Kasu:
- Oskus selgitada tehisintellekti ja mitmekihilise andmete liitmise kasutamist mineraalide väljavaadetes
- Arusaam, kuidas teha plokimudelit ja hinnete hindamist geostatistika (kriging, variogramm) ja masinõppe abil.
- Võimalus testida allika hinnangute väljundeid ristvalideerimise, klassifitseerimise usaldusväärsuse ja aruandlusstandarditega
Prospektide otsimine on kihlveomäng, kus mitme miljoni dollari suurused otsused põhinevad käputäiel harjutusnäidistel. Maavaramaardla (inglise maagimaardla; maavarade akumulatsioonirikas ja piisavalt suur, et seda saaks kasutada) on peidetud sadade ruutkilomeetrite suuruse ala alla ja me "näeme" seda ainult harvade puurimiste, geofüüsikaliste varjude ja pinnamarkeritega. Seetõttu on maavarade uurimine üks põnevamaid, kuid samas ka ohtlikumaid tehisintellekti rakendusvaldkondi: õigel kasutamisel kiirendab see uurimise sihtimist ja eraldab vähestest andmetest rohkem tähendust; Ebaõigel kasutamisel peidab see statistika taha olematut ainest ja eksitab nii investoreid kui ühiskonda.
Selles üksuses käsitleme uurimise kahte peamist tehisintellekti aspekti: uurimise sihtimist (mineraalide väljavaade; mitmekihiliste andmete põhjal hindamine, millises piirkonnas on tõenäoliselt maardla) ja ressursi hindamist (arvutamine, millise kindlusega saame öelda, kui palju metalli puuritud maardlas on). Mõlemas on AI võimas mustriotsija; Kuid mõlemal juhul vastutab lõpliku arvu eest pädev isik, kes on allkirjastanud rahvusvahelised aruandlusstandardid.
Otsingu sihtimine: mitmekihiline andmete liitmine
Uurimisgeoloog ei vaatle ühte tüüpi andmeid, vaid kattuvaid kihte: geoloogilist kaarti, struktuurikontuure (rikked ja kurrud), geofüüsikat (magnetiline, gravitatsioon, takistus), geokeemiat (pinnase ja oja proovielementide väärtused) ja kaugseirega kaardistatud muudatusi. Iga kiht on nõrk vihje; Tõeline signaal on see, kus nad näitavad koos. Seda nimetatakse andmete liitmiseks.
Tehisintellekt teeb siin kahte tööd. Esiteks joodab see kümneid kihte samale koordinaatide ruudustikule (ainulaadne, tüütu, kuid veaohtlik ülesanne) ühte analüüsitabelisse. Teiseks õpib see teadaolevate lademete ümber mustrit ja märgib sarnase allkirjaga uued alad (järelvalvega õppimine). Kuid siin on kriitiline lõks: teadaolevate peenarde arv on sageli väga väike (võib-olla 5-10 voodikohta ühes piirkonnas), nii et mudel jätab kergesti meelde ja ebaõnnestub uutel aladel. Sellepärast ei ole sihtimisväljundiks loend "kindel pärl on olemas", vaid "prioriteetne järjekord, mida tasub puurides testida".
Toimingud on tavaliselt järgmised: (1) joondage ja puhastage kihid, (2) teisendage iga kiht tähenduslikuks märgiks, mis põhineb voodimudelil (nt "kaugus rikke ristumispunktini", "magnetiline kõrge serv"), (3) treenige teadaolevate voodikohtade või kaaluga ekspertreeglite järgi, (4) koostage tõenäosuskaart, (5) testige kõige suurema tõenäosusega alasid ja madalate kuludega meetodeid.
Näpunäide. Selle asemel, et kihte mudelisse toorelt sisestada, tuletage geoloogiliselt tähendusrikkad markerid ("magnetrõngas + argilliline muutus + porfüürvase rikke ristumiskoht"). Laagrimudeliga ühilduvad indikaatorid annavad palju kindlamad sihtmärgid kui pimestatistika.
Geostatistika ja ressursside hindamine: Variogramm, Kriging ja Block Model
Kui maardla on leitud ja puuritud, muutub küsimus: "Kui palju metalli siin on ja kui palju me saame seda usaldada?" Vastus nõuab ekstrapoleerimist proovi võetud puurimispunktidest proovideta kivimimahuni. Selle standardtööriist on geostatistika.
Põhikontseptsioon on variogramm: ruumilise järjepidevuse mõõt, mis kirjeldab, kuidas hindede sarnasused vähenevad, kui kaks valimit üksteisest kaugemale liiguvad. Lähedal olevad näited on sarnased, kaugemad on sõltumatud; Variogramm kvantifitseerib selle "sarnasuse vahemiku". Kriging on kaalutud keskmise meetod, mis kasutab seda variogrammi struktuuri, et anda iga valimiteta ploki hind, nii hinnang kui ka hinnangu määramatus. Maardla jagatakse plokkideks, mille külgi mõõdetakse meetrites (ploki mudel) ning igale plokile määratakse hinne ja usaldus.
Tehisintellekt tuleb siin kolmes punktis. Variogrammi modelleerimisel pakub see alternatiivseid mudeleid ja hindab sobivust. Masinõppemeetodid (nt juhuslik mets, gradiendi suurendamine) võivad lisaks krigistamisele tabada ka mittelineaarseid hinnete seoseid. Ja see kiirendab kogu töövoo kodeerimist, kontrollimist ja aruandlust. Kuid kaks raudset reeglit jäävad konstantseks: hinnangute määramatust ei saa kunagi varjata ja pädev isik sorteerib lõpliku ressursi mõõdetud/näidatud/tuletatud klassidesse vastavalt rahvusvahelistele standarditele (avalikud, auditeeritavad ressursside/reservide aruandluse raamistikud, nagu JORC, NI 43-101, PERC).
Ettevaatust: masinõppemudel võib puurimispause "sujuda", luues järjepidevuse, mida tegelikkuses ei eksisteeri. Mõned kõrgekvaliteedilised isendid võivad ebaõiglaselt rikastada (inglise keeles määrides) tervet plokki. Oluline on piirata kõrgeid väärtusi (ülevalt lõigatud) ja kontrollida proovide arvu plokipõhiselt; muidu paisub tonnaaž paberil.
Kolm miniümbrist: numbrite järgi
Juhtum 1 – sihtimise prioritiseerimine. Uurimismeeskond töötas piiratud puurimiseelarvega 380 km² suurusel litsentsialal. Tõenäosuskaart, mis ühendas seitse geofüüsikalist/geokeemia kihti, märkis ainult 6% piirkonnast "kõrge prioriteedina". Meeskond suunas esimesed viis harjutust sellesse 6%; leidis kolmel neist olulisi vasest ristmikke. Kriitiline punkt: kaart ei "tõestanud" maagi, ratsionaliseeris puurimiseelarve suunamise ja vähendas pimekatsete arvu.
Juhtum 2 – määrimise jäädvustamine. Ühe kullamaardla juures oli esimene plokkmudel paisutanud ümbritsevaid plokke ühe üleproovi mõju tõttu 78 g/t, hinnates ressurssi 14% üle. Prognoos viidi realistlikule tasemele, kui QA/QC ülevaates rakendati ülaosa (suure väärtuse vähendamine statistilise läveni) ja naabervalimi kontrolli. Erinevus mõjutas otseselt mitme miljoni dollari suurust investeerimisotsust.
3. juhtum – klassifitseerimise distsipliin. Rauaprojekti puhul näitas mudel kogu hoiuse ennustamist suure usaldusväärsusega; äärealadel oli puurimistihedus aga väga hõre. Volitatud isik eemaldas hõredalt võetud mahu majandushinnangust, alandades selle "Järgeldud". Seega välditi aruandes avalikult avalikustatud reservide osas liialdamist ja jäid standardiga kooskõlas.
Nõrk viip / Tugev viip
Nõrk viip:
Analüüsige puurimise saagikust ja öelge, kui palju kulda maardlas on.[analüüsitabel]
Võimas viip:
Sinu roll: ressursside geostatistik. ANDKE ALLIKA NUMBER koos järgmiste ühenditesti andmetega. Selle asemel:1) Tehke kokkuvõte hinde jaotusest; märkida võimalikud kõrvalekalded ja vajadus ülevalt lõike järele.2) Soovitage, milliseid variogrammi suundi tuleks ruumilise järjepidevuse osas uurida.3) Märkige, millised alad saab madala puurimistiheduse tõttu liigitada ainult "Väljajäetud".4) Loetlege 4 ebakindluse allikat, mis võivad tulemust mõjutada.Andmed on anonüümsed; tegelikke koordinaate/ettevõtet pole.
Võimas viip takistab mudelil ühtainsat petlikku numbrit toota ja muudab selle assistendiks, kes korraldab täpselt need küsimused, mida vastutav isik peaks esitama.
Neli kopeeritavat malli
1) Tokenide tuletamine kihtide liitmiseks:
Soovitage porfüürvase uurimismudeli põhjal järgmistest kihtidest tähendusrikkaid markereid: magnetiline, gravitatsioon, takistus, pinnase geokeemia (Cu-Mo-Au), muutmine. Iga markeri kohta: link deposiidi mudelile, võimalikule eksitavale allikale ja välja kinnitusmeetodile. Täpse eesmärgi andmine; Sea paika prioriteetide loogika.
2) QA/QC analüüsi eelsõelumine:
Kontrollige analüüsi tabelist järgmist: negatiivne/võimatu väärtus, märkide osakaal allpool avastamispiiri, ühikute lahknevus (ppm/%/g-t), proovide korduskokkulepe, tühiproov ja standardproovi triiv. Lihtsalt loetlege probleemid drilling_id; hindamine, parandus.
3) Variogrammi tõlgenduse mustand:
Eksperimentaalsete variogrammide tulemuste tõlgendamine: selgitage lihtsas keeles, mida tähendavad nugget, range ja läve; Kas on mingeid anisotroopia märke? Märkige, millised otsused nõuavad enne krigistamist geoloogi heakskiitu. Loogika, mitte kood.
4) Allika klassifikatsiooni kontroll:
Plokimudelis anti iga ploki kohta: krigimise dispersioon, hinnangul kasutatud proovide arv ja kaugus lähima puurauguni. Andke MÕISTLIK ülevaade sellest, millised plokid sobivad standardloogika järgi kõige paremini Mõõdetud/Kuvatud/Järeldatud klassi. Lõplik klassifikatsioon kuulub volitatud isikule; seda välja öelda.
Meetodite võrdlus
meetod
Mis teeb
tugev külg
Peamine risk
Ekspertreegel (kaalutud kiht)
Sorteerib sihtmärgid teabega
Töötab vähese andmemahuga, läbipaistev
ekspertide eelarvamus
Järelevalvega ML-i sihtimine
Õpib tuntud voodist
Jäädvustab keeruka mustri
Meeldeõppimine mõnes näites
krigimine
Tenor ennustab ebakindlusega
Standardne, auditeeritav
Variogrammi viga, määrimine
ML hinde hinnang
mittelineaarne seos
Paindlik
Oskab varjata ebakindlust, liigset kohanemist
Simulatsioon (nt SGS)
Loob tõenäosusstsenaariume
Visualiseerib ebakindlust
Liigne enesekindlus, kui seda valesti tõlgendatakse
Näpunäide. Ressursside hindamisel küsige vahemikku ja stsenaariumi, mitte „üksaimat parimat arvu”. Kolm optimistlikku/oodatud/ettevaatlikku stsenaariumi annavad palju ausama aluse otsustamiseks kui ühe numbri tekitatud valekindlus.
Levinud vead
- ML-i päheõppimine vähetuntud voodiga. Viie laagriga treenitud mudel on uues valdkonnas ebausaldusväärne; vaadake väljundit prioriteetide loendina, mitte tõendusmaterjalina.
- Ei piira äärmuslikke väärtusi. Kui pealtlõikamist ei tehta, rikastab (määrib) ümbritsevaid plokke ebaõiglaselt ja suurendab tonnaaži.
- Ei teata ebakindlusest. Krigingi dispersiooni ja klassifikatsiooni peitmine ning üksikute arvude esitamine on vastuolus standardite ja terviklikkusega.
- Klassifikatsiooni vahelejätmine. Hõredalt valitud mahu esitamine mõõdetuna seab ohtu majandusliku hinnangu ja üldsuse usalduse.
- QA/QC vahelejätmine. Ükski hinne pole usaldusväärne ilma triivimise laboratoorse jälgimiseta tühi- ja standardproovidega.
Kokkuvõttes
- Uurimise sihtimine loob puurimise prioriteedi mitmekihilise andmete liitmise kaudu; See ei tõesta maagi, vaid vähendab pimekatset.
- Ressursi hindamine hindab hinde kindlalt, kasutades variogramme ja krigimist; Sellele on ehitatud plokimudel.
- Masinõpe on võimas, kuid jätab meelde väikesed näidised, määrib kõrvalekaldeid ja võib varjata ebakindlust.
- Lõpliku keevisõmbluse klassifitseerib ja allkirjastab volitatud kvalifitseeritud isik vastavalt standarditele nagu JORC/NI 43-101.
- Väärtus ei ole ühes petlikus numbris; Ebakindlus on testitavas prioriteedis ja klassifikatsioonis, millest teatatakse ausalt.
Rakenduse ülesanne
Saate anonüümse ühendi analüüsitabeli (või representatiivsed väärtused). Võimsa viipaga küsige mudelilt lähtekujundi asemel: ülehinnatud/ülalõikevajadust, variogrammi suundi ja madala tihedusega piirkondi. Seejärel laske mallil "allika klassifikatsiooni juhtimine" koostada mustand selle kohta, millised plokid millisesse usaldusklassi kuuluvad. Lõpuks jälgige, kas mudel püüab anda ühe tonnaažiarvu ja kirjutage ühe lausega, miks peaksite selle tagasi lükkama.
kontrollnimekiri
- [ ] Sain aru, et uurimise sihtimine ei tõesta maagi, vaid annab puurimise prioriteedi.
- [ ] Oskan selgitada, kuidas variogramm ja kriging hindavad hinnet määramatusega.
- [ ] Tunnistan määrimise, pealislõike ja ülehindamise riske ning pean QA/QC kohustuslikuks.
- [ ] Saan aru, et ressurss on standardi järgi klassifitseeritud Mõõdetud/Mõõdetud/Juldatud ja kuulub volitatud isikule.
- [ ] Võtsin kasutusele distsipliini, mis nõuab üksikute arvude asemel määramatuse vahemikke ja stsenaariume.