Κέρδη:
- Ικανότητα εξήγησης της χρήσης της τεχνητής νοημοσύνης και της σύντηξης δεδομένων πολλαπλών επιπέδων στην προοπτική ορυκτών
- Κατανόηση του τρόπου δημιουργίας μοντέλων μπλοκ και εκτίμησης βαθμών χρησιμοποιώντας γεωστατιστική (kriging, variogram) και μηχανική μάθηση.
- Δυνατότητα δοκιμής εξόδων εκτίμησης πηγής με διασταυρούμενη επικύρωση, εμπιστοσύνη ταξινόμησης και πρότυπα αναφοράς
Το Prospecting είναι ένα παιχνίδι στοιχημάτων όπου οι αποφάσεις πολλών εκατομμυρίων δολαρίων βασίζονται σε μια χούφτα δείγματα τρυπανιών. Ένα ορυκτό κοίτασμα (αγγλικό κοίτασμα μεταλλεύματος, μια συσσώρευση ορυκτών πλούσια και αρκετά μεγάλη για εκμετάλλευση) είναι κρυμμένο κάτω από μια έκταση εκατοντάδων τετραγωνικών χιλιομέτρων και το «βλέπουμε» μόνο με σπάνιες γεωτρήσεις, γεωφυσικές σκιές και επιφανειακά δείκτες. Γι' αυτό η εξερεύνηση ορυκτών είναι ένας από τους πιο συναρπαστικούς αλλά και πιο επικίνδυνους τομείς εφαρμογής της τεχνητής νοημοσύνης: όταν χρησιμοποιείται σωστά, επιταχύνει τη στόχευση εξερεύνησης και εξάγει περισσότερο νόημα από αραιά δεδομένα. Όταν χρησιμοποιείται λανθασμένα, κρύβει μια ανύπαρκτη ουσία πίσω από τις στατιστικές και παραπλανά τόσο τους επενδυτές όσο και την κοινωνία.
Σε αυτήν την ενότητα, θα καλύψουμε δύο κύριες πτυχές της τεχνητής νοημοσύνης της εξερεύνησης: στόχευση εξερεύνησης (προοπτική ορυκτών, εκτίμηση από δεδομένα πολλαπλών επιπέδων ποια περιοχή είναι πιθανό να έχει κατάθεση) και εκτίμηση πόρων (υπολογίζοντας με ποια σιγουριά μπορούμε να πούμε πόσο μέταλλο βρίσκεται σε ένα κοίτασμα με διάτρηση). Και στα δύο, η τεχνητή νοημοσύνη είναι ένας ισχυρός ανιχνευτής προτύπων. Αλλά και στις δύο περιπτώσεις, το τελικό ποσό είναι ευθύνη του αρμόδιου προσώπου που έχει υπογράψει διεθνή πρότυπα αναφοράς.
Στόχευση αναζήτησης: Σύντηξη δεδομένων πολλαπλών επιπέδων
Ένας γεωλόγος εξερεύνησης δεν εξετάζει έναν μεμονωμένο τύπο δεδομένων αλλά επικαλυπτόμενα στρώματα: γεωλογικό χάρτη, δομικά περιγράμματα (ρήγματα και πτυχές), γεωφυσική (μαγνητική, βαρύτητα, ειδική αντίσταση), γεωχημεία (τιμές στοιχείων δείγματος εδάφους και ρεύματος) και αλλοίωση που χαρτογραφείται με τηλεπισκόπηση. Κάθε στρώμα είναι μια αμυδρή ένδειξη. Το πραγματικό σήμα είναι το σημείο που δείχνουν μαζί. Αυτό ονομάζεται συγχώνευση δεδομένων.
Η τεχνητή νοημοσύνη κάνει δύο δουλειές εδώ. Πρώτον, ευθυγραμμίζει δεκάδες επίπεδα στο ίδιο πλέγμα συντεταγμένων (μια μοναδική, κουραστική αλλά επιρρεπής σε σφάλματα εργασία) σε έναν ενιαίο πίνακα ανάλυσης. Δεύτερον, μαθαίνει το μοτίβο γύρω από γνωστές αποθέσεις και επισημαίνει νέες περιοχές με παρόμοια υπογραφή (εποπτευόμενη μάθηση). Αλλά υπάρχει μια κρίσιμη παγίδα εδώ: ο αριθμός των γνωστών κρεβατιών είναι συχνά πολύ μικρός (ίσως 5-10 κρεβάτια σε μια περιοχή), επομένως το μοντέλο απομνημονεύει εύκολα και αποτυγχάνει σε νέες περιοχές. Αυτός είναι ο λόγος για τον οποίο η έξοδος στόχευσης δεν είναι μια λίστα "σίγουρο ότι υπάρχει στολίδι", αλλά μια "σειρά προτεραιότητας που αξίζει να δοκιμαστεί με διάτρηση".
Τα βήματα είναι συνήθως τα εξής: (1) ευθυγραμμίστε και καθαρίστε τα στρώματα, (2) μεταφράστε κάθε στρώμα σε ουσιαστικό διακριτικό με βάση το μοντέλο κρεβατιού (π.χ. "απόσταση από διασταύρωση σφάλματος", "μαγνητικό υψηλό άκρο"), (3) τρένο με γνωστά κρεβάτια ή βάρος με κανόνα ειδικού, (4) παραγωγή χάρτη πιθανοτήτων, (5) δοκιμή περιοχών υψηλότερης πιθανότητας στο πεδίο και με χαμηλότερες μεθόδους.
Συμβουλή: Αντί να τροφοδοτείτε ακατέργαστα στρώματα στο μοντέλο, εξάγετε γεωλογικά σημαντικούς δείκτες ("μαγνητικός δακτύλιος + αργιλική αλλοίωση + διασταύρωση σφαλμάτων για πορφυρικό χαλκό"). Οι δείκτες που είναι συμβατοί με το μοντέλο ρουλεμάν παράγουν πολύ πιο ισχυρούς στόχους από τα τυφλά στατιστικά στοιχεία.
Γεωστατιστική και εκτίμηση πόρων: Variogram, Kriging και Block Model
Μόλις βρεθεί το κοίτασμα και τρυπηθεί, το ερώτημα αλλάζει: "Πόσο μέταλλο υπάρχει εδώ και πόσο μπορούμε να το εμπιστευτούμε;" Η απάντηση απαιτεί μια παρέκταση από τα δειγματοληπτικά σημεία διάτρησης σε όγκο βράχου χωρίς δείγμα. Το τυπικό εργαλείο για αυτό είναι η γεωστατιστική.
Η βασική ιδέα είναι το βαριόγραμμα: ένα μέτρο της χωρικής συνέχειας που περιγράφει πώς μειώνονται οι ομοιότητες βαθμού καθώς δύο δείγματα απομακρύνονται περισσότερο. Τα κοντινά παραδείγματα είναι παρόμοια, τα μακρινά είναι ανεξάρτητα. Το βαριόγραμμα ποσοτικοποιεί αυτό το "εύρος ομοιότητας". Το Kriging είναι μια μέθοδος σταθμισμένου μέσου όρου που χρησιμοποιεί αυτή τη δομή βαριογράμματος για να δώσει τη βαθμολογία, τόσο την εκτίμηση όσο και την αβεβαιότητα της εκτίμησης, για κάθε μπλοκ χωρίς δείγμα. Η κατάθεση χωρίζεται σε τετράγωνα με πλευρές μετρημένες σε μέτρα (μοντέλο μπλοκ), και σε κάθε μπλοκ αποδίδεται ένας βαθμός και μια αξιοπιστία.
Η τεχνητή νοημοσύνη έρχεται σε τρία σημεία εδώ. Στη μοντελοποίηση βαριογράμματος, προτείνει εναλλακτικά μοντέλα και αξιολογεί την εφαρμογή. Οι μέθοδοι μηχανικής μάθησης (π.χ. τυχαίο δάσος, ενίσχυση κλίσης) μπορούν να καταγράψουν μη γραμμικές σχέσεις βαθμών εκτός από το kriging. Και επιταχύνει την κωδικοποίηση, τον έλεγχο και την αναφορά ολόκληρης της ροής εργασίας. Ωστόσο, δύο βασικοί κανόνες παραμένουν σταθεροί: η αβεβαιότητα της εκτίμησης δεν μπορεί ποτέ να κρυφτεί και ο τελικός πόρος ταξινομείται από το αρμόδιο άτομο σε κατηγορίες Μετρημένες/Ενδεικνυόμενες/Συναγόμενες κατηγορίες σύμφωνα με τα διεθνή πρότυπα (δημόσια, ελεγχόμενα πλαίσια αναφοράς πόρων/αποθεματικών, όπως JORC, NI 43-101, PERC).
Προσοχή: Το μοντέλο μηχανικής εκμάθησης μπορεί να «εξομαλύνει» τις διακοπές διάτρησης, δημιουργώντας συνέχεια που δεν υπάρχει στην πραγματικότητα. Μερικά δείγματα υψηλής ποιότητας μπορούν να εμπλουτίσουν άδικα (αγγλικά λερώματα) ένα ολόκληρο μπλοκ. Ο περιορισμός των υψηλών τιμών (top-cut) και ο έλεγχος του αριθμού των δειγμάτων σε μπλοκ είναι απαραίτητος. αλλιώς το τονάζ θα φουσκώσει στα χαρτιά.
Three Mini Cases: By the Numbers
Περίπτωση 1 — Στόχευση κατά προτεραιότητα. Μια ομάδα εξερεύνησης εργαζόταν με περιορισμένο προϋπολογισμό γεώτρησης σε μια περιοχή άδειας 380 km². Ένας χάρτης πιθανοτήτων που συγχωνεύει επτά στρώματα γεωφυσικής/γεωχημείας χαρακτήρισε μόνο το 6% της περιοχής ως «υψηλής προτεραιότητας». Η ομάδα κατεύθυνε τις πρώτες πέντε ασκήσεις σε αυτό το 6%. βρήκαν σημαντικές χάλκινες διασταυρώσεις σε τρεις από αυτές. Το κρίσιμο σημείο: ο χάρτης δεν «απέδειξε» το μετάλλευμα, εξορθολόγησε πού να επικεντρωθεί ο προϋπολογισμός γεώτρησης και μείωσε τον αριθμό των τυφλών δοκιμών.
Περίπτωση 2 — Σύλληψη κηλίδωσης. Σε ένα κοίτασμα χρυσού, το πρώτο μοντέλο μπλοκ είχε διογκώσει τα περιβάλλοντα μπλοκ λόγω της επίδρασης ενός μόνο υπερδείγματος 78 g/t, υπερεκτιμώντας τον πόρο κατά 14%. Η πρόβλεψη έφτασε σε ένα ρεαλιστικό επίπεδο με το top-cut (μειώνοντας την υψηλή τιμή στο στατιστικό όριο) και το γειτονικό δείγμα ελέγχου που εφαρμόστηκε στην ανασκόπηση QA/QC. Η διαφορά επηρέασε άμεσα μια επενδυτική απόφαση πολλών εκατομμυρίων δολαρίων.
Περίπτωση 3 — Πειθαρχία ταξινόμησης. Σε ένα έργο σιδήρου, το μοντέλο έδειξε να προβλέπει ολόκληρη την κατάθεση με υψηλή εμπιστοσύνη. Ωστόσο, η πυκνότητα γεώτρησης ήταν πολύ αραιή στις οριακές περιοχές. Ο εξουσιοδοτημένος αφαίρεσε τον αραιοδειγματοληπτικό όγκο από την οικονομική αξιολόγηση, υποβαθμίζοντάς τον σε "Εξαγωγή". Έτσι, η έκθεση απέφυγε την υπερβολή στα δημόσια αποθεματικά και παρέμεινε σύμφωνη με το πρότυπο.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Αναλύστε την απόδοση της γεώτρησης και πείτε πόσο χρυσό υπάρχει στο κοίτασμα.[πίνακας ανάλυσης]
Ισχυρή προτροπή:
Ο ρόλος σας: Γεωστατιστής πόρων. ΔΩΣΤΕ ΕΝΑ ΑΡΙΘΜΟ ΠΗΓΗΣ με τα ακόλουθα δεδομένα ανάλυσης ένωσης. Αντί αυτού:1) Συνοψίστε την κατανομή βαθμών. Σημειώστε πιθανές ακραίες τιμές και την ανάγκη για κορυφαία κοπή.2) Προτείνετε ποιες κατευθύνσεις βαριογράμματος πρέπει να εξεταστούν για χωρική συνέχεια.3) Υποδείξτε ποιες περιοχές μπορούν να ταξινομηθούν μόνο ως "Παράλειψη" λόγω χαμηλής πυκνότητας γεώτρησης.4) Καταγράψτε 4 πηγές αβεβαιότητας που θα μπορούσαν να επηρεάσουν το αποτέλεσμα. Τα δεδομένα είναι ανώνυμα. δεν υπάρχουν πραγματικές συντεταγμένες/εταιρεία.
Η ισχυρή προτροπή εμποδίζει το μοντέλο να παράγει έναν μόνο παραπλανητικό αριθμό και το μετατρέπει σε βοηθό που οργανώνει ακριβώς τις ερωτήσεις που πρέπει να κάνει ο υπεύθυνος.
Τέσσερα αντιγράψιμα πρότυπα
1) Παραγωγή συμβολικού για τη σύντηξη στρώσης:
Προτείνετε σημαντικούς δείκτες από τα ακόλουθα στρώματα με βάση το μοντέλο εξερεύνησης χαλκού πορφυρίτη: μαγνητική, βαρύτητα, ειδική αντίσταση, γεωχημεία εδάφους (Cu-Mo-Au), αλλοίωση. Για κάθε δείκτη: σύνδεσμος προς το μοντέλο κατάθεσης, πιθανή παραπλανητική πηγή και μέθοδο επαλήθευσης πεδίου. Δίνοντας έναν ακριβή στόχο. Καθιερώστε τη λογική προτεραιότητας.
2) Δοκιμασία QA/QC προ-έλεγχος:
Ελέγξτε τον πίνακα ανάλυσης για τα ακόλουθα: αρνητική/αδύνατη τιμή, αναλογία σημαδιών κάτω από το όριο ανίχνευσης, διαφορά μονάδας (ppm/%/g-t), επαναλαμβανόμενη συμφωνία δείγματος, τυφλό και τυπική μετατόπιση δείγματος. Απλώς απαριθμήστε τα ζητήματα με drilling_id. αξιολόγηση, διόρθωση.
3) Προσχέδιο ερμηνείας βαριογράμματος:
Ερμηνεύστε τα αποτελέσματα πειραματικών βαριογραμμάτων: εξηγήστε σε απλή γλώσσα τι σημαίνουν nugget, range και sill. Υπάρχουν ενδείξεις ανισοτροπίας; Σημειώστε ποιες αποφάσεις απαιτούν έγκριση γεωλόγου πριν από το kriging. Λογική, όχι κώδικας.
4) Έλεγχος ταξινόμησης πηγών:
Στο μοντέλο μπλοκ, για κάθε μπλοκ: δόθηκε διακύμανση κρίγινγκ, αριθμός δειγμάτων που χρησιμοποιήθηκαν στην εκτίμηση και απόσταση από την πλησιέστερη γεώτρηση. Δώστε ένα ΛΟΓΙΚΟ περίγραμμα για το ποια μπλοκ ταιριάζουν καλύτερα στην κατηγορία Μετρήσεις/Εμφανιζόμενες/Συναγόμενες σύμφωνα με την τυπική λογική. Η τελική ταξινόμηση ανήκει στο εξουσιοδοτημένο πρόσωπο. δηλώστε αυτό.
Σύγκριση Μεθόδων
Μέθοδος
Τι κάνει
δυνατό σημείο
Κύριος κίνδυνος
Κανόνας ειδικών (σταθμισμένο στρώμα)
Ταξινομεί στόχους με πληροφορίες
Λειτουργεί με λίγα δεδομένα, διαφανές
μεροληψία ειδικού
Εποπτευόμενη στόχευση ML
Μαθαίνει από το γνωστό κρεβάτι
Καταγράφει περίπλοκο μοτίβο
Απομνημόνευση σε μερικά παραδείγματα
κρίγινγκ
Ο Tenor προβλέπει με αβεβαιότητα
Τυποποιημένο, ελεγχόμενο
Σφάλμα βαριογράμματος, κηλίδες
Εκτίμηση βαθμού ML
μη γραμμική σχέση
Ευέλικτο
Μπορεί να κρύψει την αβεβαιότητα, την υπερβολική προσαρμογή
Προσομοίωση (π.χ. SGS)
Δημιουργεί σενάρια πιθανοτήτων
Οραματίζεται την αβεβαιότητα
Υπερβολική αυτοπεποίθηση αν παρερμηνευτεί
Συμβουλή: Κατά την εκτίμηση των πόρων, ζητήστε ένα εύρος και ένα σενάριο αντί για έναν "ενιαίο καλύτερο αριθμό". Τρία αισιόδοξα/αναμενόμενα/επιφυλακτικά σενάρια παρέχουν μια πολύ πιο ειλικρινή βάση για τη λήψη αποφάσεων από την ψευδή βεβαιότητα που δημιουργείται από έναν μόνο αριθμό.
Συνήθη λάθη
- Κάνοντας ML απομνημόνευση με ένα ελάχιστα γνωστό κρεβάτι. Ένα μοντέλο εκπαιδευμένο με πέντε ρουλεμάν είναι αναξιόπιστο στο νέο πεδίο. δείτε το αποτέλεσμα ως λίστα προτεραιότητας, όχι ως απόδειξη.
- Χωρίς περιορισμό ακραίων τιμών. Μία μόνο υψηλή ανάλυση, εάν δεν γίνει το top cutting, θα εμπλουτίσει άδικα (κηλιδώσει) τα γύρω μπλοκ και θα διογκώσει την χωρητικότητα.
- Χωρίς αναφορά αβεβαιότητας. Η απόκρυψη της διακύμανσης και της ταξινόμησης Kriging και η παρουσίαση μεμονωμένων αριθμών είναι αντίθετη με τα πρότυπα και την ακεραιότητα.
- Παράλειψη ταξινόμησης. Η παρουσίαση του όγκου με αραιά δείγματα ως Μετρημένος θέτει σε κίνδυνο την οικονομική κρίση και την εμπιστοσύνη του κοινού.
- Παράλειψη QA/QC. Κανένας βαθμός δεν είναι αξιόπιστος χωρίς εργαστηριακή παρακολούθηση της μετατόπισης με τυφλά και τυπικά δείγματα.
Συνοπτικά
- Η στόχευση εξερεύνησης δημιουργεί προτεραιότητα γεώτρησης μέσω της συγχώνευσης δεδομένων πολλαπλών επιπέδων. Δεν αποδεικνύει το μετάλλευμα, μειώνει την τυφλή δοκιμή.
- Η εκτίμηση των πόρων εκτιμά τον βαθμό με βεβαιότητα χρησιμοποιώντας variograms και kriging. Το μοντέλο μπλοκ βασίζεται σε αυτό.
- Η μηχανική μάθηση είναι ισχυρή, αλλά απομνημονεύει μικρά δείγματα, κηλιδώνει τα ακραία σημεία και μπορεί να κρύψει την αβεβαιότητα.
- Η τελική συγκόλληση ταξινομείται και υπογράφεται από εξουσιοδοτημένο εξειδικευμένο άτομο σύμφωνα με πρότυπα όπως το JORC/NI 43-101.
- Η τιμή δεν είναι σε έναν παραπλανητικό αριθμό. Η αβεβαιότητα βρίσκεται σε μια ελεγχόμενη προτεραιότητα και ταξινόμηση που αναφέρεται ειλικρινά.
Εργασία εφαρμογής
Λάβετε έναν ανώνυμο πίνακα προσδιορισμού ένωσης (ή αντιπροσωπευτικές τιμές). Με την ισχυρή προτροπή, ζητήστε από το μοντέλο: υπερτιμή/ανάγκη κορυφαίας κοπής, οδηγίες βαριογράμματος και περιοχές χαμηλής πυκνότητας αντί για αριθμό πηγής. Στη συνέχεια, ζητήστε από το πρότυπο "έλεγχος ταξινόμησης προέλευσης" να δημιουργήσει ένα προσχέδιο για το ποια μπλοκ θα εμπίπτουν σε ποια κατηγορία εμπιστοσύνης. Τέλος, παρατηρήστε εάν το μοντέλο προσπαθεί να δώσει έναν αριθμό χωρητικότητας και γράψτε με μία πρόταση γιατί πρέπει να το απορρίψετε.
λίστα ελέγχου
- [ ] Συνειδητοποίησα ότι η στόχευση εξερεύνησης δεν αποδεικνύει μετάλλευμα, παράγει προτεραιότητα γεώτρησης.
- [ ] Μπορώ να εξηγήσω τον τρόπο με τον οποίο το βαριόγραμμα και το kriging εκτιμούν βαθμολογίες με αβεβαιότητα.
- [ ] Αναγνωρίζω τους κινδύνους κηλίδων, κορυφαίας κοπής και υπερτίμησης και θεωρώ υποχρεωτικό το QA/QC.
- [ ] Κατανοώ ότι ο πόρος ταξινομείται ως Μετρημένος/Ενδεικνυόμενος/Συνάγεται από το πρότυπο και ανήκει στο εξουσιοδοτημένο άτομο.
- [ ] Υιοθέτησα μια πειθαρχία που απαιτεί εύρη αβεβαιότητας και σενάρια αντί για απλούς αριθμούς.