פירוש נתוני גיאולוגיה וקידוח עם בינה מלאכותית

רווחים:

• יכולת לנקות יומן קידוח, ליתולוגיה ונתוני ציונים עם תמיכה בבינה מלאכותית ולזהות אי עקביות ושגיאות קידוד
• יכולת למקם במדויק AI כמחולל סיווג מראש והשערות בעת פירוש צילום ליבה ותצפית גיאולוגית
• יכולת אימות צולב של פרשנות הליתולוגיה/שינויים המוסקת של AI עם תצפית גיאולוג וניתוח מעבדה

הבסיס של כל פרויקט כרייה הוא הדגימות שנלקחו מתחת לאדמה. החשובה מבין הדוגמאות הללו היא ליבת המקדחה (דגימה רציפה שמכונת הקידוח מחלצת מהסלע בצורה גלילית). הגיאולוג בוחן את הליבה; הוא מתעד את סוג הסלע (ליתולוגיה), המבנה, השינוי (שינוי הסלע על ידי מים חמים והשפעות כימיות) ומינרליזציה, ומנתח דגימות מעבדה לדרגה. התוצאה היא טבלה ענקית שנרשמה מטר אחר מטר, הנקראת יומן קידוח. ייתכנו מאות קידוחים ועשרות אלפי קווים בפרויקט בודד. ניקוי הנתונים הללו, שילובם, קליטת חוסר עקביות וחילוץ פרשנויות ראשוניות; זהו תחום שבו הבינה המלאכותית באמת מואצת, אבל כל שלב צריך להיות מאומת בעין של גיאולוג. ביחידה זו תלמד כיצד לנקות נתוני קידוח/גיאולוגיה עם AI, כיצד לפרש מראש את תמונת הליבה וכיצד לאמת את התוצאות.

אנטומיה של טבלאות נתוני קידוח

מערך נתוני קידוח מורכב בדרך כלל מארבע טבלאות, ושילוב נכון הוא חצי העבודה:

• צווארון: קואורדינטת ההתחלה (X, Y, Z) והעומק הכולל של כל קידוח.
• סקר (סטייה): שינוי בשיפוע (טבילה) ובכיוון (אזימוט) של הקידוח לאורך העומק. קידוח אף פעם לא הולך ישר לחלוטין.
• ליתולוגיה: סוג סלע ותצפיות גיאולוגיות בכל טווח העומק (מ-עד).
• בדיקה: תוצאות ציון מעבדה על פני טווח העומק (למשל Au g/t, Cu %).

טבלאות אלה חייבות לעמוד בכללים כגון מ-< אל, אסור לטווחים לחפוף, והקודים חייבים להיות עקביים. בחיים האמיתיים, תמיד יש שגיאות בנתונים שהוזנו ידנית: טווח חסר, טווח חופף, בלבול יחידות (דפים לדקה ו-% ערבוב), איותים שונים של קוד הליתולוגיה (GRN, Grn, גרניט), קודים כגון 999 או -9 במקום ערך ריק. בינה מלאכותית חזקה מאוד בסריקה וסימון של חוסר עקביות כאלה; אבל אתה חייב לבצע את התיקון באישור הגיאולוג.

שלב אחר שלב: ניקוי נתונים בקידוח עם AI

1. הצג את הנתונים. תן ל-AI את שמות העמודות, היחידות וכמה שורות לדוגמה (אנונימיים את הקואורדינטות בפועל). תאר בבירור מה צריך לקרות.
2. ערכו רשימה של כללים. בקש מה-AI רשימה של "אילו כללי עקביות עלי לבדוק עבור הטבלה הזו", הוסף כללים משלך למעלה.
3. בצע סריקת חוסר עקביות. פשוט בקש מה-AI סימון, לא תיקון אוטומטי. בקשו הצדקה לכל סימן.
4. חזור למקור הגולמי. בדוק כל קו מסומן מול יומן הקידוח המקורי או תעודת המעבדה.
5. קבל את ההחלטה לתקן את זה. הגיאולוג מבצע את התיקון; AI רק מציע.

טיפ: אל תגיד ל-AI "תן לי את הטבלה המתוקנת"; אמור "סמן קווים חשודים עם סיבה". בטבלת תיקון אוטומטי, כמעט בלתי אפשרי להבחין בשורות שהושחתו בשקט.

צילום ליבה ופרשנות חזותית

בפרויקטים מודרניים מצלמים קופסאות ליבה. כלי בינה מלאכותית מרובת מודל (מודלים שיכולים גם לעבד תמונות) יכולים לייצר פרשנות ראשונית מתצלומים אלה: שינוי צבע, צפיפות שברים אפשרית, נוכחות של ורידים, אזורי שינוי אפשריים. זה בעל ערך כהקרנה ראשונית שאומרת לגיאולוג "תסתכל כאן היטב". עם זאת, החלטות ליתולוגיה ושינויים לעולם אינן מתקבלות מתצלומים; נדרשת בדיקה ידנית של הליבה, בדיקת קשיות, תגובת חומצה וניתוח מעבדה. זו טעות חמורה של ה-AI להסיק "יש זהב" מהצבע; זהב לרוב אינו נראה לעין בלתי מזוינת וניתן לזהות אותו רק על ידי ניתוח.

שלושה מיני תיקים

מקרה 1 - לכידת הפרעות ביחידה. בפרויקט, יש 12,000 שורות בטבלת הבדיקות. הגיאולוג מציג את הטבלה ל-AI ואומר, "רשום את השורות עם ערכים מעל 100 גרם/ט בעמודה Au; אלה עשויים להיות ציון גבוה אמיתי או ערבוב ppm/ppb." AI מסמן 37 קווים. הגיאולוג מסתכל על תעודות מעבדה; הוא מגלה ש-34 הוזנו למעשה כ-ppb (אחד למיליארד) אך בטעות נחשבו כ-g/t, בעוד ש-3 היו הבוננזה האמיתית (ציון גבוה מאוד). אם 34 הקווים הללו לא היו מתוקנים, הציון הממוצע היה מנופח באופן מלאכותי והעתודה הייתה מוגזמת.

מקרה 2 - טווח חפיפה. בטבלה ליתולוגיה, חלק מהמרווחים חופפים: 45.0-52.0 מ' גרניט ו-50.0-58.0 מ' פצלי מוגדרים בו-זמנית. AI מפרט את החפיפות הללו ומציג בסך הכל 19 שורות של חפיפה. הגיאולוג פונה אל היומן הגולמי; מוצא ומתקן שינוי קו בהזנת נתונים. אם לא יתוקנו מרווחי חפיפה, לא היה ברור איזה סוג סלע יוקצה למודל הבלוק והטונה תחושב בצורה שגויה.

מקרה 3 - הסקה חזותית שגויה (אזהרה). מתמחה נותן את תמונת הליבה ל-AI ושואל: "האם יש עפרות באזור הזה?" AI רואה אדמומיות וורידים ואומר "המינרליזציה האפשרית גבוהה". המתמחה מעבד את זה לתוך היומן כ"מינרליזציה". הואיל והאדמומיות היא מכתים תחמוצת ברזל ואינה מכילה עפרות כלכליות; ניתוח מעבדה מוצא את הציון ברמות עקבות. שיעור: ציון/עפרה לא ניתן לקבוע מהתמונה; פלט הבינה המלאכותית הוא רק סימן "בדוק", מאומת על ידי ניתוח.

תבניות הנחיות הניתנות להעתקה

DRILL DATA CONSISTENCY SCANNING "תפקיד: אתה עוזר גיאולוג משאבים/מסד נתונים. להלן טבלת [ליתולוגיה/בדיקה] מרווחת מ-to. עמודות: [רשימה, עם יחידות]. סמן את חוסר העקביות הבאות עם מספר שורה וסיבה: from>=to, טווח חופף, פער, חשד לאיית יחידה ריקה של קוד ריק, קוד שונה של איות שלילי, קוד שלילי. (999/-9 אל תתקן, רק סמן טבלה: [הדבק]).

סטנדרטיזציה של קוד ליטולוגיה "הקודים הליתולוגיים הבאים הוזנו ידנית ואינם עקביים. קבץ איותים שונים מאותו סוג סלע (למשל GRN/Grn/granite). כתוב קוד סטנדרטי מומלץ יחיד לכל קבוצה. בטבלה: [קודים מקוריים] -> [תקן מומלץ]. סמן את הקבוצות שאינך בטוח בהן: [תן לי להחליט בנפרד].

סריקה מוקדמת של תמונת ליבה "רשום את המאפיינים החזותיים שעלי לשים לב אליהם בתצלום ליבה זה: אזורי שינוי צבע, צפיפות שבר/שבר אפשרית, וריד גלוי, סימן שינוי אפשרי. כתוב את אלה כהיפותזה; אל ​​תחליט על סוג סלע או כיתה. עבור כל תכונה, ציין מה על הגיאולוג לבדוק בשטח."

תקציר יומן גיאולוגי "הטקסט הבא הוא יומן גיאולוגי של קידוח. הפוך אותו לסיכום מובנה עם הכותרות הבאות: ליתולוגיות וטווחי עומק דומיננטיים, אזורי שינוי, הערות מבניות (תקלה/שבר), תצפיות מינרליזציה. אל תוסיף שום דבר שאינו בטקסט; סמן מעורפל כ-'logonclearparas'.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה: "תקן את נתוני הקידוח האלה."

הנחיה חזקה: "תפקיד: אתה עוזר גיאולוג מסד נתונים. בטבלת המבחנים למטה, סמן רק שורות חשודות (from>=to, ppm/% חשוד לזיוף, ערך שלילי, 999 במקום ריק). תן מספר שורה + סיבה לכל דגל. אל תתקן אוטומטית; אני אבדוק את התיקון מהתעודה הגולמית, (HolmID, from the Columns(:Rw certificate),(Holm. Au(g/t). טבלה: [הדבק]."

ההנחיה החלשה אומרת ל-AI "אתה מחליט ומשנה"; ההנחיה העוצמתית מגבילה את ה-AI לסימון, ומשאירה את סמכות התיקון לגיאולוג.

טבלת השוואה: כיצד להשתמש בבינה מלאכותית באיזה עסק

קווסט

תפקידה של AI

החלטתו של מי

אימות

סימון חוסר עקביות

דפדפן חזק

תיקוני גיאולוג

יומן גולמי/תעודה

מיזוג קוד ליתולוגיה

הצעה

גיאולוג מאשר

מילון קוד

הערת תמונת ליבה

בדיקה מוקדמת/השערה

גיאולוג/מעבדה

בדיקה ידנית + ניתוח

החלטת ציון/עפרה

לא בשימוש

מעבדה

ניתוח מוסמך

סיכום טקסט יומן

קופיגורטור

גיאולוג

השוואה לטקסט המקורי

טעויות נפוצות

• לאחר שה-AI "תיקון אוטומטי" של הטבלה. ייתכן שלא תבחין בעיוותים שקטים; פשוט לסמן את זה.
• חילוץ ציונים/עפרות מתצלום הליבה. זהב לעתים קרובות בלתי נראה בעין בלתי מזוינת; ההחלטה היא הניתוח שלך.
• הדבקת קואורדינטות אמיתיות ללא אנונימיות. רישיון וקואורדינטות הם נתונים רגישים.
• לא משווה את סיכום הבינה המלאכותית ליומן המקורי. AI יכול להוסיף תצפית שאינה בטקסט (הזיה).
• מתעלמים מחוסר התאמה של יחידה. ערבוב ppm/%/g/t/ppb משבש ישירות את הרזרבה.

שימו לב: שגיאת יחידה בנתוני הקידוח לא נשארת בשורה אחת; קומפוזיציה גדלה ומתפשטת לאורך התחזית והעתודה. הקפדה על שלב הניקיון קובעת את מהימנות כל החשבונות הבאים.

לסיכום

נתוני קידוח/גיאולוגיה מורכבים מארבע טבלאות עיקריות (צווארון, סקר, ליתולוגיה, בדיקה) וכללי עקביות הם חיוניים. בינה מלאכותית היא כלי עזר רב עוצמה בסריקת חוסר עקביות זו בנתונים, סטנדרטיזציה של קוד, סיכום יומן וסריקה מוקדמת של תמונות ליבה. עם זאת, החלטת התיקון היא של הגיאולוג, והחלטת הציון/עפרה שייכת למעבדה. דאג לסימון AI לא לערוך, אמת כל סימן מהמקור הגולמי, ולעולם אל תסיק ציון מהתמונה.

משימת יישום

אנונימיים טבלת בדיקות שיש לכם (או דוגמה) ותנו אותה ל-AI עם התבנית "סריקת עקביות נתוני קידוח". ייבא את השורות המסומנות לטבלה; שקול הערה "יש לבדוק ממקור גולמי" עבור כל אחד מהם. לאחר מכן צור את מילון הקוד עם התבנית "סטנדרטיזציה של קוד ליתולוגיה" ושם לב בנפרד את הקבוצות שה-AI אינו בטוח בהן. לבסוף, סרוק מראש תמונת ליבה ורשום מה תבדוק בשטח עבור כל השערה שעולה.

רשימת בדיקה

• [ ] עשיתי אנונימי את פרטי התיאום/רישיון בפועל לפני מסירת הנתונים ל-AI.
• [ ] ביקשתי מ-AI סימון מוצדק, לא תיקון.
• [ ] בדקתי כל שורה שסומנה מול היומן הגולמי/אישור המעבדה.
• [ ] אימתתי גם את עקביות הנפח (g/t, %, ppm, ppb).
• [ ] שקלתי את פלט התמונות הליבה כהשערה, לא קיבלתי החלטת ציון.
• [ ] השוויתי את סיכום הבינה המלאכותית לטקסט היומן המקורי כדי לוודא שלא התווסף מידע.