference, Dresden, Germany, 14th – 19th October 2013, S. 113-124,

ISBN 978-3-319-02678-7

John, A.:

Aufbau eines komplexen 3D-Lagerstättenmodells einer Braunkohlenlagerstätte unter Nutzung

geostatistischer Simulationsverfahren – Von den Rohdaten zum Modell - bergbau – Zeitschrift für Rohstoffgewinnung, Energie, Umwelt – 02/2014, Ring Deutscher Bergingenieure (RDB e.V.), ISSN-Nr.: 0342-5681

Liste der noch geplanten Veröffentlichungen:

John, A.:

Weiterentwicklung und Anwendung geostatistischer Simulationsverfahren zur unsicherheitsbasierten Modellierung von komplexen, sedimentartig ausgebildeten Lagerstätten - Dissertati-




on, TU Bergakademie Freiberg, Institut für Markscheidewesen und Geodäsie, (voraussichtlich 2014)

Minnecker, C.:

Arbeitstitel - Weiterentwicklung mathematischer Optimierungsmodelle zur Abbauplanung von sedimentartig ausgebildeten Lagerstätten am Beispiel eines Braunkohlentagebaus -

Dissertation, TU Bergakademie Freiberg, Institut für Markscheidewesen und Geodäsie, (voraus-sichtlich 2015)

John, A.:

Unsicherheitsbasierte Lagerstättenmodellierung im Braunkohletagebau als Bestandteil eines integrierten Lagerstättenmanagements - 15. Geokinematischer Tag, Mai 15-16, Freiberg, 2014

Minnecker, C.:

Unsicherheitsbasierte Abbauplanungsoptimierung im Braunkohletagebau als Bestandteil eines integrierten Lagerstättenmanagements - 15. Geokinematischer Tag, Mai 15-16, Freiberg, 2014

Freiberg, 31.03.2014

__________________________ _____________________________________

Ort, Datum Unterschrift




Anhang – Literaturliste

Benndorf, J., 2005: Efficient sequential simulation methods with implications on longterm

production scheduling, Unpubl. MPhil thesis, WH Bryan Mining Geology Research

Centre, The University of Queensland, Brisbane, Queensland.

Benndorf, J., 2009a: Nutzung der geostatistischen Simulation zur Berücksichtigung der geologi-schen

Unsicherheit in der Bewertung von Lagerstätten am Beispiel des Braunkohlenbergbaus,

Dissertation, TU Clausthal. ISBN 3-938924-12-8.

Benndorf, J. and Dimitrakopoulos, R., 2007: New efficient methods for conditional simulation of large

Orebodies, In Orebody and Strategic Mine Planning, The Australian Institute of Mining and Metallurgy,

Spectrum Series, vol. 14, 2nd Edition, pp. 61-68, 103-110.

Benndorf, J. und Dimitrakopoulos, R., 2009: Stochastic long-term production scheduling of iron ore

deposits: Integrating joint multi-element geological uncertainty,

Journal of Mining Science, January 2013, Volume 49, Issue 1, pp 68-81

Birge, J.R. und Louveaux, F., 2011: Introduction to Stochastic Programming, Springer-Verlag, Berlin

Boucher, A. und Dimitrakopoulos, R., 2007: A new efficient joint simulation framework and ap-plication

in a multivariable deposit, Orebody Modelling and Strategic Mine Planning, The Australasian Institute

of Mining and Metallurgy, Spectrum Series, vol. 14, 2nd Edition, pp. 303-312.

Dimitrakopoulos, R., 2007: Uncertainty and Risk Management Models, Orebody Modelling and Strategic Mine Planning, The Australasian Institute of Mining and Metallurgy, Spectrum Series, 2nd Edition.




Dimitrakopoulos R., 2009: Old and new dimensions in a changing world, Orebody Modelling and Strategic Mine Planning, The Australasian Institute of Mining and Metallurgy, Spectrum Series.

Dimitrakopoulos, R. und Ramazan, S., 2004: Uncertainty based production scheduling in open pit mining,

SME Transactions, Nr. 316, pp. 106-112

Goovaerts, P., 1997: Geostatistics for Natural Resources Evaluation, Oxford, University Press, New York

John, A., 2011: Anforderungen an einen Simulationsalgorithmus zur unsicherheitsbasierten Modellierung von sedimentartig ausgebildeten Lagerstätten, MIBRAG mbH, internes ibi-VP1 Dokument

Johnson, T.B., 1968: Optimum OpenPit Mine Production Scheduling, Ph.D.

Dissertation, University of California, Berkeley, California

Journel, A. G. und Huijbregts, C. J., 1978: Mining Geostatistics, Academic Press, London

Knapp, J., 2012: Anforderungen an die Entwicklung eines Planungsalgorithmus auf der Grundlage der mathematischen Optimierung, MIBRAG mbH, internes ibi-VP1 Dokument

Minnecker, C., 2013: Optimierung der langfristigen Abbauplanung von Braunkohle, 14. Geo-kinematischer Tag, Mai 16-17, Freiberg, 2013, Tagungsband, S. 202-214, ISBN 978-3-938390-10-8

Minnecker, C. und Menz, J., 2014: Forschungsteilbericht – T114 – Dokumentation zur Erstellung des Programmes DaNorm für die Umrechnung früherer Bohrkernschemata auf neuere unter Nutzung der Volumen-Varianzbeziehung, TU Bergakademie Freiberg, Institut für Markscheidewesen und Geodäsie

Peine, S., 2012: Analyse und Auswirkung unterschiedlicher Beprobungsschemata auf die vertikale Ver-änderlichkeit von Kohlequalitätsparametern, Studienarbeit, TU Bergakademie Freiberg, Institut für Markscheidewesen und Geodäsie

Remy, N., Boucher, A. und Wu, J., 2009: Applied Geostatistics with S-GeMS,

Cambridge University Press, Cambridge.

Scholl, A., 2001: Robuste Planung und Optimierung: Grundlagen - Konzepte und Methoden - experimentelle Untersuchungen, Physica-Verlag HD.




Remy, N. und Boucher, A., 2008: Applied geostatistics with SGeMS: a user's guide (with CD-ROM),

Lavoisier Librairie, Paris.

Tscharf, A. D. Walter, J. Benndorf, R. Donner, 2o14: Gemeinsame Nutzung von Radarinterferometrie und Geostatistik zur räumlichen Analyse von Bergsenkungen - 15. Geokinematischer Tag, 15.-16. Mai, Freiberg, 2014

Whittle J., 2005: Strategic Risk Management in Mine Design: From life-of-mine to global optimi-zation,

Short-Couse Unterlagen, AUSIMM.

Documents

Schlussbericht - TU Bergakademie FreibergSchlussbericht nach Nr. 3. 2 BNBest-BMBF 98 1 Technische Universität Bergakademie Freiberg Freiberg, 31.03.2014 Schlussbericht nach Nr. 3.2