חיפוש מינרלים, מודלים של עפרות והערכת משאבים

רווחים:

• יכולת להסביר את השימוש ב-AI והיתוך נתונים רב-שכבתי בפרוספקטיביות של מינרלים
• הבנה כיצד לבצע מודל בלוקים ואומדן ציונים באמצעות גיאוסטטיסטיקה (kriging, variogram) ולמידת מכונה.
• יכולת לבדוק תפוקות אומדן מקור עם אימות צולב, ביטחון סיווג ותקני דיווח

פרוספקציה היא משחק הימורים שבו החלטות של מיליוני דולרים מבוססות על קומץ דגימות תרגיל. מרבץ מינרלים (מרבץ עפרות אנגלי; הצטברות מינרלים עשירה וגדולה מספיק לניצול) מסתתר מתחת לשטח של מאות קילומטרים רבועים, ואנו "רואים" אותו רק בקידוחים נדירים, צללים גיאופיזיים וסמני פני שטח. לכן חיפוש מינרלים הוא אחד מתחומי היישום המלהיבים אך גם המסוכנים ביותר של בינה מלאכותית: בשימוש נכון, הוא מזרז את מיקוד החקירה ומוציא יותר משמעות מנתונים דלילים; כשמשתמשים בו בצורה לא נכונה, הוא מסתיר חומר לא קיים מאחורי סטטיסטיקה ומטעה את המשקיעים ואת החברה כאחד.

ביחידה זו, נסקור שני היבטי בינה מלאכותית עיקריים של חיפושים: מיקוד חיפושים (פרוספקטיביות מינרלית; אומדן מתוך נתונים רב-שכבתיים באיזה אזור צפוי להיות פיקדון) והערכת משאבים (חישוב באיזה ביטחון נוכל לומר כמה מתכת יש במשקע קדח). בשניהם, AI הוא מאתר דפוסים רב עוצמה; אבל בשני המקרים, הנתון הסופי הוא באחריות האדם המוסמך שחתם על תקני דיווח בינלאומיים.

מיקוד חיפוש: מיזוג נתונים רב-שכבתי

גיאולוג חקר לא מסתכל על סוג אחד של נתונים אלא על שכבות מכוסות: מפה גיאולוגית, קווי מתאר מבניים (שגיאות וקפלים), גיאופיזיקה (מגנטית, כוח משיכה, התנגדות), גיאוכימיה (ערכי אלמנטים מדגמי קרקע ונחל) ושינוי ממופה על ידי חישה מרחוק. כל שכבה היא רמז קלוש; האות האמיתי הוא המקום שבו הם מצביעים יחד. זה נקרא היתוך נתונים.

הבינה המלאכותית עושה כאן שתי עבודות. ראשית, הוא מיישר עשרות שכבות על אותה רשת קואורדינטות (משימה יחידה, מייגעת אך מועדת לשגיאות) לטבלת ניתוח אחת. שנית, הוא לומד את הדפוס סביב משקעים ידועים ומסמן אזורים חדשים בחתימה דומה (למידה מפוקחת). אבל יש כאן מלכודת קריטית: מספר המיטות המוכרות הוא לרוב קטן מאוד (אולי 5-10 מיטות באזור אחד), כך שהדגם משנן בקלות ונכשל באזורים חדשים. לכן פלט המיקוד אינו רשימת "בטוח שקיימת אבן חן", אלא "סדר עדיפות ששווה בדיקה בקידוח".

השלבים הם בדרך כלל כדלקמן: (1) יישור וניקוי שכבות, (2) תרגם כל שכבה לאסימונים משמעותיים בהתבסס על מודל מיטה (למשל "מרחק לצומת תקלה", "קצה גבוה מגנטי"), (3) הרכבה עם מיטות ידועות או משקל עם כלל מומחה, (4) הפקת מפת הסתברות, (5) בדוק אזורי סבירות גבוהה בשטח ועם עלות נמוכה.

טיפ: במקום להזין שכבות גולמיות לתוך המודל, הפק סמנים בעלי משמעות גיאולוגית ("טבעת מגנטית + שינוי ארגילית + צומת שבר עבור נחושת פורפיר"). אינדיקטורים התואמים למודל המיסב מייצרים מטרות חזקות הרבה יותר מסטטיסטיקה עיוורת.

גיאוסטטיסטיקה ואומדן משאבים: וריוגרמה, קריגינג ומודל בלוקים

ברגע שהפיקדון נמצא ונקדח, השאלה משתנה: "כמה מתכת יש כאן וכמה אנחנו יכולים לסמוך עליה?" התשובה דורשת אקסטרפולציה מנקודות קידוח שנדגמו לנפח סלע שלא נדגם. הכלי הסטנדרטי לכך הוא גיאוסטטיסטיקה.

המושג הבסיסי הוא הווריוגרמה: מדד של המשכיות מרחבית המתאר כיצד קווי הדמיון של הציונים פוחתים ככל ששתי דגימות מתרחקות זו מזו. דוגמאות סמוכות דומות, הרחוקות הן עצמאיות; הווריוגרמה מכמתת את "טווח הדמיון" הזה. Kriging היא שיטת ממוצע משוקלל המשתמשת במבנה וריוגרמה זה כדי לתת את הציון, הן את האומדן והן את אי הוודאות של האומדן, עבור כל בלוק שלא נדגם. הפיקדון מחולק לבלוקים עם דפנות נמדדות במטרים (דגם בלוקים), ולכל בלוק נקבע ציון וביטחון.

הבינה המלאכותית מגיעה כאן בשלוש נקודות. בדוגמנות וריוגרמה, הוא מציע מודלים חלופיים ומעריך את ההתאמה. שיטות למידת מכונה (למשל יער אקראי, הגברת שיפוע) יכולות ללכוד קשרי ציונים לא ליניאריים בנוסף ל-kriging. וזה מאיץ את הקידוד, הבדיקה והדיווח של זרימת העבודה כולה. אבל שני כללי ברזל נשארים קבועים: אי-ודאות האומדן לעולם אינה יכולה להיות מוסתרת, והמשאב הסופי ממוין על ידי האדם המוסמך למחלקות נמדדות/מצויינות/מסיקות על פי תקנים בינלאומיים (מסגרות ציבוריות ניתנות לביקורת של דיווח משאבים/עתודות, כגון JORC, NI 43-101, PERC).

זהירות: מודל למידת המכונה עשוי "להחליק" הפסקות קידוח, וליצור המשכיות שאינה קיימת במציאות. כמה דגימות בדרגה גבוהה עלולות להעשיר באופן לא הוגן (מריחת אנגלית) בלוק שלם. הגבלת ערכים גבוהים (חתך עליון) ושליטה במספר הדגימות על בסיס בלוק היא חיונית; אחרת הטונאז' יתנפח על הנייר.

שלושה מיני מארזים: לפי המספרים

מקרה 1 - תעדוף מיקוד. צוות חיפושים עבד עם תקציב קידוח מוגבל באזור רישיון של 380 קמ"ר. מפת הסתברות הממזגת שבע שכבות גיאופיזיות/גיאוכימיה סימנה רק 6% מהשטח כ"עדיפות גבוהה". הצוות הנחה את חמשת התרגילים הראשונים לתוך 6% זה; מצאו צמתים נחושת משמעותיים בשלושה מהם. הנקודה הקריטית: המפה לא "הוכיחה" את העפרה, עשתה רציונליות היכן למקד את תקציב הקידוח וצמצמה את מספר הניסויים העיוורים.

מקרה 2 - לכידת מריחה. בפיקדון זהב אחד, מודל הבלוק הראשון ניפח את הבלוקים הסובבים בגלל ההשפעה של דגימת יתר בודדת של 78 גרם/ט, והערכת יתר של המשאב ב-14%. התחזית הובאה לרמה מציאותית עם החתך העליון (הפחתת הערך הגבוה לסף הסטטיסטי) ובקרה מדגמית שכנה שהוחלה בסקירת QA/QC. ההבדל השפיע ישירות על החלטת השקעה של מיליוני דולרים.

מקרה 3 - משמעת סיווג. בפרויקט ברזל, המודל הראה חיזוי הפיקדון כולו בביטחון גבוה; עם זאת, צפיפות הקידוח הייתה דלילה מאוד באזורים השוליים. הגורם המוסמך הסיר את הנפח שנדגם בדלילות מההערכה הכלכלית, והוריד אותו ל"מסיק". לפיכך, הדו"ח נמנע מהגזמה ברזרבות שנחשפו לציבור ונשאר בהתאם לתקן.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

נתח את תפוקת הקידוח וספר כמה זהב יש בפיקדון.[טבלת בדיקות]

הנחיה עוצמתית:

תפקידך: גיאוסטטיסטיקאי משאבים. תן מספר מקור עם נתוני בדיקת המתחם הבאים. במקום זאת: 1) סכמו את התפלגות הציונים; סמן חריגים אפשריים והצורך בחיתוך עליון.2) הצע אילו כיווני וריוגרמה יש לבחון עבור המשכיות מרחבית.3) ציין אילו אזורים יכולים להיות מסווגים רק כ"מושמטים" עקב צפיפות קידוח נמוכה.4) ציין 4 מקורות אי ודאות שעלולים להשפיע על התוצאה. הנתונים אנונימיים; ללא קואורדינטות/חברה בפועל.

ההנחיה העוצמתית מונעת מהדגם לייצר מספר מטעה בודד והופכת אותו לעוזר שמארגן בדיוק את השאלות שהאחראי צריך לשאול.

ארבע תבניות הניתנות להעתקה

1) גזירת אסימון עבור היתוך שכבות:

הצע סמנים משמעותיים מהשכבות הבאות המבוססות על מודל חקירת נחושת פורפיר: מגנטי, כוח משיכה, התנגדות, גיאוכימיה של הקרקע (Cu-Mo-Au), שינוי. עבור כל סמן: קישור למודל ההפקדה, מקור מטעה אפשרי ושיטת אימות שדה. מתן מטרה מדויקת; קבע היגיון עדיפות.

2) בדיקה מוקדמת של QA/QC:

בדוק בטבלת הבדיקות את הפרטים הבאים: ערך שלילי/בלתי אפשרי, שיעור הסימנים מתחת לגבול הזיהוי, אי התאמה של יחידה (ppm/%/g-t), הסכמה חוזרת של דגימה, סחיפה של דגימה ריקה וסטנדרטית. פשוט רשום את הבעיות לפי drilling_id; הערכה, תיקון.

3) טיוטת פרשנות וריוגרמה:

פרש את תוצאות וריוגרמה ניסיוניות: הסבר בשפה פשוטה מה המשמעות של נאגט, טווח ואדן; האם יש סימנים לאנזיטרופיה? סמן אילו החלטות דורשות אישור גיאולוג לפני הקרינג. היגיון, לא קוד.

4) בקרת סיווג מקור:

במודל הבלוק, לכל גוש ניתנו: שונות קריקינג, מספר הדגימות ששימשו לאומדן ומרחק לקידוח הקרוב ביותר. תן מתאר סביר של הבלוקים המתאימים ביותר למחלקה מדודה/מוצג/מסיק לפי ההיגיון הסטנדרטי. הסיווג הסופי שייך לאדם המורשה; לציין זאת.

השוואה בין שיטות

שיטה

מה עושה

נקודה חזקה

סיכון עיקרי

כלל מומחה (שכבה משוקללת)

ממיין מטרות עם מידע

עובד עם מעט נתונים, שקוף

הטיית מומחים

מיקוד ML מפוקח

לומד מהמיטה הידועה

לוכד דפוס מורכב

שינון בכמה דוגמאות

קריקינג

טנור מנבא בחוסר ודאות

סטנדרטי, ניתן לביקורת

שגיאת וריוגרמה, מריחה

אומדן ציון ML

קשר לא ליניארי

גמיש

יכול להסתיר אי ודאות, הסתגלות יתר

סימולציה (למשל SGS)

יוצר תרחישי הסתברות

מדמיין אי ודאות

ביטחון עצמי מופרז אם מפרשים לא נכון

טיפ: בעת הערכת משאבים, בקש טווח ותרחיש במקום "מספר טוב יחיד". שלושה תרחישים אופטימיים/צפויים/זהירים מספקים בסיס הרבה יותר כנה לקבלת החלטות מאשר הוודאות הכוזבת שנוצרת ממספר בודד.

טעויות נפוצות

• גורם ל-ML לשנן עם מיטה לא מוכרת. דגם מאומן עם חמישה מיסבים אינו אמין בתחום החדש; לראות את הפלט כרשימת עדיפות, לא כראיה.
• לא מגביל ערכים קיצוניים. בדיקה אחת גבוהה, אם לא נעשה חיתוך עליון, יעשיר (ימרח) באופן לא הוגן את הבלוקים שמסביב וינפח את הטונאז'.
• לא מדווח על אי ודאות. הסתרת שונות וסיווג קריג'ינג והצגת דמויות בודדות נוגדת סטנדרטים ויושרה.
• דילוג על סיווג. הצגת נפח מדוגם בדלילות כמדוד פוגעת בשיקול הדעת הכלכלי ובאמון הציבור.
• דילוג על QA/QC. אין ציון אמין ללא ניטור מעבדתי של סחף עם דגימות ריקות וסטנדרטיות.

לסיכום

• מיקוד חקירה מייצר עדיפות קידוח באמצעות היתוך נתונים רב-שכבתי; זה לא מוכיח את העפרה, זה מפחית את המשפט העיוור.
• הערכת משאבים מעריכה את הציון בוודאות באמצעות וריוגרמות ו-kriging; מודל הבלוק בנוי על זה.
• למידת מכונה היא רבת עוצמה, אבל היא משננת דגימות קטנות, מריחות בנקודות חריגות ויכולה להסתיר אי ודאות.
• הריתוך הסופי מסווג וחתום על ידי גורם מוסמך מורשה לפי תקנים כגון JORC/NI 43-101.
• הערך אינו במספר מטעה אחד; חוסר הוודאות נמצא בעדיפות ובסיווג הניתנים לבדיקה המדווחים בכנות.

משימת יישום

קבל טבלת בדיקות תרכובות אנונימיות (או ערכים מייצגים). בעזרת ההנחיה העוצמתית, בקש מהמודל: ערך יתר/צורך חתך עליון, כיווני וריוגרמה ואזורים בצפיפות נמוכה במקום נתון מקור. לאחר מכן בקש מהתבנית "בקרת סיווג מקור" לייצר טיוטה של ​​אילו בלוקים ייכנסו לאיזו מחלקת אמון. לבסוף, בדוק אם המודל מנסה לתת נתון טונה בודד וכתוב במשפט אחד מדוע עליך לדחות אותו.

רשימת בדיקה

• [ ] הבנתי שמיקוד חיפושים לא מוכיח עפרות, זה מייצר עדיפות לקידוח.
• [ ] אני יכול להסביר כיצד וריוגרמה וקריקינג מעריכים את הציון בחוסר ודאות.
• [ ] אני מזהה את הסיכונים של מריחה, חיתוך עליון וערך יתר ורואה QA/QC חובה.
• [ ] אני מבין שהמשאב מסווג כמדוד/מצוין/מוסיק לפי התקן ושייך לאדם המורשה.
• [ ] אימצתי דיסציפלינה שדורשת טווחי אי ודאות ותרחישים במקום מספרים בודדים.