zisky:
- Schopnost vysvětlit použití umělé inteligence a fúze vícevrstvých dat v minerální perspektivě
- Pochopení, jak vytvořit blokový model a odhad stupně pomocí geostatistiky (kriging, variogram) a strojového učení.
- Schopnost testovat výstupy odhadu zdroje pomocí křížové validace, spolehlivosti klasifikace a standardů vykazování
Prospecting je sázková hra, kde rozhodnutí o mnoha milionech dolarů vycházejí z hrstky vzorků cvičení. Ložisko nerostů (anglicky ore deposit; akumulace nerostů bohatá a dostatečně velká na to, aby se dala těžit) se skrývá pod plochou stovek kilometrů čtverečních a „vidíme“ je jen s občasnými vrty, geofyzikálními stíny a povrchovými značkami. Proto je průzkum nerostů jednou z nejvíce vzrušujících, ale také nejnebezpečnějších oblastí použití AI: při správném použití urychluje zaměřování průzkumu a získává větší význam z řídkých dat; Při nesprávném použití skrývá neexistující podstatu za statistiky a uvádí v omyl investory i společnost.
V této části se budeme zabývat dvěma hlavními aspekty průzkumu umělé inteligence: zacílením průzkumu (prospektivita nerostů; odhad z vícevrstvých dat, která oblast pravděpodobně obsahuje ložisko) a odhad zdrojů (výpočet, s jakou spolehlivostí můžeme říci, kolik kovu je ve vyvrtaném ložisku). V obou je AI výkonným vyhledávačem vzorů; Ale v obou případech je konečný údaj v odpovědnosti kompetentní osoby, která podepsala mezinárodní standardy výkaznictví.
Cílení na vyhledávání: Multi-Layered Data Fusion
Průzkumný geolog se nedívá na jeden typ dat, ale na překrývající se vrstvy: geologickou mapu, strukturní obrysy (zlomy a vrásy), geofyziku (magnetická, gravitace, měrný odpor), geochemii (hodnoty prvků vzorků půdy a potoka) a změny mapované pomocí dálkového průzkumu Země. Každá vrstva je slabým vodítkem; Skutečný signál je tam, kde ukazují společně. Tomu se říká fúze dat.
Umělá inteligence zde dělá dvě práce. Nejprve zarovná desítky vrstev na stejnou souřadnicovou mřížku (ojedinělý, únavný, ale náchylný k chybám) do jediné analytické tabulky. Za druhé, učí se vzor kolem známých usazenin a označí nové oblasti podobným podpisem (učení pod dohledem). Ale je zde kritická past: počet známých lůžek je často velmi malý (možná 5-10 lůžek v jedné oblasti), takže si model snadno zapamatuje a v nových oblastech selže. To je důvod, proč výstup cílení není seznam „jistý klenot existuje“, ale „prioritní objednávka, kterou stojí za to otestovat vrtáním“.
Kroky jsou obvykle následující: (1) zarovnat a vyčistit vrstvy, (2) převést každou vrstvu do smysluplného tokenu na základě modelu lože (např. „vzdálenost k průsečíku poruchy“, „magnetická horní hrana“), (3) trénovat se známými lůžky nebo hmotností s expertním pravidlem, (4) vytvořit mapu pravděpodobnosti, (5) otestovat oblasti s nejvyšší pravděpodobností v terénu a s nízkonákladovými metodami.
Tip: Namísto vkládání vrstev do modelu surově odvoďte geologicky smysluplné značky („magnetický prstenec + argilická alterace + průsečík zlomu pro porfyrovou měď“). Ukazatele kompatibilní s modelem ložiska vytvářejí mnohem robustnější cíle než slepé statistiky.
Geostatistika a odhad zdrojů: Variogram, Kriging a Blokový model
Jakmile je ložisko nalezeno a vyvrtáno, otázka se změní: "Kolik kovu je zde a jak moc mu můžeme věřit?" Odpověď vyžaduje extrapolaci od navzorkovaných bodů vrtů na objem horniny bez vzorku. Standardním nástrojem k tomu je geostatistika.
Základním konceptem je variogram: míra prostorové kontinuity, která popisuje, jak se podobnosti stupňů snižují, když se dva vzorky vzdalují. Blízké příklady jsou podobné, vzdálené jsou nezávislé; Variogram kvantifikuje tento „rozsah podobnosti“. Kriging je metoda váženého průměru, která používá tuto variogramovou strukturu k určení stupně, odhadu i nejistoty odhadu, pro každý nevzorkovaný blok. Vklad je rozdělen do bloků se stranami měřenými v metrech (blokový model) a každému bloku je přiřazen stupeň a spolehlivost.
Umělá inteligence se zde objevuje ve třech bodech. Při modelování variogramů navrhuje alternativní modely a vyhodnocuje shodu. Metody strojového učení (např. náhodný les, zesílení gradientu) mohou kromě krigingu zachytit i nelineární vztahy mezi stupni. A urychluje kódování, kontrolu a reportování celého workflow. Dvě železná pravidla však zůstávají konstantní: nejistotu odhadu nelze nikdy skrýt a konečný zdroj třídí kompetentní osoba do tříd Měřený/Indikovaný/Odvozený podle mezinárodních standardů (veřejné, auditovatelné rámce vykazování zdrojů/rezerv, jako je JORC, NI 43-101, PERC).
Pozor: Model strojového učení může „vyhladit“ přerušení vrtání a vytvořit kontinuitu, která ve skutečnosti neexistuje. Několik vysoce kvalitních vzorků může nespravedlivě obohatit (anglicky rozmazání) celý blok. Omezení vysokých hodnot (top-cut) a řízení počtu vzorků na blokové bázi je zásadní; jinak tonáž nabobtná na papíře.
Tři mini případy: Podle čísel
Případ 1 – Stanovení priority cílení. Průzkumný tým pracoval s omezeným rozpočtem na vrty v licenční oblasti o rozloze 380 km². Mapa pravděpodobnosti spojující sedm geofyzikálních/geochemických vrstev označila pouze 6 % oblasti za „vysokou prioritu“. Tým nasměroval prvních pět cvičení do těchto 6 %; ve třech z nich našel významné měděné průsečíky. Kritický bod: mapa „neprokázala“ rudu, racionalizovala, kam zaměřit rozpočet na vrtání, a snížila počet pokusů naslepo.
Případ 2 – Zachycení rozmazání. U jednoho ložiska zlata došlo u prvního modelu bloku k nafouknutí okolních bloků v důsledku dopadu jediného nadvzorku 78 g/t, čímž došlo k nadhodnocení zdroje o 14 %. Predikce byla přivedena na realistickou úroveň pomocí horního řezu (snížení vysoké hodnoty na statistický práh) a kontroly sousedního vzorku aplikovaného v kontrole QA/QC. Rozdíl přímo ovlivnil mnohamilionové investiční rozhodnutí.
Případ 3 – Klasifikační disciplína. Na železném projektu model ukázal předpovídání celého ložiska s vysokou spolehlivostí; hustota vrtů však byla v okrajových oblastech velmi řídká. Pověřená osoba odstranila řídce odebraný objem z ekonomického hodnocení a snížila jej na „Odvozený“. Zpráva se tak vyhnula přehánění u veřejně zveřejněných rezerv a zůstala v souladu se standardem.
Slabá výzva / Silná výzva
Slabá výzva:
Analyzujte výnos z vrtů a řekněte, kolik zlata je v ložisku [testovací tabulka]
Výkonná výzva:
Vaše role: Geostatistik zdrojů. UVEĎTE ZDROJOVÉ ČÍSLO s následujícími daty testu sloučeniny. Místo toho: 1) Shrňte rozdělení známek; označte možné odlehlé hodnoty a potřebu horního řezu.2) Navrhněte, které směry variogramů by měly být zkoumány z hlediska prostorové návaznosti.3) Uveďte, které oblasti lze klasifikovat pouze jako „Vynechané“ kvůli nízké hustotě vrtání.4) Uveďte 4 zdroje nejistoty, které by mohly ovlivnit výsledek.Údaje jsou anonymní; žádné skutečné souřadnice/společnost.
Výkonná výzva zabrání modelu vyprodukovat jediné klamavé číslo a udělá z něj asistenta, který organizuje přesně ty otázky, které by měl odpovědný pokládat.
Čtyři kopírovatelné šablony
1) Odvození tokenu pro fúzi vrstev:
Navrhněte smysluplné markery z následujících vrstev na základě modelu průzkumu porfyrové mědi: magnetická, gravitace, měrný odpor, geochemie půdy (Cu-Mo-Au), alterace. Pro každý marker: odkaz na model vkladu, možný zavádějící zdroj a metoda ověření v terénu. Dát přesný cíl; Stanovte prioritní logiku.
2) Předběžný screening QA/QC testu:
V tabulce testu zkontrolujte následující: negativní/nemožná hodnota, podíl příznaků pod detekčním limitem, jednotková diskrepance (ppm/%/g-t), souhlas opakování vzorku, drift slepého a standardního vzorku. Stačí uvést problémy pomocí drilling_id; ocenění, oprava.
3) Návrh interpretace variogramu:
Interpretujte výsledky experimentálního variogramu: vysvětlete srozumitelným jazykem, co znamená nuget, dosah a prah; Existují nějaké známky anizotropie? Označte, která rozhodnutí vyžadují souhlas geologa před krigováním. Logika, ne kód.
4) Kontrola klasifikace zdroje:
V blokovém modelu byly pro každý blok uvedeny: rozptyl krigingu, počet vzorků použitých při odhadu a vzdálenost k nejbližšímu vrtu. Uveďte ROZUMNÝ náčrt toho, které bloky nejlépe vyhovují třídě měřené/zobrazené/odvozené podle standardní logiky. Konečné zařazení náleží autorizované osobě; uveďte toto.
Srovnání metod
Metoda
Co dělá
silná stránka
Hlavní riziko
Odborné pravidlo (vážená vrstva)
Třídí cíle podle informací
Pracuje s málo daty, transparentní
expertní zaujatost
Kontrolované ML cílení
Učí se ze známé postele
Zachycuje složitý vzor
Memorování v několika příkladech
kriging
Tenor předpovídá s nejistotou
Standardní, auditovatelné
Chyba variogramu, rozmazání
odhad stupně ML
nelineární vztah
Flexibilní
Může skrývat nejistotu, přílišnou adaptaci
Simulace (např. SGS)
Generuje pravděpodobnostní scénáře
Vizualizuje nejistotu
Přehnané sebevědomí, pokud je špatně interpretováno
Tip: Při odhadování zdrojů požádejte spíše o rozsah a scénář než o „jedno nejlepší číslo“. Tři optimistické/očekávané/opatrné scénáře poskytují mnohem poctivější základ pro rozhodování než falešná jistota vytvořená jediným číslem.
Časté chyby
- Udělat ML do paměti s málo známou postelí. Model cvičený s pěti ložisky je v novém oboru nespolehlivý; pohlížet na výstup jako na seznam priorit, nikoli jako na důkaz.
- Neomezující extrémní hodnoty. Jediný vysoký test, pokud se neprovede horní řezání, nespravedlivě obohatí (rozmaže) okolní bloky a nafoukne tonáž.
- Neuvádí nejistotu. Skrývání variace Kriging a klasifikace a uvádění jednotlivých čísel je proti standardům a integritě.
- Přeskakování klasifikace. Prezentace řídce odebraného objemu jako Measured ohrožuje ekonomický úsudek a důvěru veřejnosti.
- Přeskakování QA/QC. Žádná třída není spolehlivá bez laboratorního monitorování driftu se slepými a standardními vzorky.
V souhrnu
- Cílení průzkumu generuje prioritu vrtání prostřednictvím vícevrstvé fúze dat; Neprokazuje rudu, snižuje slepou zkoušku.
- Odhad zdrojů s jistotou odhaduje stupeň pomocí variogramů a krigingu; Na tom je postaven blokový model.
- Strojové učení je výkonné, ale zapamatuje si malé vzorky, rozmazává odlehlé hodnoty a dokáže skrýt nejistotu.
- Finální svar je klasifikován a podepsán oprávněnou kvalifikovanou osobou podle norem jako JORC/NI 43-101.
- Hodnota není v jednom klamavém čísle; Nejistota je v testovatelné prioritě a klasifikaci, která je čestně hlášena.
Aplikační úkol
Získejte anonymizovanou tabulku analýzy sloučenin (nebo reprezentativní hodnoty). Pomocí výkonné výzvy požádejte model o: nadhodnocenou/top-cut potřebu, směry variogramů a oblasti s nízkou hustotou místo zdrojového obrázku. Poté nechte šablonu „ovládání klasifikace zdroje“ vytvořit návrh, které bloky budou spadat do které třídy důvěryhodnosti. Nakonec sledujte, zda se model snaží udat jednotnou hmotnostní hodnotu a jednou větou napište, proč byste ji měli odmítnout.
kontrolní seznam
- [ ] Uvědomil jsem si, že zaměřování průzkumu neprokazuje rudu, ale dává přednost vrtání.
- [ ] Umím vysvětlit, jak variogram a kriging odhadují stupeň s nejistotou.
- [ ] Uvědomuji si rizika rozmazání, top-cut a nadhodnocování a považuji QA/QC za povinné.
- [ ] Beru na vědomí, že zdroj je standardem klasifikován jako Měřený/Indikovaný/Odvozený a patří oprávněné osobě.
- [ ] Přijal jsem disciplínu, která vyžaduje rozsahy nejistot a scénáře namísto jednotlivých čísel.