MIND AdvisoryIntegrated Mining Advisory
MIND GulfTalk to MIND

MIND ADVISORY / PROFESSIONAL DEVELOPMENT

Applied Mineral Resource Estimation & Geostatistics

Uygulamalı Maden Kaynak Tahmini ve Jeoistatistik

Expression of Interest for an advanced professional development programme.İleri düzey mesleki gelişim programı için ön ilgi çalışması.

The proposed programme reflects Umut Gümüşkaya's intention to share professional experience in resource geology and applied geostatistics with the next generation. Enrolment and payment are not yet open.Umut Gümüşkaya'nın teknik liderliğinde değerlendirilmekte olan program, kaynak jeolojisi ve jeoistatistik alanındaki mesleki deneyimi yeni nesil meslektaşlarla paylaşma düşüncesinden doğdu. Henüz eğitim kaydı veya ücretli başvuru alınmıyor.

Express Your Interest Meet the Instructor ↓
Technical illustration: Applied Mineral Resource Estimation and Applied Geostatistics.
Technical LeadTeknik Liderlik
Umut Gümüşkaya
RPGeo · FAIG · MAusIMM
Technical FocusProgramın Odak Alanı
Mineral Resource Estimation
& Applied Geostatistics
Proposed BasePlanlanan Üs
Ankara, Türkiye
Weekend options under review
Current StatusMevcut Durum
Expression of Interest
No confirmed enrolment

01 / Programme Approach

Mineral Resource Estimation cannot be entrusted to software defaults or AI-generated outputs.Kaynak kestirimi, ne yazılımın varsayılanlarına ne de yapay zekânın çıktılarına emanet edilebilir.

Mineral Resource Estimation goes well beyond importing data into software and selecting calculation parameters. From data quality and sampling representativity to geological and statistical domain definition; from spatial continuity, anisotropy and variography to the choice of estimation method, block size, search neighbourhood and model validation, every stage demands scientific justification, an understanding of geological cause and effect, and practical experience. AI-assisted approaches do not remove these requirements. Without a correctly defined problem, reliable data, geological constraints, an appropriate model and independent validation, the technical reliability of the results cannot be defended.Kaynak kestirimi, bir yazılıma veri yüklemek ve hesaplama parametrelerini seçmekten çok daha fazlasıdır. Veri kalitesi ve örnekleme temsilinden jeolojik ve istatistiksel alan tanımlarına; mekânsal süreklilik, anizotropi ve variogram analizinden kestirim yöntemi, blok boyutu, arama komşuluğu ve model doğrulamaya kadar her aşama bilimsel temellendirme, jeolojik neden-sonuç ilişkilerinin anlaşılması ve uygulama deneyimi gerektirir. Yapay zekâ destekli yaklaşımlar da bu gereklilikleri ortadan kaldırmaz. Aksine, doğru problem tanımı, güvenilir veri, jeolojik kısıtlar, uygun model kurulumu ve bağımsız doğrulama olmadan üretilen sonuçların teknik güvenilirliği savunulamaz.

The practical significance of resource estimation must also be considered in the context of mining operations. Mine planning and operations, mining selectivity, grade control, dilution, ore loss, metallurgy and reconciliation are central to understanding how a resource model behaves and is used at different scales. Recoverable Resource estimation is an important part of this integrated assessment. Through the programme under consideration, MIND Advisory aims to combine theoretical and academic depth with real-world application, drawing on Umut Gümüşkaya's professional experience. The intention is to help professionals not merely apply methods, but challenge assumptions, justify technical choices and critically assess the resulting models.Kaynak kestiriminin madencilikteki karşılığı da üretim gerçeklerinden bağımsız değerlendirilemez. Maden planlama ve işletme, üretim seçiciliği, grade control, seyreltme, madencilik kayıpları, metalurji ve reconciliation süreçleri, kaynak modelinin farklı ölçeklerdeki davranışının ve kullanımının anlaşılmasında belirleyicidir. Recoverable resources yaklaşımı da bu bütüncül değerlendirmenin önemli bir boyutudur. MIND Advisory, Umut Gümüşkaya'nın mesleki birikimini paylaşmayı amaçladığı bu programda, güçlü teorik ve akademik derinliği gerçek uygulamalarla birleştirmeyi; yöntemleri yalnızca kullanan değil, varsayımlarını sorgulayabilen, seçimlerini gerekçelendirebilen ve sonuçlarını eleştirel biçimde değerlendirebilen profesyonellerin gelişimine katkıda bulunmayı hedeflemektedir.

The programme is in the planning stage. Expressions of interest will inform our assessment of technical backgrounds, professional development needs and attendance preferences. Delivery format, duration, syllabus, fees and any certification conditions have not yet been finalised.Program planlama aşamasındadır. Ön ilgi çalışmasıyla katılımcıların teknik geçmişleri, mesleki gelişim beklentileri ve katılım tercihleri değerlendirilecektir. Eğitim formatı, süresi, kapsamı, katılım bedeli ve sertifikalandırma koşulları henüz kesinleşmemiştir.

KNOWLEDGE ATLAS / MRE & APPLIED GEOSTATISTICS

Mineral Resource Estimation: Scientific Foundations, Technical Layers and Mining DecisionsMaden Kaynak Kestirimi: Bilimsel Temeller, Teknik Katmanlar ve Madencilikte Karar Süreci

From Data to Models. From Models to Decisions.Veriden Modele. Modelden Karara.

Mineral Resource Estimation is an integrated process spanning sampling and data reliability, geological modelling, statistical analysis, spatial continuity, estimation, uncertainty assessment and application in mining operations. This knowledge atlas outlines the technical components and their connections.Maden kaynak kestirimi; örnekleme ve veri güvenirliğinden jeolojik modellemeye, istatistiksel analizden mekânsal sürekliliğe, kestirimden belirsizlik değerlendirmesine ve madencilik uygulamalarına uzanan bütünleşik bir süreçtir. Aşağıdaki kavram atlası, bu sürecin teknik bileşenlerini ve aralarındaki ilişkileri göstermektedir.

01

Objectives & Data FoundationsAmaç ve Veri Temeli

The right questions, representative sampling and reliable dataDoğru soru, temsil gücü ve güvenilir veri

Modules 01–03

02

Geological Interpretation & ModellingJeolojik Kavrayış ve Modelleme

Controls on mineralisation and estimation domainsMineralizasyon kontrolleri ve kestirim alanları

Module 04

03

Exploratory Data AnalysisKeşifsel Veri Analizi

Data preparation, distributions and statistical domainsVeri hazırlığı, dağılımlar ve istatistiksel alanlar

Modules 05–06

04

Spatial Continuity & VariographyMekânsal Süreklilik ve Variogram

Continuity, direction, anisotropy and structural modelsSüreklilik, yön, anizotropi ve modelleme

Modules 07–08

05

Block Modelling & DensityBlok Modelleme ve Yoğunluk

Representing geological volumes as blocks and tonnageJeolojik hacimlerin bloklara ve tonaja aktarımı

Module 09

06

Grade Estimation MethodsTenör Kestirim Yöntemleri

Selecting estimators and search strategiesKestirim yöntemi ve arama stratejisi seçimi

Modules 10–11

07

Advanced Methods & UncertaintyGelişmiş Yaklaşımlar ve Belirsizlik

Conditional simulation and recoverable resource approachesKoşullu simülasyon ve kazanılabilir kaynak yaklaşımları

Modules 12–13

08

Validation, Reporting & Operational UseDoğrulama, Raporlama ve Kullanım

Model validation, JORC and NI 43-101, grade control and reconciliationModel doğrulama, JORC ve NI 43-101, grade control ve reconciliation

Modules 14–16

Geological UnderstandingJeolojik kavrayışNumerical ModelSayısal modelMining DecisionMadencilik kararı

This atlas illustrates the scientific and technical framework of a programme under consideration. It is not an approved syllabus, nor a commitment to cover every listed topic. Scope will be determined after assessing expressions of interest and prospective participants' development needs.Bu kavram atlası, değerlendirilen programın bilimsel ve teknik çerçevesini göstermektedir. Kesinleşmiş bir eğitim müfredatı değildir; tüm başlıkların programda işleneceği taahhüt edilmemektedir. Program kapsamı, ön ilgi değerlendirmesi ve katılımcıların mesleki ihtiyaçları doğrultusunda belirlenecektir.

The process is not a linear checklist. New information, validation findings and production results may require earlier assumptions to be revisited.Süreç doğrusal bir kontrol listesi değildir. Yeni veriler, doğrulama bulguları ve üretim sonuçları önceki kabullerin yeniden değerlendirilmesini gerektirebilir.

TECHNICAL KNOWLEDGE ATLAS / 16 MODULES

Technical LayersTeknik katmanlar

Each module outlines a core question, key concepts and the principles underlying technical assessment. Select a module to view its details.Her modülde temel soru, anahtar kavramlar ve teknik değerlendirme ilkeleri yer alır. Ayrıntılar için modül başlığına tıklayın.

PHASE I

DATA PREPARATION & GEOLOGICAL FOUNDATIONSHAZIRLIK VE JEOLOJİK TEMEL

01Objectives & Estimation StrategyAmaç ve Kestirim StratejisiWhich decision, at what scale and with what confidence, should the model support?Model hangi kararı, hangi ölçekte ve hangi güven düzeyinde destekleyecek?

KEY CONCEPTSAnahtar kavramlar

  1. Model PurposeDefining the intended use of the model and the needs of its users.Modelin kullanım amacı ve kullanıcı ihtiyaçlarının tanımlanması.
  2. In-situ ResourceThe volume, grade and tonnage representation of mineralisation in situ.Mineralizasyonun yerindeki hacim, tenör ve tonaj temsili.
  3. Recoverable ResourceExpected recoverable grade–tonnage behaviour under assumed mining selectivity and scale.Madencilik seçiciliği ve ölçek varsayımları altında beklenen kazanılabilir tenör-tonaj davranışı.
  4. Decision ScaleThe intended decision scale, from strategic planning and resource updates to short-term production.Modelin stratejik planlama, kaynak güncelleme veya kısa vadeli üretim gibi kullanım ölçeği.
  5. Cut-off GradeA grade threshold evaluated under defined conditions.Belirlenmiş koşullar altında değerlendirilen eşik tenör.
  6. Estimation PlanAdvance planning of the data, geology, methods, parameters and validation approach.Veri, jeoloji, yöntem, parametre ve doğrulama tercihlerinin önceden planlanması.
  7. Audit TrailTraceable documentation of technical choices and alternatives.Teknik seçimlerin ve alternatiflerin izlenebilir biçimde belgelenmesi.

TECHNICAL MESSAGETeknik mesajMeaningful estimation parameters cannot be selected until the model's purpose is defined.Modelin amacı tanımlanmadan doğru kestirim parametrelerinden söz edilemez.

02Drilling, Sampling & Data RepresentativitySondaj, Örnekleme ve Veri TemsiliyetiDoes the sampled material represent the volume about which decisions will be made?Ölçtüğümüz malzeme, hakkında karar vermek istediğimiz kütleyi temsil ediyor mu?

KEY CONCEPTSAnahtar kavramlar

  1. Drillhole DatabaseIntegrity and consistency of collar, survey, geology and assay records.Collar, survey, geology ve assay bilgilerinin bütünlüğü.
  2. Spatial CoordinatesAccuracy of sample locations in three-dimensional space.Örneklerin üç boyutlu mekânsal konum doğruluğu.
  3. Sampling SupportThe interval length or volume represented by each sample.Her numunenin temsil ettiği uzunluk veya hacim.
  4. Representative SamplingWhether sampling data adequately represent the target geological population.Örnekleme verilerinin hedef jeolojik popülasyonu temsil etmesi.
  5. Sampling HeterogeneitySampling challenges arising from the heterogeneous character of mineralisation.Mineralizasyonun değişken yapısından doğan örnekleme güçlükleri.
  6. Fundamental Sampling ErrorFundamental sampling error associated with material heterogeneity and sample properties.Malzeme heterojenliği ve numune özelliklerinden kaynaklanan temel örnekleme hatası.
  7. Sampling RecoveryThe effect of sample recovery on representativity.Numune kazanımının temsiliyete etkisi.
  8. Sampling ProtocolProcedures governing sample collection, preparation, transport and recording.Numune alma, hazırlama, taşıma ve kayıt prosedürleri.

TECHNICAL MESSAGETeknik mesajHigh sampling density does not, by itself, establish sound sampling practice.Yoğun örnekleme, örneklemenin doğru yapıldığı anlamına gelmez.

03Data Quality, QA/QC & DensityVeri Kalitesi, QA/QC ve YoğunlukHow well do we understand the quality and physical meaning of the inputs to estimation?Kestirime giren sayıların kalitesi ve fiziksel anlamı ne kadar iyi biliniyor?

KEY CONCEPTSAnahtar kavramlar

  1. Quality AssuranceA planned quality assurance system designed to prevent or minimise errors.Hataları azaltan planlanmış kalite güvence sistemi.
  2. Quality ControlAnalytical checks used to assess the performance of the process.Süreç performansını inceleyen analitik kontroller.
  3. AccuracyCloseness of a measurement to its accepted reference value.Ölçüm sonucunun referans değere yakınlığı.
  4. PrecisionAgreement among repeated measurements.Tekrarlı ölçümlerin birbirine yakınlığı.
  5. BiasSystematic deviation in measurement or sampling.Sistematik ölçüm veya örnekleme sapması.
  6. Certified Reference MaterialsReference materials used to assess laboratory accuracy.Laboratuvar doğruluğunun değerlendirilmesinde kullanılan referans malzemeler.
  7. Blanks and DuplicatesDistinct controls for contamination and repeatability.Kontaminasyon ve tekrarlanabilirlik açısından farklı kontroller.
  8. Bulk Density / SGDensity parameters that convert block volume into tonnage.Blok hacminden tonaja geçişi etkileyen yoğunluk parametreleri.
  9. Database ValidationChecks on units, intervals, codes, coordinates and assay integrity.Birim, aralık, kod, koordinat ve analiz bütünlüğü testleri.

TECHNICAL MESSAGETeknik mesajData quality must be judged not just by analytical results, but also by the uncertainty it carries into a resource model.Veri kalitesi yalnızca analiz raporuyla değil, kaynak modeline taşıdığı belirsizlikle değerlendirilmelidir.

04Geological Interpretation & Domain DefinitionJeolojik Kavrayış ve Domain TanımlamaWhich observations can reasonably belong to the same geological and statistical population?Hangi veriler aynı jeolojik ve istatistiksel popülasyona ait olabilir?

KEY CONCEPTSAnahtar kavramlar

  1. Geological ControlsGeological processes controlling the occurrence of mineralisation.Mineralizasyonu yönlendiren jeolojik süreçler.
  2. LithologyRelationships between rock units, grade and continuity.Kaya birimlerinin tenör ve süreklilikle ilişkisi.
  3. AlterationRelationships between hydrothermal or other alteration zones and mineralisation.Hidrotermal veya diğer değişim zonlarının cevherleşme ile ilişkisi.
  4. Structural ControlsFault, fracture, fold and vein geometries that control mineralisation.Fay, kırık, kıvrım ve damar geometrileri.
  5. Mineralisation DomainsDefinition of mineralisation types and boundaries.Mineralizasyon tiplerinin ve sınırlarının tanımlanması.
  6. Estimation DomainsSub-regions appropriate for estimation in terms of data and spatial structure.Kestirim için veri ve mekânsal yapı bakımından uygun alt bölgeler.
  7. Hard and Soft BoundariesRules governing whether data may inform estimates across domain boundaries.Kestirim sırasında alanlar arasında veri kullanımının sınırlandırılması.
  8. Population ConsistencyConsistency of distribution and continuity within a domain.Domain içindeki dağılım ve sürekliliğin tutarlılığı.
  9. Stationarity AssumptionsAssumptions regarding the mean and spatial structure within the selected statistical domain.Seçilen istatistiksel alan için ortalama ve mekânsal yapı varsayımları.

TECHNICAL MESSAGETeknik mesajNot every geologically meaningful distinction requires a separate estimation domain.Jeolojik olarak anlamlı her ayrıntı bağımsız bir kestirim domaini gerektirmez.

PHASE II

STATISTICS & SPATIAL STRUCTUREİSTATİSTİK VE MEKÂNSAL YAPI

05Data Preparation, Compositing & DeclusteringVeri Hazırlığı, Compositing ve DeclusteringAre samples comparable in support, and are the statistics spatially balanced?Karşılaştırılan örnekler aynı ölçekte mi ve istatistiksel açıdan dengeli mi?

KEY CONCEPTSAnahtar kavramlar

  1. CompositingConverting differing sample lengths to a comparable sampling support.Farklı numune uzunluklarının karşılaştırılabilir örnek desteğine dönüştürülmesi.
  2. Composite LengthSelecting composite lengths compatible with geology and the estimation objective.Jeolojik yapı ve kestirim amacıyla uyumlu kompozit uzunluğu seçimi.
  3. Domain-constrained CompositingCompositing while respecting geological boundaries.Jeolojik sınırları koruyarak kompozitleme.
  4. Data ClusteringDisproportionate influence of densely drilled areas on global statistics.Bazı alanlarda yoğunlaşmış sondajların istatistikleri yönlendirmesi.
  5. DeclusteringReducing the impact of irregular sampling density on summary statistics.Örnekleme yoğunluğunun küresel istatistiklere etkisini azaltma.
  6. Cell DeclusteringWeighting observations using spatial cells.Mekânsal hücrelere dayalı ağırlıklandırma.
  7. Polygonal DeclusteringWeighting observations based on areas of influence.Etki alanlarına dayalı ağırlıklandırma.
  8. Data CodingAppropriate handling of missing data, detection limits and special records.Eksik değerlerin, analiz sınırlarının ve özel kayıtların uygun ele alınması.

TECHNICAL MESSAGETeknik mesajCompositing, declustering and the estimation search neighbourhood address different problems.Compositing, declustering ve arama komşuluğu birbirinden farklı sorunları çözer.

06Exploratory Data Analysis (EDA)Keşifsel Veri Analizi — EDAWhat do grade distributions and statistical contrasts reveal about the geology?Tenör dağılımları ve istatistiksel farklılıklar bize jeoloji hakkında ne söylüyor?

KEY CONCEPTSAnahtar kavramlar

  1. HistogramFrequency distribution of observed values.Değerlerin frekans dağılımı.
  2. Cumulative Distribution FunctionExamination of the proportion of observations below or above a threshold.Bir eşik değerin altındaki veya üzerindeki dağılım oranlarını inceleme.
  3. Mean and MedianMeasures of central tendency and their sensitivity to skewness.Merkezi eğilim ve çarpıklık duyarlılığı.
  4. Variance and Standard DeviationMeasures of spread in grade values.Tenörlerin yayılımı.
  5. Coefficient of VariationA measure of relative variability.Göreli değişkenlik düzeyi.
  6. SkewnessAsymmetry of the distribution.Dağılımın asimetrik yapısı.
  7. Probability PlotsGraphical examination of distributions and transformations.Dağılımların ve dönüşümlerin grafiksel incelenmesi.
  8. Outlier AnalysisInvestigation of the geological and analytical causes of unusual values.Olağan dışı değerlerin jeolojik ve analitik nedenlerinin araştırılması.
  9. Top-cut / CappingLimiting the influence of high grades on estimates and testing the consequences.Yüksek tenörlerin kestirim üzerindeki etkisini sınırlama ve sonuçları sınama.
  10. Bivariate and Multivariate AnalysisRelationships among grade variables and other geological characteristics.Tenörler ve diğer jeolojik özellikler arasındaki ilişkiler.

TECHNICAL MESSAGETeknik mesajManaging extreme values is an important modelling decision, not a mathematical cleaning exercise.Uç değerlerin işlenmesi matematiksel bir temizlik işlemi değil, önemli bir modelleme kararıdır.

07Spatial Description & ContinuityMekânsal Betimleme ve SüreklilikHow does similarity in grade vary with distance, direction and geological setting?Tenörlerin birbirine benzerliği mesafe, yön ve jeolojik ortamla nasıl değişiyor?

KEY CONCEPTSAnahtar kavramlar

  1. Data PostingDisplaying values at their actual spatial positions.Değerlerin gerçek konumlarıyla gösterimi.
  2. Grade Maps and SectionsReviewing grade patterns on plans and sections.Plan ve kesitlerde tenör örüntülerinin değerlendirilmesi.
  3. Moving-window StatisticsCharacterising local means and variability.Yerel ortalama ve değişkenlik davranışı.
  4. Spatial TrendSystematic change associated with location.Konuma bağlı sistematik değişim.
  5. Proportional EffectThe relationship between local mean and variance.Yerel ortalama ile varyans arasındaki ilişki.
  6. h-ScatterplotBehaviour of data pairs at specified separation distances.Belirli ayrım uzaklıklarındaki veri çiftlerinin davranışı.
  7. Spatial CovarianceCharacterising spatial dependence through covariance.Mekânsal bağımlılığın kovaryans ile incelenmesi.
  8. CorrelogramHow correlation varies with distance and direction.Korelasyonun mesafe ve yöne göre değişimi.
  9. Directional ContinuityRelationships between continuity and geological strike and dip.Sürekliliğin jeolojik doğrultu ve eğimle ilişkisi.

TECHNICAL MESSAGETeknik mesajSpatial modelling requires more than knowing the distance between two samples.Mekânsal modelleme, sadece iki örnek arasındaki mesafeyi bilmekten daha fazlasını gerektirir.

08Variogram & Anisotropy ModellingVariogram ve Anizotropi ModellemeWhich model best represents the observed spatial variability?Gözlenen mekânsal değişkenliği hangi modelle temsil edebiliriz?

KEY CONCEPTSAnahtar kavramlar

  1. Experimental VariogramEmpirical spatial variability calculated from the data.Veriden hesaplanan ampirik mekânsal değişkenlik.
  2. Lag and ToleranceDistance classes and tolerances used to select variogram pairs.Variogram çiftlerinin seçim mesafesi ve toleransları.
  3. Nugget EffectVery short-scale variability and a possible measurement-error component.Çok kısa mesafeli değişkenlik ve olası ölçüm hata bileşeni.
  4. SillThe variance level reached by the structural model.Yapısal modelde ulaşılan varyans seviyesi.
  5. RangeThe effective distance of spatial dependence.Mekânsal bağımlılığın etkili uzaklığı.
  6. Geometric AnisotropyDifferent continuity ranges along different directions.Farklı yönlerde farklı süreklilik uzaklıkları.
  7. Zonal AnisotropyDifferences in variability components by direction.Yönlere göre değişkenlik bileşenlerinin farklılığı.
  8. Nested StructuresMultiple scales of spatial variability.Birden fazla değişkenlik ölçeği.
  9. Relative / Indicator VariogramsStructural measures used for specific data behaviours or thresholds.Belirli veri davranışları veya eşikler için kullanılan yapısal ölçüler.
  10. Cross-variogramJoint spatial variability between two variables.İki değişkenin ortak mekânsal değişkenliği.
  11. Valid Variogram ModelsMathematical admissibility conditions for models used in kriging.Kriging için matematiksel uygunluk koşulları.
  12. Model Fitting and SensitivityComparative testing of geological plausibility and numerical fit.Jeolojik ve sayısal uyumun karşılaştırmalı incelenmesi.

TECHNICAL MESSAGETeknik mesajA variogram is more than a curve; it expresses the assumed spatial relationships used in estimation.Variogram yalnızca bir eğri değildir; kestirimde kullanılacak mekânsal ilişki varsayımının ifadesidir.

PHASE III

MODELLING & ESTIMATIONMODEL VE KESTİRİM

09Three-Dimensional Modelling & Block GeometryÜç Boyutlu Model ve Blok GeometrisiWhich volumetric representation is appropriate for the geological interpretation?Jeolojik bilgiyi hangi hacimsel yapıyla temsil ediyoruz?

KEY CONCEPTSAnahtar kavramlar

  1. WireframingBuilding three-dimensional geological surfaces and volumes.Jeolojik yüzey ve hacimlerin üç boyutlu oluşturulması.
  2. Coordinate SystemA common spatial reference for the data and the model.Veri ve modelin ortak koordinat referansı.
  3. Block Model OriginPosition of the block model grid.Blok ızgarasının konumu.
  4. Parent Blocks and Sub-blocksParent cells and sub-cells used to improve boundary resolution.Ana blok ve sınır çözünürlüğünü artıran alt hücreler.
  5. Block SizeCell size selected for geological detail, data density and intended use.Jeolojik ayrıntı, veri yoğunluğu ve kullanım amacıyla uyumlu hücre hacmi.
  6. Geological CodingTransferring lithology and estimation domains into block attributes.Litoloji ve kestirim alanlarının bloklara aktarımı.
  7. Density AssignmentApplication of density information to the block model.Yoğunluğun blok modelindeki uygulanması.
  8. Volume and Tonnage ChecksJoint checks on modelled volume and density-derived tonnage.Hacim ve yoğunluk modelinin birlikte kontrol edilmesi.

TECHNICAL MESSAGETeknik mesajBlock size is a geological and statistical decision as well as a geometric choice.Blok boyutu geometrik bir tercih olduğu kadar jeolojik ve istatistiksel bir karardır.

10Estimation MethodsKestirim YöntemleriWhich estimator is appropriate for the assumptions and intended model use?Hangi yöntem, hangi varsayımla ve hangi kullanım amacıyla seçilmeli?

KEY CONCEPTSAnahtar kavramlar

  1. Nearest NeighborEstimation based on the nearest available observation.En yakın veriye dayalı kestirim.
  2. Inverse Distance WeightingEstimation through weights determined by distance.Mesafeye bağlı ağırlıklı kestirim.
  3. Simple KrigingLinear geostatistical estimation under an assumed mean.Ortalama varsayımıyla çalışan doğrusal jeoistatistiksel kestirim.
  4. Ordinary KrigingKriging that addresses an unknown local mean through a weights constraint.Bilinmeyen yerel ortalamayı ağırlık kısıtıyla ele alan kestirim.
  5. Block KrigingEstimating a block average.Blok ortalamasının kestirimi.
  6. Indicator KrigingThreshold-based estimation using indicator variables.Gösterge değişkenleri aracılığıyla eşik temelli kestirim.
  7. Multiple Indicator KrigingAssessment of local distributions using multiple indicator thresholds.Birden çok eşik kullanılarak yerel dağılım değerlendirmesi.
  8. CokrigingUse of joint spatial relationships with secondary variables.İkincil değişkenlerin ortak mekânsal ilişkilerinden yararlanma.
  9. Kriging with Trend / External DriftIncorporating a relevant trend or external variable in estimation.İlgili trend veya dış değişken bilgisinin kestirime katılması.
  10. Method ComparisonComparing method outcomes, assumptions and sensitivities.Farklı kestirim yöntemlerinin sonuç ve varsayım duyarlılığı açısından karşılaştırılması.

TECHNICAL MESSAGETeknik mesajThe most sophisticated method is not necessarily the most appropriate.En karmaşık yöntem, her zaman en uygun yöntem değildir.

11Search Strategy & Parameter OptimisationArama Stratejisi ve Parametre OptimizasyonuHow do estimator settings influence predicted grades?Yöntemin parametreleri tenör tahminini nasıl değiştiriyor?

KEY CONCEPTSAnahtar kavramlar

  1. Search EllipsoidThe oriented search volume used to select estimation data.Kestirimde kullanılan yönsel arama hacmi.
  2. Search OrientationOrienting the search according to geological and variographic relationships.Arama yöneliminin jeolojik ve variografik ilişkilere göre belirlenmesi.
  3. Minimum / Maximum SamplesLimits on the number of samples used in each estimate.Kestirimde kullanılabilecek örnek sayısı sınırları.
  4. Samples per DrillholeConstraining contributions from any one drillhole.Tek bir sondajdan kullanılan örneklerin sınırlandırılması.
  5. Quadrant / Octant SearchBalanced data selection from different directional sectors.Farklı yönlerden dengeli veri seçme stratejisi.
  6. Block DiscretizationThe internal point configuration used when estimating a block average.Blok ortalamalarının hesaplanmasında kullanılan iç nokta düzeni.
  7. Kriging WeightsThe contribution assigned to each composite.Her kompozitin tahmine katkısı.
  8. Negative Kriging WeightsAssessing situations in which negative kriging weights can arise.Negatif ağırlıkların ortaya çıkabileceği durumların değerlendirilmesi.
  9. Kriging VarianceModel- and data-geometry-dependent estimation error variance.Seçilen model ve veri geometrisine bağlı hata varyansı.
  10. Kriging EfficiencyA metric used to evaluate estimation parameter performance.Kestirim parametrelerinin performansını değerlendirmede kullanılan ölçüt.
  11. Conditional BiasSystematic smoothing or bias in estimates relative to true values.Tahminlerin gerçek değerlerle ilişkili sistematik düzleştirme veya sapma davranışı.
  12. Sensitivity AnalysisTesting results against alternative parameter choices.Parametrelerin alternatifleriyle karşılaştırılması.

TECHNICAL MESSAGETeknik mesajSelecting an estimator is only the beginning; the way it is applied must also be tested.Bir yöntemi seçmek yeterli değildir; yöntemin nasıl kullanıldığını da sınamak gerekir.

12Conditional Simulation & Uncertainty ModellingKoşullu Simülasyon ve Belirsizlik ModellemesiHow can possible geological and grade outcomes be represented beyond a single estimate?Tek bir kestirim yerine olası jeolojik ve tenör senaryolarını nasıl temsil ediyoruz?

KEY CONCEPTSAnahtar kavramlar

  1. Estimation vs SimulationThe difference between an expected-value estimate and possible spatial realisations.Beklenen değer tahmini ile olası mekânsal gerçekleşimler arasındaki fark.
  2. Conditional SimulationSimulation conditioned on observed data.Gözlem verilerine bağlı simülasyon.
  3. Sequential Gaussian Simulation (SGS)A conditional simulation approach for continuous variables.Sürekli değişkenler için koşullu simülasyon yaklaşımı.
  4. Sequential Indicator Simulation (SIS)Indicator-based simulation.Gösterge temelli simülasyon.
  5. Categorical SimulationSimulation of geological categories or categorical characteristics.Jeolojik sınıflar veya kategorik özellikler için simülasyon.
  6. Multiple RealisationsAn ensemble of alternative spatial realisations.Alternatif mekânsal gerçekleşimler topluluğu.
  7. E-type EstimateThe model obtained by averaging simulated realisations.Simülasyon gerçekleşimlerinin ortalama değer modeli.
  8. Uncertainty QuantilesOutcome distributions and associated quantiles.Olası sonuçların dağılımı ve farklı quantile değerleri.
  9. Spatial RiskUncertainty affecting groups of cells or mining areas together.Birden fazla hücre veya üretim alanını birlikte etkileyen belirsizlik.
  10. Simulation ValidationTesting conditioning, histograms and variogram reproduction.Koşullandırma, histogram ve variogram davranışının sınanması.

TECHNICAL MESSAGETeknik mesajSimulation does not identify one certain future; it illustrates alternative spatial outcomes conditional on the assumptions.Simülasyon tek bir doğru gelecek üretmez; seçilen varsayımlar altında alternatif olası mekânsal davranışları gösterir.

PHASE IV

VALIDATION & MINING DECISIONSDOĞRULAMA VE MADENCİLİK KARARI

13Support Effects & Recoverable ResourcesÖlçek Etkisi ve Kazanılabilir KaynakHow can estimates from drillhole data reflect selectivity at the mining scale?Sondaj verisiyle tahmin edilen kaynak, üretim seçiciliğini nasıl temsil edebilir?

KEY CONCEPTSAnahtar kavramlar

  1. Support EffectChanges in statistical variability as data or block volume changes.Veri veya blok hacmi değiştiğinde istatistiksel değişkenliğin değişmesi.
  2. Change of SupportModelling distributional relationships between point, panel and block scales.Nokta, panel veya blok ölçekleri arasında dağılım ilişkisinin modellenmesi.
  3. Volume–Variance EffectThe relationship between sample volume and grade variance.Hacim ile tenör varyansı arasındaki ilişki.
  4. Selective Mining Unit (SMU)The scale at which mining selectivity decisions are made.Madencilikte seçicilik kararının verildiği ölçek.
  5. Information EffectThe effect of additional production-stage information on expected selectivity.Üretim sırasında ek bilgi elde edilmesinin seçicilik beklentisine etkisi.
  6. Grade–Tonnage CurvesTonnage and mean grade as functions of cut-off grade.Eşik tenöre göre değişen tonaj ve ortalama tenör.
  7. Global Recoverable EstimationAssessing recoverable grade–tonnage behaviour at a global scale.Küresel kazanılabilir dağılım değerlendirmesi.
  8. Local Recoverable EstimationAssessing recoverability within local volumes.Yerel hacimlere ilişkin kazanılabilirlik değerlendirmesi.
  9. Uniform Conditioning (UC)A recoverable resource approach associated with change of support.Ölçek değişimiyle ilişkili kazanılabilir kaynak yöntemi.
  10. Localised Uniform Conditioning (LUC)Spatial localisation of recoverable resource estimates.Kazanılabilir kaynak tahminlerinin mekânsal yerelleştirilmesi.
  11. MIK and Change of SupportLinking indicator-based local distributions with mining selectivity support.Gösterge temelli yerel dağılımlar ile seçicilik ölçeğinin ilişkilendirilmesi.
  12. Mining Dilution and Ore LossHow actual mining conditions influence recovery and selectivity.Fiilî madencilik koşullarının kazanım ve seçicilik üzerindeki etkileri.

TECHNICAL MESSAGETeknik mesajUsing smaller blocks is not equivalent to reliably estimating resources at a smaller mining support.Küçük blok kullanmak ile küçük blok ölçeğinde güvenilir kaynak kestirmek aynı şey değildir.

14Model Validation & Sensitivity AnalysisModel Doğrulama ve Duyarlılık AnaliziCan we show where a model is reliable and where its limitations lie?Modelin nerede güvenilir, nerede zayıf olduğunu gösterebiliyor muyuz?

KEY CONCEPTSAnahtar kavramlar

  1. Input–Output ComparisonComparison of means and distributions between input data and estimated blocks.Veriler ve blok tahminleri arasındaki ortalama ve dağılım karşılaştırmaları.
  2. Geological Model ValidationChecking geological codes and modelled volumes.Jeolojik kodların ve hacimlerin kontrolü.
  3. Statistical ValidationAssessing mean, variance and distributional behaviour.Ortalama, varyans ve dağılım davranışlarının değerlendirilmesi.
  4. Swath PlotsComparing input and model averages across spatial slices.Mekânsal dilimler boyunca veri ve model ortalamalarının karşılaştırılması.
  5. Cross-validationTesting estimation performance by withholding observations.Gözlemler gizlenerek tahmin performansının sınanması.
  6. Q–Q PlotsComparison of distributions at corresponding quantiles.Dağılımların quantile düzeyinde karşılaştırılması.
  7. Contact AnalysisInvestigating behaviour around geological contacts.Jeolojik sınırlar çevresindeki model davranışının araştırılması.
  8. Sensitivity AnalysisTesting the effects of changes in method and parameters.Yöntem ve parametre değişikliklerinin sonuçlara etkisi.
  9. Alternative Model ComparisonEvaluation of alternative estimation models.Alternatif kestirim modellerinin değerlendirilmesi.
  10. Global Bias and Conditional BiasExamining global and conditional types of bias.Küresel ve koşullu yanlılık türlerinin incelenmesi.
  11. Model IntegrityConsistency of block codes, volume, tonnage, data and computations.Blok kodu, hacim, tonaj, veri ve hesaplama tutarlılığı.

TECHNICAL MESSAGETeknik mesajValidation should test spatial and selective-mining behaviour, not only the global mean.Doğrulama, modelin yalnızca ortalamasını değil, mekânsal ve seçici madencilik davranışını da kapsamalıdır.

15Mineral Resource Classification & ReportingKaynak Sınıflandırması ve RaporlamaWhat degree of technical confidence is supported by the available evidence?Mevcut kanıt, hangi düzeyde güvenilir teknik beyana izin veriyor?

KEY CONCEPTSAnahtar kavramlar

  1. Geological ConfidenceConfidence in mineralisation geometry and continuity.Mineralizasyon geometrisine ve devamlılığına duyulan güven.
  2. Grade Continuity ConfidenceSupport from data and models for confidence in grade continuity.Tenör sürekliliğine ilişkin veri ve model desteği.
  3. Data Quality ConfidenceReliability of drilling, sampling, assay and density information.Sondaj, numune, analiz ve yoğunluk verilerinin güvenilirliği.
  4. Drillhole SpacingThe influence of drill spacing on information density.Sondaj aralıklarının bilgi yoğunluğu üzerindeki etkisi.
  5. Kriging Variance and Estimation PassesQuantitative indicators that may support, but not determine, classification.Sınıflandırmayı desteklemek için değerlendirilebilen nicel göstergeler.
  6. Measured ResourcesThe higher-confidence Mineral Resource category within applicable reporting frameworks.İlgili raporlama çerçevesindeki yüksek güven düzeyine sahip kaynak kategorisi.
  7. Indicated ResourcesThe intermediate-confidence Mineral Resource category within applicable reporting frameworks.İlgili raporlama çerçevesindeki ara güven düzeyine sahip kaynak kategorisi.
  8. Inferred ResourcesThe lower-confidence Mineral Resource category within applicable reporting frameworks.İlgili raporlama çerçevesindeki daha düşük güven düzeyine sahip kaynak kategorisi.
  9. Transparent ReportingDisclosure of methods, assumptions, limitations and material uncertainties.Yöntemlerin, kabullerin, sınırlamaların ve maddi belirsizliklerin açıklanması.
  10. Reporting Frameworks: JORC and NI 43-101Frameworks applied to technical disclosure of Mineral Resources; current obligations require separate assessment.Maden kaynaklarına ilişkin teknik açıklamalarda kullanılan raporlama çerçeveleri; güncel gereklilikler ayrıca değerlendirilir.
  11. Technical AccountabilityDefensible technical decisions supported by competent professional judgement.Teknik kararların yetkin profesyonel değerlendirmesiyle savunulabilmesi.

TECHNICAL MESSAGETeknik mesajClassification should not be automated solely from drillhole spacing or kriging variance.Sınıflandırma, yalnızca sondaj uzaklığına veya kriging varyansına göre otomatik olarak yapılmamalıdır.

16Grade Control, Reconciliation & LearningTenör Kontrolü, Üretim Mutabakatı ve ÖğrenmeWhich resource-model assumptions do operating results support or challenge?Üretim sonuçları kaynak modelinin hangi varsayımlarını doğruluyor veya sorgulatıyor?

KEY CONCEPTSAnahtar kavramlar

  1. Medium and Short-term ModelsModels supported by newer and often denser information for operational decisions.Operasyonel kararlar için daha güncel ve yoğun veriyle oluşturulan modeller.
  2. Grade ControlGeological and grade control activities supporting mining selectivity.Üretim seçiciliğini destekleyen jeolojik ve tenör kontrol çalışmaları.
  3. Ore / Waste SelectionOre and waste selection decisions.Cevher ve pasa seçim kararları.
  4. Mining DilutionUnwanted mixing of non-ore material with ore during mining.Madencilik sırasında cevherin istenmeyen malzemeyle seyrelmesi.
  5. Ore LossOre lost during selection or extraction.Seçim ve üretim süreçlerinde kaybedilen cevher.
  6. ReconciliationComparing model predictions with actual production or measurement outcomes.Model tahminleriyle üretim/ölçüm sonuçlarının karşılaştırılması.
  7. Model PerformanceInvestigating geological, statistical and operational causes of differences.Farkların jeolojik, istatistiksel veya operasyonel nedenlerinin araştırılması.
  8. Drill Spacing OptimizationAssessing how additional drilling may improve decision confidence.Yeni sondajların karar kalitesine sağlayabileceği katkının değerlendirilmesi.
  9. Model UpdatingRevising model assumptions in light of new information.Yeni bilgiler doğrultusunda model kabullerinin güncellenmesi.
  10. Findings, Implications, RecommendationsCommunicating technical findings together with their implications and recommendations.Teknik bulguların etkileri ve önerileriyle birlikte iletilmesi.
  11. Continuous LearningUsing model–production comparison to improve professional practice.Model–üretim karşılaştırmalarının mesleki öğrenmeye dönüştürülmesi.

TECHNICAL MESSAGETeknik mesajReconciliation is not merely a table of differences; it is a feedback process for improving future models.Reconciliation yalnızca sayısal bir fark tablosu değil, gelecekteki model kalitesini geliştiren geri bildirim sürecidir.

02 / Instructor

Umut Gümüşkaya

Mineral Resource Estimation · Applied Geostatistics

Biography / English

Umut Gümüşkaya is a geological engineer with more than 18 years of professional experience in mineral resource geology, resource estimation and mining advisory. He graduated in Geological Engineering from Dokuz Eylül University, Türkiye. He is a Registered Professional Geoscientist (RPGeo) and Fellow (FAIG) of the Australian Institute of Geoscientists, and a Member of the Australasian Institute of Mining and Metallurgy (MAusIMM).

A substantial part of his career has been dedicated to geological modelling, Mineral Resource Estimation, applied geostatistics, mine geology, grade control and production reconciliation. Between 2008 and 2016, he worked in resource geology at Koza Altın (now Türk Altın İşletmeleri A.Ş.), contributing to resource development and evaluation at the Çukuralan, Söğüt and Himmetdede gold projects.

He subsequently served as Senior Resource Geologist at MNG Orko Gold from 2016 to 2017, followed by Director of Resource & Mine Geology at Avesoro Resources from 2017 to 2020. His responsibilities included geological model development, resource estimation, operating mine geology, grade control, reconciliation and technical team management, particularly at gold mining operations in West Africa. Across several regions, he contributed to technical project evaluations supporting mining investment decisions.

His experience spans precious- and base-metal projects, including gold mining operations with a combined production history of more than 10 million ounces of gold.

In 2020, he established MIND Advisory, extending his technical experience into project evaluation, technical due diligence, mining investment assessment and strategic advisory. He serves as Founder & Executive Director of MIND Advisory and Co-Founder & Board Member of MIND Gulf. He has experience working within international Mineral Resource reporting frameworks, including JORC and NI 43-101.

Throughout his career, he has also contributed to the professional development of younger geologists through technical mentoring and knowledge transfer. The advanced professional development programme now under consideration reflects his intention to share the practical experience gained across different deposits, mining operations and technical environments with the next generation of mining professionals.

The intention is not simply to explain resource estimation and geostatistical methods, but to examine the geological assumptions, data quality, uncertainty and professional judgement behind their application, drawing on experience from actual mining projects.

03 / Delivery Models Under Consideration

Potential Learning FormatsDeğerlendirilen eğitim formatları

In-person and online alternatives will be assessed against interest and practical participation requirements. No format has been confirmed.Yüz yüze ve çevrimiçi alternatifler, ilgi düzeyi ve katılım koşullarına göre değerlendirilecektir. Aşağıdaki seçenekler henüz kesinleşmiş değildir.

FORMAT 01

Larger Group
In-Person ProgrammeGeniş Katılımlı · Yüz Yüze Eğitim

A classroom-based format supporting shared technical discussion and applied exercises among professionals.Meslektaşlar arasında ortak tartışma ve uygulama imkânı sunabilecek sınıf düzeni.

FORMAT 02

Small Group
Intensive WorkshopsKüçük Grup · Yoğun Çalışma

Closer technical interaction at the MIND office, with no more than seven participants.MIND ofisinde, en fazla yedi katılımcıyla daha yakın teknik etkileşim fırsatı.

FORMAT 03

Online
AlternativeÇevrimiçi · Alternatif

An option under review for professionals facing travel or scheduling constraints.Ulaşım veya takvim kısıtları bulunan profesyoneller için değerlendirilen seçenek.

Possible durations: 4, 6 or 8 months · Approximately one day per week and four sessions per month · Final timetable and workload to be determined.Değerlendirilen süre seçenekleri: 4, 6 veya 8 ay · Yaklaşık haftada bir gün ve ayda dört oturum · Nihai takvim ve öğretim yükü belirlenecek.

04 / Expression of Interest

Expression of InterestÖn ilgi bildirimi

Your professional background, learning objectives and participation preferences will inform our assessment of the proposed programme. This is not enrolment, admission or a payment commitment.Mesleki geçmişiniz, öğrenme hedefleriniz ve katılım tercihleriniz gelecekteki program değerlendirmesinde dikkate alınacaktır. Bu form kesin kayıt, kabul veya ödeme yükümlülüğü doğurmaz.

Expression of Interest FormÖn İlgi Bildirim Formu4 sections
01

Professional BackgroundMesleki profiliniz

Your technical experience and areas of practice.Teknik ilgi ve deneyiminizi anlamak için.

02

Interest and Programme Preferencesİlgi ve program tercihleri

Preferences are assessed individually; no combination is a commitment.Seçenekleri birbirinden bağımsız değerlendirebilmemiz için.

Your alternative must differ from your first preference.
Select realistic alternatives to your first choice.
03

Participation and FundingKatılım ve finansman

Your practical availability and potential funding arrangements.Katılım imkânlarınız ve finansman modeliniz.

04

Learning ObjectivesÖğrenme hedefleriniz

Specify two or three technical capabilities you would like to develop.Geliştirmek istediğiniz iki veya üç somut teknik yetkinlik.

This expression of interest is not an enrolment or an application for admission. It creates no payment, contract or attendance obligation. The programme's scope and conditions have not been finalised.Bu form, bir eğitim kaydı veya kabul başvurusu değildir. Herhangi bir ödeme, sözleşme ya da katılım taahhüdü oluşturmaz. Programın kapsamı ve koşulları henüz belirlenmemiştir.

How your application information is usedBaşvuru bilgilerinin kullanımı

Information you send by email will be used by MIND Madencilik Mühendislik Sondaj Danışmanlık Sanayi ve Ticaret Limited Şirketi solely to assess interest in the proposed professional development programme, evaluate participation conditions and communicate with you.E-posta ile gönderdiğiniz bilgiler, MIND Madencilik Mühendislik Sondaj Danışmanlık Sanayi ve Ticaret Limited Şirketi tarafından yalnızca mesleki gelişim programına yönelik ön ilginin ve katılım koşullarının değerlendirilmesi ve sizinle iletişim kurulması için kullanılacaktır.

Expressions of interest are retained for one year from receipt. Our corporate email service is Microsoft 365 Exchange Online, with its current data-at-rest geography shown as Europe. Enquiries: info@mindmcs.com.Başvuruların saklama süresi, alındığı tarihten itibaren bir yıldır. Kurumsal e-posta hizmetimiz Microsoft 365 Exchange Online'dır; mevcut veri saklama bölgesi Avrupa'dır. Bilgi talepleri: info@mindmcs.com.

The button opens a completed draft in your email application. You must press Send there to deliver your responses to MIND.Düğme, e-posta uygulamanızda doldurulmuş bir taslak açar. MIND'a iletilmesi için e-postayı ayrıca göndermeniz gerekir.info@mindmcs.com