سود:
- توانایی توضیح استفاده از هوش مصنوعی و ترکیب داده های چند لایه در آینده نگری مواد معدنی
- درک چگونگی ساخت مدل بلوک و تخمین درجه با استفاده از زمین آمار (کریجینگ، واریوگرام) و یادگیری ماشین.
- امکان تست خروجی های تخمین منبع با اعتبار متقابل، اطمینان طبقه بندی و استانداردهای گزارش دهی
Prospecting یک بازی شرط بندی است که در آن تصمیمات چند میلیون دلاری بر اساس تعداد انگشت شماری از نمونه های مته است. ذخایر معدنی (کانسار انگلیسی؛ انباشت معدنی غنی و به اندازه کافی بزرگ برای بهره برداری) در زیر زمینی به وسعت صدها کیلومتر مربع پنهان شده است و ما آن را تنها با حفاری های نادر، سایه های ژئوفیزیکی و نشانگرهای سطحی «می بینیم». به همین دلیل است که اکتشاف مواد معدنی یکی از هیجانانگیزترین و در عین حال خطرناکترین حوزههای کاربردی هوش مصنوعی است: زمانی که به درستی مورد استفاده قرار گیرد، هدفگیری اکتشاف را سرعت میبخشد و معنای بیشتری را از دادههای پراکنده استخراج میکند. در صورت استفاده نادرست، یک ماده ناموجود را در پشت آمار پنهان می کند و هم سرمایه گذاران و هم جامعه را گمراه می کند.
در این بخش، دو جنبه اصلی هوش مصنوعی اکتشاف را پوشش خواهیم داد: هدفیابی اکتشاف (دیدگاه معدنی؛ تخمین از دادههای چندلایه که کدام منطقه احتمالاً دارای ذخایر است) و تخمین منابع (محاسبه با چه اطمینانی میتوانیم بگوییم چه مقدار فلز در یک ذخیره حفاری شده است). در هر دو، هوش مصنوعی یک الگو یاب قدرتمند است. اما در هر دو مورد، رقم نهایی بر عهده شخص ذیصلاحی است که استانداردهای گزارشگری بین المللی را امضا کرده است.
جستجوی هدف: ترکیب داده های چند لایه
یک زمین شناس اکتشافی نه به یک نوع داده، بلکه به لایه های پوشانده شده نگاه می کند: نقشه زمین شناسی، خطوط ساختاری (گسل ها و چین خوردگی ها)، ژئوفیزیک (مغناطیسی، گرانش، مقاومت)، ژئوشیمی (مقادیر عناصر نمونه خاک و جریان)، و تغییرات نقشه برداری شده توسط سنجش از دور. هر لایه یک سرنخ ضعیف است. سیگنال واقعی جایی است که آنها به هم اشاره می کنند. به این ادغام داده می گویند.
هوش مصنوعی در اینجا دو کار انجام می دهد. ابتدا، دهها لایه را روی یک شبکه مختصات مشابه (یک کار تکتک، خستهکننده اما مستعد خطا) در یک جدول تجزیه و تحلیل منفرد تراز میکند. دوم، الگوی اطراف رسوبات شناخته شده را می آموزد و مناطق جدید را با امضای مشابه (یادگیری تحت نظارت) علامت گذاری می کند. اما یک تله مهم در اینجا وجود دارد: تعداد تخت های شناخته شده اغلب بسیار کم است (شاید 5-10 تخت در یک منطقه)، بنابراین مدل به راحتی به خاطر می سپارد و در مناطق جدید شکست می خورد. به همین دلیل است که خروجی هدفگیری فهرستی از «وجود گوهری مطمئن» نیست، بلکه «ترتیب اولویتی است که ارزش آزمایش با حفاری را دارد».
مراحل معمولاً به شرح زیر است: (1) لایهها را تراز و تمیز کنید، (2) هر لایه را بر اساس مدل بستر به نشانه معنیدار ترجمه کنید (مثلاً "فاصله تا تقاطع خطا"، "لبه مغناطیسی بالا")، (3) قطار با تختها یا وزن شناخته شده با قانون خبره، (4) تهیه نقشه احتمال، (5) تست مناطق با بیشترین احتمال کم در میدان و روشها.
نکته: به جای تغذیه لایه ها به صورت خام در مدل، نشانگرهای معنی دار زمین شناسی را استخراج کنید ("حلقه مغناطیسی + دگرسانی آرژیلیک + تقاطع گسل برای مس پورفیری"). شاخص های سازگار با مدل بلبرینگ اهداف بسیار قوی تری نسبت به آمارهای کور تولید می کنند.
زمین آمار و برآورد منابع: مدل واریوگرام، کریجینگ و بلوک
هنگامی که ذخایر پیدا و حفاری شد، این سوال تغییر می کند: "چقدر فلز در اینجا وجود دارد و چقدر می توانیم به آن اعتماد کنیم؟" پاسخ مستلزم برون یابی از نقاط حفاری نمونه برداری شده به حجم سنگ نمونه برداری نشده است. ابزار استاندارد برای این کار زمین آمار است.
مفهوم اصلی واریوگرام است: معیاری از پیوستگی فضایی که چگونگی کاهش شباهتهای درجه را با دورتر شدن دو نمونه از هم توصیف میکند. نمونه های نزدیک مشابه هستند، نمونه های دور مستقل هستند. واریوگرام این "محدوده شباهت" را کمی می کند. کریجینگ یک روش میانگین وزنی است که از این ساختار واریوگرام برای دادن نمره، هم تخمین و هم عدم قطعیت برآورد، برای هر بلوک نمونه برداری نشده استفاده می کند. سپرده به بلوک هایی با اضلاع بر حسب متر (مدل بلوک) تقسیم می شود و به هر بلوک درجه و اطمینان اختصاص داده می شود.
در اینجا هوش مصنوعی در سه نقطه قرار دارد. در مدل سازی واریوگرام، مدل های جایگزین را پیشنهاد می کند و تناسب را ارزیابی می کند. روشهای یادگیری ماشینی (مانند جنگل تصادفی، تقویت گرادیان) میتوانند علاوه بر کریجینگ، روابط درجه غیرخطی را نیز ثبت کنند. و سرعت کدگذاری، بررسی و گزارش کل گردش کار را افزایش می دهد. اما دو قانون آهنین ثابت میمانند: عدم قطعیت تخمین هرگز نمیتواند پنهان شود، و منبع نهایی توسط شخص ذیصلاح بر اساس استانداردهای بینالمللی به کلاسهای اندازهگیری شده/نشان داده شده/استنتاج شده طبقهبندی میشود (چارچوبهای عمومی، قابل حسابرسی گزارشدهی منابع/ذخیره، مانند JORC، NI 43-101، PERC).
احتیاط: مدل یادگیری ماشینی ممکن است شکست های حفاری را "هموار" کند و تداومی ایجاد کند که در واقعیت وجود ندارد. چند نمونه با درجه بالا می توانند به طور غیرمنصفانه یک بلوک کامل را غنی کنند (لکه گیری انگلیسی). محدود کردن مقادیر بالا (بالا برش) و کنترل تعداد نمونه ها بر اساس بلوک ضروری است. در غیر این صورت تناژ روی کاغذ متورم می شود.
سه مورد کوچک: با اعداد
مورد 1 - اولویت بندی هدف. یک تیم اکتشافی با بودجه محدود حفاری در منطقه مجوز 380 کیلومتر مربع کار می کرد. نقشه احتمالی که هفت لایه ژئوفیزیکی/ژئوشیمی را در هم می آمیزد، تنها 6 درصد از منطقه را به عنوان "اولویت بالا" مشخص کرد. این تیم پنج تمرین اول را به این 6 درصد هدایت کرد. در سه مورد از آنها تقاطع مسی قابل توجهی یافت شد. نکته مهم: نقشه سنگ معدن را "ثابت نکرد"، منطقی کرد که بودجه حفاری را کجا متمرکز کرد و تعداد آزمایشات کور را کاهش داد.
مورد 2 - گرفتن لکه گیری. در یک ذخایر طلا، اولین مدل بلوک بلوکهای اطراف را به دلیل تأثیر یک نمونه اضافی 78 گرم در تن متورم کرده بود، که منبع را 14 درصد بیش از حد برآورد میکرد. پیشبینی با استفاده از برش بالا (کاهش مقدار بالا تا آستانه آماری) و کنترل نمونه همسایه در بررسی QA/QC به یک سطح واقعی رسید. این تفاوت مستقیماً بر تصمیم سرمایه گذاری چند میلیون دلاری تأثیر گذاشت.
مورد 3 - رشته طبقه بندی. در یک پروژه آهن، مدل نشان داد که کل سپرده را با اطمینان بالا پیش بینی می کند. با این حال، تراکم حفاری در مناطق حاشیه بسیار کم بود. شخص مجاز حجم نمونه پراکنده را از ارزیابی اقتصادی حذف کرد و آن را به «استنتاج» کاهش داد. بنابراین، این گزارش از اغراق در ذخایر افشا شده عمومی اجتناب کرد و مطابق با استاندارد باقی ماند.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
بازده حفاری را تجزیه و تحلیل کنید و بگویید چه مقدار طلا در ذخایر وجود دارد.[جدول سنجش]
اعلان قدرتمند:
نقش شما: زمین آماردان منابع. یک شماره منبع با داده های سنجش ترکیب زیر ارائه دهید. در عوض: 1) توزیع نمره را خلاصه کنید. نقاط دورافتاده احتمالی و نیاز به برش بالا را علامت بزنید. 2) پیشنهاد کنید کدام جهت واریوگرام باید از نظر تداوم فضایی بررسی شود. 3) مشخص کنید کدام مناطق را می توان به دلیل چگالی کم حفاری فقط به عنوان "حذف شده" طبقه بندی کرد. بدون مختصات/شرکت واقعی.
اعلان قدرتمند از تولید یک عدد فریبنده توسط مدل جلوگیری می کند و آن را به دستیار تبدیل می کند که دقیقاً سؤالاتی را که مسئول باید بپرسد سازماندهی کند.
چهار قالب قابل کپی
1) استخراج نشانه برای همجوشی لایه:
نشانگرهای معنیداری را از لایههای زیر بر اساس مدل اکتشاف مس پورفیری پیشنهاد کنید: مغناطیسی، گرانش، مقاومت، ژئوشیمی خاک (Cu-Mo-Au)، دگرسانی. برای هر نشانگر: پیوند به مدل سپرده، منبع گمراه کننده احتمالی، و روش تأیید میدانی. تعیین هدف دقیق؛ منطق اولویت را ایجاد کنید.
2) پیش غربالگری QA/QC سنجش:
جدول سنجش را برای موارد زیر بررسی کنید: مقدار منفی/غیر ممکن، نسبت علائم زیر حد تشخیص، اختلاف واحد (ppm/%/g-t)، تکرار توافق نمونه، رانش نمونه خالی و استاندارد. فقط مشکلات را با drilling_id لیست کنید. ارزیابی، اصلاح
3) پیش نویس تفسیر واریوگرام:
تفسیر نتایج واریوگرام تجربی: به زبان ساده توضیح دهید که قطعه، محدوده و آستانه به چه معناست. آیا نشانه هایی از ناهمسانگردی وجود دارد؟ قبل از کریجینگ، تصمیماتی را که به تأیید زمینشناس نیاز دارند، علامت بزنید. منطق نه کد
4) کنترل طبقه بندی منبع:
در مدل بلوک، برای هر بلوک: واریانس کریجینگ، تعداد نمونه های مورد استفاده در برآورد و فاصله تا نزدیکترین گمانه آورده شد. یک طرح کلی معقول ارائه دهید که کدام بلوک مطابق با منطق استاندارد با کلاس اندازه گیری شده/نمایش داده شده/استنتاج مناسب تر است. طبقه بندی نهایی متعلق به شخص مجاز است. این را بیان کنید
مقایسه روشها
روش
چه می کند
نقطه قوت
ریسک اصلی
قانون خبره (لایه وزنی)
اهداف را با اطلاعات مرتب می کند
با داده های کم، شفاف کار می کند
تعصب کارشناسی
هدف گذاری ML تحت نظارت
از بستر شناخته شده یاد می گیرد
الگوی پیچیده را ثبت می کند
حفظ در چند مثال
کریجینگ
تنور با عدم قطعیت پیش بینی می کند
استاندارد، قابل ممیزی
خطای واریوگرام، لکه گیری
تخمین درجه ML
رابطه غیر خطی
انعطاف پذیر
می تواند عدم قطعیت، سازگاری بیش از حد را پنهان کند
شبیه سازی (به عنوان مثال SGS)
سناریوهای احتمال را تولید می کند
عدم قطعیت را تجسم می کند
اعتماد بیش از حد در صورت تفسیر نادرست
نکته: هنگام تخمین منابع، بهجای «بهترین عدد»، محدوده و سناریو را بخواهید. سه سناریوی خوش بینانه/منتظره/ محتاطانه پایه بسیار صادقانه تری برای تصمیم گیری نسبت به قطعیت کاذب ایجاد شده توسط یک عدد فراهم می کند.
اشتباهات رایج
- حفظ کردن ML با یک بستر کمتر شناخته شده. یک مدل آموزش دیده با پنج بلبرینگ در زمینه جدید غیر قابل اعتماد است. خروجی را به عنوان یک لیست اولویت ببینید، نه به عنوان مدرک.
- محدود نکردن مقادیر شدید یک آزمایش بالا، اگر برش از بالا انجام نشود، بلوک های اطراف را به طور غیرمنصفانه غنی می کند (لکه می کند) و تناژ را باد می کند.
- عدم گزارش عدم قطعیت پنهان کردن واریانس و طبقه بندی کریجینگ و ارائه ارقام واحد خلاف استانداردها و یکپارچگی است.
- رد شدن از طبقه بندی ارائه حجم نمونه پراکنده به عنوان اندازهگیری شده، قضاوت اقتصادی و اعتماد عمومی را به خطر میاندازد.
- رد شدن از QA/QC. هیچ درجه ای بدون نظارت آزمایشگاهی دریفت با نمونه های خالی و استاندارد قابل اعتماد نیست.
به طور خلاصه
- هدفگیری اکتشاف، اولویت حفاری را از طریق ترکیب دادههای چند لایه ایجاد میکند. این سنگ معدن را ثابت نمی کند، آزمایش کور را کاهش می دهد.
- برآورد منابع درجه را با قطعیت با استفاده از واریوگرام و کریجینگ تخمین می زند. مدل بلوک بر این اساس ساخته شده است.
- یادگیری ماشینی قدرتمند است، اما نمونههای کوچک را به خاطر میسپارد، نقاط پرت را لکهدار میکند و میتواند عدم قطعیت را پنهان کند.
- جوش نهایی طبق استانداردهایی مانند JORC/NI 43-101 توسط یک فرد واجد شرایط مجاز طبقه بندی و امضا می شود.
- مقدار در یک عدد فریبنده نیست. عدم قطعیت در اولویت و طبقه بندی قابل آزمایش است که صادقانه گزارش شده است.
وظیفه کاربردی
یک جدول سنجش ترکیب ناشناس (یا مقادیر معرف) دریافت کنید. با اعلان قدرتمند، از مدل بخواهید: به جای یک رقم منبع، موارد زیر را شامل: نیاز به مقدار بیش از حد/برش بالا، جهت های واریوگرام و مناطق با چگالی کم. سپس از الگوی «کنترل طبقهبندی منبع» بخواهید پیشنویسی از بلوکهایی که در کدام کلاس اعتماد قرار میگیرند تهیه کند. در نهایت، مشاهده کنید که آیا مدل سعی می کند یک عدد تناژ واحد ارائه دهد و در یک جمله بنویسید که چرا باید آن را رد کنید.
چک لیست
- [ ] متوجه شدم که هدف گیری اکتشاف سنگ معدن را ثابت نمی کند، اولویت حفاری را تولید می کند.
- [ ] می توانم توضیح دهم که چگونه واریوگرام و کریجینگ نمره را با عدم قطعیت تخمین می زنند.
- [ ] من خطرات لکه گیری، برش و ارزش بیش از حد را تشخیص می دهم و QA/QC را اجباری می دانم.
- [ ] من می دانم که منبع به عنوان اندازه گیری شده / نشان داده شده / استنتاج شده توسط استاندارد طبقه بندی شده است و به شخص مجاز تعلق دارد.
- [ ] من رشته ای را پذیرفتم که به جای اعداد واحد، به محدوده ها و سناریوهای عدم قطعیت نیاز دارد.