Dobici:
- Sposobnost objašnjenja upotrebe umjetne inteligencije i spajanja višeslojnih podataka u istraživanju minerala
- Razumijevanje izrade blok modela i procjene ocjene korištenjem geostatistike (kriging, variogram) i strojnog učenja.
- Sposobnost testiranja izlaza procjene izvora s unakrsnom provjerom, pouzdanošću klasifikacije i standardima izvješćivanja
Istraživanje je igra klađenja u kojoj se višemilijunske odluke temelje na šačici uzoraka bušotine. Ležište minerala (engleski ore deposit; akumulacija minerala bogata i dovoljno velika da se može eksploatirati) krije se pod površinom od stotina četvornih kilometara, a mi ga "vidimo" samo rijetkim bušenjem, geofizičkim sjenama i površinskim oznakama. Zato je istraživanje minerala jedno od najuzbudljivijih, ali i najopasnijih područja primjene umjetne inteligencije: kada se pravilno koristi, ubrzava ciljanje istraživanja i izvlači više značenja iz rijetkih podataka; Kada se koristi pogrešno, iza statistike skriva nepostojeću tvar i dovodi u zabludu i investitore i društvo.
U ovoj ćemo jedinici pokriti dva glavna aspekta istraživanja pomoću umjetne inteligencije: ciljanje istraživanja (prospektivnost minerala; procjena iz višeslojnih podataka na kojem se području vjerojatno nalazi ležište) i procjena resursa (izračunavanje s kojom sigurnošću možemo reći koliko metala ima u izbušenom ležištu). U oba je AI moćan pronalazač uzoraka; Ali u oba slučaja za konačnu brojku odgovorna je nadležna osoba koja je potpisala međunarodne standarde izvješćivanja.
Ciljanje pretraživanja: spajanje višeslojnih podataka
Istraživački geolog ne promatra samo jednu vrstu podataka, već slojeve koji se preklapaju: geološka karta, strukturne konture (rasjedi i nabori), geofizika (magnetska, gravitacijska, otpornost), geokemija (vrijednosti elemenata uzoraka tla i potoka) i promjene mapirane daljinskim očitavanjem. Svaki sloj je slabašan trag; Pravi signal je mjesto gdje pokazuju zajedno. To se zove fuzija podataka.
Umjetna inteligencija ovdje radi dva posla. Prvo, poravnava desetke slojeva na istu koordinatnu mrežu (jedinstven, zamoran zadatak sklon pogreškama) u jednu tablicu analize. Drugo, uči uzorak oko poznatih naslaga i označava nova područja sličnim potpisom (nadzirano učenje). Ali ovdje postoji kritična zamka: broj poznatih kreveta često je vrlo mali (možda 5-10 kreveta u jednom području), tako da model lako pamti i ne uspijeva u novim područjima. Zato rezultat ciljanja nije popis "siguran dragulj postoji", već "redoslijed prioriteta vrijedan testiranja bušenjem".
Koraci su obično sljedeći: (1) poravnajte i očistite slojeve, (2) prevedite svaki sloj u smisleni token na temelju modela kreveta (npr. "udaljenost do rasjeka rasjeda", "magnetski visoki rub"), (3) trenirajte s poznatim slojevima ili težinom s ekspertnim pravilom, (4) izradite mapu vjerojatnosti, (5) testirajte područja najveće vjerojatnosti na terenu i s jeftinim metodama.
Savjet: Umjesto unosa sirovih slojeva u model, izvedite geološki značajne markere ("magnetski prsten + argilna alteracija + presjek rasjeda za porfirni bakar"). Indikatori kompatibilni s modelom smjera daju puno robusnije ciljeve od slijepe statistike.
Geostatistika i procjena resursa: Variogram, Kriging i blok model
Nakon što se ležište pronađe i izbuši, pitanje se mijenja: "Koliko metala ima ovdje i koliko mu možemo vjerovati?" Odgovor zahtijeva ekstrapolaciju iz uzorkovanih točaka bušenja na neuzorkovani volumen stijene. Standardni alat za to je geostatistika.
Osnovni koncept je variogram: mjera prostornog kontinuiteta koja opisuje kako se sličnosti ocjena smanjuju kako se dva uzorka dalje udaljavaju. Bližnji su primjeri slični, daleki su samostalni; Variogram kvantificira ovaj "raspon sličnosti". Kriging je metoda ponderiranog prosjeka koja koristi ovu strukturu variograma za davanje ocjene, i procjene i nesigurnosti procjene, za svaki neuzorkovani blok. Ležište je podijeljeno na blokove sa stranicama mjerenim u metrima (blok model), a svakom bloku je dodijeljena ocjena i pouzdanost.
Umjetna inteligencija ovdje dolazi na tri mjesta. U modeliranju variograma, predlaže alternativne modele i ocjenjuje prilagodbu. Metode strojnog učenja (npr. nasumična šuma, povećanje gradijenta) mogu uhvatiti nelinearne odnose ocjena uz kriging. I ubrzava kodiranje, provjeru i izvješćivanje cijelog tijeka rada. Ali dva željezna pravila ostaju konstantna: neizvjesnost procjene nikada se ne može sakriti, a konačni resurs razvrstava kompetentna osoba u klase Izmjereno/Naznačeno/Pretpostavljeno prema međunarodnim standardima (javni, revizijski okviri izvješćivanja o resursima/rezervama, kao što je JORC, NI 43-101, PERC).
Oprez: model strojnog učenja može "izgladiti" prekide bušenja, stvarajući kontinuitet koji u stvarnosti ne postoji. Nekoliko visokokvalitetnih primjeraka može nepravedno obogatiti (englesko razmazivanje) cijeli blok. Ograničenje visokih vrijednosti (top-cut) i kontrola broja uzoraka na bazi bloka su ključni; inače će tonaža nabubriti na papiru.
Tri mini kućišta: po brojevima
Slučaj 1 — Određivanje prioriteta ciljanja. Istraživački tim radio je s ograničenim budžetom za bušenje u licenciranom području od 380 km². Karta vjerojatnosti koja spaja sedam geofizičkih/geokemijskih slojeva označila je samo 6% područja kao "visokog prioriteta". Tim je prvih pet vježbi usmjerio na ovih 6%; pronašli su značajna presjeka bakra u tri od njih. Kritična točka: karta nije "dokazala" rudu, racionalizirala gdje treba usmjeriti proračun za bušenje i smanjila broj slijepih ispitivanja.
Slučaj 2 — Snimanje razmazivanja. Na jednom nalazištu zlata, model prvog bloka je napuhao okolne blokove zbog utjecaja jednog pretjeranog uzorka od 78 g/t, precijenivši resurs za 14%. Predviđanje je dovedeno na realnu razinu uz top-cut (smanjenje visoke vrijednosti na statistički prag) i susjednu kontrolu uzorka primijenjenu u QA/QC pregledu. Razlika je izravno utjecala na odluku o investiciji vrijednoj više milijuna dolara.
Slučaj 3 — Klasifikacijska disciplina. Na projektu željeza, model je pokazao predviđanje cijelog ležišta s velikom pouzdanošću; međutim, gustoća bušenja bila je vrlo rijetka u rubnim područjima. Ovlaštena osoba uklonila je rijetko uzorkovani volumen iz ekonomske procjene, degradirajući ga na "Zaključeno". Time je izvješće izbjeglo pretjerivanje u javno objavljenim rezervama i ostalo u skladu sa standardom.
Slab upit / Jak upit
Slab upit:
Analizirajte prinos bušenja i recite koliko zlata ima u ležištu.[tablica ispitivanja]
Snažan upit:
Vaša uloga: Geostatističar resursa. DAJTE BROJ IZVORA sa sljedećim podacima o ispitivanju spojeva. Umjesto toga: 1) Sažmite distribuciju ocjena; označite moguće vanjske vrijednosti i potrebu za gornjim rezom.2) Predložite koje smjerove variograma treba ispitati za prostorni kontinuitet.3) Navedite koja se područja mogu klasificirati samo kao "Izostavljena" zbog niske gustoće bušenja.4) Navedite 4 izvora nesigurnosti koji bi mogli utjecati na rezultat. Podaci su anonimni; nema stvarnih koordinata/tvrtke.
Moćni prompt sprječava model da proizvede jedan lažni broj i pretvara ga u pomoćnika koji organizira točno ona pitanja koja odgovorna osoba treba postaviti.
Četiri predloška za kopiranje
1) Izvođenje tokena za fuziju slojeva:
Predložite smislene markere iz sljedećih slojeva na temelju modela istraživanja porfirskog bakra: magnetski, gravitacijski, otpornost, geokemija tla (Cu-Mo-Au), alteracija. Za svaki marker: poveznica na model depozita, mogući obmanjujući izvor i način provjere na terenu. Davanje preciznog cilja; Uspostavite prioritetnu logiku.
2) Prethodni pregled QA/QC analize:
U tablici s analizama provjerite sljedeće: negativna/nemoguća vrijednost, udio znakova ispod granice detekcije, odstupanje jedinica (ppm/%/g-t), ponavljanje slaganja uzorka, pomak slijepog i standardnog uzorka. Samo navedite probleme prema drilling_id; procjena, ispravak.
3) Nacrt interpretacije variograma:
Interpretirati eksperimentalne rezultate variograma: objasniti jednostavnim jezikom što znače grumen, raspon i prag; Postoje li znakovi anizotropije? Označite za koje odluke je potrebno odobrenje geologa prije kriginga. Logika, ne šifra.
4) Kontrola klasifikacije izvora:
U blok modelu, za svaki blok je dana: kriging varijanca, broj uzoraka korištenih u procjeni i udaljenost do najbliže bušotine. Dajte RAZUMAN pregled koji blokovi najbolje odgovaraju klasi Izmjereno/Prikazano/Zaključeno prema standardnoj logici. Konačna klasifikacija pripada ovlaštenoj osobi; navedite ovo.
Usporedba metoda
metoda
Što znači
jaka točka
Glavni rizik
Stručno pravilo (ponderirani sloj)
Razvrstava ciljeve s informacijama
Radi s malo podataka, transparentan
stručna pristranost
Nadzirano ML ciljanje
Uči iz poznatog kreveta
Hvata složeni uzorak
Učenje napamet u nekoliko primjera
kriging
Tenor predviđa s nesigurnošću
Standardno, revizijsko
Greška variograma, razmazivanje
ML ocjena ocjene
nelinearni odnos
Fleksibilan
Može sakriti neizvjesnost, pretjerano prilagođavanje
Simulacija (npr. SGS)
Generira scenarije vjerojatnosti
Vizualizira neizvjesnost
Pretjerano samopouzdanje ako se pogrešno protumači
Savjet: kada procjenjujete resurse, tražite raspon i scenarij, a ne "jedan najbolji broj". Tri optimistična/očekivana/oprezna scenarija pružaju mnogo pošteniju osnovu za donošenje odluka od lažne sigurnosti koju stvara jedan broj.
Uobičajene greške
- Izrada ML memoriranja s malo poznatim krevetom. Model treniran s pet ležajeva nepouzdan je u novom polju; promatrajte rezultat kao listu prioriteta, a ne kao dokaz.
- Ne ograničavajući ekstremne vrijednosti. Jedna visoka analiza, ako se ne izvrši rezanje vrha, nepravedno će obogatiti (zaprljati) okolne blokove i napuhati tonažu.
- Bez izvješćivanja o neizvjesnosti. Skrivanje Kriging varijance i klasifikacije te predstavljanje pojedinačnih brojki protivno je standardima i integritetu.
- Preskakanje klasifikacije. Predstavljanje rijetko uzorkovanog volumena kao izmjerenog dovodi u pitanje ekonomsku prosudbu i povjerenje javnosti.
- Preskakanje QA/QC. Nijedna ocjena nije pouzdana bez laboratorijskog praćenja pomaka sa slijepim i standardnim uzorcima.
Ukratko
- Ciljanje istraživanja generira prioritet bušenja kroz višeslojnu fuziju podataka; Ne dokazuje rudu, smanjuje slijepo suđenje.
- Procjena resursa procjenjuje ocjenu sa sigurnošću koristeći variograme i kriging; Blok model je izgrađen na tome.
- Strojno učenje je moćno, ali pamti male uzorke, razmazuje izvanredne vrijednosti i može prikriti nesigurnost.
- Završni zavar je klasificiran i potpisan od strane ovlaštene kvalificirane osobe prema standardima kao što je JORC/NI 43-101.
- Vrijednost nije u jednom varljivom broju; Nesigurnost je u provjerljivom prioritetu i klasifikaciji koja je pošteno objavljena.
Zadatak aplikacije
Primite anonimiziranu tablicu ispitivanja spojeva (ili reprezentativne vrijednosti). S moćnim upitom, umjesto izvorne brojke, zatražite od modela: pretjeranu vrijednost/vrhunsku potrebu, smjerove variograma i područja niske gustoće. Zatim neka predložak "kontrole klasifikacije izvora" proizvede nacrt koji će blokovi spadati u koju klasu povjerenja. Na kraju, promatrajte pokušava li model dati jednu brojku tonaže i u jednoj rečenici napišite zašto biste ga trebali odbiti.
popis za provjeru
- [ ] Shvatio sam da ciljanje istraživanja ne dokazuje rudu, ono proizvodi prioritet bušenja.
- [ ] Mogu objasniti kako variogram i kriging procjenjuju ocjenu s nesigurnošću.
- [ ] Shvaćam rizike razmazivanja, reza i precijenjenja i smatram QA/QC obaveznim.
- [ ] Razumijem da je resurs klasificiran kao izmjereno/naznačeno/pretpostavljeno standardom i da pripada ovlaštenoj osobi.
- [ ] Usvojio sam disciplinu koja zahtijeva raspone nesigurnosti i scenarije umjesto pojedinačnih brojeva.