Печалби:
- Възможност за обяснение на използването на AI и сливането на многослойни данни в перспективите за минерали
- Разбиране как да се направи блоков модел и оценка на оценка с помощта на геостатистика (кригинг, вариограма) и машинно обучение.
- Възможност за тестване на резултатите от оценката на източника с кръстосано валидиране, класификационна увереност и стандарти за отчитане
Проучването е игра за залагания, при която решенията за милиони долари се основават на шепа проби от проби. Минерално находище (англ. rude deposit; минерално натрупване, богато и достатъчно голямо, за да бъде експлоатирано) е скрито под площ от стотици квадратни километри и ние го „виждаме“ само с редки сондажи, геофизични сенки и повърхностни маркери. Ето защо изследването на полезни изкопаеми е една от най-вълнуващите, но и най-опасните области на приложение на AI: когато се използва правилно, то ускорява насочването на проучването и извлича повече смисъл от оскъдни данни; Когато се използва неправилно, той крие несъществуваща субстанция зад статистиката и подвежда както инвеститорите, така и обществото.
В тази част ще разгледаме два основни аспекта на проучването с изкуствен интелект: насочване на проучването (перспектива за минерали; оценка от многослойни данни в коя зона е вероятно да има находище) и оценка на ресурса (изчисляване с каква увереност можем да кажем колко метал има в пробито находище). И в двете, AI е мощен търсач на модели; Но и в двата случая крайната цифра е отговорност на компетентното лице, което е подписало международните стандарти за отчетност.
Насочване към търсене: Обединяване на многопластови данни
Проучвателният геолог разглежда не един тип данни, а насложени слоеве: геоложка карта, структурни контури (разломи и гънки), геофизика (магнитни, гравитационни, съпротивителни), геохимия (стойности на пробните елементи на почвата и потока) и промени, картографирани чрез дистанционно наблюдение. Всеки слой е бледа следа; Истинският сигнал е там, където сочат заедно. Това се нарича сливане на данни.
Тук изкуственият интелект върши две задачи. Първо, той подравнява десетки слоеве върху една и съща координатна мрежа (уникална, досадна, но податлива на грешки задача) в една таблица за анализ. Второ, той научава модела около известни находища и маркира нови области с подобен подпис (наблюдавано обучение). Но тук има критичен капан: броят на известните легла често е много малък (може би 5-10 легла в една област), така че моделът лесно запомня и се проваля в нови области. Ето защо изходът за насочване не е списък „сигурен скъпоценен камък съществува“, а „приоритетен ред, който си струва да се тества чрез пробиване“.
Стъпките обикновено са както следва: (1) подравнете и изчистете слоевете, (2) преведете всеки слой в смислен знак въз основа на модел на легло (напр. „разстояние до пресичане на разлома“, „магнитен висок ръб“), (3) тренирайте с известни легла или тегло с експертно правило, (4) създайте карта на вероятностите, (5) тествайте области с най-висока вероятност в полето и с евтини методи.
Съвет: Вместо да подавате необработени слоеве в модела, извлечете геологично значими маркери („магнитен пръстен + аргилова алтерация + пресичане на разлом за порфирна мед“). Индикаторите, съвместими с модела на пеленга, създават много по-стабилни цели от слепите статистики.
Геостатистика и оценка на ресурсите: вариограма, кригинг и блоков модел
След като находището бъде открито и пробито, въпросът се променя: „Колко метал има тук и колко можем да му се доверим?“ Отговорът изисква екстраполация от проби от сондажни точки към невзет скален обем. Стандартният инструмент за това е геостатистиката.
Основната концепция е вариограмата: мярка за пространствена непрекъснатост, която описва как приликите в оценките намаляват, когато две проби се раздалечават. Близките примери са подобни, далечните са независими; Вариограмата определя количествено този "обхват на подобие". Кригинг е метод на претеглена средна стойност, който използва тази структура на вариограма, за да даде оценка, както оценката, така и несигурността на оценката, за всеки блок без извадка. Депозитът е разделен на блокове със страни, измерени в метри (блоков модел), и на всеки блок се присвоява степен и степен на сигурност.
Тук изкуственият интелект е на три места. При моделирането на вариограма предлага алтернативни модели и оценява съответствието. Методите за машинно обучение (напр. произволна гора, градиентно усилване) могат да уловят нелинейни зависимости на степента в допълнение към кригинга. И ускорява кодирането, проверката и отчитането на целия работен процес. Но две железни правила остават постоянни: несигурността на оценката никога не може да бъде скрита и крайният ресурс се сортира от компетентното лице в класове Измерени/Показани/Предполагаеми според международните стандарти (публични, подлежащи на одит рамки за отчитане на ресурси/резерви, като JORC, NI 43-101, PERC).
Внимание: Моделът за машинно обучение може да „изглади“ прекъсванията на пробиването, създавайки непрекъснатост, която не съществува в действителност. Няколко висококачествени екземпляра могат несправедливо да обогатят (английско замазване) цял блок. Ограничаването на високите стойности (отгоре) и контролирането на броя на пробите на блокова основа е от съществено значение; иначе тонажът ще набъбне на хартия.
Три мини калъфа: с числата
Случай 1 — Приоритетизиране на насочването. Проучвателен екип работеше с ограничен бюджет за сондиране в лицензионна площ от 380 km². Вероятностна карта, обединяваща седем геофизични/геохимични слоя, маркира само 6% от района като „с висок приоритет“. Екипът насочи първите пет тренировки към тези 6%; откри значителни медни пресичания в три от тях. Критичната точка: картата не „доказва“ рудата, рационализира къде да се съсредоточи бюджетът за сондиране и намалява броя на слепите опити.
Случай 2 — Улавяне на размазване. При едно златно находище първият блоков модел е надул околните блокове поради въздействието на единична свръхпроба от 78 g/t, надценявайки ресурса с 14%. Прогнозата беше доведена до реалистично ниво с най-високата стойност (намаляване на високата стойност до статистическия праг) и контрола на съседната проба, приложени в прегледа на QA/QC. Разликата пряко повлия на инвестиционно решение за милиони долари.
Случай 3 — Класификационна дисциплина. При железен проект моделът показа прогнозиране на цялото находище с висока степен на сигурност; въпреки това, плътността на пробиване беше много рядка в маргиналните зони. Упълномощеното лице премахна рядко избрания обем от икономическата оценка, като го понижи до „Предполагаемо“. Така отчетът избягва преувеличенията в публично оповестените резерви и остава в съответствие със стандарта.
Слаба подкана / Силна подкана
Слаба подкана:
Анализирайте добива от пробиване и кажете колко злато има в находището.[таблица за анализ]
Мощна подкана:
Вашата роля: Геостатистик на ресурсите. ДАЙТЕ НОМЕР НА ИЗТОЧНИКА със следните данни от анализа на съединението. Вместо това: 1) Обобщете разпределението на оценките; маркирайте възможните извънредни стойности и необходимостта от горен срез. 2) Предложете кои посоки на вариограмата трябва да бъдат изследвани за пространствена непрекъснатост. 3) Посочете кои области могат да бъдат класифицирани само като „Пропуснати“ поради ниска плътност на пробиване. 4) Избройте 4 източника на несигурност, които биха могли да повлияят на резултата. Данните са анонимни; няма реални координати/фирма.
Мощната подкана не позволява на модела да произведе едно измамно число и го превръща в помощник, който организира точно въпросите, които отговорникът трябва да зададе.
Четири копируеми шаблона
1) Деривация на токени за сливане на слоеве:
Предложете смислени маркери от следните слоеве на базата на модела за изследване на порфирна мед: магнитен, гравитационен, съпротивление, геохимия на почвата (Cu-Mo-Au), промяна. За всеки маркер: връзка към модела на депозита, възможен подвеждащ източник и метод за проверка на полето. Даване на точна цел; Установете приоритетна логика.
2) Предварителен скрининг за QA/QC на анализа:
Проверете таблицата за анализ за следното: отрицателна/невъзможна стойност, съотношение на знаци под границата на откриване, несъответствие на единиците (ppm/%/g-t), повторение на съответствието на пробата, отклонение на празната и стандартната проба. Просто избройте проблемите по drilling_id; оценка, корекция.
3) Проект на интерпретация на вариограма:
Интерпретирайте резултатите от експерименталните вариограми: обяснете на разбираем език какво означава самородно злато, диапазон и праг; Има ли признаци на анизотропия? Маркирайте кои решения изискват одобрение от геолог преди кригинга. Логика, не код.
4) Контрол на класификацията на източника:
В блоковия модел за всеки блок са дадени: дисперсията на кригинг, броят на пробите, използвани при оценката, и разстоянието до най-близкия сондаж. Дайте РАЗУМНО описание на това кои блокове отговарят най-добре на класа Измерено/Показано/Изведено според стандартната логика. Окончателното класиране е на упълномощеното лице; заявете това.
Сравнение на методите
Метод
Какво прави
силна страна
Основен риск
Експертно правило (претеглен слой)
Сортира цели с информация
Работи с малко данни, прозрачен
експертно пристрастие
Контролирано ML насочване
Учи се от познатото легло
Улавя сложен модел
Запаметяване в няколко примера
кригинг
Tenor прогнозира с несигурност
Стандартен, ревизиран
Вариограма грешка, размазване
Оценка на степента на ML
нелинейна връзка
Гъвкав
Може да скрие несигурност, прекомерна адаптация
Симулация (напр. SGS)
Генерира вероятностни сценарии
Визуализира несигурността
Прекалена самоувереност, ако се тълкува погрешно
Съвет: Когато оценявате ресурсите, поискайте диапазон и сценарий, а не „единично най-добро число“. Три оптимистични/очаквани/предпазливи сценария осигуряват много по-честна основа за вземане на решения от фалшивата сигурност, създадена от едно число.
Често срещани грешки
- Правене на ML запаметяване с малко познато легло. Модел, обучен с пет лагера, е ненадежден в новото поле; разглеждайте резултата като списък с приоритети, а не като доказателство.
- Без ограничаване на екстремни стойности. Единичен висок анализ, ако не е направено горно рязане, ще обогати несправедливо (зацапа) околните блокове и ще увеличи тонажа.
- Не се отчита несигурност. Скриването на дисперсията и класификацията на Кригинг и представянето на единични числа е против стандартите и почтеността.
- Пропускане на класирането. Представянето на оскъдно избран обем като измерен компрометира икономическата преценка и общественото доверие.
- Пропускане на QA/QC. Никоя степен не е надеждна без лабораторен мониторинг на дрейфа с празни и стандартни проби.
В обобщение
- Насочването на проучването генерира приоритет на сондирането чрез сливане на многопластови данни; Не доказва рудата, намалява сляпото изпитание.
- Оценката на ресурса оценява оценката със сигурност, използвайки вариограми и кригинг; Блоковият модел е изграден върху това.
- Машинното обучение е мощно, но то запаметява малки проби, замазва извънредните стойности и може да скрие несигурността.
- Крайната заварка се класифицира и подписва от упълномощено квалифицирано лице съгласно стандарти като JORC/NI 43-101.
- Стойността не е в едно измамно число; Несигурността е в подлежащ на проверка приоритет и класификация, които са честно докладвани.
Задача за приложение
Получаване на анонимна таблица за анализ на съединение (или представителни стойности). С мощната подкана попитайте модела за: необходимост от надценка/върхов разрез, посоки на вариограма и региони с ниска плътност вместо изходна фигура. След това накарайте шаблона „контрол на класификацията на източника“ да създаде чернова за това кои блокове ще попаднат в кой клас на доверие. И накрая, наблюдавайте дали моделът се опитва да даде една единствена цифра на тонажа и напишете в едно изречение защо трябва да го отхвърлите.
контролен списък
- [ ] Разбрах, че насочването на проучването не доказва руда, то създава приоритет на сондирането.
- [ ] Мога да обясня как вариограмата и кригинга оценяват степента с несигурност.
- [ ] Признавам рисковете от размазване, горно изрязване и надценяване и считам QA/QC за задължителни.
- [ ] Разбирам, че ресурсът е класифициран като Измерен/Посочен/Предполагаем от стандарта и принадлежи на упълномощеното лице.
- [ ] Приех дисциплина, която изисква диапазони на несигурност и сценарии вместо единични числа.