Kaevandamise andmete analüüs Pythoni ja AI piiridega

Kasu:

• Võimalus toota skripte, mis puhastavad ja visualiseerivad puurimis-, tootmis- ja jälgimisandmeid Pythoniga koos tehisintellekti toega
• Võimalus lihtsate ennustus- ja anomaaliamudelite loomisel ära tunda andmekvaliteedi, üleõppimise ja ekstrapoleerimise riske
• Võimalus kontrollida tehisintellekti loodud koodi ja tulemusi üksuse juhtimise, sõltumatu arvutuse ja inseneri usutavuse abil

Selle mooduli igas üksuses, mida olete näinud, on AI kodeerimisel võimas: puuraukude puhastamine, massibilanss, kriging skelett, laevastiku kokkuvõte, vibratsioonianalüüs, keskkonna skaneerimine. See viimane üksus keskendub Pythonile, selle koodi konkreetsele tööriistale ja AI-ga koodi genereerimise õigele distsipliinile. Pythonist on saanud kaevandusandmete analüüsi de facto standard, kuna see on tasuta, sellel on võimsad teegid (pandas: tabeliandmetega manipuleerimine; numpy: arvarvutus; matplotlib: joonistamine; scikit-learn: masinõpe) ja see automatiseerib korduvaid ülesandeid. AI korrutab selle koodi kirjutamise kiiruse; kuid selle loodud kood ei ole alati õige. Selle seadme keskne põhimõte: ärge kunagi käivitage AI kirjutatud koodi ilma seda esmalt lugemata, ühikut kinnitamata ja väikese hulga teadaolevate andmetega testimata. Kood võib vaikselt anda vale tulemuse, mis võib kaevandamisel muutuda halvaks inseneriotsuseks.

AI-ga koodi genereerimise põhivoog

AI-st koodi saamine on inseneritsükkel, mitte vestlus:

1. Kirjeldage ülesannet selgelt. Sisend (veerud, ühikud, näidisrida), soovitud väljund ja piirangud. Mitmetähenduslik taotlus tekitab mitmetähendusliku koodi.
2. Paluge, et see oleks väike ja loetav. Küsige samm-sammult kommenteeritud koodi, mitte ühte hiiglaslikku funktsiooni.
3. Loe ja mõista. Saate aru, mida iga rida teeb; Ärge käivitage koodi, millest te aru ei saa.
4. Testige väikeste andmetega. Käivitage see käsitsi 5–10 reaga, mille tulemusi teate, ja kontrollige eeldatavat väljundit.
5. Küsimuse serva juhtumid. Tühi lahter, negatiivne väärtus, ühikute segamine, korduv kirje Kuidas kood käitub?
6. Skaleerige ja kontrollige loogikat. Käivitage kõigil andmetel; Kas tulemus on insenertehniliselt mõistlik?

Näpunäide. Kõige tavalisemad AI-koodi sisestamise vead on vaikivad: vale veeru nimi, ühikute segunemine (m vs jalg, g/t vs ppm), vaikselt langenud read (nagu dropna), vale keskmine (lihtne keskmine, kui seda tuleks kaaluda). Need ei põhjusta vigu; See annab lihtsalt vale numbri. Nii et "ei saanud viga" ei tähenda kunagi "õiget".

Tüüpilised Pythoni ülesanded kaevandamisel

• Andmete puhastamine: puurimis-/tootmis-/seiretabelite ühendamine, ebaühtluse märgistamine, ühiku normaliseerimine.
• Kokkuvõte ja visualiseerimine: Histogramm, aegrida, klassi-tonnaaži kõver, OEE graafikud.
• Statistika ja geostatistika: Koondstatistika, korrelatsioon, variogramm/kriging (spetsiaalsete raamatukogudega).
• Anomaaliate tuvastamine: lävepõhine või lihtne mudelipõhine triivi püüdmine.
• Lihtsad ennustusmudelid: näiteks jahvatamise suuruse ja saagise seos regressiooniga.

Enamiku nende ülesannete jaoks pakub AI suurepärast alguskoodi. Kuid on kaks lõksu: andmete kvaliteet ja mudelipiirangud. Mõlema teadmine on AI-koodi turvalise kasutamise võti.

Mudelipiirangud: üleõppimine ja ekstrapoleerimine

Lihtsad ennustavad mudelid, mida tehisintellekt hõlpsasti loob, on haavatavad kahe suure riski suhtes. Ülesobitamine: mudel jätab treeninguandmed meelde, kuid toimib uute andmete puhul halvasti; Keeruliste mudelite loomine vähese andmemahuga nõuab seda. Ekstrapoleerimine: mudel muutub ebausaldusväärseks, kui see on sunnitud tegema ennustust väljaspool treeningandmeid; Näiteks vahemikus 0,3–0,8 g/t õpitud mudel võib anda 5 g/t puhul mõttetuid tulemusi. AI ei juhi neid riske teie eest "spontaanselt"; Teie ülesanne on mudelit kriitiliselt lugeda, treeningu/testi vahet teha, usaldusvahemikku vaadata ja kontrollida, kas ennustus on füüsiliselt usutav. Ükskõik kui täpne mudelinumber ka ei näi, ei saa see olla väljaspool andmevahemikku tehtavate tehniliste otsuste aluseks.

kolm minikarpi

Juhtum 1 – vaikse helitugevuse viga. Insener soovib koodi, mis paneb tehisintellekti analüüsiandmete põhjal keskmise hinde arvutama. Kood töötab, tulemus on 2,1 g/t. Insener loeb koodi; Pange tähele, et keskmist ei kaaluta intervalli pikkusega, vaid seda võetakse sirge keskmisena. Kõrged hinded lühikeste vaheaegadega võtsid ebaõiglaselt kaalus juurde. Kaalutud keskmisele liikudes väheneb väärtus 1,7 g/t. Kood ei andnud vigu; lugemine tabas vea.

Juhtum 2 – vaikne rea katkestamine. Tootmiskokkuvõtte koodis puhastas AI puuduvate väärtustega read dropna abil. Kood töötab sujuvalt, kuid kogutonnaaž on alahinnatud, kuna mõned kehtivad read jäeti ühe tühja veeru tõttu üldse välja. Kui insener võrdleb sisendi ja väljundi ridade arvu, näeb ta erinevust ja korrigeerib puhastusloogikat. Õppetund: võrrelge alati sisend- ja väljundridade arvu.

Juhtum 3 – ekstrapoleerimislõks. Meeskond rakendab madala hindevahemikus õpitud regressioonimudelit kõrge hindega alale; Mudel annab absurdselt kõrge saagikuse hinnangu. Õnneks lükkab insener tulemuse tagasi, öeldes, et "see piirkond jääb mudeli nähtavast vahemikust kaugele välja" ja nõuab metallurgilist testimist. Õppetund: teada andmevahemikku, millele mudel kehtib; Ärge kasutage olekuvälist hinnangut.

Kopeeritavad viipade mallid

TURVALINE ANDMETE PUHASTAMISE KOOD "Roll: olete Pythoni andmeanalüütiku assistent. Kirjutage pandadega kood, mis puhastab järgmise tabeli. Veerud ja ühikud: [loend]. Reeglid: (1) trükkige ridade arv ENNE ja PÄRAST ridade mahajätmist; (2) teatage, millised read on välja jäetud ja miks on kasutatud konversioonide kaal; (3) kus vajalik kaal. Selgitage iga sammu kommentaarireaga."

KOODI LÄBIVAATAMISE TAOTLUS"Selgitage järgmist Pythoni koodi rida-realt ja juhtige tähelepanu järgmistele riskipunktidele: vale veeru nime oletus, ühiku segadus, vaikne rida, lame/kaalutud keskmine viga, äärte suurtähtede (null/negatiivne) käitumine. ÄRGE PARANDAGE koodi, vaid loetlege riskid. Kood: [kleebi]."

TESTI SEADISTUS VÄIKESTE ANDMETEGA "Selle funktsiooni jaoks koostage käsitsi väike testandmed (5-6 rida), mille tulemust ja eeldatavat väljundit ma tean; kirjutage testplokk, mis kontrollib, kas funktsioon nendel andmetel õigesti töötab. Testige ka äärmuslikke juhtumeid (tühi lahter, negatiivne, ühiku äärmuslik väärtus). Funktsioon: [kleebi]."

LIHTNE MUDEL + PIIRHOIATUS"Seadistage [x -> y] jaoks lihtne regressioon järgmiste andmetega. Eristage treeningut/testimist, teatage veamõõdik ja öelge selgelt vahemik x, mille üle mudel KEHTIB. Hoiatage, kui ennustusi tehakse VÄLJASPOOL seda vahemikku. Kommenteerige andmete ületreenimise ohtu..":[Paste andmeside].

Nõrk viip / Tugev viip

NÕRK VIIPA: "Arvutage nende andmete põhjal keskmine hinne."

TUGEV VIIP:"Roll: olete Pythoni assistent. Veerud: HoleID, From(m), To(m),Au(g/t). Arvutage KAALUTU keskmine hinne intervalli pikkusega. Kood: (1) printige sisend-/väljundridade arv; (2) teatage null-/negatiivsed väärtused enne nende väljalangemist. Võin näidata ka tulemuste alamkinnitust. käsitsi. Andmed: [kleebi].

Võrdlustabel: risk ja ettevaatusabinõud

Risk

sümptom

ettevaatusabinõu

Üksuse interferents

Mõistlik, kuid vale number

Kommenteerige üksus koodis, kontrollige seda

Vaikne liinilangus

Kokku on puudu

Võrrelge sisend-/väljundliinide arvu

Tavaline vs kaalutud keskmine

vale keskmine

Kontrollige kaalu

üleõppimine

Testiandmetega halb

Treeningute/testide eraldamine, hoidke seda lihtsana

ekstrapoleerimine

Mõttetu oletus vahemikust väljas

Piirake kehtivat vahemikku

Levinud vead

• Koodi käivitamine ilma seda lugemata. "See ei saanud ühtegi viga" ei tähenda, et see on tõsi.
• Ei testita väikeste andmetega. Usaldus ilma kontrollitava näiteta on vale.
• Ei võrdle sisend/väljundliinide arvu. Nii pääsevad vaikivad kaotused.
• Mudelivaliku ignoreerimine. Ekstrapoleerimishinnangud on ebausaldusväärsed.
• Usaldades diagrammi ilu. Stiilne diagramm võib peita vale numbri.

Tähelepanu: kui AI-kood läheb insenerikontole, on see kood sama vastutustundlik kui konto. Kui tulemusest saab kaevandusotsus, käivitage kood ja selle väljund sõltumatu loogikakontrolli ja võimaluse korral teise meetodiga võrdlemise kaudu.

Kokkuvõttes

Python on de facto andmete analüüsimise tööriist ja tehisintellekt suurendab oluliselt selle kirjutamise kiirust. Kuid AI-kood võib sisaldada vaikivaid vigu (ühiku segadus, ridade väljalangemine, vale keskmistamine) ja mudelilõkse (üleõppimine, ekstrapoleerimine). Turvaline voog: kirjeldage selgelt, soovite väikest ja loetavat, lugege ja mõistate, testige väikeste teadaolevate andmetega, päringu servajuhtumeid, mastaabi ja loogika kontrolli. Mudeli väljund ei saa olla andmevahemikust väljapoole jääva otsuse aluseks; ja iga kood kannab sama palju vastutust kui konto, kui see muutub kaevandamisotsuseks.

Rakenduse ülesanne

Tehisintellektilt koodi hankimiseks kasutage malli "Turvaline andmete puhastamise kood" koos hinde keskmistamise või tootmise kokkuvõtte ülesandega; Laske koodil malliga „Koodi ülevaatuse taotlus” riskist vabastada. Seejärel looge malliga "Testi seadistus väikeste andmetega" käsitsi andmekogum, mille tulemusi teate, ja kontrollige koodi. Lõpuks, lihtsa suhte jaoks seadistage mudel malliga "Lihtmudel + piiranguhoiatus" ja kontrollige, kas see annab hoiatuse, kui see väljub kehtivast vahemikust.

kontrollnimekiri

• [ ] Lugesin AI koodi ja sain igast reast aru, ma ei jooksnud seda pimesi.
• [ ] Testisin seda väikeste käsitsi kontrollitavate andmetega.
• [ ] Võrdlesin sisend- ja väljundliinide arvu.
• [ ] Kontrollisin ühiku järjepidevust ja kaalu.
• [ ] Piirasin mudeli kehtivat andmevahemikku, vältides ekstrapoleerimist.
• [ ] Kontrollisin tulemust, millest kujunes otsus, sõltumatu loogika/sekundi meetodiga.

Mooduli eksam

1. Praktikant küsib tehisintellekti vestlustööriistalt maagikeha keskmist hinnet ja kirjutab saadud väärtuse '1,8 g/t kulda' otse varuaruandesse. Mis on selle lähenemisviisi põhiline viga?

• A) Hinne peab tulenema projekti enda puurimis-/analüüsiandmetest ja kontrollitud prognoosist; Tehisintellekti genereeritud number võib olla allikata väljamõeldis ✔
• B) AI-d oleks pidanud küsima grammide asemel untsides
• C) Väärtus on õige, koma asemel oleks pidanud kasutama punkti
• D) Piisab, kui küsida tehisintellektilt kolm korda sama küsimust ja võtta keskmine

Selgitus: keelemudel ei tea teie projekti puurimisandmeid; tekitab numbri, mis tundub kõige tõenäolisem (hallutsinatsioonid). Hinne pärineb ainult projekti enda kombineeritud puurimisandmetest ja geostatistilisest hinnangust; AI väljundit ei saa aruandesse lisada ilma pädeva isiku nõusolekuta.

2. Mida võimaldab 'riskipõhine klassifikatsioon' tehisintellekti kasutamisel kaevandustehnikas?

• A) Alandage tehisintellekti tööriista hinda
• B) Määrake tehisintellekti roll ja kontrollimise kohustuslik sügavus vastavalt ülesande riskitasemele ✔
• C) Viibad tuleks kirjutada lühemalt
• D) Delegeerige kõik otsused automaatselt tehisintellektile

Selgitus: mitte iga missioon ei ole samal riskitasemel. Ülesande liigitamine madalaks/keskmiseks/kõrgeks/kriitiliseks määrab, millist väljundit saab vabalt kasutada ning mis nõuab standardset ja välikontrolli ning pädeva inseneri kinnitust.

3. Mida modelleerib 'variogramm' geostatistikas?

• A) Seadme kütusekulu
• B) Metalli hinna muutumine ajas
• C) ruumiline järjepidevus sõltuvalt kaugusest; ✔ kuidas sarnasus väheneb, kui punktid kaugenevad
• D) Lõhkamisel tekkiv vibratsiooni sagedus

Kirjeldus: Variogramm kirjeldab, kuidas proovide sarnasus üksteisega väheneb (ruumiline järjepidevus), kui kahe punkti vaheline kaugus suureneb. Kriging kasutab seda mudelit mõõtmata punktide hindamiseks määramatuse piiriga.

4. Milline on parim lähenemine, kui lasta tehisintellektil puursüdamike fotograafiast litoloogiat eelklassifitseerida?

• A) AI poolt antud kivimitüübi töötlemine otse puurimislogi
• B) AI teksti kopeerimine raportisse ilma fotot üldse uurimata
• C) Geoloogi vaatluse tühistamine ja ainult tehisintellektile tuginemine
• D) Pidage väljundit esialgseks ennustuseks/hüpoteesiks ja kontrollige seda geoloogi vaatluse ja laborianalüüsiga ✔

Kirjeldus: AI võib luua pildi põhjal ennustuse ja tähelepanuloendi; Lõpliku litoloogia/muutmisotsuse teeb aga geoloogi vaatlus ja laborianalüüs. AI väljund on algus, hüpotees, mida tuleb kontrollida.

5. Mida tähendab lahtiste kaevanduste planeerimisel 'eemaldamissuhe'?

• A) Rooste (jääkkivi) kogus, mis tuleb eemaldada, et jõuda ühe maagiühikuni ✔
• B) Metalli osakaal maagis
• C) Veoautode igapäevane sõitude arv
• D) Lõhketöödel kasutatud lõhkeaine kogus

Kirjeldus: eemaldamise määr on jäätmete (riba/jäätmed) kogus, mis tuleb eemaldada ühe maagiühiku saamiseks. Sellest vahekorrast sõltuvad suuresti lõplik kaevupiir ja ökonoomsus; Kuigi tehisintellekt loob stsenaariume, teeb piiriotsuse pädev insener.

6. Mida tähendab ennustavas hoolduses, kui tehisintellekt leiab vibratsiooni- ja temperatuuriandmetes "anomaaliaid"?

• A) Tõend selle kohta, et seade on kindlasti rikkis
• B) hoiatus, et andmed erinevad tavapärasest; See ei ole rikke lõplik diagnoos, vaid märk, mida tuleb kinnitada füüsilise läbivaatusega ✔
• C) Korraldage seadme automaatne seiskamine
• D) Garantii, et andmed salvestati valesti

Selgitus: anomaalia on andmete kõrvalekalle tavapärasest käitumisest ja võib viidata talitlushäirele; kuid see pole lõplik diagnoos. Otsus seadmete seiskamise või osade väljavahetamise kohta tehakse hooldusmeeskonna füüsilise läbivaatuse ja tegevusjuhi nõusolekuga.

7. Mis on ohutuse seisukohalt oluline, kui kasutatakse tehisintellekti puurpuhastusprojektis?

• A) AI soovituse rakendamine otse kohapeal
• B) Vibratsiooni mõõtmise vahelejätmine
• C) Tehisintellekti kavandatud projekti kontrollimine välimõõtmise, regulatiivse limiidi ja volitatud lõhkamiseksperdi heakskiiduga ✔
• D) Lõhkeainete koguse fikseerimine tehisintellekti antud maksimumiga

Kirjeldus: Lõhkamine; Sellega kaasnevad tõsised ohutus- ja regulatiivsed riskid, nagu vibratsioon, õhulöögid ja lendavad kivid. AI võib koostada disaini visandi ja parameetrisoovituse; Lõplik projekt peab siiski läbima välimõõtmise, regulatiivsed piirmäärad ja volitatud lõhkamiseksperdi (detonaatori/vastutaja) heakskiidu.

8. Milline on tüüpiline seos „taaskasutamise” ja „kontsentraadi kvaliteedi” vahel mineraalide töötlemisel ja mida peaks tehisintellekt selle tõlgendamisel meeles pidama?

• A) Need kaks kasvavad alati koos
• B) Nende vahel pole suhet
• C) Suhe on püsiv ja kõigis rajatistes ühesugune
• D) Tavaliselt on vastupidine tasakaal (saagis väheneb hinde tõustes); tegelikud väärtused tuleb kontrollida metallurgilise testimise ja massitasakaalu abil ✔

Selgitus: üldiselt, kui püüame saada kõrgema kontsentreeritud sorti, saagikus väheneb (margi-saagi tasakaal). AI võib seda suundumust selgitada, kuid tegelikud tööväärtused peavad olema kinnitatud metallurgilise testimise ja massibilansi abil; üldine suundumus ei asenda kohaspetsiifilist tegelikkust.

9. Kuidas on kõige sobivam AI-ga tehisintellektiga hädaolukorra/õnnetuse andmete analüüsimine tööohutuses?

• A) Klassifitseerige vabatekstikirjed ja eraldage korduvad riskimustrid; Jätke otsustamine TTO eksperdi teha ✔
• B) Määrake automaatselt õnnetuste süüdlane
• C) Tööseisaku korralduste delegeerimine tehisintellektile
• D) Arhiveerida peaaegu-miss-kirjeid ilma neid läbi vaatamata

Kirjeldus: AI suudab klassifitseerida suurel hulgal vaba tekstikirjeid ning eraldada kiiresti korduvaid mustreid ja riskantseid tingimusi. Otsus töö peatamise, piirkonna või algpõhjuse evakueerimise kohta tehakse aga TTO eksperdi ja seadusandluse raames; AI väljund on sisend, mitte otsus.

10. Miks on 'deformatsioonikiiruse kiirendus' kriitiline märk radari/prisma andmetes kalle monitooringus?

• A) See näitab kindlasti, et mõõteseade on katki.
• B) See võib kuulutada progressiivset lüüasaamist; Varajase hoiatamise ja evakueerimise otsus kuulub geotehnilisele insenerile ✔
• C) See näitab, et kalle on täiesti ohutu
• D) See on oluline ainult siis, kui on sademeid ja seda võib ignoreerida

Selgitus: enne kallaku tõrkeid täheldatakse üldiselt deformatsioonikiiruse (kiirenduse) järkjärgulist suurenemist; See võib olla märk progresseeruvast ebaõnnestumisest. AI võib trendi esile tuua, kuid evakueerimise/varajase hoiatamise otsuse teeb geotehnilise inseneri analüüs ja protokoll.

11. Milline on keskkonnaseire puhul kõige täpsem reaktsioon „ületamise” märgile, mille tehisintellekt leiab veekvaliteedi aegreas?

• A) Tehisintellekti väljundist teatamine otse valitsusasutusele
• B) Ignoreeri hoiatust ja jätka vaatamist
• C) Kontrollige akrediteeritud laboratoorse tulemuse, regulatiivse limiidi ja keskkonnainseneri hinnanguga ✔
• D) Ainult tehisintellektile tuginemine ja laborianalüüside tühistamine

Kirjeldus: AI võib võimalikust rikkumisest varakult märku anda; Ametliku vastavusotsuse tehakse aga akrediteeritud laborianalüüsi, seadusandluse piirväärtuste ja keskkonnainseneri hinnanguga. AI väljund on sõelumishoiatus, mitte juriidiline/tehniline otsus.

12. Mis on kõige usaldusväärsem viis vältida väljamõeldud (hallutsinatoorsete) viidete saamist, kui küsite tehisintellektilt standardi (nt JORC või NI 43-101) klauslinumbrit?

• A) Tuginedes tehisintellekti antud kaubanumbrile
• B) Sama küsimuse uuesti esitamine erinevate sõnadega
• C) Standardi asemel blogipostituse vaatamine
• D) iga artikli viite avamine ja kinnitamine standardi kehtivast ametlikust tekstist ning pädevalt isikult heakskiidu saamine ✔

Selgitus: kuigi keelemudel teab standardi nimetust õigesti, võib see hallutsineerida artikli numbrit ja teksti. Iga aine viide tuleb avada ja kinnitada standardi kehtivast ametlikust tekstist ning lõplikku vastavust peab kinnitama pädev isik (CP/QP).

13. Mis on kõige kriitilisem kontroll enne tehisintellektiga kirjutatud Pythoni analüüsiskripti käivitamist?

• A) Koodi lugemine ja ühiku/veeru vastavuse kontrollimine, väikeste teadaolevate andmetega testimine ja tulemuse usutavuse kontrollimine ✔
• B) Koodi käivitamine otse kogu andmekogumil ilma seda lugemata
• C) Lihtsalt näha, et viga pole, ja tulemusega leppida
• D) Tuginedes väljundi graafikale, et kena välja näha.

Kirjeldus: AI-kood võib segada ühikuid, võtta veergude nimesid valesti või vaikselt ridu maha jätta. Oluline on lugeda koodi, kontrollida helitugevuse ja veergude vastavust, testida väikese hulga teadaolevate andmetega ja kontrollida, kas tulemus on insenertehniliselt mõistlik.

14. Milline on privaatsuse seisukohast parim käitumine pilvepõhisele tehisintellekti tööriistale kaevandamisandmete andmisel?

• A) Kõigi töötlemata andmete kleepimine nii, nagu need on
• B) Muutke kontekst anonüümseks ja puhastage tundlikud reservi/koordinaatide/tootmisandmed ning kasutage ettevõtte eeskirjadele vastavat tööriista ✔
• C) Eeldades, et tegelike koordinaatide esitamine on tulemuse kvaliteedi jaoks hädavajalik
• D) Privaatsuspoliitika üldse eiramine

Selgitus: reservarvud, litsentside/koordinaatide teave ja tootmisandmed on ärisaladuste ja õigusaktide seisukohast tundlikud. Kontekst tuleb anonüümseks muuta, tegelikud koordinaadid ja nimed kustutada, valida ettevõtte/privaatsuse tagamise tööriist ja järgida ettevõtte poliitikat.