Leapfrog adalah perangkat lunak pemodelan geologi 3D terkemuka untuk industri pertambangan, eksplorasi, kontaminasi air tanah, dan energi panas bumi. Leapfrog adalah cara baru untuk memproses, melihat, dan menginterpretasikan data lubang bor. Dengan Leapfrog, Anda dapat langsung memvisualisasikan pola mineralisasi dalam 3D melalui satu lingkungan pemrosesan interaktif.
Apa yang baru di Leapfrog 2026.1?
Leapfrog 2026.1 memperkenalkan peningkatan besar di seluruh pemodelan geologi, penampang melintang, perencanaan lubang bor, dan estimasi sumber daya. Rilis ini berfokus pada interpretasi yang lebih jelas, alur kerja yang lebih cepat, dan model yang lebih dapat dipertanggungjawabkan, dengan alat baru seperti Grid Planner, Stratigraphic Data Explorer, dan peningkatan keterbacaan penampang melintang.
Fitur Baru Utama di Leapfrog 2026.1
- Penampang & Interpretasi
Peningkatan keterbacaan di dalam lubang bor: sumbu yang lebih jelas, lebar garis yang dapat disesuaikan, penskalaan yang konsisten.
Indikator kepercayaan data: penampang sekarang menunjukkan proyeksi yang lebih jelas dan perilaku yang dapat diprediksi.
Output penampang yang konsisten: di mana pun penampang muncul, formatnya seragam.
Navigasi yang lebih cepat dalam tata letak yang kompleks.
Fleksibilitas lubang bor yang direncanakan: integrasi data lubang bor ke dalam penampang yang lebih mudah. - Perencanaan Lubang Bor
Perencana Grid: menghasilkan kampanye pengeboran grid dengan cepat, menggantikan pembuatan lubang manual yang lambat.
Mode Collar & Target: rencanakan pengeboran untuk mengenai target kritis dengan presisi.
Integrasi AXIS Connect: hubungkan perencanaan langsung ke eksekusi rig pengeboran untuk alur kerja yang mulus. - Pemodelan Stratigrafi
Penjelajah Data Stratigrafi: analisis interaktif data stratigrafi.
Pembuat Urutan Stratigrafi Dinamis: mengurangi pengeditan manual, menghasilkan model yang lebih realistis secara geologis. - Estimasi Sumber Daya (Leapfrog Edge)
Alur Kerja Persiapan Data Khusus:
Persiapan data terpusat.
Deklusterisasi untuk mengoreksi bias spasial.
Tentukan ambang batas pembatasan dengan keyakinan.
Buat kumpulan data estimasi fleksibel yang terlepas dari estimator individual.
Pemilihan permukaan urat daun yang fleksibel untuk orientasi variabel.
Plot Swath: validasi model yang ditargetkan untuk hasil estimasi.
