लाभ:
- खनिज संभावना में एआई और मल्टी-लेयर डेटा फ़्यूज़न के उपयोग को समझाने की क्षमता
- भू-सांख्यिकी (क्रिगिंग, वेरियोग्राम) और मशीन लर्निंग का उपयोग करके ब्लॉक मॉडल और ग्रेड अनुमान बनाने का तरीका समझना।
- क्रॉस-सत्यापन, वर्गीकरण आत्मविश्वास और रिपोर्टिंग मानकों के साथ स्रोत अनुमान आउटपुट का परीक्षण करने की क्षमता
प्रॉस्पेक्टिंग एक सट्टेबाजी का खेल है जहां करोड़ों डॉलर के फैसले मुट्ठी भर ड्रिल नमूनों पर आधारित होते हैं। एक खनिज भंडार (अंग्रेजी अयस्क भंडार; एक खनिज संचय जो समृद्ध और दोहन के लिए पर्याप्त बड़ा है) सैकड़ों वर्ग किलोमीटर के क्षेत्र के नीचे छिपा हुआ है, और हम इसे केवल दुर्लभ ड्रिलिंग, भूभौतिकीय छाया और सतह मार्करों के साथ "देखते" हैं। यही कारण है कि खनिज अन्वेषण एआई के सबसे रोमांचक लेकिन सबसे खतरनाक अनुप्रयोग क्षेत्रों में से एक है: जब सही ढंग से उपयोग किया जाता है, तो यह अन्वेषण लक्ष्यीकरण को गति देता है और विरल डेटा से अधिक अर्थ निकालता है; जब गलत तरीके से उपयोग किया जाता है, तो यह आंकड़ों के पीछे एक अस्तित्वहीन पदार्थ को छिपा देता है और निवेशकों और समाज दोनों को गुमराह करता है।
इस इकाई में, हम अन्वेषण के दो प्रमुख कृत्रिम बुद्धिमत्ता पहलुओं को कवर करेंगे: अन्वेषण लक्ष्यीकरण (खनिज संभावना; बहुस्तरीय डेटा से अनुमान लगाना कि किस क्षेत्र में जमा होने की संभावना है) और संसाधन अनुमान (गणना करना कि हम किस विश्वास के साथ कह सकते हैं कि ड्रिल किए गए भंडार में कितनी धातु है)। दोनों में, एआई एक शक्तिशाली पैटर्न खोजक है; लेकिन दोनों ही मामलों में, अंतिम आंकड़ा उस सक्षम व्यक्ति की जिम्मेदारी है जिसने अंतरराष्ट्रीय रिपोर्टिंग मानकों पर हस्ताक्षर किए हैं।
खोज लक्ष्यीकरण: बहुस्तरीय डेटा फ़्यूज़न
एक अन्वेषण भूविज्ञानी किसी एक प्रकार के डेटा को नहीं बल्कि अंतर्निहित परतों को देखता है: भूवैज्ञानिक मानचित्र, संरचनात्मक आकृति (दोष और तह), भूभौतिकी (चुंबकीय, गुरुत्वाकर्षण, प्रतिरोधकता), भू-रसायन (मिट्टी और धारा नमूना तत्व मान), और रिमोट सेंसिंग द्वारा मैप किया गया परिवर्तन। प्रत्येक परत एक धुँधला सुराग है; असली संकेत वह है जहां वे एक साथ इशारा करते हैं। इसे डेटा फ़्यूज़न कहा जाता है.
आर्टिफिशियल इंटेलिजेंस यहां दो काम करता है। सबसे पहले, यह दर्जनों परतों को एक ही समन्वय ग्रिड (एक विलक्षण, थकाऊ लेकिन त्रुटि-प्रवण कार्य) पर एक एकल विश्लेषण तालिका में संरेखित करता है। दूसरा, यह ज्ञात जमाओं के आसपास के पैटर्न को सीखता है और समान हस्ताक्षर (पर्यवेक्षित शिक्षण) के साथ नए क्षेत्रों को चिह्नित करता है। लेकिन यहां एक गंभीर जाल है: ज्ञात बिस्तरों की संख्या अक्सर बहुत कम होती है (शायद एक क्षेत्र में 5-10 बिस्तर), इसलिए मॉडल आसानी से याद कर लेता है और नए क्षेत्रों में विफल हो जाता है। इसीलिए लक्ष्यीकरण आउटपुट "सुनिश्चित रत्न मौजूद है" सूची नहीं है, बल्कि "ड्रिलिंग द्वारा परीक्षण के लायक प्राथमिकता क्रम" है।
चरण आम तौर पर इस प्रकार हैं: (1) परतों को संरेखित और साफ करें, (2) प्रत्येक परत को बेड मॉडल के आधार पर सार्थक टोकन में अनुवाद करें (उदाहरण के लिए "गलती चौराहे की दूरी", "चुंबकीय उच्च किनारा"), (3) विशेषज्ञ नियम के साथ ज्ञात बिस्तरों या वजन के साथ प्रशिक्षित करें, (4) संभाव्यता मानचित्र तैयार करें, (5) क्षेत्र में और कम लागत वाले तरीकों के साथ उच्चतम संभावना वाले क्षेत्रों का परीक्षण करें।
युक्ति: मॉडल में कच्ची परतें भरने के बजाय, भूवैज्ञानिक रूप से सार्थक मार्कर ("चुंबकीय रिंग + आर्गिलिक परिवर्तन + पोर्फिरी तांबे के लिए दोष प्रतिच्छेदन") प्राप्त करें। बेयरिंग मॉडल के साथ संगत संकेतक अंधे आँकड़ों की तुलना में कहीं अधिक मजबूत लक्ष्य उत्पन्न करते हैं।
भू-सांख्यिकी और संसाधन अनुमान: वेरियोग्राम, क्रिगिंग और ब्लॉक मॉडल
एक बार जब भंडार मिल जाता है और ड्रिल किया जाता है, तो सवाल बदल जाता है: "यहां कितनी धातु है और हम इस पर कितना भरोसा कर सकते हैं?" उत्तर के लिए नमूना ड्रिल बिंदुओं से लेकर नमूना रहित चट्टान की मात्रा तक एक्सट्रपलेशन की आवश्यकता होती है। इसके लिए मानक उपकरण भू-सांख्यिकी है।
मूल अवधारणा वेरियोग्राम है: स्थानिक निरंतरता का एक माप जो बताता है कि दो नमूने आगे बढ़ने पर ग्रेड समानताएं कैसे कम हो जाती हैं। निकटवर्ती उदाहरण समान हैं, दूर वाले स्वतंत्र हैं; वेरियोग्राम इस "समानता सीमा" को मापता है। क्रिगिंग एक भारित औसत विधि है जो प्रत्येक अनसैंपल्ड ब्लॉक के लिए ग्रेड, अनुमान और अनुमान की अनिश्चितता दोनों देने के लिए इस वैरोग्राम संरचना का उपयोग करती है। जमा को मीटर (ब्लॉक मॉडल) में मापी गई भुजाओं वाले ब्लॉकों में विभाजित किया गया है, और प्रत्येक ब्लॉक को एक ग्रेड और आत्मविश्वास दिया गया है।
आर्टिफिशियल इंटेलिजेंस यहां तीन बिंदुओं पर आती है। वेरियोग्राम मॉडलिंग में, यह वैकल्पिक मॉडल सुझाता है और फिट का मूल्यांकन करता है। मशीन लर्निंग के तरीके (उदाहरण के लिए रैंडम फ़ॉरेस्ट, ग्रेडिएंट बूस्टिंग) क्रिगिंग के अलावा नॉनलाइनियर ग्रेड संबंधों को भी पकड़ सकते हैं। और यह संपूर्ण वर्कफ़्लो की कोडिंग, जाँच और रिपोर्टिंग को गति देता है। लेकिन दो लौह नियम स्थिर रहते हैं: अनुमान अनिश्चितता को कभी भी छिपाया नहीं जा सकता है, और अंतिम संसाधन को सक्षम व्यक्ति द्वारा अंतरराष्ट्रीय मानकों (सार्वजनिक, संसाधन/आरक्षित रिपोर्टिंग के श्रव्य ढांचे, जैसे जेओआरसी, एनआई 43-101, पीईआरसी) के अनुसार मापा/संकेतित/अनुमानित वर्गों में क्रमबद्ध किया जाता है।
सावधानी: मशीन लर्निंग मॉडल ड्रिलिंग ब्रेक को "सुचारू" कर सकता है, जिससे निरंतरता बनती है जो वास्तविकता में मौजूद नहीं है। कुछ उच्च-श्रेणी के नमूने पूरे ब्लॉक को गलत तरीके से समृद्ध (अंग्रेजी में धुंधला) कर सकते हैं। उच्च मूल्यों (टॉप-कट) को सीमित करना और ब्लॉक आधार पर नमूनों की संख्या को नियंत्रित करना आवश्यक है; अन्यथा टनभार कागज पर बढ़ जाएगा।
तीन मिनी मामले: संख्याओं द्वारा
केस 1 - लक्ष्य निर्धारण प्राथमिकता। एक अन्वेषण टीम 380 किमी² लाइसेंस क्षेत्र में सीमित ड्रिलिंग बजट के साथ काम कर रही थी। सात भूभौतिकीय/भूरसायन परतों को मिलाने वाले एक संभाव्यता मानचित्र ने केवल 6% क्षेत्र को "उच्च प्राथमिकता" के रूप में चिह्नित किया। टीम ने पहले पांच अभ्यासों को इस 6% में निर्देशित किया; उनमें से तीन में महत्वपूर्ण तांबे के चौराहे पाए गए। महत्वपूर्ण बिंदु: मानचित्र ने अयस्क को "साबित" नहीं किया, ड्रिलिंग बजट पर ध्यान केंद्रित करने के लिए युक्तिसंगत बनाया और अंधा परीक्षणों की संख्या कम कर दी।
केस 2 - स्मीयरिंग का कब्जा। एक सोने के भंडार में, पहले ब्लॉक मॉडल ने 78 ग्राम/टन के एकल ओवरसैंपल के प्रभाव के कारण आसपास के ब्लॉकों को फुला दिया था, जिससे संसाधन 14% अधिक हो गया था। क्यूए/क्यूसी समीक्षा में लागू टॉप-कट (सांख्यिकीय सीमा के लिए उच्च मूल्य को कम करना) और पड़ोसी नमूना नियंत्रण के साथ भविष्यवाणी को यथार्थवादी स्तर पर लाया गया था। अंतर ने सीधे तौर पर करोड़ों डॉलर के निवेश निर्णय को प्रभावित किया।
केस 3 - वर्गीकरण अनुशासन। एक लौह परियोजना पर, मॉडल ने उच्च विश्वास के साथ संपूर्ण जमा की भविष्यवाणी की; हालाँकि, सीमांत क्षेत्रों में ड्रिलिंग घनत्व बहुत कम था। अधिकृत व्यक्ति ने आर्थिक मूल्यांकन से कम नमूने वाली मात्रा को हटा दिया, इसे "अनुमानित" में डाउनग्रेड कर दिया। इस प्रकार, रिपोर्ट सार्वजनिक रूप से प्रकट किए गए भंडार में अतिशयोक्ति से बच गई और मानक के अनुरूप रही।
कमजोर संकेत/मजबूत संकेत
कमजोर संकेत:
ड्रिलिंग उपज का विश्लेषण करें और बताएं कि जमा में कितना सोना है। [परख तालिका]
शक्तिशाली संकेत:
आपकी भूमिका: संसाधन भूसांख्यिकीविद्। निम्नलिखित यौगिक परख डेटा के साथ एक स्रोत संख्या दें। इसके बजाय:1) ग्रेड वितरण को सारांशित करें; संभावित आउटलेर्स और टॉप-कट की आवश्यकता को चिह्नित करें। 2) सुझाव दें कि स्थानिक निरंतरता के लिए किस वैरोग्राम दिशाओं की जांच की जानी चाहिए। 3) इंगित करें कि कम ड्रिलिंग घनत्व के कारण किन क्षेत्रों को केवल "छोड़े गए" के रूप में वर्गीकृत किया जा सकता है। 4) अनिश्चितता के 4 स्रोतों की सूची बनाएं जो परिणाम को प्रभावित कर सकते हैं। डेटा गुमनाम है; कोई वास्तविक निर्देशांक/कंपनी नहीं।
शक्तिशाली संकेत मॉडल को एक भी भ्रामक संख्या उत्पन्न करने से रोकता है और इसे एक सहायक में बदल देता है जो सटीक रूप से उन प्रश्नों को व्यवस्थित करता है जो प्रभारी व्यक्ति को पूछना चाहिए।
चार प्रतिलिपि योग्य टेम्पलेट
1) परत संलयन के लिए टोकन व्युत्पत्ति:
पोर्फिरी कॉपर अन्वेषण मॉडल के आधार पर निम्नलिखित परतों से सार्थक मार्कर सुझाएं: चुंबकीय, गुरुत्वाकर्षण, प्रतिरोधकता, मिट्टी भू-रसायन (Cu-Mo-Au), परिवर्तन। प्रत्येक मार्कर के लिए: जमा मॉडल से लिंक, संभावित भ्रामक स्रोत और फ़ील्ड सत्यापन विधि। सटीक लक्ष्य देना; प्राथमिकता तर्क स्थापित करें.
2) परख क्यूए/क्यूसी प्री-स्क्रीनिंग:
निम्नलिखित के लिए परख तालिका की जाँच करें: नकारात्मक/असंभव मान, पता लगाने की सीमा से नीचे संकेतों का अनुपात, इकाई विसंगति (पीपीएम/%/जी-टी), दोहराएँ नमूना समझौता, रिक्त और मानक नमूना बहाव। बस ड्रिलिंग_आईडी द्वारा मुद्दों को सूचीबद्ध करें; मूल्यांकन, सुधार.
3) वेरियोग्राम व्याख्या मसौदा:
प्रयोगात्मक वेरियोग्राम परिणामों की व्याख्या करें: सरल भाषा में समझाएं कि नगेट, रेंज और सिल का क्या मतलब है; क्या अनिसोट्रॉपी के कोई लक्षण हैं? चिह्नित करें कि सिंचाई से पहले किन निर्णयों के लिए भूविज्ञानी की मंजूरी की आवश्यकता होती है। तर्क, कोड नहीं.
4) स्रोत वर्गीकरण नियंत्रण:
ब्लॉक मॉडल में, प्रत्येक ब्लॉक के लिए: सिंचाई विचरण, अनुमान में उपयोग किए गए नमूनों की संख्या और निकटतम बोरहोल की दूरी दी गई थी। मानक तर्क के अनुसार मापित/प्रदर्शित/अनुमानित वर्ग के लिए कौन से ब्लॉक सबसे उपयुक्त हैं, इसकी एक उचित रूपरेखा दें। अंतिम वर्गीकरण अधिकृत व्यक्ति का है; यह बताएं.
तरीकों की तुलना
विधि
क्या करता है
मजबूत बिंदु
मुख्य जोखिम
विशेषज्ञ नियम (भारित परत)
जानकारी के साथ लक्ष्यों को क्रमबद्ध करें
कम डेटा के साथ काम करता है, पारदर्शी
विशेषज्ञ पूर्वाग्रह
पर्यवेक्षित एमएल लक्ष्यीकरण
ज्ञात बिस्तर से सीखता है
जटिल पैटर्न कैप्चर करता है
कुछ उदाहरणों में स्मरण
सिंचाई
टेनर अनिश्चितता के साथ भविष्यवाणी करता है
मानक, श्रव्य
वैरियोग्राम त्रुटि, धब्बा
एमएल ग्रेड अनुमान
अरैखिक संबंध
लचीला
अनिश्चितता, अति-अनुकूलन को छुपा सकते हैं
सिमुलेशन (जैसे एसजीएस)
संभाव्यता परिदृश्य उत्पन्न करता है
अनिश्चितता की कल्पना करता है
यदि गलत अर्थ निकाला जाए तो अति आत्मविश्वास
युक्ति: संसाधनों का अनुमान लगाते समय, "एकल सर्वोत्तम संख्या" के बजाय एक सीमा और परिदृश्य के बारे में पूछें। तीन आशावादी/अपेक्षित/सतर्क परिदृश्य एक ही संख्या द्वारा बनाई गई झूठी निश्चितता की तुलना में निर्णय लेने के लिए अधिक ईमानदार आधार प्रदान करते हैं।
सामान्य गलतियाँ
- एक अल्पज्ञात बिस्तर के साथ एमएल को याद कराना। पाँच बियरिंग्स के साथ प्रशिक्षित मॉडल नए क्षेत्र में अविश्वसनीय है; आउटपुट को प्राथमिकता सूची के रूप में देखें, साक्ष्य के रूप में नहीं।
- चरम मूल्यों को सीमित नहीं करना. एक भी उच्च परख, यदि टॉप-कटिंग नहीं की जाती है, तो आसपास के ब्लॉकों को गलत तरीके से समृद्ध (धब्बा) कर देगा और टन भार को बढ़ा देगा।
- अनिश्चितता की सूचना नहीं दे रहे. क्रिगिंग भिन्नता और वर्गीकरण को छिपाना और एकल आंकड़े प्रस्तुत करना मानकों और अखंडता के विरुद्ध है।
- वर्गीकरण छोड़ना. मापित के रूप में विरल नमूना मात्रा प्रस्तुत करना आर्थिक निर्णय और जनता के विश्वास से समझौता करता है।
- क्यूए/क्यूसी को छोड़ा जा रहा है। रिक्त और मानक नमूनों के साथ बहाव की प्रयोगशाला निगरानी के बिना कोई भी ग्रेड विश्वसनीय नहीं है।
सारांश
- अन्वेषण लक्ष्यीकरण बहुस्तरीय डेटा फ़्यूज़न के माध्यम से ड्रिलिंग प्राथमिकता उत्पन्न करता है; यह अयस्क को प्रमाणित नहीं करता, ब्लाइंड ट्रायल को कम करता है।
- संसाधन अनुमान वेरियोग्राम और क्रिंगिंग का उपयोग करके निश्चितता के साथ ग्रेड का अनुमान लगाता है; इसी पर ब्लॉक मॉडल बनाया गया है।
- मशीन लर्निंग शक्तिशाली है, लेकिन यह छोटे नमूनों को याद रखती है, आउटलेर्स पर ध्यान देती है और अनिश्चितता को छिपा सकती है।
- अंतिम वेल्ड को JORC/NI 43-101 जैसे मानकों के अनुसार अधिकृत योग्य व्यक्ति द्वारा वर्गीकृत और हस्ताक्षरित किया जाता है।
- मान एक भ्रामक संख्या में नहीं है; अनिश्चितता एक परीक्षण योग्य प्राथमिकता और वर्गीकरण में है जिसे ईमानदारी से रिपोर्ट किया गया है।
आवेदन कार्य
एक अज्ञात यौगिक परख तालिका (या प्रतिनिधि मान) प्राप्त करें। शक्तिशाली संकेत के साथ, मॉडल से पूछें: स्रोत आंकड़े के बजाय ओवरवैल्यू/टॉप-कट आवश्यकता, वैरोग्राम दिशानिर्देश और कम घनत्व वाले क्षेत्र। फिर "स्रोत वर्गीकरण नियंत्रण" टेम्पलेट से एक मसौदा तैयार करें कि कौन से ब्लॉक किस ट्रस्ट वर्ग में आएंगे। अंत में, देखें कि क्या मॉडल एक टन भार का आंकड़ा देने का प्रयास करता है और एक वाक्य में लिखें कि आपको इसे क्यों अस्वीकार करना चाहिए।
चेकलिस्ट
- [ ] मुझे एहसास हुआ कि अन्वेषण लक्ष्यीकरण अयस्क साबित नहीं करता है, यह ड्रिलिंग प्राथमिकता पैदा करता है।
- [ ] मैं समझा सकता हूं कि वेरियोग्राम और क्रिगिंग अनिश्चितता के साथ ग्रेड का अनुमान कैसे लगाते हैं।
- [ ] मैं स्मीयरिंग, टॉप-कट और ओवरवैल्यू के जोखिमों को पहचानता हूं और क्यूए/क्यूसी को अनिवार्य मानता हूं।
- [ ] मैं समझता हूं कि संसाधन को मानक द्वारा मापा/संकेतित/अनुमानित के रूप में वर्गीकृत किया गया है और यह अधिकृत व्यक्ति का है।
- [ ] मैंने एक ऐसा अनुशासन अपनाया जिसमें एकल संख्याओं के बजाय अनिश्चितता श्रेणियों और परिदृश्यों की आवश्यकता होती है।