Gains :
- Capacité à expliquer l'utilisation de l'IA et de la fusion de données multicouches dans la prospection minière
- Comprendre comment réaliser un modèle de bloc et une estimation de la teneur à l'aide de la géostatistique (krigeage, variogramme) et de l'apprentissage automatique.
- Capacité à tester les résultats des estimations de sources avec des normes de validation croisée, de fiabilité de classification et de reporting
La prospection est un jeu de paris dans lequel des décisions de plusieurs millions de dollars sont basées sur une poignée d'échantillons de forage. Un gisement minéral (gisement de minerai anglais ; une accumulation minérale suffisamment riche et importante pour être exploitée) est caché sous une superficie de centaines de kilomètres carrés, et nous ne le « voyons » qu'avec des forages peu fréquents, des ombres géophysiques et des marqueurs de surface. C'est pourquoi l'exploration minière est l'un des domaines d'application les plus passionnants mais aussi les plus dangereux de l'IA : lorsqu'elle est utilisée correctement, elle accélère le ciblage de l'exploration et extrait plus de sens des données éparses ; Mal utilisé, il cache une substance inexistante derrière les statistiques et induit en erreur les investisseurs et la société.
Dans cette unité, nous aborderons deux aspects majeurs de l'exploration en matière d'intelligence artificielle : le ciblage de l'exploration (prospectivité minérale ; estimation à partir de données multicouches quelle zone est susceptible de contenir un gisement) et l'estimation des ressources (calculer avec quelle confiance nous pouvons dire la quantité de métal contenue dans un gisement foré). Dans les deux cas, l’IA est un puissant outil de recherche de modèles ; Mais dans les deux cas, le chiffre final relève de la responsabilité de la personne compétente qui a signé les normes internationales de reporting.
Ciblage de recherche : fusion de données multicouche
Un géologue d'exploration n'examine pas un seul type de données mais des couches superposées : carte géologique, contours structurels (failles et plis), géophysique (magnétique, gravité, résistivité), géochimie (valeurs des éléments des échantillons de sol et de cours d'eau) et altération cartographiée par télédétection. Chaque couche est un faible indice ; Le vrai signal est là où ils pointent ensemble. C'est ce qu'on appelle la fusion de données.
L’intelligence artificielle remplit ici deux fonctions. Premièrement, il aligne des dizaines de couches sur la même grille de coordonnées (une tâche singulière, fastidieuse mais sujette aux erreurs) dans une seule table d'analyse. Deuxièmement, il apprend le modèle autour des gisements connus et marque de nouvelles zones avec une signature similaire (apprentissage supervisé). Mais il y a ici un piège critique : le nombre de lits connus est souvent très petit (peut-être 5 à 10 lits dans une zone), de sorte que le modèle est facilement mémorisé et échoue dans de nouvelles zones. C'est pourquoi le résultat du ciblage n'est pas une liste "certaine gemme existe", mais un "ordre de priorité qui mérite d'être testé par forage".
Les étapes sont généralement les suivantes : (1) aligner et nettoyer les couches, (2) traduire chaque couche en un jeton significatif basé sur le modèle de lit (par exemple "distance jusqu'à l'intersection de la faille", "bord haut magnétique"), (3) entraîner avec des lits ou un poids connus avec une règle experte, (4) produire une carte de probabilité, (5) tester les zones les plus probables sur le terrain et avec des méthodes à faible coût.
Astuce : Au lieu d'introduire des couches brutes dans le modèle, dérivez des marqueurs géologiquement significatifs (« anneau magnétique + altération argilique + intersection de failles pour le cuivre porphyrique »). Les indicateurs compatibles avec le modèle de roulement produisent des cibles beaucoup plus robustes que les statistiques aveugles.
Géostatistique et estimation des ressources : variogramme, krigeage et modèle de blocs
Une fois le gisement découvert et foré, la question change : « Quelle quantité de métal y a-t-il ici et dans quelle mesure pouvons-nous lui faire confiance ? » La réponse nécessite une extrapolation à partir des points de forage échantillonnés vers un volume de roche non échantillonné. L’outil standard pour cela est la géostatistique.
Le concept de base est le variogramme : une mesure de continuité spatiale qui décrit comment les similarités de qualité diminuent à mesure que deux échantillons s'éloignent. Les exemples proches sont similaires, les exemples éloignés sont indépendants ; Le variogramme quantifie cette « plage de similarité ». Le krigeage est une méthode de moyenne pondérée qui utilise cette structure de variogramme pour donner la note, à la fois l'estimation et l'incertitude de l'estimation, pour chaque bloc non échantillonné. Le gisement est divisé en blocs dont les côtés sont mesurés en mètres (modèle de bloc), et chaque bloc se voit attribuer une teneur et un niveau de confiance.
L’intelligence artificielle intervient ici sur trois points. Dans la modélisation du variogramme, il suggère des modèles alternatifs et évalue l'ajustement. Les méthodes d'apprentissage automatique (par exemple, forêt aléatoire, augmentation de gradient) peuvent capturer des relations de notes non linéaires en plus du krigeage. Et cela accélère le codage, la vérification et le reporting de l’ensemble du flux de travail. Mais deux règles d'airain restent constantes : l'incertitude d'estimation ne peut jamais être cachée et la ressource finale est triée par la personne compétente en classes mesurées/indiquées/inférées selon les normes internationales (cadres publics et auditables de reporting sur les ressources/réserves, tels que JORC, NI 43-101, PERC).
Attention : Le modèle de machine learning peut « lisser » les pauses de perçage, créant ainsi une continuité qui n'existe pas dans la réalité. Quelques spécimens de haute qualité peuvent enrichir injustement (maculage anglais) un bloc entier. Limiter les valeurs élevées (top-cut) et contrôler le nombre d’échantillons par bloc est essentiel ; sinon le tonnage va gonfler sur le papier.
Trois mini-cases : en chiffres
Cas 1 — Priorisation du ciblage. Une équipe d'exploration travaillait avec un budget de forage limité dans une zone de permis de 380 km². Une carte de probabilité fusionnant sept couches géophysiques/géochimiques a marqué seulement 6 % de la zone comme étant « hautement prioritaire ». L'équipe a dirigé les cinq premiers forages dans ces 6 % ; trouvé d'importantes intersections de cuivre dans trois d'entre elles. Le point critique : la carte n'a pas « prouvé » le minerai, a rationalisé où concentrer le budget de forage et a réduit le nombre d'essais à l'aveugle.
Cas 2 — Capture du frottis. Dans un gisement d'or, le premier modèle de bloc avait gonflé les blocs environnants en raison de l'impact d'un seul suréchantillonnage de 78 g/t, surestimant la ressource de 14 %. La prédiction a été amenée à un niveau réaliste grâce à la coupe supérieure (réduisant la valeur élevée au seuil statistique) et au contrôle de l'échantillon voisin appliqué dans l'examen QA/QC. La différence a directement affecté une décision d’investissement de plusieurs millions de dollars.
Cas 3 — Discipline de classification. Sur un projet de fer, le modèle a montré qu'il prédisait l'ensemble du gisement avec un degré de confiance élevé ; cependant, la densité de forage était très faible dans les zones marginales. La personne autorisée a retiré le volume peu échantillonné de l'évaluation économique, le déclassant à « déduit ». Ainsi, le rapport a évité toute exagération dans les réserves publiées et est resté conforme à la norme.
Invite faible/Invite forte
Invite faible :
Analysez le rendement du forage et indiquez la quantité d'or contenue dans le gisement. [tableau d'analyse]
Invite puissante :
Votre rôle : Géostatisticien ressources. DONNEZ UN NUMÉRO DE SOURCE avec les données d'essai composées suivantes. Au lieu de cela : 1) Résumez la répartition des notes ; marquer les valeurs aberrantes possibles et la nécessité d'une coupe supérieure.2) Suggérer quelles directions du variogramme doivent être examinées pour la continuité spatiale.3) Indiquer quelles zones ne peuvent être classées que comme « omises » en raison de la faible densité de forage.4) Énumérer 4 sources d'incertitude qui pourraient affecter le résultat.Les données sont anonymes ; pas de coordonnées/entreprise réelles.
L'invite puissante empêche le modèle de produire un seul numéro trompeur et le transforme en un assistant qui organise exactement les questions que le responsable doit poser.
Quatre modèles copiables
1) Dérivation de jetons pour la fusion de couches :
Proposer des marqueurs significatifs des couches suivantes basés sur le modèle d'exploration du cuivre porphyrique : magnétique, gravité, résistivité, géochimie du sol (Cu-Mo-Au), altération. Pour chaque marqueur : lien vers le modèle de gisement, source trompeuse possible et méthode de vérification sur le terrain. Donner un objectif précis ; Établir une logique de priorité.
2) Présélection QA/QC des tests :
Vérifiez le tableau de test pour les éléments suivants : valeur négative/impossible, proportion de signes inférieurs à la limite de détection, divergence d'unité (ppm/%/g-t), concordance des échantillons répétés, dérive des échantillons à blanc et standard. Énumérez simplement les problèmes par Drilling_id ; évaluation, correction.
3) Projet d'interprétation du variogramme :
Interpréter les résultats du variogramme expérimental : expliquer en langage simple ce que signifient pépite, portée et seuil ; Y a-t-il des signes d'anisotropie ? Marquez les décisions qui nécessitent l’approbation du géologue avant le krigeage. Logique, pas code.
4) Contrôle de classification des sources :
Dans le modèle de bloc, pour chaque bloc : la variance du krigeage, le nombre d'échantillons utilisés dans l'estimation et la distance jusqu'au forage le plus proche ont été donnés. Donnez un aperçu RAISONNABLE des blocs qui correspondent le mieux à la classe Mesuré/Affiché/Déduit selon la logique standard. Le classement final appartient à la personne habilitée ; déclarez ceci.
Comparaison des méthodes
Méthode
Qu'est-ce que
point fort
Risque principal
Règle expert (couche pondérée)
Trie les cibles avec des informations
Fonctionne avec peu de données, transparent
biais d'expert
Ciblage de ML supervisé
Apprend du lit connu
Capture un motif complexe
La mémorisation en quelques exemples
krigeage
Tenor prédit avec incertitude
Norme, auditable
Erreur de variogramme, maculage
Estimation de la note ML
relation non linéaire
Flexible
Peut cacher l’incertitude, la suradaptation
Simulation (par exemple SGS)
Génère des scénarios de probabilité
Visualise l'incertitude
Excès de confiance si mal interprété
Conseil : lors de l'estimation des ressources, demandez une fourchette et un scénario plutôt qu'un « meilleur chiffre ». Trois scénarios optimistes/attendus/prudents fournissent une base de décision beaucoup plus honnête que la fausse certitude créée par un seul chiffre.
Erreurs courantes
- Faire mémoriser ML avec un lit peu connu. Un modèle entraîné avec cinq roulements n'est pas fiable dans le nouveau domaine ; considérez le résultat comme une liste de priorités, et non comme une preuve.
- Ne limitant pas les valeurs extrêmes. Un seul dosage élevé, si la coupe supérieure n’est pas effectuée, enrichira (étalera) injustement les blocs environnants et gonflera le tonnage.
- Ne pas signaler l’incertitude. Cacher la variance et la classification du krigeage et présenter des chiffres uniques est contraire aux normes et à l'intégrité.
- Sauter le classement. Présenter un volume peu échantillonné comme étant mesuré compromet le jugement économique et la confiance du public.
- Ignorer l'AQ/CQ. Aucune qualité n'est fiable sans une surveillance en laboratoire de la dérive avec des échantillons blancs et standards.
En résumé
- Le ciblage de l'exploration génère une priorité de forage grâce à la fusion de données multicouches ; Cela ne prouve pas le minerai, cela réduit les essais à l'aveugle.
- L'estimation des ressources estime la qualité avec certitude à l'aide de variogrammes et de krigeage ; Le modèle de bloc est construit sur cela.
- L’apprentissage automatique est puissant, mais il mémorise de petits échantillons, élimine les valeurs aberrantes et peut masquer l’incertitude.
- La soudure finale est classifiée et signée par une personne qualifiée autorisée selon les normes telles que JORC/NI 43-101.
- La valeur ne réside pas dans un chiffre trompeur ; L'incertitude réside dans une priorité testable et une classification honnêtement rapportée.
Tâche de candidature
Recevez un tableau de dosage composé anonymisé (ou des valeurs représentatives). À l'aide de l'invite puissante, demandez au modèle : le besoin de surévaluation/de coupe supérieure, les directions du variogramme et les régions à faible densité au lieu d'un chiffre source. Demandez ensuite au modèle de « contrôle de classification des sources » de produire un projet indiquant quels blocs appartiendront à quelle classe de confiance. Enfin, observez si le modèle tente de donner un chiffre de tonnage unique et écrivez en une phrase pourquoi vous devriez le rejeter.
liste de contrôle
- [ ] J'ai réalisé que le ciblage de l'exploration ne prouve pas le minerai, il produit une priorité de forage.
- [ ] Je peux expliquer comment le variogramme et le krigeage estiment la note avec incertitude.
- [ ] Je reconnais les risques de diffamation, de coupe supérieure et de surévaluation et je considère l'AQ/CQ comme obligatoires.
- [ ] Je comprends que la ressource est classée comme mesurée/indiquée/déduite par la norme et appartient à la personne autorisée.
- [ ] J'ai adopté une discipline qui nécessite des plages d'incertitude et des scénarios au lieu de chiffres uniques.