Golder fue contratada por el propietario de una mina de cobre en Asia para evaluar la factibilidad de la extracción de las reservas de oro más profundas. El área de extracción propuesta estaba en un entorno hidrogeológico complejo, con afluencias de aguas subterráneas hacia los pits planeados, lo que representaba un riesgo para la factibilidad del proyecto.
El área tenía una red compleja de fallas y fracturas asociadas. Golder detectó una necesidad crítica de caracterizar estas formaciones estructurales, que tenían el potencial de conectar varios pits a ríos y lagos de pits existentes. Además, la evidencia de los sondajes indicaba la presencia de formaciones kársticas con potencial de complicar más la respuesta dinámica de las aguas subterráneas a la extracción.
El grado en que las redes de fallas y fracturas pudieran influir en la afluencia de aguas subterráneas hacia los pits propuestos no se había investigado durante el estudio de prefactibilidad del proyecto.
Se diseñaron investigaciones de campo para ensayar el comportamiento hidráulico y las propiedades de estructuras clave en torno a los pits. Se emplearon modelos geológicos en 3D con Leapfrog® para identificar la arquitectura de estructuras clave y planificar la ubicación y la profundidad de perforaciones de campo adicionales.
Se realizaron ensayos de bombeo a tasa constante en las estructuras de falla seleccionadas. Las técnicas avanzadas de análisis de ensayos en acuíferos (como los gráficos de flujo de diagnóstico) arrojaron que había un río permanente funcionando como frontera de recarga de carga constante para un subconjunto de estructuras de falla. También sugirieron la presencia de barreras regionales sin flujo que creaban condiciones de flujo lineal en dos puntos. Los análisis de sensibilidad posteriores ayudaron a especificar las fronteras lineales del sistema de acuífero de porosidad doble.
Algoritmos de aprendizaje automático no supervisados como el denominado principal component analysis permiten reducir juegos de datos multidimensionales de gran tamaño a unas pocas características esenciales que pueden explicar las relaciones y los procesos subyacentes. Para este proyecto, el aprendizaje automático, o machine learning, ofreció más perspectivas sobre la evolución transitoria de la hidroquímica de iones mayores del acuífero, durante y después de los ensayos de esfuerzo, lo que aclaró la función de las fuentes de recarga fluviales y la influencia de las barreras sin flujo.
Las investigaciones de campo dirigidas y los análisis avanzados de ensayos en acuíferos de Golder proporcionaron una representación más acabada del modelo conceptual hidrogeológico del sitio.
Características hidrogeológicas clave que de otra manera hubieran permanecido ocultas hasta el inicio de las operaciones están consideradas ahora en las predicciones de afluencias al pit.
Las investigaciones y el análisis de Golder redujeron incertidumbres clave y presentaron un panorama más realista de los requerimientos de manejo de agua del sitio, que optimizó la planificación del manejo de aguas y ofreció claridad para la toma de decisiones del proyecto.
