Gevinster:
- Evne til at forklare brugen af AI og flerlags datafusion i mineralprospektivitet
- Forståelse af, hvordan man laver blokmodel og karakterestimering ved hjælp af geostatistik (kriging, variogram) og maskinlæring.
- Evne til at teste kildeestimeringsoutput med krydsvalidering, klassifikationssikkerhed og rapporteringsstandarder
Prospektering er et væddemål, hvor beslutninger på flere millioner dollar er baseret på en håndfuld boreprøver. En mineralforekomst (engelsk malmforekomst; en mineralophobning rig og stor nok til at blive udnyttet) er gemt under et område på hundredvis af kvadratkilometer, og vi "ser" det kun med sjældne boringer, geofysiske skygger og overflademarkører. Derfor er mineraludforskning et af de mest spændende, men også farligste anvendelsesområder for kunstig intelligens: Når det bruges korrekt, fremskynder det efterforskningsmålretning og udtrækker mere mening fra sparsomme data; Når det bruges forkert, skjuler det et ikke-eksisterende stof bag statistik og vildleder både investorer og samfund.
I denne enhed vil vi dække to store kunstige intelligensaspekter af udforskning: efterforskningsmålretning (mineralprospektivitet; estimering ud fra flerlagsdata, hvilket område der sandsynligvis vil have en forekomst) og ressourceestimation (beregner med hvilken sikkerhed vi kan sige, hvor meget metal der er i en boret forekomst). I begge er AI en kraftfuld mønsterfinder; Men i begge tilfælde er det endelige tal ansvaret for den kompetente person, der har underskrevet internationale rapporteringsstandarder.
Søgemålretning: Multi-Layered Data Fusion
En udforskningsgeolog ser ikke på en enkelt type data, men på overlejrede lag: geologisk kort, strukturelle konturer (forkastninger og folder), geofysik (magnetisk, tyngdekraft, resistivitet), geokemi (værdier for jord- og vandprøveelementer) og ændring kortlagt ved fjernmåling. Hvert lag er et svagt spor; Det virkelige signal er, hvor de peger sammen. Dette kaldes datafusion.
Kunstig intelligens udfører to opgaver her. For det første justerer den snesevis af lag på det samme koordinatgitter (en enestående, kedelig, men fejlbehæftet opgave) i en enkelt analysetabel. For det andet lærer den mønstret omkring kendte aflejringer og markerer nye områder med en lignende signatur (overvåget læring). Men der er en kritisk fælde her: Antallet af kendte senge er ofte meget lille (måske 5-10 senge i ét område), så modellen nemt husker og fejler i nye områder. Det er derfor, at målretningsoutputtet ikke er en "sikker perle findes"-liste, men en "prioritetsordre, der er værd at teste ved at bore".
Trinene er typisk som følger: (1) juster og rengør lag, (2) oversæt hvert lag til meningsfuldt token baseret på sengemodel (f.eks. "afstand til fejlkryds", "magnetisk højkant"), (3) træner med kendte senge eller vægt med ekspertregel, (4) laver sandsynlighedskort, (5) tester højest sandsynlighedsområder i felten og med lave omkostninger.
Tip: I stedet for at tilføre lag rå ind i modellen, udled geologisk meningsfulde markører ("magnetisk ring + argillisk ændring + forkastningsskæring for porfyrkobber"). Indikatorer, der er kompatible med lejemodellen, producerer meget mere robuste mål end blinde statistikker.
Geostatistik og ressourceestimation: Variogram, Kriging og blokmodel
Når forekomsten er fundet og boret, ændres spørgsmålet: "Hvor meget metal er der her, og hvor meget kan vi stole på det?" Svaret kræver en ekstrapolation fra prøveudtaget borepunkter til uprøvet stenvolumen. Standardværktøjet til dette er geostatistik.
Det grundlæggende koncept er variogrammet: et mål for rumlig kontinuitet, der beskriver, hvordan karakterligheder falder, når to prøver bevæger sig længere fra hinanden. Nærliggende eksempler ligner hinanden, fjerne er uafhængige; Variogrammet kvantificerer dette "lighedsområde". Kriging er en vægtet gennemsnitsmetode, der bruger denne variogramstruktur til at give karakteren, både estimatet og usikkerheden af estimatet, for hver ikke-stikprøvet blok. Indskuddet er opdelt i blokke med sider målt i meter (blokmodel), og hver blok tildeles en karakter og tillid.
Kunstig intelligens kommer ind på tre punkter her. I variogrammodellering foreslår den alternative modeller og evaluerer pasformen. Maskinlæringsmetoder (f.eks. tilfældig skov, gradientboosting) kan fange ulineære karakterforhold ud over kriging. Og det fremskynder kodningen, kontrollen og rapporteringen af hele arbejdsgangen. Men to jernregler forbliver konstante: estimeringsusikkerhed kan aldrig skjules, og den endelige ressource sorteres af den kompetente person i Målt/Indiceret/Inferred klasser i henhold til internationale standarder (offentlige, reviderbare rammer for ressource/reserverapportering, såsom JORC, NI 43-101, PERC).
Forsigtig: Maskinlæringsmodellen kan "udjævne" borebrud og skabe kontinuitet, der ikke eksisterer i virkeligheden. Nogle få prøver af høj kvalitet kan uretfærdigt berige (engelsk udtværing) en hel blok. Det er vigtigt at begrænse høje værdier (top-cut) og kontrollere antallet af prøver på blokbasis; ellers vil tonnagen svulme op på papiret.
Tre minietuier: Efter numrene
Case 1 — Målretningsprioritering. Et efterforskningshold arbejdede med et begrænset borebudget i et 380 km² licensområde. Et sandsynlighedskort, der sammensmelter syv geofysiske/geokemiske lag, markerede kun 6% af området som "høj prioritet." Holdet instruerede de første fem øvelser i disse 6 %; fundet betydelige kobberkryds i tre af dem. Det kritiske punkt: kortet "beviste" ikke malmen, rationaliserede, hvor man skulle fokusere borebudgettet, og reducerede antallet af blinde forsøg.
Tilfælde 2 - Optagelse af udtværing. Ved en gulddeponering havde den første blokmodel oppustet omgivende blokke på grund af virkningen af en enkelt overprøve på 78 g/t, hvilket overvurderede ressourcen med 14 %. Forudsigelsen blev bragt til et realistisk niveau med top-cut (reducerer den høje værdi til den statistiske tærskel) og tilstødende prøvekontrol anvendt i QA/QC-gennemgangen. Forskellen påvirkede direkte en investeringsbeslutning på mange millioner dollar.
Sag 3 — Klassifikationsdisciplin. På et jernprojekt viste modellen at forudsige hele forekomsten med høj sikkerhed; dog var boretætheden meget sparsom i randområderne. Den autoriserede person fjernede den sparsomt udtagne mængde fra den økonomiske evaluering og nedgraderede den til "Udledt". Rapporten undgik således overdrivelse af de offentligt offentliggjorte reserver og forblev i overensstemmelse med standarden.
Svag prompt / stærk prompt
Svag prompt:
Analyser boreudbyttet og fortæl, hvor meget guld der er i forekomsten.[analysetabel]
Kraftig prompt:
Din rolle: Ressourcegeostatistiker. ANGIV ET KILDENUMMER med følgende sammensatte assaydata. I stedet: 1) Opsummer karakterfordelingen; markér mulige outliers og behov for et topsnit.2) Foreslå hvilke variogramretninger der bør undersøges for rumlig kontinuitet.3) Angiv hvilke områder der kun kan klassificeres som "Udeladt" på grund af lav boretæthed.4) Angiv 4 kilder til usikkerhed, der kan påvirke resultatet.Data er anonym; ingen egentlige koordinater/virksomhed.
Den kraftfulde prompt forhindrer modellen i at producere et enkelt vildledende nummer og gør det til en assistent, der organiserer præcis de spørgsmål, som den ansvarlige skal stille.
Fire kopierbare skabeloner
1) Token-afledning til lagfusion:
Foreslå meningsfulde markører fra følgende lag baseret på porfyrkobber-udforskningsmodellen: magnetisk, tyngdekraft, resistivitet, jordgeokemi (Cu-Mo-Au), ændring. For hver markør: link til indbetalingsmodellen, mulig vildledende kilde og feltverifikationsmetode. At give et præcist mål; Etabler prioritetslogik.
2) Assay QA/QC præ-screening:
Tjek analysetabellen for følgende: negativ/umulig værdi, andel af tegn under detektionsgrænsen, enhedsforskel (ppm/%/g-t), gentagen prøveoverensstemmelse, blindprøve og standardprøvedrift. Bare angiv problemerne efter drilling_id; vurdering, rettelse.
3) Variogram fortolkning udkast:
Fortolk eksperimentelle variogramresultater: forklar i almindeligt sprog, hvad guldklump, rækkevidde og karm betyder; Er der tegn på anisotropi? Marker hvilke beslutninger der kræver geologgodkendelse før kriging. Logik, ikke kode.
4) Kildeklassificeringskontrol:
I blokmodellen blev der for hver blok angivet kriging-varians, antal prøver anvendt til estimering og afstand til nærmeste boring. Giv en RIMELIG oversigt over, hvilke blokke der bedst passer til klassen Målt/Visset/Udledt i henhold til standardlogikken. Den endelige klassificering tilhører den autoriserede person; anføre dette.
Sammenligning af metoder
Metode
Hvad gør
stærke side
Hovedrisiko
Ekspertregel (vægtet lag)
Sorterer mål med information
Arbejder med lidt data, gennemsigtig
ekspert bias
Overvåget ML-målretning
Lærer af den kendte seng
Fanger komplekse mønstre
Udenad i nogle få eksempler
kriging
Tenor forudsiger med usikkerhed
Standard, reviderbar
Variogram fejl, udtværing
ML karakter skøn
ikke-lineært forhold
Fleksibel
Kan skjule usikkerhed, overtilpasning
Simulering (f.eks. SGS)
Generer sandsynlighedsscenarier
Visualiserer usikkerhed
Overmod hvis det misfortolkes
Tip: Når du estimerer ressourcer, skal du bede om et interval og et scenario i stedet for et "enkelt bedste tal." Tre optimistiske/forventede/forsigtige scenarier giver et meget mere ærligt grundlag for beslutningstagning end den falske sikkerhed skabt af et enkelt tal.
Almindelige fejl
- Får ML til at huske med en lidet kendt seng. En model, der er trænet med fem lejer, er upålidelig i det nye felt; se output som en prioritetsliste, ikke som bevis.
- Ikke begrænsende ekstreme værdier. En enkelt høj analyse, hvis topskæring ikke udføres, vil uretfærdigt berige (udtvære) de omgivende blokke og puste tonnagen op.
- Rapporterer ikke usikkerhed. At skjule Kriging-varians og klassificering og præsentere enkelttal er imod standarder og integritet.
- Springer klassificering over. At præsentere sparsomt stikprøvet volumen som målt kompromitterer økonomisk dømmekraft og offentlighedens tillid.
- Springer QA/QC over. Ingen kvalitet er pålidelig uden laboratorieovervågning af drift med blindprøver og standardprøver.
Sammenfattende
- Efterforskningsmålretning genererer boreprioritet gennem flerlags datafusion; Det beviser ikke malmen, det reducerer blindprøven.
- Ressourceestimation estimerer karakter med sikkerhed ved hjælp af variogrammer og kriging; Blokmodellen er bygget på dette.
- Maskinlæring er kraftfuld, men den husker små prøver udenad, udtværinger ved afvigelser og kan skjule usikkerhed.
- Den endelige svejsning er klassificeret og underskrevet af en autoriseret kvalificeret person i henhold til standarder som JORC/NI 43-101.
- Værdien er ikke i ét vildledende tal; Usikkerheden er i en testbar prioritet og klassificering, der er ærligt rapporteret.
Ansøgningsopgave
Modtag en anonymiseret sammensætningsanalysetabel (eller repræsentative værdier). Med den kraftfulde prompt, spørg modellen om: overværdi/topskæringsbehov, variogramretninger og områder med lav tæthed i stedet for et kildetal. Lad derefter skabelonen "kildeklassifikationskontrol" lave et udkast til, hvilke blokke der falder ind under hvilken tillidsklasse. Til sidst skal du observere, om modellen forsøger at give et enkelt tonnagetal, og skriv i én sætning, hvorfor du skal afvise det.
tjekliste
- [ ] Jeg indså, at efterforskningsmålretning ikke beviser malm, det giver boreprioritet.
- [ ] Jeg kan forklare, hvordan variogram og kriging estimerer karakter med usikkerhed.
- [ ] Jeg erkender risikoen ved udtværing, top-cut og overvurdering og anser QA/QC for obligatorisk.
- [ ] Jeg forstår, at ressourcen er klassificeret som målt/indikeret/udledt af standarden og tilhører den autoriserede person.
- [ ] Jeg adopterede en disciplin, der kræver usikkerhedsintervaller og scenarier i stedet for enkelte tal.