Voitot:
- Kyky selittää tekoälyn ja monikerroksisen datafuusion käyttöä mineraalien ennusteissa
- Ymmärtää kuinka tehdä lohkomalli- ja arvosanaestimointi geostatistiikkaa (kriging, variogrammi) ja koneoppimista käyttämällä.
- Kyky testata lähteen estimointituloja ristiinvalidoinnin, luokituksen luotettavuuden ja raportointistandardien avulla
Prospektointi on vedonlyöntipeli, jossa useiden miljoonien dollarien päätökset perustuvat kouralliseen harjoitusnäytteisiin. Mineraaliesiintymä (englannin kielen malmiesiintymä; mineraaliesiintymä, joka on runsas ja riittävän suuri hyödynnettäväksi) on piilotettu satojen neliökilometrien alueen alle, ja me "näemme" sen vain harvoin porauksin, geofysikaalisin varjoin ja pintamerkinnöin. Siksi mineraalien etsintä on yksi jännittävimmistä, mutta myös vaarallisimmista tekoälyn sovellusalueista: oikein käytettynä se nopeuttaa etsintäkohdistusta ja poimii enemmän merkitystä harvakseltaan; Väärin käytettynä se piilottaa tilastojen taakse olemattoman aineen ja johtaa harhaan sekä sijoittajia että yhteiskuntaa.
Tässä osiossa käsittelemme kahta merkittävää tekoälyn etsintänäkökohtaa: etsintäkohdistus (mineraalien mahdollisuus; monikerroksisten tietojen estimointi, millä alueella esiintyy todennäköisesti esiintymä) ja resurssien arviointi (laskemalla, millä varmuudella voimme sanoa, kuinka paljon metallia on poratussa esiintymässä). Molemmissa AI on tehokas kuvion etsijä; Mutta molemmissa tapauksissa lopullinen luku on kansainväliset raportointistandardit allekirjoittaneen toimivaltaisen henkilön vastuulla.
Hakukohdistus: Monikerroksinen datafuusio
Tutkimusgeologi ei tarkastele yhden tyyppistä dataa, vaan päällekkäisiä kerroksia: geologista karttaa, rakenteellisia ääriviivoja (virheitä ja taitoksia), geofysiikkaa (magneettinen, painovoima, ominaisvastus), geokemiaa (maaperän ja virtauksen näyteelementtien arvot) ja kaukokartoituksella kartoitettuja muutoksia. Jokainen kerros on heikko vihje; Todellinen signaali on se, missä ne osoittavat yhdessä. Tätä kutsutaan datafuusioksi.
Tekoäly tekee täällä kaksi tehtävää. Ensinnäkin se kohdistaa kymmeniä kerroksia samaan koordinaattiverkkoon (yksiarvoinen, työläs mutta virhealtis tehtävä) yhdeksi analyysitaulukoksi. Toiseksi se oppii kuvion tunnettujen kerrostumien ympäriltä ja merkitsee uudet alueet samanlaisella allekirjoituksella (ohjattu oppiminen). Mutta tässä on kriittinen ansa: tunnettujen sänkyjen määrä on usein hyvin pieni (ehkä 5-10 sänkyä yhdellä alueella), joten malli muistaa helposti ja epäonnistuu uusilla alueilla. Tästä syystä kohdistustulos ei ole "varma helmi olemassa" -luettelo, vaan "poraamalla testaamisen arvoinen prioriteettijärjestys".
Vaiheet ovat tyypillisesti seuraavat: (1) Tasaa ja puhdista tasot, (2) Muunna jokainen kerros mielekkääksi tunnisteeksi pohjamallin perusteella (esim. "etäisyys vian leikkauspisteeseen", "magneettinen korkea reuna"), (3) harjoittele tunnetuilla kerroksilla tai painolla asiantuntijasäännön mukaan, (4) luo todennäköisyyskartta, (5) testaa kentän korkeimman todennäköisyyden alueita ja edullisia menetelmiä.
Vinkki: Sen sijaan, että syötät malliin kerroksia raakana, johda geologisesti merkitykselliset merkit ("magneettirengas + argillinen muutos + porfyyrikuparin vikaleikkaus"). Laakerimallin kanssa yhteensopivat indikaattorit tuottavat paljon luotettavampia kohteita kuin sokeat tilastot.
Geostatistiikka ja resurssien arviointi: Variogrammi, Kriging ja Block Model
Kun esiintymä on löydetty ja porattu, kysymys muuttuu: "Kuinka paljon metallia täällä on ja kuinka paljon voimme luottaa siihen?" Vastaus vaatii ekstrapoloinnin näytteitetyistä porauspisteistä näyttelemättömään kivitilavuuteen. Standardityökalu tähän on geostatistiikka.
Peruskonsepti on variogrammi: spatiaalisen jatkuvuuden mitta, joka kuvaa kuinka arvosanan yhtäläisyydet vähenevät kahden näytteen siirtyessä kauemmaksi toisistaan. Läheiset esimerkit ovat samanlaisia, kaukaiset ovat itsenäisiä; Variogrammi määrittää tämän "samankaltaisuusalueen". Kriging on painotetun keskiarvon menetelmä, joka käyttää tätä variogrammirakennetta arvosanan, sekä estimaatin että estimaatin epävarmuuden, antamiseen kullekin otoksettomalle lohkolle. Talletus on jaettu lohkoihin, joiden sivut mitataan metreissä (lohkomalli), ja jokaiselle lohkolle on annettu arvosana ja luottamus.
Tekoäly tulee esiin tässä kolmessa kohdassa. Variogrammimallintamisessa se ehdottaa vaihtoehtoisia malleja ja arvioi sopivuuden. Koneoppimismenetelmillä (esim. satunnainen metsä, gradienttitehostus) voidaan kaapata epälineaarisia arvosanasuhteita krigingin lisäksi. Ja se nopeuttaa koko työnkulun koodausta, tarkistamista ja raportointia. Mutta kaksi rautaista sääntöä pysyvät muuttumattomina: arvioinnin epävarmuutta ei voi koskaan piilottaa, ja pätevä henkilö lajittelee lopullisen resurssin Mitattu/Indikoitu/Päätelty luokkiin kansainvälisten standardien mukaisesti (julkiset, tarkastettavat resurssien/reservien raportoinnin puitteet, kuten JORC, NI 43-101, PERC).
Varoitus: Koneoppimismalli voi "tasoittaa" porauskatkoja ja luoda jatkuvuutta, jota ei ole todellisuudessa. Muutamat korkealaatuiset näytteet voivat epäoikeudenmukaisesti rikastaa (englanniksi smearing) kokonaisen lohkon. Korkeiden arvojen (top-cut) rajoittaminen ja näytteiden lukumäärän hallinta lohkokohtaisesti on välttämätöntä; muuten tonnimäärä turpoaa paperilla.
Kolme minikoteloa: Numeroiden mukaan
Tapaus 1 – Kohdistuksen priorisointi. Tutkimusryhmä työskenteli rajoitetulla porausbudjetilla 380 km²:n lisenssialueella. Seitsemän geofysikaalista/geokemiallista kerrosta yhdistävä todennäköisyyskartta merkitsi vain 6 % alueesta "korkean prioriteetin". Ryhmä ohjasi ensimmäiset viisi harjoitusta tähän 6 %:iin; löytyi merkittäviä kupariristeyksiä kolmesta niistä. Kriittinen kohta: kartta ei "todistanut" malmia, rationalisoi mihin porausbudjetti kohdistaa ja vähensi sokkokokeiden määrää.
Tapaus 2 – Smearing-kaappaus. Yhdessä kultaesiintymässä ensimmäinen lohkomalli oli paisuttanut ympäröivät lohkot yksittäisen ylinäytteen 78 g/t vaikutuksesta, mikä yliarvioi resurssin 14 %. Ennuste saatettiin realistiselle tasolle ylärajalla (suuren arvon pienentäminen tilastolliseen kynnykseen) ja viereisen otoskontrollin avulla QA/QC-katsauksessa. Ero vaikutti suoraan usean miljoonan dollarin investointipäätökseen.
Tapaus 3 — Luokittelukuri. Rautaprojektissa malli osoitti ennustavan koko talletuksen suurella varmuudella; reuna-alueilla poraustiheys oli kuitenkin erittäin vähäistä. Valtuutettu henkilö poisti harvakseltaan otetun määrän taloudellisesta arvioinnista ja alensi sen arvoon "Päätelty". Näin ollen selvitys vältti liioittelua julkisissa rahastoissa ja pysyi standardin mukaisena.
Heikko kehote / Vahva kehote
Heikko kehote:
Analysoi porauksen tuotto ja kerro, kuinka paljon kultaa esiintymissä on.[analyysitaulukko]
Tehokas kehotus:
Tehtäväsi: Resurssin geostatisikko. ANNA LÄHDENUMERO seuraavilla yhdistemääritystiedoilla. Sen sijaan:1) Tee yhteenveto arvosanajakaumasta; merkitse mahdolliset poikkeamat ja yläleikkauksen tarve.2) Ehdota, mitkä variogrammisuunnat tulisi tutkia tilan jatkuvuuden kannalta.3) Ilmoita, mitkä alueet voidaan luokitella vain "Ohituiksi" alhaisen poraustiheyden vuoksi.4) Listaa 4 epävarmuuslähdettä, jotka voivat vaikuttaa tulokseen. Tiedot ovat anonyymejä; ei varsinaisia koordinaatteja/yritystä.
Tehokas kehote estää mallia tuottamasta yhtä petollista numeroa ja tekee siitä avustajan, joka järjestää täsmälleen ne kysymykset, joita vastuuhenkilön tulee kysyä.
Neljä kopioitavaa mallia
1) Tokenin johtaminen kerrosten yhdistämistä varten:
Ehdota merkityksellisiä merkkejä seuraavista kerroksista porfyyrikuparin tutkimusmallin perusteella: magneettinen, painovoima, resistiivisyys, maaperän geokemia (Cu-Mo-Au), muutos. Jokaisen merkin kohdalla: linkki talletusmalliin, mahdollinen harhaanjohtava lähde ja kentän vahvistusmenetelmä. Tarkan tavoitteen antaminen; Perustele prioriteettilogiikka.
2) Määrityksen QA/QC esiseulonta:
Tarkista määritystaulukosta seuraavat tiedot: negatiivinen/mahdoton arvo, merkkien osuus havaitsemisrajan alapuolella, yksikköpoikkeama (ppm/%/g-t), toista näyteyhteensopivuus, nollanäyte ja standardinäytteen ajautuminen. Listaa ongelmat drilling_id:llä; arviointi, korjaus.
3) Variogrammin tulkintaluonnos:
Tulkitse kokeelliset variogrammitulokset: selitä selkeällä kielellä mitä nugget, range ja kynnys tarkoittavat; Onko anisotropian merkkejä? Merkitse ennen krigingiä mitkä päätökset vaativat geologin hyväksynnän. Logiikka, ei koodi.
4) Lähteen luokittelun hallinta:
Lohkomallissa kullekin lohkolle annettiin kriging-varianssi, estimoinnissa käytettyjen näytteiden lukumäärä ja etäisyys lähimpään porausreikään. Esitä JÄÄLLÄ, mitkä lohkot sopivat parhaiten luokkaan Mitattu/Näytetty/Päätelty vakiologiikan mukaan. Lopullinen luokitus kuuluu valtuutetulle henkilölle; sano tämä.
Menetelmien vertailu
menetelmä
Mitä tekee
vahva kohta
Pääriski
Asiantuntijasääntö (painotettu taso)
Lajittelee kohteet tiedon avulla
Toimii pienellä datalla, läpinäkyvä
asiantuntijan puolueellisuus
Valvottu ML-kohdistus
Oppii tunnetusta sängystä
Vangitsee monimutkaisen kuvion
Muistiin muutamassa esimerkissä
kriging
Tenor ennustaa epävarmasti
Vakio, tarkastettava
Variogrammivirhe, tahriintuminen
ML arvosanaarvio
epälineaarinen suhde
Joustava
Voi piilottaa epävarmuuden, liiallisen sopeutumisen
Simulointi (esim. SGS)
Luo todennäköisyysskenaarioita
Visualisoi epävarmuutta
Yliluottamusta, jos tulkitaan väärin
Vinkki: Kun arvioit resursseja, kysy vaihteluväliä ja skenaariota "yksittäisen parhaan luvun" sijaan. Kolme optimistista/odotettua/varovaista skenaariota tarjoavat paljon rehellisemmän perustan päätöksenteolle kuin yhden numeron luoma väärä varmuus.
Yleisiä virheitä
- ML:n ulkoa tekeminen vähän tunnetulla sängyllä. Viidellä laakerilla koulutettu malli on epäluotettava uudella alalla; tarkastella tulosta prioriteettiluettelona, ei todisteena.
- Ei rajoita ääriarvoja. Yksittäinen korkea määritys, jos yläleikkausta ei tehdä, rikastaa (tahroittaa) epäoikeudenmukaisesti ympäröiviä lohkoja ja lisää tonnimäärää.
- Ei raportoida epävarmuutta. Kriging-varianssin ja luokituksen piilottaminen ja yksittäisten lukujen esittäminen on standardien ja eheyden vastaista.
- Luokittelun ohittaminen. Harvaan otettujen määrien esittäminen mitattuna vaarantaa taloudellisen harkinnan ja yleisen luottamuksen.
- Ohitetaan QA/QC. Mikään luokka ei ole luotettava ilman poikkeaman laboratoriovalvontaa nolla- ja standardinäytteillä.
Yhteenvetona
- Tutkimuskohdistus luo porausprioriteetin monikerroksisen tiedon yhdistämisen avulla; Se ei todista malmia, se vähentää sokeaa koettelua.
- Resurssin estimointi arvioi arvosanan varmuudella käyttämällä variogrammeja ja krigingiä; Lohkomalli on rakennettu tälle.
- Koneoppiminen on tehokasta, mutta se muistaa pienet näytteet, tahraa poikkeamat ja voi piilottaa epävarmuuden.
- Valtuutettu pätevä henkilö luokitellaan ja allekirjoittaa lopullisen hitsin standardien, kuten JORC/NI 43-101, mukaisesti.
- Arvo ei ole yhdessä harhaanjohtavassa numerossa; Epävarmuus on testattavassa prioriteetissa ja luokituksessa, joka raportoidaan rehellisesti.
Sovellustehtävä
Vastaanota anonymisoitu yhdistemääritystaulukko (tai edustavat arvot). Pyydä mallilta tehokkaan kehotteen avulla: yliarvostuksen/huippuleikkauksen tarve, variogrammin suunnat ja matalatiheyksiset alueet lähdeluvun sijaan. Pyydä sitten "lähdeluokituksen ohjaus" -mallia tuottamaan luonnos siitä, mitkä lohkot kuuluvat mihinkin luottamusluokkaan. Tarkkaile lopuksi, yrittääkö malli antaa yhden tonnimäärän ja kirjoita yhdellä lauseella, miksi se pitäisi hylätä.
tarkistuslista
- [ ] Ymmärsin, että etsintäkohdistus ei ole malmi, se tuottaa porauksen prioriteetin.
- [ ] Osaan selittää kuinka variogrammi ja kriging arvioivat arvosanan epävarmuudella.
- [ ] Ymmärrän tahriintumisen, yläleikkauksen ja yliarvostuksen riskit ja pidän laadunvarmistusta/laadunvalvontaa pakollisena.
- [ ] Ymmärrän, että resurssi on standardin mukaan luokiteltu Mitatuksi/Indikoiduksi/Päätelty ja kuuluu valtuutetulle henkilölle.
- [ ] Omaksuin tieteenalan, joka vaatii epävarmuusalueita ja skenaarioita yksittäisten lukujen sijaan.