سود:
- امکان تمیز کردن گزارش حفاری، سنگشناسی و دادههای درجه با پشتیبانی هوش مصنوعی و تشخیص ناسازگاریها و خطاهای کدگذاری
- توانایی قرار دادن دقیق هوش مصنوعی به عنوان یک پیش طبقه بندی و مولد فرضیه هنگام تفسیر عکاسی هسته ای و مشاهدات زمین شناسی
- توانایی تایید متقابل تفسیر سنگ شناسی/تغییر استنباط شده هوش مصنوعی با مشاهدات زمین شناس و تجزیه و تحلیل آزمایشگاهی
اساس هر پروژه معدنی، نمونه برداری از زیرزمین است. مهمترین این نمونه ها هسته مته (نمونه پیوسته ای که دستگاه حفاری از سنگ به شکل استوانه ای استخراج می کند) است. زمین شناس هسته را بررسی می کند. نوع سنگ (سنگ شناسی)، ساختار، دگرسانی (تغییر سنگ توسط آب گرم و اثرات شیمیایی) و کانی سازی را ثبت می کند و نمونه های آزمایشگاهی را برای درجه آنالیز می کند. نتیجه یک جدول بزرگ است که متر به متر ثبت می شود که به آن سیاهه حفاری می گویند. ممکن است صدها حفاری و ده ها هزار خط در یک پروژه واحد وجود داشته باشد. پاک کردن این داده ها، ترکیب آنها، کشف ناسازگاری و استخراج تفاسیر اولیه. این منطقه ای است که هوش مصنوعی در آن واقعاً شتاب می گیرد، اما هر مرحله باید با چشم یک زمین شناس تأیید شود. در این واحد یاد خواهید گرفت که چگونه داده های حفاری/زمین شناسی را با هوش مصنوعی تمیز کنید، چگونه تصویر هسته را از قبل تفسیر کنید و چگونه نتایج را تأیید کنید.
آناتومی جداول داده های حفاری
یک مجموعه داده حفاری معمولاً از چهار جدول تشکیل شده است و ترکیب صحیح آنها نیمی از کار است:
- یقه: مختصات شروع (X، Y، Z) و عمق کل هر گمانه.
- بررسی (انحراف): تغییر در شیب (شیب) و جهت (زیموت) حفاری در امتداد عمق. حفاری هرگز کاملاً مستقیم انجام نمی شود.
- سنگ شناسی: نوع سنگ و مشاهدات زمین شناسی در سراسر محدوده عمق (از-تا).
- سنجش: نتایج درجه آزمایشگاهی در محدوده عمق (به عنوان مثال Au g/t، Cu %).
این جداول باید با قوانینی مانند از <تا مطابقت داشته باشند، محدوده ها نباید همپوشانی داشته باشند و کدها باید سازگار باشند. در زندگی واقعی، همیشه خطاهایی در این داده های وارد شده به صورت دستی وجود دارد: محدوده از دست رفته، محدوده همپوشانی، سردرگمی واحد (ppm و درصد اختلاط)، املای مختلف کد سنگ شناسی (GRN، Grn، گرانیت)، کدهایی مانند 999 یا -9 به جای مقدار تهی. هوش مصنوعی در اسکن و پرچم گذاری چنین ناسازگاری ها بسیار قدرتمند است. اما باید با تایید زمین شناس اصلاح را انجام دهید.
گام به گام: تمیز کردن داده های حفاری با هوش مصنوعی
- داده ها را معرفی کنید. نام ستون ها، واحدها و چند ردیف نمونه را به هوش مصنوعی بدهید (مختصات واقعی را ناشناس کنید). آنچه را که باید اتفاق بیفتد به وضوح توضیح دهید.
- فهرستی از قوانین تهیه کنید. از هوش مصنوعی لیستی از "چه قوانین سازگاری را برای این جدول بررسی کنم" بخواهید، قوانین خود را در بالا اضافه کنید.
- اسکن ناهماهنگی انجام شود. فقط از هوش مصنوعی بخواهید پرچم گذاری کند، نه تصحیح خودکار. برای هر علامت توجیه بخواهید.
- به منبع خام برگردید. هر خط علامت گذاری شده را با لاگ اصلی گمانه یا گواهی آزمایشگاه بررسی کنید.
- برای رفع آن تصمیم بگیرید. زمین شناس تصحیح می کند. هوش مصنوعی فقط پیشنهاد می کند.
نکته: به هوش مصنوعی نگویید "جدول اصلاح شده را به من بدهید"؛ بگویید «خطوط مشکوک را با دلیل پرچم گذاری کنید». در یک جدول تصحیح خودکار، تقریباً غیرممکن است که متوجه ردیفهایی شوید که بیصدا خراب شدهاند.
عکس اصلی و تفسیر بصری
در پروژه های مدرن، از جعبه های هسته عکسبرداری می شود. ابزارهای هوش مصنوعی چند مدلی (مدل هایی که می توانند تصاویر را نیز پردازش کنند) می توانند یک تفسیر اولیه از این عکس ها ایجاد کنند: تغییر رنگ، تراکم احتمالی شکستگی، وجود رگ ها، مناطق احتمالی تغییر. این به عنوان یک غربالگری اولیه ارزشمند است که به زمین شناس می گوید «اینجا را با دقت نگاه کن». با این حال، سنگ شناسی و تصمیمات تغییر هرگز از عکس گرفته نمی شود. بررسی دستی هسته، تست سختی، واکنش اسیدی و آنالیز آزمایشگاهی مورد نیاز است. این یک اشتباه جدی برای هوش مصنوعی است که از رنگ استنباط کند "طلا وجود دارد". طلا اغلب با چشم غیرمسلح قابل مشاهده نیست و تنها با تجزیه و تحلیل قابل شناسایی است.
سه کیف کوچک
مورد 1 - ضبط تداخل واحد. در یک پروژه، 12000 ردیف در جدول سنجش وجود دارد. زمین شناس جدول را به هوش مصنوعی معرفی می کند و می گوید: "ردیف هایی را با مقادیر بالای 100 گرم در تن در ستون Au فهرست کنید؛ اینها ممکن است دارای درجه بالا واقعی یا اختلاط ppm/ppb باشند." هوش مصنوعی 37 خط را علامت گذاری می کند. زمین شناس به گواهی های آزمایشگاهی نگاه می کند. او متوجه شد که 34 در واقع به عنوان ppb (یک در میلیارد) وارد شده است، اما به اشتباه تصور میشد که g/t است، در حالی که 3 عدد واقعی (درجه بسیار بالا) بود. اگر این 34 خط اصلاح نمی شد، میانگین نمره به طور مصنوعی باد می شد و ذخیره اغراق می شد.
مورد 2 - محدوده همپوشانی. در جدول سنگ شناسی، برخی از فواصل از به تا همپوشانی دارند: 45.0-52.0 متر گرانیت و 50.0-58.0 متر شیل به طور همزمان تعریف شده اند. هوش مصنوعی این همپوشانی ها را فهرست می کند و در مجموع 19 خط همپوشانی را نشان می دهد. زمین شناس به چوب خام روی می آورد. تغییر خط در ورود داده ها را پیدا کرده و تصحیح می کند. اگر فواصل همپوشانی تصحیح نمی شد، مشخص نیست که کدام نوع سنگ به مدل بلوک اختصاص داده می شود و تناژ به اشتباه محاسبه می شود.
مورد 3 - استنتاج بصری نادرست (هشدار). یک کارآموز عکس اصلی را به هوش مصنوعی میدهد و میپرسد: "آیا سنگ معدنی در این منطقه وجود دارد؟" هوش مصنوعی قرمزی و رگها را میبیند و میگوید «معدنیسازی احتمالی زیاد است». کارآموز این را به عنوان "مینرالیزه" در لاگ پردازش می کند. در حالی که قرمزی رنگ آمیزی اکسید آهن است و حاوی سنگ معدنی اقتصادی نیست. تجزیه و تحلیل آزمایشگاهی درجه را در سطوح کمی پیدا می کند. درس: درجه/سنگ معدن را نمی توان از روی تصویر تعیین کرد. خروجی هوش مصنوعی فقط یک علامت "بررسی" است که با تجزیه و تحلیل تایید می شود.
الگوهای درخواستی قابل کپی
اسکن ثبات داده های حفاری "نقش: شما یک دستیار زمین شناس منبع/پایگاه داده هستید. در زیر یک جدول [سنگ شناسی/ سنجش] با فاصله از به تا است. ستون ها: [فهرست، با واحدها]. تناقضات زیر را با شماره ردیف و دلیل علامت گذاری کنید: from>=to، محدوده همپوشانی، شکاف متفاوت، شکاف واحد، تکرار، مشکوک منفی / پرت، کد به جای خالی (999/-9)، فقط جدول را علامت گذاری کنید: [paste].
استانداردسازی کد سنگ شناسی "کدهای سنگ شناسی زیر با دست وارد شده اند و ناسازگار هستند. املاهای مختلف از یک نوع سنگ (مانند GRN/Grn/گرانیت) را گروه بندی کنید. یک کد استاندارد توصیه شده واحد برای هر گروه بنویسید. در یک جدول: [کدهای اصلی] -> [کدهای پیشنهادی].
CORE PHOTO PRE-SCANNING "ویژگی های بصری را که باید در این عکس اصلی مشاهده کنم فهرست کنید: مناطق تغییر رنگ، تراکم شکستگی/شکستگی احتمالی، ورید قابل مشاهده، علامت تغییر احتمالی. اینها را به عنوان یک فرضیه بنویسید؛ در مورد نوع سنگ یا درجه تصمیم نگیرید. برای هر ویژگی، مشخص کنید که زمین شناس باید چه چیزی را در میدان بررسی کند."
خلاصه گزارش زمین شناسی "متن زیر گزارش زمین شناسی یک حفاری است. آن را به یک خلاصه ساختاری با عناوین زیر تبدیل کنید: سنگ شناسی های غالب و محدوده عمق، مناطق تغییر، یادداشت های ساختاری (گسل/شکستگی)، مشاهدات کانی سازی. چیزی که در متن نیست اضافه نکنید.
اعلان ضعیف / اعلان قوی
پیام ضعیف: "این داده های حفاری را اصلاح کنید."
STRONG PROMPT: "نقش: شما یک دستیار زمین شناس پایگاه داده هستید. در جدول سنجش زیر، فقط ردیف های مشکوک را علامت گذاری کنید (از>=تا، ppm/% تقلب مشکوک، مقدار منفی، 999 به جای خالی). شماره ردیف + دلیل را برای هر پرچم ارائه دهید. تصحیح خودکار از روی گواهینامه ها انجام ندهید. به (m)، Au (g/t جدول: [چسباندن]).
اعلان ضعیف به هوش مصنوعی می گوید "شما تصمیم می گیرید و تغییر می کنید"؛ فرمان قدرتمند هوش مصنوعی را به علامت گذاری محدود می کند و اختیار اصلاح را به زمین شناس واگذار می کند.
جدول مقایسه: نحوه استفاده از هوش مصنوعی در کدام کسب و کار
تلاش
نقش هوش مصنوعی
تصمیم او
تایید
علامت گذاری ناسازگاری
مرورگر قدرتمند
زمین شناس رفع می کند
لاگ/گواهی خام
ادغام کد لیتولوژی
پیشنهاد
زمین شناس تایید می کند
فرهنگ لغت کد
نظر عکس اصلی
پیش غربالگری/فرضیه
زمین شناس/آزمایشگاه
بازرسی دستی + تجزیه و تحلیل
تصمیم درجه / سنگ معدن
استفاده نشده است
آزمایشگاه
تجزیه و تحلیل معتبر
خلاصه کردن متن گزارش
پیکربندی
زمین شناس
مقایسه با متن اصلی
اشتباهات رایج
- داشتن AI "تصحیح خودکار" جدول. ممکن است متوجه اعوجاج های بی صدا نشوید. فقط آن را علامت گذاری کنید
- استخراج درجه / سنگ معدن از عکس هسته. طلا اغلب با چشم غیرمسلح نامرئی است. تصمیم با تحلیل شماست.
- چسباندن مختصات واقعی بدون ناشناس کردن. مجوز و مختصات داده های حساس هستند.
- عدم مقایسه خلاصه هوش مصنوعی با گزارش اصلی. هوش مصنوعی می تواند مشاهده ای را اضافه کند که در متن نیست (توهم).
- نادیده گرفتن عدم تطابق واحد. مخلوط کردن ppm/%/g/t/ppb مستقیماً ذخیره را مختل می کند.
توجه: یک خطای واحد در داده های حفاری در یک خط باقی نمی ماند. کامپوزیت رشد می کند و در سرتاسر پیش بینی و ذخیره گسترش می یابد. دقت در مرحله تمیز کردن، قابلیت اطمینان تمام حساب های بعدی را تعیین می کند.
به طور خلاصه
دادههای حفاری/زمینشناسی از چهار جدول اصلی (یقه، بررسی، سنگشناسی، سنجش) تشکیل شدهاند و قوانین سازگاری حیاتی هستند. هوش مصنوعی کمکی قدرتمند در اسکن ناسازگاری داده ها، استانداردسازی کد، خلاصه کردن گزارش و پیش اسکن عکس اصلی است. با این حال، تصمیم تصحیح متعلق به زمین شناس است، و تصمیم عیار / سنگ معدن متعلق به آزمایشگاه است. علامت هوش مصنوعی را ویرایش نکنید، هر علامت را از منبع خام تأیید کنید، و هرگز از تصویر نمره بگیرید.
وظیفه کاربردی
جدول سنجشی که دارید (یا نمونهای) را ناشناس کنید و با الگوی «اسکن سازگاری دادههای حفاری» به هوش مصنوعی بدهید. وارد کردن ردیف های علامت گذاری شده در جدول؛ برای هر یک یادداشت «از منبع خام بررسی شود» در نظر بگیرید. سپس فرهنگ لغت کد را با الگوی "Lithology code standardization" ایجاد کنید و به طور جداگانه گروه هایی را که هوش مصنوعی از آنها مطمئن نیست یادداشت کنید. در نهایت، یک عکس اصلی را از قبل اسکن کنید و برای هر فرضیه ای که ظاهر می شود، آنچه را که در میدان بررسی خواهید کرد، بنویسید.
چک لیست
- [ ] من اطلاعات مختصات/مجوز واقعی را قبل از دادن داده ها به هوش مصنوعی ناشناس کردم.
- [ ] من از هوش مصنوعی یک علامت گذاری موجه خواستم، نه اصلاح.
- [ ] من هر خط علامت گذاری شده را در برابر گواهینامه لاگ/آزمایشگاه خام بررسی کردم.
- [ ] همچنین سازگاری حجم (g/t، %, ppm، ppb) را تأیید کردم.
- [ ] من خروجی عکس اصلی را به عنوان یک فرضیه در نظر گرفتم، تصمیم نمره ای نگرفتم.
- [ ] من خلاصه هوش مصنوعی را با متن اصلی گزارش مقایسه کردم تا تأیید کنم که هیچ اطلاعاتی اضافه نشده است.