Validasi Block Model: 7 Langkah Checklist Sebelum Tanda Tangan CP

Aku pernah mereview model sumber daya di mana geologistnya menjalankan kriging, melihat mean global, melihat bahwa itu “cukup dekat” dengan mean komposit, dan menandatangani. Model itu lolos satu-satunya cek validasi terlemah yang ada dan gagal di semua cek lainnya. Tiga bulan kemudian, rencana tambang meleset 18% pada kadar dan sumber daya dibangun ulang dari awal.

Validasi block model bukan satu angka yang kamu periksa. Ini adalah urutan cek, masing-masing menangkap kelas error yang berbeda. Lewati satu dan kamu meninggalkan lubang yang akan ditemukan auditor — atau lebih buruk, pabrik pengolahan — untukmu. Ini adalah 7 langkah checklist yang aku jalankan pada setiap model sebelum aku bersedia membubuhkan namaku di dekatnya.

Kenapa validasi itu penting

Block model hasil kriging bisa terlihat masuk akal di tampilan 3D dan tetap salah dengan cara yang berarti:

• Bias lokal: mean global cocok tapi blok high-grade secara sistematis di tempat yang salah
• Smearing: komposit high-grade bocor ke area low-grade karena search terlalu lebar
• Bias kondisional: kriging underestimasi high dan overestimasi low — modelnya “dirata-rata”
• Masalah volume-varians: ukuran block salah untuk SMU, sehingga kurva grade-tonnage menyesatkan

Tidak satu pun dari ini muncul di perbandingan mean global. Mereka muncul di tujuh cek di bawah ini. Jika kamu baru mengenal variografi dan bagaimana pengaruhnya terhadap masalah ini, panduan variografi visual adalah prasyaratnya.

7 langkah checklist

1. Inspeksi visual

Cek pertama adalah yang termurah dan menangkap error yang paling jelas. Gulir melalui block model pada cross-section dan plan, ditumpuk dengan data komposit.

Yang dicari:

• Pola grade “bullseye” di sekitar komposit high-grade tunggal — biasanya search yang terlalu kecil atau top-cut yang tidak diterapkan
• Shell kadar yang tidak cocok dengan geologi — jika blok high-grade memotong wireframe urat pada sudut yang salah, orientasi search-mu salah
• Blok diestimasi di mana tidak ada data di dekatnya — kriging mengekstrapolasi ke ruang kosong
• Hard boundary bocor — grade merembes melintasi batas domain yang seharusnya keras

Penerimaan: tidak ada bullseye yang jelas, shell kadar sejajar dengan batas geologi, tidak ada blok yang diestimasi lebih dari jarak search dari komposit terdekat.

Aku menjalankan ini pada setidaknya 4–6 cross-section dan 2–3 level plan, mencakup berbagai bagian endapan. Ini subjektif tapi menangkap mungkin 40% masalah sebelum cek kuantitatif dimulai.

2. Perbandingan mean global

Cek yang dilakukan semua orang. Bandingkan mean global dari blok hasil kriging (dibobot berdasarkan volume atau tonase) dengan mean komposit (dibobot sama, atau berdasarkan panjang jika kamu ingin hati-hati).

Penerimaan: mean kriging dalam ±5% dari mean komposit yang di-decluster. Jika di luar ±5%, sesuatu secara sistematis bias.

Seperti apa kegagalan:

• Mean kriging lebih tinggi dari mean komposit: biasanya tidak ada top-cut, atau search terlalu lebar dan menarik kadar tinggi ke luar
• Mean kriging lebih rendah dari mean komposit: biasanya over-smoothing, search terlalu besar, atau ukuran block terlalu kasar

Cek ini sendiri diperlukan tapi tidak mencukupi. Sebuah model bisa lolos ini dan tetap gagal di semua cek lain, karena mean global merata-rata bias lokal.

3. Swath plot

Cek yang menangkap bias lokal. Bagi endapan menjadi swath (biasanya sepanjang strike, melintasi strike, dan berdasarkan elevasi — tiga set plot). Untuk setiap swath, plot:

• Mean kadar komposit di swath itu
• Mean kadar blok kriging di swath itu
• Jumlah komposit di swath itu

Yang kamu cari: mean blok kriging harus mengikuti mean komposit di semua swath. Jika kurva komposit memiliki puncak dan kurva blok tidak mereproduksinya, kamu memiliki smoothing lokal. Jika kurva blok memiliki puncak di mana kurva komposit datar, kamu memiliki smearing.

Penerimaan: kecocokan visual kedua kurva. Tidak ada swath di mana mean blok menyimpang dari mean komposit lebih dari ~15% di swath dengan ≥5 komposit.

Swath plot adalah alat validasi tunggal paling informatif. Mereka menunjukkanmu di mana model salah, bukan hanya apakah model salah. Aku menjalankannya di sepanjang ketiga sumbu dan melihat setiap elemen yang diestimasi.

4. Perbandingan nearest-neighbor (NN)

Jalankan pass estimasi kedua menggunakan nearest-neighbor (tanpa kriging, cukup tetapkan setiap blok kadar komposit terdekat). NN adalah proksi ter-decluster untuk data — tidak memiliki smoothing, tidak ada smearing, dan mereproduksi statistik komposit lokal.

Bandingkan model kriging dengan model NN:

• Mean global: harus cocok dalam ±5%. Mean NN adalah target yang lebih baik daripada mean komposit mentah karena NN di-decluster oleh tata letak blok.
• Kurva grade-tonnage: kurva kriging harus terletak sedikit di dalam kurva NN (lebih sedikit tonase di kadar tinggi, karena smoothing) tapi bentuknya harus serupa.
• Swath plot kriging vs NN: saling mengikuti erat. Di mana mereka menyimpang, kriging melakukan smoothing atau smearing.

Penerimaan: mean global kriging dalam ±5% dari mean NN, bentuk kurva grade-tonnage konsisten, kurva swath saling mengikuti.

NN adalah perbandingan standar emas karena menghilangkan pertanyaan “apakah mean komposit benar?” — kedua model menggunakan data yang sama, jadi perbedaan apa pun adalah kriging, bukan data.

5. Cross-validation (jackknife)

Hapus setiap komposit satu per satu, krig lokasinya menggunakan komposit yang tersisa, dan bandingkan nilai estimasi dengan nilai aktual. Ini menguji apakah parameter variogram dan search dapat mereproduksi nilai yang diketahui.

Metrik:

• Mean error: harus ~0 (tidak ada bias sistematis)
• Mean squared error: serendah mungkin, tapi angka absolut kurang penting daripada perbandingan antar set parameter
• Koefisien korelasi (estimasi vs aktual): biasanya 0,5–0,8 untuk endapan yang diestimasi dengan baik; di bawah 0,4 berarti variogram atau search tidak dikonfigurasi dengan benar
• Slope of regression (estimasi pada aktual): harus ~1,0. Di bawah 1,0 mengindikasikan bias kondisional — kriging underestimasi high dan overestimasi low.

Penerimaan: mean error mendekati 0, slope of regression 0,9–1,1, korelasi ≥0,5.

Cross-validation adalah cek paling kuantitatif dan yang paling disukai auditor untuk dilihat dalam laporan validasi. Jalankan untuk setiap domain dan setiap elemen.

6. Rekonsiliasi grade-tonnage

Plot kurva grade-tonnage untuk model kriging di berbagai cutoff grade. Bandingkan dengan:

• Kurva grade-tonnage komposit (di-decluster)
• Kurva grade-tonnage model NN

Yang kamu cari:

• Kurva kriging harus lebih halus dari kurva komposit — lebih sedikit tonase di ekstrem, lebih banyak di tengah. Itu diharapkan dan benar.
• Kurva kriging TIDAK boleh melintasi kurva NN. Jika melintasi, kriging-mu overestimasi tonase high-grade — biasanya masalah search atau top-cut.
• Pada cutoff grade ekonomi yang direncanakan, tonase dan grade harus masuk akal. Jika kurva datar di cutoff-mu, perubahan kecil pada cutoff mengayunkan tonase secara besar-besaran — flag ini untuk perencana tambang.

Penerimaan: kurva kriging di dalam kurva NN (sedikit kurang ekstrem), tidak ada persilangan, sensitivitas masuk akal di cutoff ekonomi.

7. Review klasifikasi

Cek terakhir bukan pada kadar — tapi pada klasifikasi. Review setiap blok yang diklasifikasikan sebagai Measured atau Indicated dan konfirmasi:

• Kepadatan data: cukup komposit dalam neighborhood search (biasanya ≥5 untuk Indicated, ≥15 untuk Measured, tapi gunakan ambang varians kriging-mu)
• Search pass: blok Measured/Indicated harus diestimasi pada pass pertama atau kedua, bukan pass ketiga yang lebar
• Rata-rata varians kriging: di bawah ambang klasifikasimu
• Kontinuitas geologi: blok berada dalam domain yang koheren, bukan di ekor ekstrapolasi
• Tidak ada blok Measured/Indicated di tepi pengeboran — ini adalah Inferred menurut definisi

Penerimaan: 100% blok Measured dan Indicated memenuhi kriteria kepadatan data, search pass, varians kriging, dan kontinuitas. Apa pun yang tidak memenuhi diturunkan.

Ini adalah langkah yang paling sering dilewati dan paling sering di-flag dalam audit. Jika kamu tidak bisa menunjukkan logika klasifikasi per blok, auditor akan menurunkan semuanya ke Inferred dan kamu akan menghabiskan dua minggu menjalankan ulang model.

Mendokumentasikan validasi

Untuk setiap model, aku menghasilkan laporan validasi dengan tujuh bagian ini, masing-masing dengan plot dan kriteria penerimaan yang dinyatakan secara eksplisit:

Cek	Metode	Penerimaan	Lulus/Gagal
Visual	6 section, 3 plan	Tidak ada bullseye, geologi cocok	✓
Mean global	Kriging vs komposit declustered	±5%	✓ (1,2%)
Swath plot	3 sumbu	±15% per swath	✓
NN comparison	Mean global + grade-tonnage	±5%, tidak ada persilangan	✓
Cross-validation	Jackknife per domain	Slope 0,9–1,1, r ≥0,5	⚠️ (slope 0,87 di Domain B)
Grade-tonnage	Kriging vs NN	Di dalam, tidak ada persilangan	✓
Klasifikasi	Review per-blok	Semua kriteria terpenuhi	✓

Slope 0,87 di Domain B adalah bendera kuning — artinya ada bias kondisional ringan di domain itu. Dokumentasikan temuan, terima (masih dalam toleransi), dan catat bahwa estimasi high-grade Domain B sedikit konservatif. Itulah jenis transparansi yang membangun kepercayaan dengan Competent Person.

Bagaimana Orebit GeoSuite membantu

Modul Resource Estimation menjalankan suite validasi lengkap secara otomatis setelah kriging:

• Swath plot di sepanjang ketiga sumbu, dengan kurva komposit/blok/NN ditumpuk
• Pass estimasi NN dihasilkan secara otomatis bersamaan dengan model kriging
• Cross-validation (jackknife) dengan mean error, MSE, slope of regression, dan koefisien korelasi per domain
• Kurva grade-tonnage pada cutoff yang ditentukan pengguna, kriging vs NN vs komposit
• Peta klasifikasi dengan varians kriging per blok, search pass, dan kepadatan data
• Ekspor laporan validasi — satu PDF dengan semua tujuh bagian, siap dilampirkan ke laporan sumber daya

Seluruh suite validasi berjalan dalam waktu sekitar 10 menit pada model tipikal 40 lubang, 50K blok. Secara manual di package komersial, pekerjaan yang sama memakan waktu satu atau dua hari. Penghematan waktu kurang penting dibandingkan konsistensi — setiap model mendapat tujuh cek yang sama, setiap saat, dengan kriteria penerimaan yang sama. Tidak ada langkah yang dilewati karena hari Jumat sore.

Coba Core gratis → · Ambil bundle — Rp 99K → (modul satuan Rp 49K · sekali bayar · jadi milikmu selamanya)

Intinya

Validasi block model adalah tujuh cek, bukan satu. Mean global diperlukan tapi tidak cukup. Swath plot menangkap bias lokal. Perbandingan NN mengisolasi efek kriging dari efek data. Cross-validation menguji variogram. Grade-tonnage memeriksa ekonomi. Review klasifikasi mengkonfirmasi bahwa klasifikasi dapat dipertahankan.

Jalankan semua tujuh. Dokumentasikan semua tujuh. Jika kamu melewatkan salah satu karena “modelnya terlihat baik-baik saja,” kamu persis model yang akan aku bangun ulang dalam tiga bulan — dan begitu juga auditor berikutnya. Validasi block model juga tempat di mana sebagian besar kesalahan estimasi sumber daya yang memakan biaya jutaan dolar sebenarnya muncul ke permukaan.

---

Punya model yang tidak bisa divalidasi dengan bersih dan kamu tidak tahu kenapa? Email hello@orebit.id dengan swath plot dan variogram — aku akan bilang apa yang akan aku periksa selanjutnya.

# From this article:
open geosuite.orebit.id
load(your_drillhole.csv)
apply(workflow_above)

# Done. Ship the report.