Gewinne:
- Fähigkeit, den Einsatz von KI und mehrschichtiger Datenfusion bei der Mineralvorkommenschaft zu erklären
- Verstehen, wie man mithilfe von Geostatistik (Kriging, Variogramm) und maschinellem Lernen Blockmodelle und Gehaltsschätzungen durchführt.
- Möglichkeit, die Ergebnisse der Quellenschätzung mit Kreuzvalidierung, Klassifizierungskonfidenz und Berichtsstandards zu testen
Prospektion ist ein Wettspiel, bei dem Entscheidungen über mehrere Millionen Dollar auf der Grundlage einer Handvoll Bohrproben getroffen werden. Unter einer Fläche von Hunderten von Quadratkilometern verbirgt sich eine Minerallagerstätte (engl. Erzlagerstätte; eine mineralische Ansammlung, die reich und groß genug ist, um ausgebeutet zu werden), und wir „sehen“ sie nur durch seltene Bohrungen, geophysikalische Schatten und Oberflächenmarkierungen. Aus diesem Grund ist die Mineralexploration einer der spannendsten, aber auch gefährlichsten Anwendungsbereiche von KI: Bei richtiger Anwendung beschleunigt sie die gezielte Exploration und extrahiert mehr Aussagekraft aus spärlichen Daten; Bei falscher Anwendung verbirgt es eine nicht vorhandene Substanz hinter Statistiken und führt sowohl Anleger als auch die Gesellschaft in die Irre.
In dieser Einheit werden wir zwei wichtige Aspekte der Exploration mit künstlicher Intelligenz behandeln: Explorationsziele (Mineralienaussichten; Schätzung anhand mehrschichtiger Daten, in welchem Gebiet sich wahrscheinlich eine Lagerstätte befindet) und Ressourcenschätzung (Berechnung, mit welcher Sicherheit wir sagen können, wie viel Metall sich in einer erbohrten Lagerstätte befindet). In beiden Fällen ist KI ein leistungsstarker Musterfinder; In beiden Fällen liegt die Verantwortung für die endgültige Zahl jedoch bei der zuständigen Person, die internationale Berichtsstandards unterzeichnet hat.
Such-Targeting: Mehrschichtige Datenfusion
Ein Explorationsgeologe betrachtet nicht einen einzelnen Datentyp, sondern überlagerte Schichten: geologische Karte, Strukturkonturen (Verwerfungen und Falten), Geophysik (Magnetik, Schwerkraft, spezifischer Widerstand), Geochemie (Elementwerte von Boden- und Flussproben) und durch Fernerkundung kartierte Veränderungen. Jede Schicht ist ein schwacher Hinweis; Das eigentliche Signal ist dort, wo sie aufeinander zeigen. Dies nennt man Datenfusion.
Künstliche Intelligenz übernimmt hier zwei Aufgaben. Erstens richtet es Dutzende von Schichten auf demselben Koordinatengitter (eine einzigartige, mühsame, aber fehleranfällige Aufgabe) in einer einzigen Analysetabelle aus. Zweitens lernt es das Muster rund um bekannte Ablagerungen und markiert neue Bereiche mit einer ähnlichen Signatur (überwachtes Lernen). Hier gibt es jedoch eine kritische Falle: Die Anzahl der bekannten Betten ist oft sehr gering (vielleicht 5-10 Betten in einem Gebiet), sodass sich das Modell leicht einprägt und in neuen Gebieten versagt. Aus diesem Grund handelt es sich bei der Targeting-Ausgabe nicht um eine Liste mit der Aufschrift „sicher, dass Edelsteine vorhanden sind“, sondern um eine „Prioritätsreihenfolge, die es wert ist, durch Bohren getestet zu werden“.
Die Schritte sind in der Regel wie folgt: (1) Schichten ausrichten und bereinigen, (2) jede Schicht in aussagekräftige Token basierend auf dem Schichtmodell übersetzen (z. B. „Entfernung zum Verwerfungsschnittpunkt“, „magnetischer Hochrand“), (3) mit bekannten Schichten oder Gewichten mit Expertenregel trainieren, (4) Wahrscheinlichkeitskarte erstellen, (5) Bereiche mit der höchsten Wahrscheinlichkeit im Feld und mit kostengünstigen Methoden testen.
Tipp: Anstatt Schichten roh in das Modell einzuspeisen, leiten Sie geologisch aussagekräftige Marker ab („Magnetring + Tonalteration + Verwerfungsschnittpunkt für Porphyr-Kupfer“). Mit dem Peilungsmodell kompatible Indikatoren liefern wesentlich robustere Ziele als blinde Statistiken.
Geostatistik und Ressourcenschätzung: Variogramm, Kriging und Blockmodell
Sobald die Lagerstätte gefunden und erbohrt ist, ändert sich die Frage: „Wie viel Metall gibt es hier und wie viel können wir darauf vertrauen?“ Die Antwort erfordert eine Extrapolation von beprobten Bohrpunkten zum nicht beprobten Gesteinsvolumen. Das Standardwerkzeug hierfür ist die Geostatistik.
Das Grundkonzept ist das Variogramm: ein Maß für die räumliche Kontinuität, das beschreibt, wie die Gradähnlichkeit abnimmt, wenn zwei Proben weiter voneinander entfernt sind. Nahe gelegene Beispiele sind ähnlich, entfernte sind unabhängig; Das Variogramm quantifiziert diesen „Ähnlichkeitsbereich“. Kriging ist eine gewichtete Durchschnittsmethode, die diese Variogrammstruktur verwendet, um für jeden nicht beprobten Block den Grad, sowohl die Schätzung als auch die Unsicherheit der Schätzung, anzugeben. Die Lagerstätte ist in Blöcke unterteilt, deren Seiten in Metern gemessen werden (Blockmodell), und jedem Block wird ein Grad und ein Konfidenzniveau zugewiesen.
Künstliche Intelligenz kommt hier an drei Stellen ins Spiel. Bei der Variogramm-Modellierung schlägt es alternative Modelle vor und bewertet die Anpassung. Methoden des maschinellen Lernens (z. B. Random Forest, Gradient Boosting) können zusätzlich zum Kriging auch nichtlineare Gehaltsbeziehungen erfassen. Und es beschleunigt die Codierung, Prüfung und Berichterstellung des gesamten Workflows. Aber zwei eiserne Regeln bleiben konstant: Schätzungsunsicherheiten können niemals ausgeblendet werden, und die endgültige Ressource wird von der kompetenten Person gemäß internationalen Standards (öffentliche, überprüfbare Rahmen für die Ressourcen-/Reservenberichterstattung, wie JORC, NI 43-101, PERC) in gemessene/angezeigte/abgeleitete Klassen eingeteilt.
Achtung: Das maschinelle Lernmodell kann Bohrunterbrechungen „glätten“ und so eine Kontinuität schaffen, die in der Realität nicht vorhanden ist. Ein paar hochwertige Exemplare können einen ganzen Block ungerechtfertigt bereichern (englisch smearing). Es ist wichtig, hohe Werte (Top-Cut) zu begrenzen und die Anzahl der Proben auf Blockbasis zu kontrollieren. sonst schwillt die Tonnage auf dem Papier an.
Drei Mini-Hüllen: In Zahlen
Fall 1 – Targeting-Priorisierung. Ein Explorationsteam arbeitete mit einem begrenzten Bohrbudget in einem 380 km² großen Lizenzgebiet. Eine Wahrscheinlichkeitskarte, die sieben geophysikalische/geochemische Schichten zusammenführte, markierte nur 6 % des Gebiets als „hohe Priorität“. Das Team richtete die ersten fünf Übungen auf diese 6 % aus; fanden in drei von ihnen bedeutende Kupferdurchschneidungen. Der entscheidende Punkt: Die Karte „wies“ das Erz nicht nach, rationalisierte nicht die Schwerpunktsetzung des Bohrbudgets und reduzierte die Anzahl der Blindversuche.
Fall 2 – Erfassung von Verschmierungen. Bei einer Goldlagerstätte hatte das erste Blockmodell die umliegenden Blöcke aufgrund der Auswirkungen einer einzelnen Überprobe von 78 g/t aufgebläht, wodurch die Ressource um 14 % überschätzt wurde. Die Vorhersage wurde auf ein realistisches Niveau gebracht, indem bei der QA/QC-Überprüfung der Top-Cut (Reduzierung des hohen Werts auf den statistischen Schwellenwert) und die Kontrolle benachbarter Proben angewendet wurden. Der Unterschied wirkte sich direkt auf eine Investitionsentscheidung in Höhe von mehreren Millionen Dollar aus.
Fall 3 – Klassifizierungsdisziplin. Bei einem Eisenprojekt zeigte das Modell, dass es die gesamte Lagerstätte mit hoher Zuverlässigkeit vorhersagte; Allerdings war die Bohrdichte in den Randbereichen sehr gering. Die autorisierte Person hat das spärlich beprobte Volumen aus der wirtschaftlichen Bewertung entfernt und es auf „Abgeleitet“ herabgestuft. Somit vermied der Bericht Übertreibungen bei den öffentlich offengelegten Reserven und blieb im Einklang mit dem Standard.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Analysieren Sie den Bohrertrag und ermitteln Sie, wie viel Gold sich in der Lagerstätte befindet.[Analysetabelle]
Kraftvolle Aufforderung:
Ihre Rolle: Ressourcengeostatistiker. GEBEN SIE EINE QUELLENNUMMER mit den folgenden Verbindungstestdaten an. Stattdessen: 1) Fassen Sie die Notenverteilung zusammen; Markieren Sie mögliche Ausreißer und die Notwendigkeit eines Top-Cut.2) Schlagen Sie vor, welche Variogrammrichtungen auf räumliche Kontinuität untersucht werden sollten.3) Geben Sie an, welche Bereiche aufgrund der geringen Bohrdichte nur als „Ausgelassen“ klassifiziert werden können.4) Listen Sie 4 Unsicherheitsquellen auf, die das Ergebnis beeinflussen könnten.Die Daten sind anonym; keine tatsächlichen Koordinaten/Firma.
Die leistungsstarke Eingabeaufforderung verhindert, dass das Modell eine einzige betrügerische Zahl produziert, und macht es zu einem Assistenten, der genau die Fragen organisiert, die der Verantwortliche stellen soll.
Vier kopierbare Vorlagen
1) Token-Ableitung für Layer-Fusion:
Schlagen Sie auf der Grundlage des Porphyr-Kupfer-Explorationsmodells aussagekräftige Marker aus den folgenden Schichten vor: Magnetik, Schwerkraft, spezifischer Widerstand, Bodengeochemie (Cu-Mo-Au), Alteration. Für jeden Marker: Link zum Einzahlungsmodell, mögliche irreführende Quelle und Methode zur Feldüberprüfung. Vorgabe eines präzisen Ziels; Legen Sie eine Prioritätslogik fest.
2) Assay-QA/QC-Vorscreening:
Überprüfen Sie die Assay-Tabelle auf Folgendes: negativer/unmöglicher Wert, Anteil der Zeichen unterhalb der Nachweisgrenze, Einheitenabweichung (ppm/%/g-t), Wiederholungsprobenübereinstimmung, Leer- und Standardprobendrift. Listen Sie die Probleme einfach nach „bohren_id“ auf. Beurteilung, Korrektur.
3) Entwurf der Variogramm-Interpretation:
Interpretieren Sie die Ergebnisse des experimentellen Variogramms: Erklären Sie in einfacher Sprache, was Nugget, Range und Sill bedeuten; Gibt es Anzeichen einer Anisotropie? Markieren Sie vor dem Kriging, welche Entscheidungen die Zustimmung des Geologen erfordern. Logik, kein Code.
4) Kontrolle der Quellenklassifizierung:
Im Blockmodell wurden für jeden Block die Kriging-Varianz, die Anzahl der zur Schätzung verwendeten Proben und die Entfernung zum nächstgelegenen Bohrloch angegeben. Geben Sie einen ANGEMESSENEN Überblick darüber, welche Blöcke gemäß der Standardlogik am besten zur gemessenen/angezeigten/abgeleiteten Klasse passen. Die endgültige Klassifizierung obliegt der autorisierten Person; Geben Sie dies an.
Vergleich der Methoden
Methode
Was bedeutet
Stärke
Hauptrisiko
Expertenregel (gewichtete Schicht)
Sortiert Ziele mit Informationen
Funktioniert mit wenigen Daten, transparent
Expertenvoreingenommenheit
Überwachtes ML-Targeting
Lernt aus dem bekannten Bett
Erfasst komplexe Muster
Auswendiglernen in einigen Beispielen
Kriging
Tenor prognostiziert mit Unsicherheit
Standardmäßig, überprüfbar
Variogrammfehler, Verschmieren
Schätzung der ML-Note
nichtlineare Beziehung
Flexibel
Kann Unsicherheit und Überanpassung verbergen
Simulation (z. B. SGS)
Erzeugt Wahrscheinlichkeitsszenarien
Visualisiert Unsicherheit
Selbstüberschätzung bei Fehlinterpretation
Tipp: Fragen Sie bei der Schätzung der Ressourcen nach einem Bereich und einem Szenario und nicht nach einer „einzigen besten Zahl“. Drei optimistische/erwartete/vorsichtige Szenarien bieten eine viel ehrlichere Entscheidungsgrundlage als die falsche Gewissheit, die durch eine einzelne Zahl entsteht.
Häufige Fehler
- ML mit einem wenig bekannten Bett zum Auswendiglernen bringen. Ein mit fünf Lagern trainiertes Modell ist im neuen Bereich unzuverlässig; Betrachten Sie die Ausgabe als Prioritätenliste, nicht als Beweis.
- Extremwerte werden nicht eingeschränkt. Wenn kein Top-Cutting durchgeführt wird, führt ein einziger hoher Gehalt zu einer ungerechtfertigten Anreicherung (Verschmierung) der umliegenden Blöcke und einer Erhöhung der Tonnage.
- Unsicherheit wird nicht gemeldet. Das Verbergen der Kriging-Varianz und -Klassifizierung sowie die Darstellung einzelner Zahlen verstößt gegen Standards und Integrität.
- Klassifizierung überspringen. Die Darstellung spärlich erfasster Volumina als „gemessen“ beeinträchtigt das wirtschaftliche Urteilsvermögen und das Vertrauen der Öffentlichkeit.
- Überspringen von QA/QC. Kein Grad ist zuverlässig ohne Laborüberwachung der Drift mit Blind- und Standardproben.
Zusammenfassend
- Explorationsziele generieren Bohrpriorität durch mehrschichtige Datenfusion; Es beweist nicht das Erz, es reduziert den Blindversuch.
- Die Ressourcenschätzung schätzt den Gehalt mit Sicherheit mithilfe von Variogrammen und Kriging. Darauf baut das Blockmodell auf.
- Maschinelles Lernen ist leistungsstark, speichert jedoch kleine Stichproben, verwischt Ausreißer und kann Unsicherheiten verbergen.
- Die endgültige Schweißnaht wird von einer autorisierten qualifizierten Person gemäß Standards wie JORC/NI 43-101 klassifiziert und unterzeichnet.
- Der Wert liegt nicht in einer trügerischen Zahl; Die Unsicherheit liegt in einer überprüfbaren Priorität und Klassifizierung, die ehrlich angegeben wird.
Anwendungsaufgabe
Erhalten Sie eine anonymisierte Verbindungs-Assay-Tabelle (oder repräsentative Werte). Fragen Sie das Modell mit der leistungsstarken Eingabeaufforderung nach: Überwert/Top-Cut-Bedarf, Variogrammrichtungen und Regionen mit geringer Dichte anstelle einer Quellzahl. Lassen Sie dann mit der Vorlage „Quellklassifizierungskontrolle“ einen Entwurf darüber erstellen, welche Blöcke in welche Vertrauensklasse fallen. Beobachten Sie abschließend, ob das Modell versucht, eine einzelne Tonnagezahl anzugeben, und schreiben Sie in einem Satz, warum Sie diese ablehnen sollten.
Checkliste
- [ ] Mir wurde klar, dass Explorationsziele keinen Nachweis von Erz liefern, sondern Bohrpriorität erzeugen.
- [ ] Ich kann erklären, wie Variogramm und Kriging den Grad mit Unsicherheit schätzen.
- [ ] Ich erkenne die Risiken von Verschmierungen, Top-Cut und Überbewertungen an und halte QA/QC für obligatorisch.
- [ ] Ich verstehe, dass die Ressource gemäß der Norm als gemessen/angezeigt/abgeleitet eingestuft ist und der autorisierten Person gehört.
- [ ] Ich habe eine Disziplin übernommen, die Unsicherheitsbereiche und -szenarien anstelle einzelner Zahlen erfordert.