Analisi dei dati minerari con Python e le frontiere dell'intelligenza artificiale — L'intelligenza artificiale nell'ingegneria mineraria

Guadagni:

Capacità di produrre script che puliscono e visualizzano dati di perforazione, produzione e monitoraggio con Python, con supporto AI
Capacità di riconoscere la qualità dei dati, i rischi di overlearning e di estrapolazione durante la creazione di semplici modelli di previsione e anomalia
Capacità di verificare il codice generato dall'intelligenza artificiale e i risultati con controllo dell'unità, calcolo indipendente e plausibilità ingegneristica

In ogni unità di questo modulo hai visto che l'intelligenza artificiale è potente nella codifica: pulizia dei pozzi, bilancio di massa, scheletro del kriging, riepilogo della flotta, analisi delle vibrazioni, scansione ambientale. Quest'ultima unità si concentra su Python, lo strumento concreto per quel codice, e la disciplina adeguata per generare codice con l'intelligenza artificiale. Python è diventato lo standard de facto nell'analisi dei dati minerari perché è gratuito, dispone di potenti librerie (pandas: manipolazione di dati tabulari; numpy: calcolo numerico; matplotlib: tracciatura; scikit-learn: apprendimento automatico) e automatizza le attività ripetitive. L'intelligenza artificiale moltiplica la velocità con cui scrivi quel codice; ma il codice che produce non è sempre corretto. Il principio centrale di questa unità: non eseguire mai il codice scritto dall'IA senza prima leggerlo, convalidare la sua unità e testarlo con una piccola quantità di dati noti. Il codice potrebbe produrre silenziosamente il risultato sbagliato, il che può trasformarsi in una cattiva decisione ingegneristica nel mining.

Flusso di base della generazione di codice con l'intelligenza artificiale

Ottenere il codice dall'intelligenza artificiale è un ciclo di ingegneria, non una conversazione:

Descrivi chiaramente il compito. Input (colonne, unità, riga campione), output desiderato e vincoli. Una richiesta ambigua produce codice ambiguo.
Chiedi che sia piccolo e leggibile. Richiedi un codice commentato passo dopo passo anziché una funzione enorme.
Leggere e comprendere. Comprendi cosa fa ogni riga; Non eseguire codice che non capisci.
Prova con piccoli dati. Eseguilo manualmente con 5-10 righe di cui conosci i risultati e verifica l'output previsto.
Casi limite delle domande. Cella vuota, valore negativo, mescolamento di unità, record ripetuto Come si comporta il codice?
Ridimensionare e controllare la logica. Esegui su tutti i dati; Il risultato è tecnicamente ragionevole?

Suggerimento: gli errori più comuni che inseriscono il codice AI sono silenziosi: nome della colonna errato, combinazione di unità (m vs ft, g/t vs ppm), righe eliminate silenziosamente (come dropna), media errata (media semplice quando dovrebbe essere ponderata). Questi non causano errori; Produce semplicemente il numero sbagliato. Quindi "non ho ricevuto alcun errore" non significa mai "corretto".

Attività tipiche di Python nel mining

Pulizia dei dati: unione di tabelle di perforazione/produzione/monitoraggio, segnalazione di incoerenze, normalizzazione delle unità.
Riepilogo e visualizzazione: istogramma, serie temporali, curva qualità-tonnellaggio, grafici OEE.
Statistica e geostatistica: Statistica riassuntiva, correlazione, variogramma/kriging (con apposite librerie).
Rilevamento delle anomalie: acquisizione della deriva basata su soglia o semplice modello.
Semplici modelli di previsione: ad esempio, relazione tra macinazione e resa con regressione.

Per la maggior parte di queste attività, l’intelligenza artificiale fornisce un eccellente codice iniziale. Ma ci sono due insidie: la qualità dei dati e i limiti del modello. Conoscere entrambi è fondamentale per utilizzare il codice AI in modo sicuro.

Limiti del modello: overlearning ed estrapolazione

I semplici modelli predittivi che l’intelligenza artificiale costruisce facilmente sono vulnerabili a due rischi principali. Overfitting: il modello memorizza i dati di addestramento ma funziona male con i nuovi dati; La costruzione di modelli complessi con pochi dati invita a questo. Estrapolazione: il modello diventa inaffidabile quando è costretto a fare una previsione su un intervallo esterno ai dati di addestramento; Ad esempio, un modello appreso nell'intervallo 0,3-0,8 g/t può fornire risultati privi di significato per 5 g/t. L’intelligenza artificiale non gestisce “spontaneamente” questi rischi per te; Sta a te leggere il modello in modo critico, fare la distinzione tra allenamento e test, osservare l'intervallo di confidenza e verificare se la previsione è fisicamente plausibile. Non importa quanto accurato possa apparire il numero di modello, non può costituire la base per una decisione ingegneristica al di fuori dell'intervallo di dati.

tre mini custodie

Caso 1: errore del volume silenzioso. Un ingegnere vuole un codice che permetta all'intelligenza artificiale di calcolare il voto medio dai dati del test. Il codice funziona, il risultato è 2,1 g/t. L'ingegnere legge il codice; Si noti che la media non viene ponderata in base alla durata dell'intervallo, ma viene considerata come una media lineare. I voti alti a intervalli brevi stavano ingiustamente aumentando di peso. Passando alla media ponderata il valore scende a 1,7 g/t. Il codice non ha dato errori; la lettura ha rilevato l'errore.

Caso 2 — Caduta silenziosa della linea. In un codice di riepilogo della produzione, l'IA ha ripulito le righe con valori mancanti con dropna. Il codice funziona correttamente, ma il tonnellaggio totale è sottostimato perché alcune righe valide sono state eliminate del tutto a causa di una singola colonna vuota. Quando l'ingegnere confronta il numero di linee tra ingresso e uscita, vede la differenza e corregge la logica di pulizia. Lezione: confrontare sempre il numero di linee di input e di output.

Caso 3 – Trappola dell’estrapolazione. Un team applica un modello di regressione appreso nella fascia di basso grado a un'area di alto grado; Il modello fornisce una stima del rendimento assurdamente elevata. Fortunatamente, l'ingegnere respinge il risultato, affermando che "questa zona è molto al di fuori dell'intervallo visto dal modello" e richiede test metallurgici. Lezione: conoscere l'intervallo di dati a cui è valido il modello; Non utilizzare una stima fuori dallo stato.

Modelli di prompt copiabili

CODICE DI PULIZIA DEI DATI SICURO "Ruolo: sei un assistente analista di dati Python. Scrivi codice con panda che pulisce la seguente tabella. Colonne e unità: [elenco]. Regole: (1) stampa il numero di righe PRIMA e DOPO l'eliminazione delle righe; (2) segnala quali righe sono state eliminate e perché; (3) conversioni di unità di commento; (4) utilizza la media ponderata dove necessario anziché semplice. Spiega ogni passaggio con una riga di commento. "

RICHIESTA DI REVISIONE DEL CODICE"Spiega il seguente codice Python riga per riga e sottolinea i seguenti punti di rischio: presupposto errato del nome di colonna, confusione di unità, eliminazione silenziosa delle righe, errore medio piatto/ponderato, comportamento dei casi limite (nullo/negativo). NON CORREGGERE il codice; elenca solo i rischi. Codice: [incolla]."

IMPOSTAZIONE TEST CON DATI PICCOLI "Per questa funzione, produco manualmente piccoli dati di test (5-6 righe) di cui conosco il risultato e l'output atteso; scrivo un blocco di test che controlli se la funzione funziona correttamente su questi dati. Testa anche i casi estremi (cella vuota, negativo, valore estremo dell'unità). Funzione: [incolla]."

MODELLO SEMPLICE + AVVISO CONFINE"Imposta una regressione semplice per [x -> y] con i seguenti dati. Distingue tra training/test, riporta la metrica dell'errore e indica chiaramente l'intervallo di x su cui il modello è VALIDO. Avvisa se le previsioni vengono fatte FUORI da questo intervallo. Commenta il rischio di sovrallenamento e scarsità di dati. Dati: [incolla]."

Prompt debole / Prompt forte

PROMPT DEBOLE: "Calcola il voto medio da questi dati."

RICHIESTA FORTE: "Ruolo: sei un assistente Python. Colonne: HoleID, From(m), To(m),Au(g/t). Calcola il voto medio PONDERATO con la lunghezza dell'intervallo. Codice: (1) stampa il numero di righe di input/output; (2) riporta valori nulli/negativi prima di rilasciarli; (3) conferma il presupposto dell'unità. Mostra anche i totali parziali in modo da poter verificare manualmente il risultato. Dati: [incolla]."

Tabella comparativa: rischio e precauzione

Rischio

sintomo

precauzione

Interferenza dell'unità

Numero ragionevole ma sbagliato

Commenta l'unità nel codice, controllala

Caduta silenziosa della linea

Manca il totale

Confronta il numero di linee di input/output

Media normale vs ponderata

media sbagliata

Verificare la ponderazione

apprendimento eccessivo

Pessimo sui dati dei test

Separazione formazione/test: mantieni la semplicità

estrapolazione

Ipotesi senza senso fuori portata

Limita l'intervallo valido

Errori comuni

Eseguire il codice senza leggerlo. "Non ha ricevuto alcun errore" non significa che sia vero.
Non testare con dati piccoli. La fiducia senza un esempio verificabile è falsa.
Non confrontare il numero di linee di input/output. È così che fuggono le perdite silenziose.
Ignorando la gamma di modelli. Le stime di estrapolazione non sono affidabili.
Fidarsi della bellezza del grafico. Un grafico elegante può nascondere il numero sbagliato.

Attenzione: se il codice AI entra in un account tecnico, quel codice è altrettanto responsabile quanto un account. Ogni volta che il risultato diventa una decisione di mining, esegui il codice e il suo output attraverso un controllo logico indipendente e, se possibile, confrontalo con un secondo metodo.

In sintesi

Python è lo strumento di fatto per l'analisi dei dati di mining e l'intelligenza artificiale aumenta notevolmente la velocità con cui li scrivi. Ma il codice AI può nascondere bug silenziosi (confusione di unità, eliminazione di righe, media errata) e trappole del modello (apprendimento eccessivo, estrapolazione). Flusso sicuro: descrivi chiaramente, vuoi che sia piccolo e leggibile, leggi e comprendi, testa con piccoli dati noti, interroga casi limite, scala e verifica logica. L'output di un modello non può costituire la base per una decisione al di fuori dell'intervallo di dati; e ogni codice ha la stessa responsabilità di un account se si trasforma in una decisione mineraria.

Compito dell'applicazione

Utilizzare il modello "Codice di sanificazione dei dati sicuri" con un'attività di media dei voti o di riepilogo della produzione per ottenere il codice dall'IA; Riduci i rischi del codice con il modello "Richiesta di revisione del codice". Quindi, con il modello "Configurazione di test con dati di piccole dimensioni", crea manualmente un set di dati di cui conosci i risultati e verifica il codice. Infine, per una relazione semplice, imposta un modello con il modello "Modello semplice + avviso limite" e verifica che fornisca un avviso quando esce dall'intervallo valido.

lista di controllo

[ ] Ho letto il codice AI e ho capito ogni riga, non l'ho eseguito alla cieca.
[] L'ho testato con piccoli dati verificabili manualmente.
[ ] Ho confrontato il numero di linee di input e di output.
[ ] Ho verificato la coerenza e la ponderazione delle unità.
[ ] Ho limitato l'intervallo di dati validi del modello, evitando l'estrapolazione.
[ ] Ho controllato il risultato, che si è trasformato in una decisione, con logica/secondo metodo indipendente.

Esame del modulo

1. Uno stagista chiede allo strumento di chat AI la qualità media del giacimento minerario e scrive il valore risultante di "1,8 g/t oro" direttamente nel rapporto di riserva. Qual è l’errore fondamentale in questo approccio?

A) Il valore della pendenza deve provenire dai dati di perforazione/analisi del progetto e dalle previsioni verificate; Il numero generato dall'IA potrebbe essere un'invenzione senza fonte ✔
B) Si sarebbe dovuto chiedere l'AI in once invece che in grammi
C) Il valore è corretto, avrebbe dovuto essere utilizzato solo un punto al posto della virgola
D) È sufficiente porre all'IA la stessa domanda tre volte e fare la media

Spiegazione: Il modello linguistico non conosce i dati di perforazione del tuo progetto; produce un numero che sembra molto probabile (allucinazione). Il voto deriva solo dai dati di perforazione compositi del progetto e dalla stima geostatistica; L'output dell'IA non può essere incluso nel report senza l'approvazione di una persona competente.

2. Cosa consente la "classificazione basata sul rischio" nell'uso dell'intelligenza artificiale nell'ingegneria mineraria?

A) Abbassare il prezzo dello strumento AI
B) Determinare il ruolo dell'IA e la profondità obbligatoria della verifica in base al livello di rischio del compito ✔
C) I suggerimenti dovrebbero essere scritti più brevi
D) Delegare automaticamente tutte le decisioni all'AI

Spiegazione: non tutte le missioni presentano lo stesso livello di rischio. Classificare l'attività come bassa/media/alta/critica determina quale output può essere utilizzato liberamente e quale richiede la verifica standard e sul campo e l'approvazione di un tecnico competente.

3. Cosa significa il modello "variogramma" in geostatistica?

A) Consumo di carburante dell'attrezzatura
B) Variazione del prezzo del metallo nel tempo
C) Continuità spaziale in funzione della distanza; ✔ come la somiglianza diminuisce man mano che i punti si allontanano
D) La frequenza di vibrazione creata dalla sabbiatura

Descrizione: Il variogramma descrive come la somiglianza dei campioni tra loro diminuisce (continuità spaziale) all'aumentare della distanza tra due punti. Kriging utilizza questo modello per stimare i punti non misurati con un margine di incertezza.

4. Qual è l'approccio migliore quando l'intelligenza artificiale preclassifica la litologia dalla fotografia del carotaggio?

A) Elaborazione del tipo di roccia fornito dall'AI direttamente nel registro di perforazione
B) Copiare il testo di AI nel rapporto senza esaminare affatto la foto
C) Annullando l'osservazione del geologo e affidandosi esclusivamente all'intelligenza artificiale
D) Considerare l'output come una previsione/ipotesi preliminare e verificarla con l'osservazione del geologo e l'analisi di laboratorio ✔

Descrizione: l'intelligenza artificiale può generare una previsione e un elenco di attenzione dall'immagine; Tuttavia, la decisione finale sulla litologia/alterazione viene presa dall'osservazione del geologo e dalle analisi di laboratorio. L’output dell’AI è un inizio, un’ipotesi da verificare.

5. Cosa significa "rapporto di strippaggio" nella progettazione di fosse a cielo aperto?

A) La quantità di ruggine (roccia di scarto) che deve essere rimossa per raggiungere un'unità di minerale ✔
B) Percentuale di metallo nel minerale
C) Numero giornaliero di viaggi dei camion
D) La quantità di esplosivo utilizzato nell'esplosione

Descrizione: Il tasso di stripping è la quantità di rifiuti (strip/rifiuti) che deve essere rimossa per ottenere un'unità di minerale. Il limite finale della fossa e l'economia dipendono in gran parte da questo rapporto; Anche se l’intelligenza artificiale genera scenari, la decisione sui confini spetta all’ingegnere competente.

6. Cosa significa nella manutenzione predittiva quando l'intelligenza artificiale trova "anomalie" nei dati di vibrazione e temperatura?

A) Prova che l'attrezzatura ha sicuramente fallito
B) Un avviso che i dati si discostano dalla norma; Non è una diagnosi definitiva di malfunzionamento, ma un segno che necessita di essere confermato dall'esame obiettivo ✔
C) Ordinare l'arresto automatico dell'apparecchiatura
D) Garantire che i dati siano stati registrati in modo errato

Spiegazione: Un'anomalia è una deviazione dei dati dal comportamento normale e può indicare un malfunzionamento; ma non è una diagnosi definitiva. La decisione di fermare l'attrezzatura o sostituire le parti viene presa previo esame fisico della squadra di manutenzione e l'approvazione del responsabile operativo.

7. Cosa è essenziale per la sicurezza quando si utilizza l’intelligenza artificiale nella progettazione di perforazioni?

A) Attuazione della raccomandazione sull’IA direttamente sul campo
B) Saltare la misurazione delle vibrazioni
C) Verifica del progetto proposto da AI con misurazione sul campo, limite normativo e approvazione di un esperto di sabbiatura autorizzato ✔
D) Fissare la quantità di esplosivi con il massimo dato dall'IA

Descrizione: Sabbiatura; Comporta gravi rischi normativi e di sicurezza come vibrazioni, shock atmosferici e pietre volanti. L’intelligenza artificiale può produrre uno schizzo di progettazione e raccomandazioni sui parametri; Tuttavia, il progetto finale deve superare le misurazioni sul campo, i limiti normativi e l'approvazione dell'esperto autorizzato (detonatore/responsabile).

8. Qual è la relazione tipica tra "recupero" e "grado concentrato" nella lavorazione dei minerali e cosa dovrebbe ricordare l'intelligenza artificiale quando lo interpreta?

R) I due aumentano sempre insieme
B) Non esiste alcuna relazione tra loro
C) Il rapporto è costante e uguale in tutte le strutture
D) Di solito c'è un equilibrio inverso (la resa diminuisce all'aumentare del grado); i valori effettivi devono essere verificati mediante test metallurgici e bilancio di massa ✔

Spiegazione: Generalmente, quando si cerca di ottenere una qualità più concentrata, la resa diminuisce (equilibrio qualità-resa). L’intelligenza artificiale può spiegare questa tendenza, ma i valori operativi effettivi devono essere confermati da test metallurgici e dal bilancio di massa; la tendenza generale non sostituisce la realtà specifica del sito.

9. Qual è l'uso più appropriato dell'analisi dei dati di quasi incidenti/incidenti con l'intelligenza artificiale nella sicurezza sul lavoro?

A) Classificare i record di testo libero ed estrarre modelli di rischio ricorrenti; Lascia la decisione all'esperto OHS ✔
B) Determinare automaticamente il colpevole degli incidenti
C) Delegare ordini di sospensione del lavoro ad AI
D) Archiviare le registrazioni dei mancati incidenti senza esaminarli

Descrizione: l'intelligenza artificiale può classificare grandi quantità di record di testo libero ed estrarre rapidamente modelli ripetitivi e condizioni rischiose. Tuttavia, la decisione di interrompere un lavoro, evacuare un'area o causare la causa principale viene presa nell'ambito dell'esperto OHS e della legislazione; L’output dell’IA è un input, non una decisione.

10. Perché l'"accelerazione del tasso di deformazione" è un segno critico nei dati radar/prismatici nel monitoraggio dei pendii?

R) Indica sicuramente che il dispositivo di misurazione è rotto.
B) Può preannunciare una sconfitta progressiva; L'allarme tempestivo e la decisione di evacuazione spettano all'ingegnere geotecnico ✔
C) Dimostra che la pista è completamente sicura
D) Ha significato solo in caso di precipitazioni e può essere ignorato

Spiegazione: prima dei cedimenti dei pendii si osserva generalmente un aumento graduale della velocità di deformazione (accelerazione); Questo potrebbe essere un segno di progressivo fallimento. L'intelligenza artificiale può evidenziare la tendenza, ma la decisione di evacuazione/allarme rapido viene presa dall'analisi e dal protocollo dell'ingegnere geotecnico.

11. Nel monitoraggio ambientale, qual è la risposta più accurata a un segnale di "superamento" che l'IA trova in una serie temporale della qualità dell'acqua?

A) Segnalare i risultati dell’IA direttamente all’agenzia governativa
B) Ignora l'avviso e continua a guardare
C) Verificare con risultato di laboratorio accreditato, limite normativo e valutazione ingegneristica ambientale ✔
D) Affidarsi solo all’intelligenza artificiale e annullare le analisi di laboratorio

Descrizione: l'IA può segnalare tempestivamente una possibile violazione; Tuttavia, la decisione ufficiale di conformità viene presa mediante analisi di laboratori accreditati, valori limite nella legislazione e valutazione dell'ingegnere ambientale. L’output dell’IA è un avviso di screening, non una decisione legale/tecnica.

12. Qual è il modo più affidabile per evitare di ottenere un riferimento inventato (allucinatorio) quando si chiede all'AI il numero della clausola di uno standard come JORC o NI 43-101?

A) Basandosi sul numero dell'oggetto fornito dall'IA
B) Rifare la stessa domanda con parole diverse
C) Guardare un post sul blog invece dello standard
D) Aprire e confermare ogni riferimento di articolo dal testo ufficiale vigente della norma e ottenere l'approvazione da parte di una persona competente ✔

Spiegazione: Sebbene il modello linguistico conosca correttamente il nome dello standard, può avere allucinazioni sul numero dell'articolo e sul testo. Ogni riferimento alla sostanza deve essere aperto e confermato dal testo ufficiale vigente della norma e la conformità finale deve essere confermata dalla persona competente (CP/QP).

13. Qual è il controllo più critico prima di eseguire uno script di analisi Python scritto dall'intelligenza artificiale?

A) Lettura del codice e verifica dell'abbinamento unità/colonna, test con piccoli dati noti e verifica della plausibilità del risultato ✔
B) Eseguire il codice direttamente sull'intero set di dati senza leggerlo
C) Basta vedere che non ci sono errori e accettare il risultato
D) Fare affidamento sulla grafica dell'output per avere un bell'aspetto.

Descrizione: il codice AI può mescolare unità, assumere nomi di colonne in modo errato o eliminare righe silenziosamente. È essenziale leggere il codice, verificare la corrispondenza di volume e colonna, eseguire test con una piccola quantità di dati noti e verificare se il risultato è ragionevole dal punto di vista tecnico.

14. Qual è il comportamento migliore in termini di privacy quando si forniscono dati di mining a uno strumento di intelligenza artificiale basato su cloud?

A) Incollare tutti i dati grezzi così come sono
B) Anonimizzare il contesto e pulire i dati sensibili di riserva/coordinate/produzione e utilizzare strumenti aziendali conformi alle policy ✔
C) Presupporre che fornire le coordinate effettive sia essenziale per la qualità del risultato
D) Ignorare del tutto la politica sulla privacy

Spiegazione: I dati sulle riserve, le informazioni sulle licenze/coordinate e i dati sulla produzione sono sensibili in termini di segreti commerciali e legislazione. È necessario anonimizzare il contesto, cancellare le reali coordinate e nomi, scegliere lo strumento di garanzia societaria/privacy e rispettare la policy aziendale.