লাভ:
- খনিজ সম্ভাবনায় এআই এবং মাল্টি-লেয়ার ডেটা ফিউশনের ব্যবহার ব্যাখ্যা করার ক্ষমতা
- জিওস্ট্যাটিস্টিকস (ক্রিজিং, ভ্যারিওগ্রাম) এবং মেশিন লার্নিং ব্যবহার করে কীভাবে ব্লক মডেল এবং গ্রেড অনুমান করা যায় তা বোঝা।
- ক্রস-ভ্যালিডেশন, শ্রেণীবিন্যাস আত্মবিশ্বাস এবং রিপোর্টিং স্ট্যান্ডার্ড সহ উৎস অনুমান আউটপুট পরীক্ষা করার ক্ষমতা
প্রসপেক্টিং হল একটি বাজি খেলা যেখানে কয়েক মিলিয়ন ড্রিল নমুনার উপর ভিত্তি করে বহু মিলিয়ন ডলারের সিদ্ধান্ত নেওয়া হয়। একটি খনিজ আমানত (ইংরেজি আকরিক আমানত; একটি খনিজ সঞ্চয় সমৃদ্ধ এবং শোষণের জন্য যথেষ্ট বড়) শত শত বর্গকিলোমিটার অঞ্চলের নীচে লুকিয়ে আছে এবং আমরা এটিকে শুধুমাত্র বিরল ড্রিলিং, ভূ-ভৌতিক ছায়া এবং পৃষ্ঠ চিহ্নিতকারী দিয়ে "দেখতে পারি"। এই কারণেই খনিজ অন্বেষণ এআই-এর সবচেয়ে উত্তেজনাপূর্ণ কিন্তু সবচেয়ে বিপজ্জনক প্রয়োগের ক্ষেত্রগুলির মধ্যে একটি: সঠিকভাবে ব্যবহার করা হলে, এটি অনুসন্ধানের লক্ষ্যমাত্রাকে গতি দেয় এবং স্পার্স ডেটা থেকে আরও অর্থ বের করে; ভুলভাবে ব্যবহার করা হলে, এটি পরিসংখ্যানের পিছনে একটি অস্তিত্বহীন পদার্থ লুকিয়ে রাখে এবং বিনিয়োগকারী এবং সমাজ উভয়কেই বিভ্রান্ত করে।
এই ইউনিটে, আমরা অন্বেষণের দুটি প্রধান কৃত্রিম বুদ্ধিমত্তার দিকগুলি কভার করব: অন্বেষণ লক্ষ্য নির্ধারণ (খনিজ সম্ভাবনা; বহু-স্তরযুক্ত ডেটা থেকে অনুমান করা কোন এলাকায় আমানত থাকতে পারে) এবং সংস্থান অনুমান (কোন আত্মবিশ্বাসের সাথে আমরা বলতে পারি একটি ড্রিল করা আমানতে কতটা ধাতু রয়েছে)। উভয় ক্ষেত্রে, এআই একটি শক্তিশালী প্যাটার্ন ফাইন্ডার; কিন্তু উভয় ক্ষেত্রেই, চূড়ান্ত চিত্রের দায়িত্ব সেই যোগ্য ব্যক্তির যিনি আন্তর্জাতিক রিপোর্টিং মানদণ্ডে স্বাক্ষর করেছেন।
অনুসন্ধান টার্গেটিং: বহু-স্তরযুক্ত ডেটা ফিউশন
একজন অন্বেষণ ভূতাত্ত্বিক একটি একক ধরণের ডেটা দেখেন না বরং ওভারলেড স্তরগুলিতে দেখেন: ভূতাত্ত্বিক মানচিত্র, কাঠামোগত রূপ (চ্যুতি এবং ভাঁজ), ভূপদার্থবিদ্যা (চৌম্বক, মাধ্যাকর্ষণ, প্রতিরোধ ক্ষমতা), ভূ-রসায়ন (মাটি এবং প্রবাহের নমুনা উপাদানের মান), এবং রিমোট সেন্সিং দ্বারা ম্যাপ করা পরিবর্তন। প্রতিটি স্তর একটি অস্পষ্ট সূত্র; আসল সংকেত হল যেখানে তারা একসাথে নির্দেশ করে। একে ডেটা ফিউশন বলে।
কৃত্রিম বুদ্ধিমত্তা এখানে দুটি কাজ করে। প্রথমত, এটি একই স্থানাঙ্ক গ্রিডে কয়েক ডজন স্তর সারিবদ্ধ করে (একটি একক, ক্লান্তিকর কিন্তু ত্রুটি-প্রবণ কাজ) একটি একক বিশ্লেষণ টেবিলে। দ্বিতীয়ত, এটি পরিচিত আমানতের চারপাশে প্যাটার্ন শিখে এবং একই রকম স্বাক্ষর (তত্ত্বাবধানে শিক্ষা) দিয়ে নতুন এলাকা চিহ্নিত করে। কিন্তু এখানে একটি জটিল ফাঁদ রয়েছে: পরিচিত শয্যার সংখ্যা প্রায়শই খুব কম হয় (সম্ভবত একটি এলাকায় 5-10 শয্যা), তাই মডেলটি সহজেই মুখস্থ করে এবং নতুন এলাকায় ব্যর্থ হয়। এই কারণেই টার্গেটিং আউটপুট একটি "নিশ্চিত রত্ন বিদ্যমান" তালিকা নয়, তবে "ড্রিলিং দ্বারা পরীক্ষা করার জন্য অগ্রাধিকার আদেশ"।
ধাপগুলি সাধারণত নিম্নরূপ: (1) স্তরগুলি সারিবদ্ধ এবং পরিষ্কার করুন, (2) প্রতিটি স্তরকে বিছানা মডেলের উপর ভিত্তি করে অর্থপূর্ণ টোকেনে অনুবাদ করুন (যেমন "ফল্ট ইন্টারসেকশনের দূরত্ব", "চৌম্বকীয় উচ্চ প্রান্ত"), (3) পরিচিত শয্যা সহ ট্রেন বা বিশেষজ্ঞের নিয়মের সাথে ওজন, (4) সম্ভাব্যতা মানচিত্র তৈরি করুন, (5) সর্বোত্তম ক্ষেত্রের সম্ভাব্যতা এবং কম ক্ষেত্রের পদ্ধতিতে পরীক্ষা করুন।
টিপ: মডেলে স্তরগুলিকে কাঁচা খাওয়ানোর পরিবর্তে, ভূতাত্ত্বিকভাবে অর্থপূর্ণ মার্কারগুলি বের করুন ("চৌম্বকীয় রিং + আর্গিলিক পরিবর্তন + পোরফাইরি কপারের জন্য ফল্ট ইন্টারসেকশন")। ভারবহন মডেলের সাথে সামঞ্জস্যপূর্ণ সূচকগুলি অন্ধ পরিসংখ্যানের চেয়ে অনেক বেশি শক্তিশালী লক্ষ্য তৈরি করে।
জিওস্ট্যাটিস্টিকস এবং রিসোর্স এস্টিমেশন: ভ্যারিওগ্রাম, ক্রিজিং এবং ব্লক মডেল
একবার আমানত পাওয়া গেলে এবং ড্রিল করা হলে, প্রশ্ন পরিবর্তিত হয়: "এখানে কত ধাতু আছে এবং আমরা কতটা বিশ্বাস করতে পারি?" উত্তরের জন্য নমুনাযুক্ত ড্রিল পয়েন্ট থেকে নমুনাবিহীন শিলা ভলিউম পর্যন্ত এক্সট্রাপোলেশন প্রয়োজন। এর জন্য আদর্শ টুল হল জিওস্ট্যাটিস্টিকস।
মূল ধারণাটি হ'ল ভ্যারিওগ্রাম: স্থানিক ধারাবাহিকতার একটি পরিমাপ যা বর্ণনা করে যে কীভাবে দুটি নমুনা আরও দূরে সরে যাওয়ার সাথে সাথে গ্রেডের মিল কমে যায়। কাছাকাছি উদাহরণগুলি একই রকম, দূরের উদাহরণগুলি স্বাধীন; ভ্যারিওগ্রাম এই "সাদৃশ্য পরিসীমা" পরিমাপ করে। ক্রিগিং একটি ওজনযুক্ত গড় পদ্ধতি যা প্রতিটি নমুনাবিহীন ব্লকের জন্য অনুমান এবং অনুমানের অনিশ্চয়তা উভয় গ্রেড দিতে এই বৈচিত্র্য কাঠামো ব্যবহার করে। ডিপোজিটটি ব্লকে বিভক্ত করা হয়েছে যার দিকগুলি মিটারে পরিমাপ করা হয়েছে (ব্লক মডেল), এবং প্রতিটি ব্লককে একটি গ্রেড এবং আত্মবিশ্বাস দেওয়া হয়েছে।
কৃত্রিম বুদ্ধিমত্তা এখানে তিনটি পয়েন্টে আসে। ভ্যারিওগ্রাম মডেলিং-এ, এটি বিকল্প মডেলের পরামর্শ দেয় এবং মানানসই মূল্যায়ন করে। মেশিন লার্নিং পদ্ধতি (যেমন র্যান্ডম ফরেস্ট, গ্রেডিয়েন্ট বুস্টিং) ক্রিজিং ছাড়াও ননলাইনার গ্রেড সম্পর্ক ক্যাপচার করতে পারে। এবং এটি সমগ্র কর্মপ্রবাহের কোডিং, চেকিং এবং প্রতিবেদনের গতি বাড়িয়ে দেয়। কিন্তু দুটি লোহার নিয়ম স্থির থাকে: অনুমানের অনিশ্চয়তা কখনই লুকানো যায় না, এবং চূড়ান্ত সংস্থানটি দক্ষ ব্যক্তির দ্বারা আন্তর্জাতিক মান অনুযায়ী পরিমাপিত/নির্দেশিত/অনুমানিত শ্রেণীতে বাছাই করা হয় (সর্বজনীন, সম্পদ/রিজার্ভ রিপোর্টিংয়ের নিরীক্ষাযোগ্য কাঠামো, যেমন JORC, NI 43-101,)।
সতর্কতা: মেশিন লার্নিং মডেলটি "মসৃণ" ড্রিলিং বিরতি হতে পারে, এমন ধারাবাহিকতা তৈরি করতে পারে যা বাস্তবে নেই। কয়েকটি উচ্চ-গ্রেডের নমুনা সম্পূর্ণ ব্লককে অন্যায়ভাবে সমৃদ্ধ করতে পারে (ইংরেজি স্মিয়ারিং)। উচ্চ মান সীমিত করা (টপ-কাট) এবং ব্লকের ভিত্তিতে নমুনার সংখ্যা নিয়ন্ত্রণ করা অপরিহার্য; অন্যথায় টনেজ কাগজে ফুলে উঠবে।
তিনটি মিনি কেস: সংখ্যা দ্বারা
কেস 1 — লক্ষ্যমাত্রা অগ্রাধিকার। একটি অন্বেষণ দল 380 কিমি² লাইসেন্স এলাকায় সীমিত ড্রিলিং বাজেট নিয়ে কাজ করছিল। সাতটি জিওফিজিক্যাল/জিওকেমিস্ট্রি লেয়ার মিশ্রিত একটি সম্ভাব্যতা মানচিত্র শুধুমাত্র 6% এলাকাকে "উচ্চ অগ্রাধিকার" হিসেবে চিহ্নিত করেছে। দলটি এই 6% মধ্যে প্রথম পাঁচটি ড্রিল পরিচালনা করেছে; তাদের তিনটিতে উল্লেখযোগ্য তামার ছেদ পাওয়া গেছে। গুরুত্বপূর্ণ বিষয়: মানচিত্র আকরিককে "প্রমাণ" করেনি, ড্রিলিং বাজেটকে কোথায় ফোকাস করতে হবে তা যুক্তিযুক্ত করেছে এবং অন্ধ পরীক্ষার সংখ্যা কমিয়েছে।
কেস 2 — ক্যাপচার অফ স্মিয়ারিং। একটি গোল্ড ডিপোজিটে, প্রথম ব্লক মডেলটি 78 g/t এর একটি একক ওভারস্যাম্পলের প্রভাবের কারণে আশেপাশের ব্লকগুলিকে স্ফীত করেছিল, যা সম্পদকে 14% বাড়িয়ে দিয়েছিল। QA/QC পর্যালোচনায় প্রযোজ্য টপ-কাট (পরিসংখ্যানগত থ্রেশহোল্ডে উচ্চ মান হ্রাস করা) এবং প্রতিবেশী নমুনা নিয়ন্ত্রণের সাথে ভবিষ্যদ্বাণীটি বাস্তবসম্মত স্তরে আনা হয়েছিল। পার্থক্যটি সরাসরি বহু মিলিয়ন ডলার বিনিয়োগের সিদ্ধান্তকে প্রভাবিত করেছে।
কেস 3 — শ্রেণীবিভাগ শৃঙ্খলা। একটি লোহা প্রকল্পে, মডেলটি উচ্চ আত্মবিশ্বাসের সাথে সম্পূর্ণ আমানতের ভবিষ্যদ্বাণী দেখিয়েছিল; তবে, প্রান্তিক এলাকায় ড্রিলিং ঘনত্ব খুব কম ছিল। অনুমোদিত ব্যক্তি অর্থনৈতিক মূল্যায়ন থেকে অল্প পরিমাণে নমুনাযুক্ত ভলিউম সরিয়ে দিয়েছেন, এটিকে "অনুমানিত"-এ নামিয়ে দিয়েছেন। এইভাবে, প্রতিবেদনটি সর্বজনীনভাবে প্রকাশ করা রিজার্ভের মধ্যে অতিরঞ্জন এড়িয়ে যায় এবং মান অনুযায়ী রয়ে যায়।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
ড্রিলিং ফলন বিশ্লেষণ করুন এবং জমাতে কত সোনা আছে তা বলুন।
শক্তিশালী প্রম্পট:
আপনার ভূমিকা: রিসোর্স জিওস্ট্যাটিস্টিয়ান। নিম্নলিখিত যৌগিক পরীক্ষা ডেটা সহ একটি উত্স নম্বর দিন। পরিবর্তে: 1) গ্রেড বন্টন সংক্ষিপ্ত করুন; সম্ভাব্য আউটলার এবং টপ-কাটের প্রয়োজনীয়তা চিহ্নিত করুন। 2) স্থানিক ধারাবাহিকতার জন্য কোন বৈচিত্র্যের দিকনির্দেশগুলি পরীক্ষা করা উচিত তা নির্দেশ করুন। 3) নিম্ন ড্রিলিং ঘনত্বের কারণে কোন অঞ্চলগুলিকে শুধুমাত্র "বাদ দেওয়া" হিসাবে শ্রেণীবদ্ধ করা যেতে পারে। কোনো প্রকৃত স্থানাঙ্ক/কোম্পানী নেই।
শক্তিশালী প্রম্পট মডেলটিকে একটি একক প্রতারণামূলক নম্বর তৈরি করতে বাধা দেয় এবং এটিকে একজন সহকারীতে পরিণত করে যিনি দায়িত্বে থাকা ব্যক্তির জিজ্ঞাসা করা উচিত এমন প্রশ্নগুলি ঠিক করে।
চারটি অনুলিপিযোগ্য টেমপ্লেট
1) লেয়ার ফিউশনের জন্য টোকেন ডেরিভেশন:
পোরফাইরি কপার এক্সপ্লোরেশন মডেলের উপর ভিত্তি করে নিম্নলিখিত স্তরগুলি থেকে অর্থপূর্ণ মার্কারগুলি সুপারিশ করুন: চৌম্বক, মাধ্যাকর্ষণ, প্রতিরোধ ক্ষমতা, মাটির ভূ-রসায়ন (Cu-Mo-Au), পরিবর্তন। প্রতিটি চিহ্নিতকারীর জন্য: ডিপোজিট মডেলের লিঙ্ক, সম্ভাব্য বিভ্রান্তিকর উত্স, এবং ক্ষেত্র যাচাই পদ্ধতি। একটি সুনির্দিষ্ট লক্ষ্য প্রদান; অগ্রাধিকার যুক্তি স্থাপন করুন.
2) Assay QA/QC প্রাক-স্ক্রীনিং:
নিম্নলিখিতগুলির জন্য পরীক্ষা সারণী পরীক্ষা করুন: নেতিবাচক/অসম্ভব মান, সনাক্তকরণ সীমার নীচে চিহ্নগুলির অনুপাত, ইউনিটের অসঙ্গতি (ppm/%/g-t), পুনরাবৃত্তি নমুনা চুক্তি, ফাঁকা এবং আদর্শ নমুনা প্রবাহ। শুধু drilling_id দ্বারা সমস্যা তালিকা; মূল্যায়ন, সংশোধন।
3) ভ্যারিওগ্রাম ব্যাখ্যার খসড়া:
পরীক্ষামূলক ভ্যারিওগ্রাম ফলাফল ব্যাখ্যা করুন: সরল ভাষায় ব্যাখ্যা করুন নাগেট, রেঞ্জ এবং সিল বলতে কী বোঝায়; অ্যানিসোট্রপির কোন লক্ষণ আছে কি? ক্রিজিংয়ের আগে কোন সিদ্ধান্তের জন্য ভূতাত্ত্বিক অনুমোদন প্রয়োজন তা চিহ্নিত করুন। যুক্তি, কোড নয়।
4) উত্স শ্রেণীবিভাগ নিয়ন্ত্রণ:
ব্লক মডেলে, প্রতিটি ব্লকের জন্য: ক্রিজিং ভ্যারিয়েন্স, অনুমানে ব্যবহৃত নমুনার সংখ্যা এবং নিকটতম বোরহোলের দূরত্ব দেওয়া হয়েছিল। মান যুক্তি অনুসারে পরিমাপকৃত/প্রদর্শিত/অনুমানিত শ্রেণীতে কোন ব্লকগুলি সবচেয়ে উপযুক্ত তার একটি যুক্তিসঙ্গত রূপরেখা দিন। চূড়ান্ত শ্রেণীবিভাগ অনুমোদিত ব্যক্তির অন্তর্গত; এই রাষ্ট্র.
পদ্ধতির তুলনা
পদ্ধতি
কি করে
শক্তিশালী পয়েন্ট
প্রধান ঝুঁকি
বিশেষজ্ঞ নিয়ম (ভারিত স্তর)
তথ্য দিয়ে লক্ষ্য বাছাই
স্বচ্ছ, সামান্য ডেটা দিয়ে কাজ করে
বিশেষজ্ঞ পক্ষপাত
তত্ত্বাবধানে এমএল টার্গেটিং
চেনা বিছানা থেকে শেখে
জটিল প্যাটার্ন ক্যাপচার করে
কয়েকটি উদাহরণে মুখস্থ করা
kriging
Tenor অনিশ্চয়তার সাথে ভবিষ্যদ্বাণী করে
স্ট্যান্ডার্ড, নিরীক্ষণযোগ্য
Variogram ত্রুটি, smearing
এমএল গ্রেড অনুমান
অরৈখিক সম্পর্ক
নমনীয়
অনিশ্চয়তা, অতিরিক্ত অভিযোজন লুকিয়ে রাখতে পারে
সিমুলেশন (যেমন SGS)
সম্ভাবনার পরিস্থিতি তৈরি করে
অনিশ্চয়তা কল্পনা করে
অতিরিক্ত আত্মবিশ্বাস যদি ভুল ব্যাখ্যা করা হয়
টিপ: সম্পদ অনুমান করার সময়, একটি "একক সেরা সংখ্যা" এর পরিবর্তে একটি পরিসর এবং দৃশ্যের জন্য জিজ্ঞাসা করুন। তিনটি আশাবাদী/প্রত্যাশিত/সতর্ক পরিস্থিতি একটি একক সংখ্যা দ্বারা তৈরি মিথ্যা নিশ্চিততার চেয়ে সিদ্ধান্ত গ্রহণের জন্য অনেক বেশি সৎ ভিত্তি প্রদান করে।
সাধারণ ভুল
- স্বল্প পরিচিত বিছানা দিয়ে এমএল মুখস্ত করা। পাঁচটি বিয়ারিং সহ প্রশিক্ষিত একটি মডেল নতুন ক্ষেত্রে অবিশ্বস্ত; আউটপুটটিকে অগ্রাধিকার তালিকা হিসাবে দেখুন, প্রমাণ হিসাবে নয়।
- চরম মান সীমাবদ্ধ না. একটি একক উচ্চ পরীক্ষা, যদি টপ-কাটিং করা না হয়, তাহলে অন্যায়ভাবে আশেপাশের ব্লকগুলিকে সমৃদ্ধ করবে এবং টননেজকে স্ফীত করবে।
- অনিশ্চয়তা রিপোর্ট না. ক্রিগিং ভ্যারিয়েন্স এবং শ্রেণীবিভাগ গোপন করা এবং একক পরিসংখ্যান উপস্থাপন করা মান এবং সততার বিরুদ্ধে।
- শ্রেণীবিভাগ এড়িয়ে যাওয়া। পরিমাপকৃত হিসাবে বিক্ষিপ্তভাবে নমুনাযুক্ত ভলিউম উপস্থাপন করা অর্থনৈতিক রায় এবং জনসাধারণের আস্থার সাথে আপস করে।
- QA/QC এড়িয়ে যাওয়া। ফাঁকা এবং মানক নমুনা সহ প্রবাহের পরীক্ষাগার পর্যবেক্ষণ ছাড়া কোন গ্রেড নির্ভরযোগ্য নয়।
সংক্ষেপে
- অন্বেষণ লক্ষ্যমাত্রা বহু-স্তরযুক্ত ডেটা ফিউশনের মাধ্যমে ড্রিলিং অগ্রাধিকার তৈরি করে; এটি আকরিক প্রমাণ করে না, এটি অন্ধ বিচারকে হ্রাস করে।
- রিসোর্স অনুমান ভেরিওগ্রাম এবং ক্রিজিং ব্যবহার করে নিশ্চিততার সাথে গ্রেড অনুমান করে; ব্লক মডেল এটি নির্মিত হয়.
- মেশিন লার্নিং শক্তিশালী, কিন্তু এটি ছোট নমুনা মুখস্থ করে, আউটলায়ারে স্মিয়ার, এবং অনিশ্চয়তা লুকাতে পারে।
- চূড়ান্ত জোড়টি JORC/NI 43-101-এর মতো মান অনুযায়ী একজন অনুমোদিত যোগ্য ব্যক্তির দ্বারা শ্রেণীবদ্ধ এবং স্বাক্ষরিত হয়।
- মান একটি প্রতারণামূলক সংখ্যা নয়; অনিশ্চয়তা একটি পরীক্ষাযোগ্য অগ্রাধিকার এবং শ্রেণীবিভাগের মধ্যে রয়েছে যা সততার সাথে রিপোর্ট করা হয়েছে।
আবেদন টাস্ক
একটি বেনামী যৌগিক পরীক্ষা টেবিল (বা প্রতিনিধি মান) পান। শক্তিশালী প্রম্পটের সাথে, মডেলটিকে জিজ্ঞাসা করুন: উৎস চিত্রের পরিবর্তে অতিরিক্ত মূল্য/টপ-কাট প্রয়োজন, ভ্যারিওগ্রামের দিকনির্দেশ এবং কম ঘনত্বের অঞ্চল। তারপরে "সোর্স ক্লাসিফিকেশন কন্ট্রোল" টেমপ্লেটটি কোন ব্লক কোন ট্রাস্ট ক্লাসে পড়বে তার একটি খসড়া তৈরি করুন৷ অবশেষে, মডেলটি একটি একক টনেজ ফিগার দেওয়ার চেষ্টা করে কিনা তা পর্যবেক্ষণ করুন এবং কেন এটি প্রত্যাখ্যান করা উচিত তা এক বাক্যে লিখুন।
চেকলিস্ট
- [ ] আমি বুঝতে পেরেছি যে অন্বেষণ লক্ষ্যমাত্রা আকরিক প্রমাণ করে না, এটি ড্রিলিংকে অগ্রাধিকার দেয়।
- [ ] আমি ব্যাখ্যা করতে পারি কিভাবে variogram এবং kriging অনুমান গ্রেড অনিশ্চয়তার সাথে।
- [ ] আমি স্মিয়ারিং, টপ-কাট এবং অতিরিক্ত মূল্যের ঝুঁকি স্বীকার করি এবং QA/QC বাধ্যতামূলক বিবেচনা করি।
- [ ] আমি বুঝি যে সম্পদটি মান দ্বারা পরিমাপিত/ নির্দেশিত/ অনুমিত হিসাবে শ্রেণীবদ্ধ করা হয়েছে এবং এটি অনুমোদিত ব্যক্তির অন্তর্গত।
- [ ] আমি একটি শৃঙ্খলা গ্রহণ করেছি যার জন্য একক সংখ্যার পরিবর্তে অনিশ্চয়তার সীমা এবং পরিস্থিতি প্রয়োজন৷