Nyereség:
- Képes elmagyarázni a mesterséges intelligencia és a többrétegű adatfúzió használatát az ásványi anyagok kutatásában
- A blokkmodell és fokozatbecslés elkészítésének megértése geostatisztika (kriging, variogram) és gépi tanulás segítségével.
- Képes tesztelni a forrásbecslési kimeneteket keresztellenőrzéssel, besorolási megbízhatósággal és jelentési szabványokkal
A kutatás egy olyan fogadási játék, ahol a több millió dolláros döntések maroknyi gyakorlati minta alapján születnek. Több száz négyzetkilométeres terület alatt bújik meg egy ásványlelő (angol érctelep; ásványkincsben gazdag és elég nagy a kiaknázáshoz), amit csak ritkán fúrásokkal, geofizikai árnyékokkal és felszíni jelzőkkel "látunk". Ezért az ásványkutatás a mesterséges intelligencia egyik legizgalmasabb, de egyben legveszélyesebb alkalmazási területe: helyesen alkalmazva felgyorsítja a kutatási célzást, és több értelmet von ki a ritka adatokból; Helytelen használat esetén egy nem létező anyagot rejt a statisztikák mögé, és félrevezeti a befektetőket és a társadalmat egyaránt.
Ebben az egységben a feltárás két fő mesterséges intelligencia aspektusával foglalkozunk: a kutatási célzásra (ásványlehetőség; többrétegű adatokból megbecsülve, hogy melyik területen lehet lelőhely) és az erőforrásbecsléssel (kiszámítjuk, milyen biztonsággal tudjuk megmondani, hogy mennyi fém van egy fúrt lelőhelyen). Az AI mindkettőben hatékony mintakereső; De mindkét esetben a végső szám az illetékes személy felelőssége, aki aláírta a nemzetközi jelentési szabványokat.
Keresési célzás: Többrétegű adatfúzió
A kutatógeológus nem egyetlen típusú adatot, hanem átfedő rétegeket vizsgál: geológiai térkép, szerkezeti körvonalak (törések és gyűrődések), geofizika (mágneses, gravitációs, fajlagos ellenállás), geokémia (talaj- és patakmintaelemek értékei), valamint a távérzékeléssel feltérképezett elváltozások. Minden réteg egy halvány nyom; Az igazi jel az, ahol egymásra mutatnak. Ezt adatfúziónak nevezik.
A mesterséges intelligencia itt két feladatot lát el. Először is több tucat réteget igazít ugyanarra a koordináta rácsra (egyedülálló, fárasztó, de hibákra hajlamos feladat) egyetlen elemzési táblázatba. Másodszor, megtanulja az ismert lerakódások körüli mintát, és új területeket jelöl meg hasonló aláírással (felügyelt tanulás). De itt van egy kritikus csapda: az ismert ágyak száma gyakran nagyon kicsi (talán 5-10 ágy egy területen), így a modell könnyen megjegyzi, és új területeken meghibásodik. Éppen ezért a célzási kimenet nem egy "biztos, hogy létezik" lista, hanem egy "elsőbbségi sorrend, amelyet érdemes fúrással tesztelni".
A lépések jellemzően a következők: (1) a rétegek igazítása és tisztítása, (2) az egyes rétegek lefordítása értelmes jelzőkké az ágymodell alapján (például „hibametszéspont távolság”, „mágneses magas él”), (3) edzés ismert ágyakkal vagy súllyal szakértői szabály szerint, (4) valószínűségi térkép készítése, (5) a legmagasabb valószínűségű területek tesztelése a területen és alacsony költségű módszerekkel.
Tipp: A rétegek nyers modellbe való betáplálása helyett származtasson geológiailag értelmes markereket ("mágneses gyűrű + argillikus elváltozás + porfírréz hibametszéspontja"). A csapágymodellel kompatibilis mutatók sokkal robusztusabb célokat adnak, mint a vak statisztikák.
Geostatisztika és erőforrásbecslés: Variogram, Kriging és Block Model
Amint megtalálják és kifúrják a lelőhelyet, megváltozik a kérdés: „Mennyi fém van itt, és mennyire bízhatunk benne?” A válasz extrapolációt igényel a mintavételezett fúrási pontoktól a mintavétel nélküli kőzettérfogatig. Ennek standard eszköze a geostatisztika.
Az alapkoncepció a variogram: a térbeli folytonosság mértéke, amely leírja, hogyan csökkennek az osztályzatok hasonlóságai, amikor két minta távolabb kerül egymástól. A közeli példák hasonlóak, a távoliak függetlenek; A variogram számszerűsíti ezt a "hasonlósági tartományt". A kriging egy súlyozott átlag módszer, amely ezt a variogram-struktúrát használja az osztályzat megadására, mind a becslés, mind a becslés bizonytalanságának megadására minden mintavétel nélküli blokk esetében. A betétet méterben mért oldalakkal rendelkező tömbökre osztják (blokkmodell), és minden blokkhoz osztályozást és megbízhatóságot rendelnek.
A mesterséges intelligencia három ponton jelenik meg itt. A variogram modellezés során alternatív modelleket javasol és értékeli az illeszkedést. A gépi tanulási módszerek (pl. véletlenszerű erdő, gradiens növelés) a krigelés mellett nemlineáris fokozati összefüggéseket is rögzíthetnek. És felgyorsítja a teljes munkafolyamat kódolását, ellenőrzését és jelentését. Két vasszabály azonban állandó marad: a becslési bizonytalanság soha nem rejthető el, és a végső erőforrást az illetékes személy a nemzetközi szabványok szerint Mért/Jelzett/Kikövetkeztetett osztályokba rendezi (nyilvános, auditálható erőforrás-/tartalékjelentési keretrendszerek, mint például JORC, NI 43-101, PERC).
Vigyázat: A gépi tanulási modell „kisimíthatja” a fúrási szüneteket, és olyan folytonosságot teremthet, amely a valóságban nem létezik. Néhány kiváló minőségű példány méltánytalanul gazdagíthat (angolul elkenve) egy egész blokkot. A magas értékek korlátozása (top-cut) és a minták számának blokkalapú szabályozása elengedhetetlen; különben az űrtartalom megduzzad a papíron.
Három mini tok: a számok szerint
1. eset – Célzási prioritás. Egy kutatócsoport korlátozott fúrási költségvetéssel dolgozott egy 380 km²-es engedélyes területen. A hét geofizikai/geokémiai réteget egyesítő valószínűségi térkép a terület mindössze 6%-át jelölte meg „magas prioritásúként”. A csapat az első öt gyakorlatot ebbe a 6%-ba irányította; közülük háromban jelentős réz kereszteződéseket talált. A kritikus pont: a térkép nem "bizonyította" az ércet, ésszerűsítette, hogy hova kell összpontosítani a fúrási költségvetést, és csökkentette a vakpróbák számát.
2. eset – Elkenődés rögzítése. Egy aranylelőhelynél az első blokkmodell egyetlen 78 g/t túlminta hatására felfújta a környező blokkokat, ami 14%-kal túlbecsülte az erőforrást. Az előrejelzést reális szintre hoztuk a felső vágás (a magas értéket a statisztikai küszöbre csökkentve) és a szomszédos mintakontroll alkalmazásával a minőségbiztosítási/minőségellenőrzési felülvizsgálat során. A különbség közvetlenül érintett egy több millió dolláros befektetési döntést.
3. eset – Osztályozási fegyelem. Egy vasprojekten a modell azt mutatta, hogy nagy biztonsággal megjósolta a teljes betétet; a fúrási sűrűség azonban nagyon ritka volt a peremterületeken. A meghatalmazott a ritka mintavételű kötetet kivette a gazdasági értékelésből, „Kikövetett”-re visszaminősítette. Így a jelentés elkerülte a túlzásokat a nyilvánosan közzétett tartalékoknál, és megfelelt a szabványnak.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Elemezze a fúrási hozamot, és mondja meg, mennyi arany van a betétben [vizsgálati táblázat]
Erőteljes felszólítás:
Az Ön szerepe: Erőforrás geostatisztika. ADJA meg A FORRÁSSZÁMOT a következő vegyületvizsgálati adatokkal. Ehelyett:1) Foglalja össze az osztályzatok eloszlását; jelölje meg a lehetséges kiugró értékeket és a felülvágás szükségességét.2) Javasolja, hogy a variogram mely irányait érdemes megvizsgálni a térbeli folytonosság szempontjából.3) Jelölje meg, hogy az alacsony fúrási sűrűség miatt mely területek sorolhatók csak "Kihagyott" kategóriába.4) Soroljon fel 4 olyan bizonytalansági forrást, amely befolyásolhatja az eredményt.Az adatok névtelenek; nincsenek tényleges koordináták/cég.
Az erőteljes felszólítás megakadályozza, hogy a modell egyetlen megtévesztő számot produkáljon, és asszisztenssé változtatja, aki pontosan megszervezi azokat a kérdéseket, amelyeket a felelősnek fel kell tennie.
Négy másolható sablon
1) Token származtatás rétegösszeolvadáshoz:
Javasoljon értelmes markereket a következő rétegekből a porfírréz kutatási modell alapján: mágnesesség, gravitáció, fajlagos ellenállás, talajgeokémia (Cu-Mo-Au), elváltozás. Minden jelölőnél: link a letéti modellre, az esetleges félrevezető forrásra és a helyszíni ellenőrzési módszerre. Pontos cél megadása; Állítson fel prioritási logikát.
2) Assay QA/QC előszűrése:
Ellenőrizze a vizsgálati táblázatot a következők tekintetében: negatív/lehetetlen érték, a kimutatási határ alatti jelek aránya, egységnyi eltérés (ppm/%/g-t), ismételt mintaegyezés, vak és standard mintaeltolódás. Csak sorolja fel a problémákat a drilling_id paraméterrel; értékelés, helyesbítés.
3) Variogram értelmezési tervezet:
A kísérleti variogram eredményeinek értelmezése: közérthető nyelven magyarázza el, mit jelent a rög, a tartomány és a küszöb; Vannak anizotrópiára utaló jelek? A krigelés előtt jelölje meg, hogy mely döntésekhez van szükség geológus jóváhagyásra. Logika, nem kód.
4) Forrás besorolás ellenőrzése:
A blokkmodellben blokkonként megadtuk a kriging variancia értékét, a becsléshez használt minták számát és a legközelebbi fúrás távolságát. Adjon ÉRTELMES vázlatot arról, hogy mely blokkok illeszkednek legjobban a Mért/Megjelenített/Kikövetkeztetett osztályhoz a szabványos logika szerint. A végső besorolás az arra jogosult személyé; ezt kimondani.
Módszerek összehasonlítása
módszer
Mit tesz
erős pontja
Fő kockázat
Szakértői szabály (súlyozott réteg)
Információk alapján rendezi a célokat
Kevés adattal működik, átlátható
szakértői elfogultság
Felügyelt ML célzás
Az ismert ágyból tanul
Összetett mintát rögzít
Memorizálás néhány példában
kriging
Tenor bizonytalanul jósol
Szabványos, auditálható
Variogram hiba, elkenődés
ML fokozat becslés
nemlineáris kapcsolat
Rugalmas
Képes elrejteni a bizonytalanságot, a túlzott alkalmazkodást
Szimuláció (pl. SGS)
Valószínűségi forgatókönyveket generál
A bizonytalanságot vizualizálja
Túlzott önbizalom, ha rosszul értelmezik
Tipp: Az erőforrások becslésekor tartományt és forgatókönyvet kérjen az „egyetlen legjobb szám” helyett. Három optimista/várható/óvatos forgatókönyv sokkal őszintébb alapot ad a döntéshozatalhoz, mint az egyetlen szám által keltett hamis bizonyosság.
Gyakori hibák
- ML memorizálás készítése kevéssé ismert ággyal. Az öt csapággyal kiképzett modell megbízhatatlan az új területen; tekintse a kimenetet prioritási listaként, nem bizonyítékként.
- Nem korlátozza a szélsőséges értékeket. Egyetlen magas vizsgálat, ha nem történik felülvágás, méltánytalanul feldúsítja (elkenődik) a környező blokkokat, és felfújja a mennyiséget.
- Nem jelenti a bizonytalanságot. A Kriging variancia és osztályozás elrejtése és az egyes számok bemutatása ellentétes a szabványokkal és az integritással.
- Az osztályozás átugrása. A ritkán mintavételezett mennyiség mérésként való bemutatása veszélyezteti a gazdasági megítélést és a közbizalmat.
- QA/QC kihagyása. Egyetlen osztály sem megbízható az elsodródás laboratóriumi ellenőrzése nélkül vak és standard mintákkal.
Összefoglalva
- A feltárási célzás többrétegű adatfúzió révén fúrási prioritást generál; Nem bizonyítja az ércet, csökkenti a vakpróbát.
- Az erőforrás-becslés variogramok és krigelés segítségével biztosan becsli az osztályzatot; Erre épül a blokkmodell.
- A gépi tanulás erőteljes, de megjegyzi a kis mintákat, elkenődik a kiugró értékeken, és elrejti a bizonytalanságot.
- A végső hegesztést egy felhatalmazott, képesített személy minősíti és írja alá az olyan szabványok szerint, mint a JORC/NI 43-101.
- Az érték nem egy megtévesztő számban van; A bizonytalanság tesztelhető prioritásban és besorolásban van, amelyet őszintén jelentenek.
Pályázati feladat
Kapjon egy anonimizált vegyületvizsgálati táblázatot (vagy reprezentatív értékeket). A hatékony prompt segítségével kérje meg a modellt a következőkre: túlértékelt / felső vágási szükséglet, variogram irányok és alacsony sűrűségű régiók forrásadat helyett. Ezután a "forrás osztályozási vezérlő" sablon készítsen egy vázlatot arról, hogy mely blokkok melyik megbízhatósági osztályba fognak beleesni. Végül figyeld meg, hogy a modell megpróbál-e egyetlen tonnaszámot megadni, és írd le egy mondatban, hogy miért utasítsd el!
ellenőrző lista
- [ ] Rájöttem, hogy a kutatási célzás nem ércet bizonyít, hanem fúrási prioritást állít elő.
- [ ] Meg tudom magyarázni, hogy a variogram és a kriging hogyan becsüli a fokozatot bizonytalansággal.
- [ ] Felismerem az elkenődés, a felső vágás és a túlértékelés kockázatát, és kötelezőnek tartom a minőségbiztosítást/minőségellenőrzést.
- [ ] Tudomásul veszem, hogy az erőforrás a szabvány szerint Mért/Jelzett/Kikövetkeztetett besorolású, és az arra jogosult személyé.
- [ ] Olyan diszciplínát alkalmaztam, amely bizonytalansági tartományokat és forgatókönyveket ír elő egyedi számok helyett.