استكشاف المعادن ونمذجة الخام وتقدير الموارد

المكاسب:

• القدرة على شرح استخدام الذكاء الاصطناعي ودمج البيانات متعدد الطبقات في التنقيب عن المعادن
• فهم كيفية عمل نموذج الكتلة وتقدير الدرجة باستخدام الإحصاء الجغرافي (kriging، variogram) والتعلم الآلي.
• القدرة على اختبار مخرجات تقدير المصدر من خلال التحقق المتبادل وثقة التصنيف ومعايير إعداد التقارير

التنقيب هي لعبة مراهنة تعتمد فيها قرارات بملايين الدولارات على عدد قليل من عينات الحفر. رواسب معدنية (رواسب خام إنجليزية؛ تراكم معدني غني وكبير بما يكفي لاستغلاله) مخفية تحت مساحة مئات الكيلومترات المربعة، ولا "نراها" إلا من خلال عمليات الحفر النادرة والظلال الجيوفيزيائية والعلامات السطحية. ولهذا السبب يعد التنقيب عن المعادن أحد أكثر مجالات تطبيق الذكاء الاصطناعي إثارة ولكنه أيضًا أخطرها: فعند استخدامه بشكل صحيح، فإنه يسرع من استهداف الاستكشاف ويستخرج المزيد من المعنى من البيانات المتفرقة؛ وعندما يستخدم بشكل غير صحيح، فإنه يخفي مادة غير موجودة وراء الإحصائيات ويضلل المستثمرين والمجتمع على حد سواء.

في هذه الوحدة، سنغطي جانبين رئيسيين من جوانب الذكاء الاصطناعي في الاستكشاف: استهداف الاستكشاف (التنقيب عن المعادن؛ التقدير من البيانات متعددة الطبقات للمنطقة التي من المحتمل أن تحتوي على رواسب) وتقدير الموارد (حساب مدى الثقة التي يمكننا من خلالها تحديد كمية المعدن الموجودة في الرواسب المحفورة). في كليهما، يعد الذكاء الاصطناعي أداة قوية للبحث عن الأنماط؛ لكن في كلتا الحالتين، فإن الرقم النهائي هو مسؤولية الشخص المختص الذي وقع على معايير الإبلاغ الدولية.

استهداف البحث: دمج البيانات متعدد الطبقات

لا ينظر الجيولوجي الاستكشافي إلى نوع واحد من البيانات، بل إلى الطبقات المتراكبة: الخريطة الجيولوجية، والخطوط الهيكلية (العيوب والطيات)، والجيوفيزياء (المغناطيسية، والجاذبية، والمقاومة)، والكيمياء الجيولوجية (قيم عناصر عينة التربة والمجرى)، والتغييرات التي تم رسمها بواسطة الاستشعار عن بعد. كل طبقة هي دليل خافت. الإشارة الحقيقية هي المكان الذي يشيرون إليه معًا. وهذا ما يسمى دمج البيانات.

يقوم الذكاء الاصطناعي بوظيفتين هنا. أولاً، يقوم بمحاذاة عشرات الطبقات على نفس شبكة الإحداثيات (مهمة فردية ومملة ولكنها عرضة للخطأ) في جدول تحليل واحد. ثانيًا، يتعلم النموذج حول الرواسب المعروفة ويحدد مناطق جديدة بتوقيع مماثل (التعلم الخاضع للإشراف). ولكن هناك فخ خطير هنا: عدد الأسرة المعروفة غالبًا ما يكون صغيرًا جدًا (ربما 5-10 أسرة في منطقة واحدة)، وبالتالي فإن النموذج يحفظ بسهولة ويفشل في مناطق جديدة. ولهذا السبب فإن مخرجات الاستهداف ليست قائمة "توجد جوهرة مؤكدة"، بل "أمر أولوية يستحق الاختبار عن طريق الحفر".

تكون الخطوات عادةً كما يلي: (1) محاذاة الطبقات وتنظيفها، (2) ترجمة كل طبقة إلى رمز ذي معنى بناءً على نموذج القاعدة (على سبيل المثال، "المسافة إلى تقاطع الصدع"، "الحافة المغناطيسية العالية")، (3) التدريب باستخدام أسِرَّة أو وزن معروف وفقًا لقاعدة الخبراء، (4) إنتاج خريطة احتمالية، (5) اختبار المناطق ذات الاحتمالية الأعلى في الميدان وبطرق منخفضة التكلفة.

نصيحة: بدلاً من تغذية الطبقات الأولية في النموذج، اشتق علامات ذات معنى جيولوجيًا ("حلقة مغناطيسية + تغيير أرجيلي + تقاطع الصدع للنحاس السماقي"). المؤشرات المتوافقة مع النموذج المحمل تنتج أهدافًا أقوى بكثير من الإحصاءات العمياء.

الإحصاء الجيولوجي وتقدير الموارد: نموذج Variogram وKriging وBlock

بمجرد العثور على الرواسب وحفرها، يتغير السؤال: "ما مقدار المعدن الموجود هنا وإلى أي مدى يمكننا الوثوق به؟" تتطلب الإجابة استقراءًا من نقاط الحفر التي تم أخذ عينات منها إلى حجم الصخور التي لم يتم أخذ عينات منها. الأداة القياسية لهذا هي الإحصاء الجغرافي.

المفهوم الأساسي هو variogram: وهو مقياس للاستمرارية المكانية الذي يصف كيفية انخفاض التشابه في الدرجات مع تحرك عينتين بعيدًا عن بعضهما البعض. الأمثلة القريبة متشابهة، والأمثلة البعيدة مستقلة؛ يحدد المتغير "نطاق التشابه" هذا. Kriging هي طريقة متوسط ​​مرجح تستخدم بنية variogram هذه لإعطاء الدرجة، كلاً من التقدير وعدم اليقين في التقدير، لكل كتلة غير عينة. يتم تقسيم الوديعة إلى كتل يتم قياس جوانبها بالمتر (نموذج الكتلة)، ويتم تعيين درجة وثقة لكل كتلة.

الذكاء الاصطناعي يأتي في ثلاث نقاط هنا. في نمذجة فاريوجرام، يقترح نماذج بديلة ويقيم الملاءمة. يمكن لطرق التعلم الآلي (مثل الغابة العشوائية وتعزيز التدرج) التقاط علاقات الدرجات غير الخطية بالإضافة إلى kriging. ويعمل على تسريع عملية الترميز والفحص والإبلاغ عن سير العمل بأكمله. ولكن هناك قاعدتان حديديتان تظلان ثابتتين: لا يمكن إخفاء عدم اليقين في التقدير أبدا، ويتم فرز المورد النهائي من قبل الشخص المختص إلى فئات مقاسة/مشار إليها/مستنتجة وفقا للمعايير الدولية (الأطر العامة القابلة للتدقيق لتقارير الموارد/الاحتياطيات، مثل JORC, NI 43-101, PERC).

تحذير: قد يعمل نموذج التعلم الآلي على "سلاسة" فواصل الحفر، مما يخلق استمرارية غير موجودة في الواقع. يمكن لعدد قليل من العينات عالية الجودة إثراء (تلطيخ اللغة الإنجليزية) كتلة بأكملها بشكل غير عادل. يعد تحديد القيم العالية (القطع العلوي) والتحكم في عدد العينات على أساس الكتلة أمرًا ضروريًا؛ وإلا فإن الحمولة سوف تنتفخ على الورق.

ثلاث حالات صغيرة: بالأرقام

الحالة 1 - تحديد أولويات الاستهداف. وكان فريق التنقيب يعمل بميزانية حفر محدودة في منطقة ترخيص تبلغ مساحتها 380 كيلومترا مربعا. وقد حددت خريطة احتمالية تضم سبع طبقات جيوفيزيائية/جيوكيميائية 6% فقط من المنطقة باعتبارها "أولوية عالية". قام الفريق بتوجيه التدريبات الخمس الأولى إلى نسبة الـ 6٪؛ وجدت تقاطعات نحاسية كبيرة في ثلاثة منها. النقطة الحاسمة: الخريطة لم "تثبت" الخام، وقامت بترشيد مكان تركيز ميزانية الحفر وخفضت عدد التجارب العمياء.

الحالة 2 - القبض على التلطيخ. في أحد رواسب الذهب، أدى نموذج الكتلة الأول إلى تضخيم الكتل المحيطة بسبب تأثير عينة زائدة واحدة تبلغ 78 جم/طن، مما أدى إلى المبالغة في تقدير المورد بنسبة 14%. تم الوصول بالتنبؤ إلى مستوى واقعي من خلال تطبيق الحد الأعلى (تقليل القيمة العالية إلى العتبة الإحصائية) ومراقبة العينات المجاورة في مراجعة ضمان الجودة/مراقبة الجودة. أثر الفارق بشكل مباشر على قرار استثمار بملايين الدولارات.

الحالة 3 - انضباط التصنيف. وفي مشروع الحديد، أظهر النموذج التنبؤ بالرواسب بأكملها بثقة عالية؛ إلا أن كثافة الحفر كانت قليلة جداً في المناطق الهامشية. قام الشخص المرخص له بإزالة حجم العينة المتفرقة من التقييم الاقتصادي، وخفضه إلى "مستنتج". وهكذا تجنب التقرير المبالغة في الاحتياطيات المصرح بها وظل متماشيا مع المعيار.

موجه ضعيف / موجه قوي

حث ضعيف:

قم بتحليل عائد الحفر ومعرفة كمية الذهب الموجودة في الودائع. [جدول الفحص]

مطالبة قوية:

دورك: إحصائي جيولوجي للموارد. أعط رقم المصدر مع بيانات الفحص المركب التالية. بدلاً من ذلك: 1) تلخيص توزيع الدرجات؛ حدد القيم المتطرفة المحتملة والحاجة إلى قطع علوي. 2) اقترح اتجاهات variogram التي يجب فحصها من أجل الاستمرارية المكانية. 3) وضح المناطق التي لا يمكن تصنيفها إلا على أنها "محذوفة" بسبب انخفاض كثافة الحفر. 4) قم بإدراج 4 مصادر لعدم اليقين يمكن أن تؤثر على النتيجة. البيانات مجهولة المصدر؛ لا توجد إحداثيات فعلية/شركة.

تمنع المطالبة القوية النموذج من إنتاج رقم واحد مخادع وتحوله إلى مساعد ينظم بالضبط الأسئلة التي يجب على الشخص المسؤول طرحها.

أربعة قوالب قابلة للنسخ

1) اشتقاق الرمز المميز لدمج الطبقة:

اقترح علامات ذات معنى من الطبقات التالية بناءً على نموذج استكشاف النحاس السماقي: المغناطيسية، والجاذبية، والمقاومة، والكيمياء الجيولوجية للتربة (Cu-Mo-Au)، والتغيير. لكل علامة: رابط لنموذج الإيداع، والمصدر المضلل المحتمل، وطريقة التحقق الميداني. إعطاء هدف دقيق؛ إنشاء منطق الأولوية.

2) فحص ضمان الجودة / مراقبة الجودة قبل الفحص:

تحقق من جدول الفحص لما يلي: القيمة السلبية/المستحيلة، ونسبة العلامات التي تقل عن حد الكشف، وتناقض الوحدة (جزء في المليون/%/جم-t)، وتكرار اتفاق العينة، وانجراف العينة الفارغة والمعيارية. ما عليك سوى إدراج المشكلات عن طريق Drill_id؛ التقييم، التصحيح.

3) مسودة تفسير المتغير:

تفسير نتائج مخطط المتغيرات التجريبية: اشرح بلغة واضحة ما تعنيه الكتلة والمدى والعتبة؛ هل هناك أي علامات على تباين الخواص؟ حدد القرارات التي تتطلب موافقة الجيولوجي قبل البدء في العمل. المنطق وليس الكود.

4) مراقبة تصنيف المصدر:

في نموذج الكتلة، لكل كتلة: تباين كريجينج، تم إعطاء عدد العينات المستخدمة في التقدير والمسافة إلى أقرب بئر. قم بتقديم مخطط تفصيلي معقول للكتل التي تناسب الفئة المقاسة/المعروضة/المستنتجة وفقًا للمنطق القياسي. التصنيف النهائي يعود إلى الشخص المرخص له؛ اذكر هذا.

مقارنة الطرق

الطريقة

ماذا يفعل

نقطة قوية

الخطر الرئيسي

قاعدة الخبراء (الطبقة المرجحة)

فرز الأهداف بالمعلومات

يعمل مع القليل من البيانات، وشفافة

تحيز الخبراء

استهداف ML الخاضع للإشراف

يتعلم من السرير المعروف

يلتقط نمطًا معقدًا

الحفظ في بعض الأمثلة

كريجينج

يتنبأ تينور بعدم اليقين

قياسي، قابل للتدقيق

خطأ في الرسم البياني، تلطيخ

تقدير درجة ML

علاقة غير خطية

مرنة

يمكن أن يخفي عدم اليقين، والإفراط في التكيف

المحاكاة (مثل SGS)

يولد سيناريوهات الاحتمالية

يتصور عدم اليقين

الثقة الزائدة إذا أسيء تفسيرها

نصيحة: عند تقدير الموارد، اسأل عن النطاق والسيناريو بدلاً من "أفضل رقم منفرد". توفر ثلاثة سيناريوهات متفائلة/متوقعة/حذرة أساسًا أكثر صدقًا لاتخاذ القرار من اليقين الزائف الناتج عن رقم واحد.

الأخطاء الشائعة

• جعل ML يحفظ بسرير غير معروف. فالنموذج الذي تم تدريبه بخمسة محامل لا يمكن الاعتماد عليه في المجال الجديد؛ عرض المخرجات كقائمة أولويات، وليس كدليل.
• عدم الحد من القيم المتطرفة. إن اختبارًا عاليًا واحدًا، إذا لم يتم إجراء القطع العلوي، سيؤدي بشكل غير عادل إلى إثراء (تشويه) الكتل المحيطة وتضخيم الحمولة.
• عدم الإبلاغ عن عدم اليقين. إخفاء تباين وتصنيف كريجينج وتقديم أرقام فردية هو مخالف للمعايير والنزاهة.
• تخطي التصنيف. إن تقديم حجم عينات متفرقة على أنه مُقاس يضر بالحكم الاقتصادي وثقة الجمهور.
• تخطي ضمان الجودة/مراقبة الجودة. لا يمكن الاعتماد على أي درجة دون المراقبة المعملية للانجراف باستخدام عينات فارغة وقياسية.

في ملخص

• يولّد استهداف الاستكشاف أولوية الحفر من خلال دمج البيانات متعدد الطبقات؛ فهو لا يثبت الخام، بل يقلل من المحاكمة العمياء.
• يتم تقييم تقديرات الموارد بشكل مؤكد باستخدام variograms وkriging؛ تم بناء نموذج الكتلة على هذا.
• يعد التعلم الآلي قويًا، لكنه يحفظ عينات صغيرة، ويطمس القيم المتطرفة، ويمكنه إخفاء عدم اليقين.
• يتم تصنيف اللحام النهائي وتوقيعه من قبل شخص مؤهل معتمد وفقًا لمعايير مثل JORC/NI 43-101.
• القيمة ليست في رقم واحد خادع؛ إن عدم اليقين في أولوية قابلة للاختبار وتصنيف يتم الإبلاغ عنه بأمانة.

مهمة التطبيق

تلقي جدول مقايسة مركب مجهول المصدر (أو القيم التمثيلية). باستخدام الموجه القوي، اطلب من النموذج ما يلي: القيمة الزائدة/الحاجة إلى القطع العلوي، واتجاهات variogram والمناطق منخفضة الكثافة بدلاً من الشكل المصدر. ثم اطلب من قالب "التحكم في تصنيف المصدر" إنتاج مسودة للكتل التي ستقع ضمن فئة الثقة. أخيرًا، لاحظ ما إذا كان النموذج يحاول إعطاء رقم حمولة واحد واكتب في جملة واحدة سبب رفضه.

قائمة مرجعية

• [ ] أدركت أن استهداف التنقيب لا يثبت الخام، بل ينتج عنه أولوية الحفر.
• [ ] أستطيع أن أشرح كيفية تقدير variogram وkriging للدرجة مع عدم اليقين.
• [ ] أدرك مخاطر التشهير والتصوير الزائد والمبالغة في القيمة وأعتبر ضمان الجودة/مراقبة الجودة أمرًا إلزاميًا.
• [ ] أدرك أن المورد مصنف على أنه مُقاس/مشار إليه/مستنتج بواسطة المعيار وينتمي إلى الشخص المرخص له.
• [ ] لقد اعتمدت نظامًا يتطلب نطاقات وسيناريوهات عدم اليقين بدلاً من الأرقام الفردية.