سود:
- توانایی درک اصلاحات بالقوه پردازش میدانی (بوگر، زمین، لاگ، IGRF) و حساسیت پارامتر جداسازی منطقه ای باقیمانده و آزمایش آن با جداسازی های مختلف
- توانایی تفسیر صحیح مکان منبع، با در نظر گرفتن عدم قطعیت عمق-دامنه و اثر عرض جغرافیایی مغناطیسی (کاهش به قطب)
- امکان اعتبارسنجی متقابل تفسیر میدان پتانسیل با سناریوهای جایگزین و لرزه ای/چاهی بدون قفل کردن تفسیر میدان پتانسیل به یک مدل واحد
روش لرزه ای گران است و نمی توان آن را در همه جا اعمال کرد. اینجاست که روشهای میدان بالقوه - گرانش و مغناطیسی - وارد عمل میشوند: روشهای نسبتاً ارزانی که به سرعت مناطق بزرگ را اسکن میکنند و ساختار ناهموار حوضهها و اجسام سنگ معدنی را آشکار میکنند. روش گرانش تغییرات گرانشی بسیار کوچک ناشی از اختلاف چگالی در زیر زمین را اندازه گیری می کند. روش مغناطیسی تغییرات میدان ناشی از تفاوت در مغناطش (استعداد مغناطیسی) سنگ ها را اندازه گیری می کند. در این بخش، توضیح خواهیم داد که چگونه هوش مصنوعی (AI) پردازش این دو روش، تشخیص ناهنجاری و تخمین عمق را تسریع میکند. خواهیم دید که چرا عدم قطعیت قوی ذاتی در زمینه های بالقوه نیاز به استفاده از هوش مصنوعی با احتیاط بیشتری دارد.
ماهیت داده های میدانی بالقوه
بیایید با یک فرهنگ لغت شروع کنیم. ناهنجاری، انحراف از مقدار منطقه ای مورد انتظار. به عبارت دیگر، امضای ساختار زیرزمینی مورد علاقه ماست. در گرانش، اندازه گیری خام دستخوش اصلاحات زیادی می شود: تصحیح هوای آزاد (اثر ارتفاع)، اصلاح بوگر (اثر توده سنگ بین اندازه گیری و مرجع) و تصحیح زمین (اثر توپوگرافی). ناهنجاری Bouguer حاصل تفاوت های چگالی زیرسطحی را منعکس می کند. در مغناطیسی، تغییرات روزانه و میدان اصلی (IGRF) کم می شود تا ناهنجاری مغناطیسی به دست آید.
چالش اصلی میدان های بالقوه عدم قطعیت عمق-دامنه است: یک منبع کوچک و کم عمق و یک منبع بزرگ و عمیق می توانند تقریباً همان ناهنجاری سطحی را ایجاد کنند. این وضعیت میدانی بالقوه چندمعنی در لرزهشناسی است و هوش مصنوعی آن را حذف نمیکند - فقط آن را شتاب میدهد. به همین دلیل است که در کامنت ها همیشه می پرسم "چند مدل های مختلف این ناهنجاری را توضیح می دهند؟" سوال پرسیده می شود
هوش مصنوعی در پردازش و جداسازی میدان
قلب پردازش میدانی بالقوه جداسازی منطقه ای- باقیمانده است: جداسازی جزء منطقه ای که به آرامی تغییر می کند از منابع گسترده و عمیق و جزء باقی مانده از منابع کم عمق و محلی. روشهای کلاسیک فیلترهای چند جملهای برازش یا طول موج هستند. رویکردهای مبتنی بر هوش مصنوعی می توانند این تمایز را با یادگیری از مثال ها انعطاف پذیرتر کنند. علاوه بر این، ویژگیهای مبتنی بر مشتق - مشتقات افقی/عمودی، سیگنال تحلیلی، زاویه شیب - لبههای منبع را برجسته میکنند. هوش مصنوعی می تواند این ویژگی ها را ترکیب کند و به طور خودکار نامزدهای لبه و منبع را علامت گذاری کند.
خطر این است که پارامتر فیلتر (طول موج قطع) تفسیر را کاملاً تغییر دهد. همین داده ها نقشه های باقیمانده کاملاً متفاوتی را با تمایزات متفاوت تولید می کنند. حتی اگر هوش مصنوعی جدایی را پیشنهاد کند، متخصص بررسی می کند که آیا این جداسازی برای عمق هدف مناسب است یا خیر.
نکته: تمایز منطقه ای باقیمانده را با یک پارامتر ثابت نکنید. سه یا چهار نقشه باقیمانده با طول موج های برش متفاوت ایجاد کنید و ببینید که آیا ناهنجاری هدف در همه آنها ثابت به نظر می رسد. یک ناهنجاری که فقط در یک تمایز ظاهر می شود، اغلب یک مصنوع پارامتر است.
تخمین عمق و اتوماسیون
روش هایی مانند دکانولوشن اویلر و دکانولوشن ورنر برای تخمین عمق منبع در مناطق بالقوه استفاده می شود. اینها مکان و عمق منبع را از روی شیب ناهنجاری تخمین می زنند. هوش مصنوعی میتواند این پیشبینیها را سرعت بخشد و با خوشهبندی هزاران راهحل، «ابر عمق» تمیزتری تولید کند. با این حال، این روش ها به ورودی هایی مانند شاخص ساختاری - فرضی که هندسه منبع را تعریف می کند - بسیار حساس هستند. فرض نادرست به طور سیستماتیک عمق کاذب ایجاد می کند. نقشه عمقی که توسط هوش مصنوعی تولید میشود، همیشه بر اساس قابلیت زمینشناسی و در صورت امکان لرزهای/چاه بررسی میشود.
احتیاط: به دلیل اثرات قطبیت و عرض جغرافیایی در داده های مغناطیسی، ناهنجاری ممکن است مستقیماً بالای منبع نباشد. در نیمکره شمالی، این ناهنجاری ممکن است به سمت جنوب منبع تغییر کند. "مرکز منبع" را که با هوش مصنوعی مشخص شده است، در جایی که بدون کاهش به قطب است، نپذیرید.
تفسیر ادغام شده با لرزه نگاری
میدان های بالقوه به تنهایی وضوح ضعیفی دارند. قدرت واقعی آنها در تفسیر مشترک ظاهر می شود. گرانش عمق یک حوضه را می دهد، مغناطیسی توپوگرافی پایه را نشان می دهد و لرزه ساختار ظریف را نشان می دهد. هوش مصنوعی به ترکیب این لایههای داده مختلف در یک مدل مشترک (ادغام دادهها) کمک میکند. اما کامپوزیت تحت نظارت متخصص و با در نظر گرفتن وضوح و عدم قطعیت هر روش انجام می شود.
سه کیف کوچک
مورد 1 - باریک کردن لبه حوضه. در یک پروژه زمین گرمایی، لازم بود لبه حوضه (گام گسل) با داده های گرانشی پیدا شود. تشخیص لبه با کمک هوش مصنوعی (زاویه شیب + سیگنال تحلیلی) 12 خط لبه نامزد را مشخص کرد. این تیم با استفاده از چاه مغناطیسی و دو چاه موجود، اینها را بازرسی کرد. 5 مورد با مرحله خطای زیرزمین سازگار بودند، 7 مورد ناشی از نویز بودند. لبه تایید شده محل چاه را 800 متر تغییر داد.
مورد 2 - مغالطه اثر عرض جغرافیایی. در یک اکتشاف معدنی، مرکز ناهنجاری مغناطیسی به عنوان هدف حفاری مستقیم انتخاب شد. اولین چاه خالی شد. بعداً وقتی به قطب کاهش یافت، فهمید که منبع واقعی 300 متر شمال مرکز ناهنجاری است: اثر عرض جغرافیایی نادیده گرفته شد. شفت دوم بدنه سنگ معدن را پیدا کرد.
مورد 3 - شبح وابسته به پارامتر. یک تیم یک "ساختار تعبیه شده" متمایز را در نقشه باقیمانده تولید شده توسط یک طول موج منفرد مشاهده کردند. هنگامی که نقشه با مقادیر برش متفاوت بازتولید شد، ساختار از بین رفت: این یک مصنوع پارامتری از تمایز منطقه ای باقیمانده بود، نه یک منبع واقعی.
چهار قالب قابل کپی
1) کنترل تصحیح ماشینکاری:
نقش شما: متخصص ماشینکاری گرانش/مغناطیسی. بازده: [گرانش زمین، ناهمواری زمین]. من را به ترتیب اصلاحاتی که باید اعمال کنم فهرست کنید (هوای آزاد، بوگر، زمین، روزانه +IGRF در پیکاپ). برای هر اصلاح، خطای معمولی و اثر آن را در صورت حذف در نظر بنویسید.
2) آزمایش تبعیض منطقه ای باقیمانده:
من در حال انجام تبعیض منطقه ای-باقیمانده هستم، عمق هدف من ~[X] کیلومتر است. چگونه طول موج قطع را انتخاب کنم؟ روشی برای مقایسه نقشههای باقیمانده تولید شده با مقادیر برش مختلف به من بدهید: چگونه تشخیص دهم که کدام ناهنجاری واقعی است و کدام یک مصنوع پارامتر؟
3) کنترل تخمین عمق:
من عمق را با دکانولوشن اویلر تخمین زدم. توضیح دهید که چگونه انتخاب من از شاخص ساختاری بر نتیجه تأثیر می گذارد. چگونه می توانم توزیع های عمقی به دست آمده را با شاخص های مختلف مقایسه کنم و آنها را با قابلیت زمین شناسی و لرزه خیزی تایید کنم؟
4) تصحیح موقعیت جوش مغناطیسی:
قبل از اینکه مرکز ناهنجاری مغناطیسی خود را به عنوان هدف حفاری تبدیل کنم، اثر عرض جغرافیایی و نیاز به کاهش آن به قطب را توضیح دهید. چگونه می توانم برای افست بین مکان واقعی منبع و مرکز ناهنجاری حساب کنم؟ قدم به قدم بگو
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
به من بگو سنگ معدن در این نقشه گرانشی کجاست.
منطقه بالقوه به تنهایی سنگ معدن را نشان نمی دهد. هوش مصنوعی عدم قطعیت را پنهان می کند و اطمینان کاذب تک نقطه ای ایجاد می کند.
اعلان قدرتمند:
نقش شما: مفسر میدانی بالقوه. زمینه: نقشه ناهنجاری بوگر، سنگ معدن سولفید هدف، دو چاه موجود. وظیفه: (1) مرزهای منبع نامزد را با ویژگی های تشخیص لبه علامت گذاری کنید. (2) حداقل دو سناریو عمق چگالی برای هر نامزد ارائه دهید، کم عمق-کوچک و عمیق-بزرگ. (3) به من بگویید چه داده های اضافی (مغناطیسی، لرزه ای، خوب) را برای جداسازی این سناریوها توصیه می کنید. یک مکان منبع دقیق را ارائه ندهید.
سناریوهای عدم قطعیت و درخواست های متقابل داده ها، تفسیر میدانی بالقوه را صادقانه و قابل دفاع می کند.
مقایسه روش
ویژگی
جاذبه
مغناطیسی
سهم هوش مصنوعی
تفاوتی که اندازه می گیرد
تراکم
مغناطیس شدن
ادغام صفت
هدف معمولی
حوضه، نمک، سنگ معدن
سنگ بستر، سنگ معدن
علامت گذاری لبه/جوش
عدم قطعیت اصلی
عمق-دامنه
افکت عرض جغرافیایی/قطب
عدم قطعیت را محدود کنید
تصحیح انتقادی
بوگر، زمین
روزانه، IGRF، RTP
اتوماسیون، کنترل
اشتباهات رایج
- تنها تفاوت این است که اکنون به نقشه اعتماد کنید. ساختاری را بدون آزمایش ناهنجاری با مقادیر برش متفاوت اعلام نکنید.
- دور زدن اثر عرض جغرافیایی مرکز ناهنجاری مغناطیسی مستقیماً بالای منبع نیست.
- انتخاب خودسرانه شاخص ساختاری عمق اویلر به این فرض بسیار حساس است.
- در نظر گرفتن منطقه بالقوه به تنهایی به عنوان قطعی. وضوح کم؛ با سیسمونی/چاهی ترکیب شود.
- رضایت به یک مدل واحد که عدم قطعیت را پنهان می کند. حتما سناریوهای کم عمق-کوچک در مقابل عمیق-بزرگ ایجاد کنید.
به طور خلاصه
روش های گرانشی و مغناطیسی به طور ارزان مناطق بزرگ را اسکن می کنند و یک طرح کلی از حوضه و ساختار سنگ معدن ارائه می دهند. هوش مصنوعی رندرینگ، علامت گذاری لبه/منبع و تخمین عمق را تسریع می کند. اما عدم قطعیت عمق دامنه، اثر عرض جغرافیایی و حساسیت پارامتر ذاتی در زمینههای بالقوه، خروجی هوش مصنوعی را بسیار شکننده میکند. استفاده صحیح: ایجاد سناریوهای متعدد، آزمایش با پارامترهای مختلف، مشاهده فیزیک مانند کاهش به قطب و ترکیب با لرزه/چاه. تفسیر نهایی متعلق به متخصصی است که عدم قطعیت را پنهان نمی کند.
وظیفه کاربردی
یک ناهنجاری گرانشی یا مغناطیسی (واقعی یا نمونه) را انتخاب کنید. یک روال مقایسه برای طول موج های برش مختلف با الگوی "آزمون تشخیص باقی مانده منطقه ای" ایجاد کنید. اگر مغناطیسی است، اثر عرض جغرافیایی را با الگوی "اصلاح مکان منبع مغناطیسی" ارزیابی کنید. حداقل دو سناریوی زیرسطحی مختلف را بنویسید که ناهنجاری و داده های اضافی را برای تشخیص آنها توضیح دهد.
چک لیست
- [ ] من تمام اصلاحات رندر (Bouguer/terrain یا log/IGRF) را اعمال کردم.
- [ ] من تمایز منطقه ای- باقیمانده را با پارامترهای مختلف آزمایش کردم.
- [ ] من اثر عرض جغرافیایی/کاهش به قطب را در مغناطیسی در نظر گرفتم.
- [ ] من حداقل دو سناریوی عمق دامنه برای ناهنجاری تولید کرده ام.
- [ ] من نتیجه را با روش لرزهای/چاه/دیگر اعتبارسنجی متقاطع کردم.