Guadagni:
- Capacità di spiegare l'uso dell'intelligenza artificiale e della fusione di dati multistrato nella prospezione mineraria
- Comprendere come creare un modello a blocchi e una stima del grado utilizzando la geostatistica (kriging, variogramma) e l'apprendimento automatico.
- Capacità di testare i risultati della stima della fonte con convalida incrociata, affidabilità della classificazione e standard di reporting
La prospezione è un gioco di scommesse in cui decisioni multimilionarie si basano su una manciata di campioni di esercitazione. Un giacimento minerario (giacimento minerale inglese; un accumulo di minerali ricco e abbastanza grande da essere sfruttato) è nascosto sotto un'area di centinaia di chilometri quadrati, e lo "vediamo" solo con rare perforazioni, ombre geofisiche e indicatori di superficie. Ecco perché l'esplorazione mineraria è una delle aree di applicazione dell'intelligenza artificiale più entusiasmanti ma anche più pericolose: se utilizzata correttamente, accelera il targeting dell'esplorazione ed estrae più significato da dati sparsi; Se utilizzato in modo errato, nasconde dietro le statistiche una sostanza inesistente e fuorvia sia gli investitori che la società.
In questa unità, tratteremo due principali aspetti dell'intelligenza artificiale dell'esplorazione: il targeting dell'esplorazione (prospettiva mineraria; stimare da dati multistrato quale area potrebbe avere un deposito) e la stima delle risorse (calcolare con quale sicurezza possiamo dire quanto metallo si trova in un deposito perforato). In entrambi, l’intelligenza artificiale è un potente cercatore di modelli; Ma in entrambi i casi, la cifra finale spetta alla persona competente che ha firmato gli standard internazionali di rendicontazione.
Targeting della ricerca: fusione di dati a più livelli
Un geologo esploratore non esamina un singolo tipo di dati ma strati sovrapposti: mappa geologica, contorni strutturali (faglie e pieghe), geofisica (magnetico, gravità, resistività), geochimica (valori degli elementi campione del suolo e del corso d'acqua) e alterazione mappata mediante telerilevamento. Ogni strato è un debole indizio; Il vero segnale è dove puntano insieme. Questa si chiama fusione dei dati.
L’intelligenza artificiale qui svolge due lavori. Innanzitutto, allinea dozzine di livelli sulla stessa griglia di coordinate (un compito singolare, noioso ma soggetto a errori) in un'unica tabella di analisi. In secondo luogo, apprende lo schema attorno ai depositi conosciuti e contrassegna nuove aree con una firma simile (apprendimento supervisionato). Ma qui c’è una trappola critica: il numero di letti conosciuti è spesso molto piccolo (forse 5-10 letti in un’area), quindi il modello si memorizza facilmente e fallisce in nuove aree. Ecco perché l'output di targeting non è un elenco di "certe gemme esistono", ma un "ordine di priorità che vale la pena testare mediante perforazione".
I passaggi sono tipicamente i seguenti: (1) allineare e pulire gli strati, (2) tradurre ogni strato in token significativi in base al modello del letto (ad esempio "distanza dall'intersezione della faglia", "bordo alto magnetico"), (3) addestrarsi con letti noti o pesare con la regola degli esperti, (4) produrre una mappa di probabilità, (5) testare le aree con la massima probabilità sul campo e con metodi a basso costo.
Suggerimento: invece di inserire strati grezzi nel modello, ricavare marcatori geologicamente significativi (“anello magnetico + alterazione argillica + intersezione di faglia per rame porfirico”). Gli indicatori compatibili con il modello di rilevamento producono obiettivi molto più robusti rispetto alle statistiche cieche.
Geostatistica e stima delle risorse: variogramma, Kriging e modello a blocchi
Una volta trovato e perforato il deposito, la domanda cambia: “Quanto metallo c’è qui e quanto possiamo fidarci?” La risposta richiede un'estrapolazione dai punti di perforazione campionati al volume roccioso non campionato. Lo strumento standard per questo è la geostatistica.
Il concetto di base è il variogramma: una misura di continuità spaziale che descrive come le somiglianze di grado diminuiscono man mano che due campioni si allontanano. Gli esempi vicini sono simili, quelli distanti sono indipendenti; Il variogramma quantifica questo "intervallo di somiglianza". Il Kriging è un metodo di media ponderata che utilizza questa struttura del variogramma per fornire il voto, sia la stima che l'incertezza della stima, per ciascun blocco non campionato. Il deposito viene suddiviso in blocchi con lati misurati in metri (modello a blocchi), e ad ogni blocco viene assegnato un grado e una confidenza.
L’intelligenza artificiale qui entra in gioco in tre punti. Nella modellazione variogramma, suggerisce modelli alternativi e valuta l'adattamento. I metodi di apprendimento automatico (ad esempio foresta casuale, potenziamento del gradiente) possono acquisire relazioni di grado non lineari oltre al kriging. E accelera la codifica, il controllo e il reporting dell'intero flusso di lavoro. Ma due regole ferree rimangono costanti: l’incertezza della stima non può mai essere nascosta e la risorsa finale viene classificata dalla persona competente in classi Misurate/Indicate/Dedotte secondo gli standard internazionali (quadri pubblici e verificabili di reporting delle risorse/riserve, come JORC, NI 43-101, PERC).
Attenzione: il modello di machine learning può "attenuare" le interruzioni di perforazione, creando una continuità che nella realtà non esiste. Alcuni esemplari di alta qualità possono arricchire ingiustamente (imbrattamento inglese) un intero blocco. È essenziale limitare i valori elevati (top-cut) e controllare il numero di campioni a blocchi; altrimenti la stazza aumenterà sulla carta.
Tre mini custodie: i numeri
Caso 1: definizione delle priorità mirate. Una squadra di esplorazione stava lavorando con un budget di perforazione limitato in un'area di licenza di 380 km². Una mappa di probabilità che fonde sette strati geofisici/geochimici contrassegnava solo il 6% dell’area come “alta priorità”. Il team ha diretto le prime cinque esercitazioni su questo 6%; hanno trovato significative intersezioni di rame in tre di essi. Il punto critico: la mappa non ha "provato" il minerale, ha razionalizzato dove concentrare il budget di trivellazione e ha ridotto il numero di prove alla cieca.
Caso 2 — Cattura di diffamazione. In un deposito d'oro, il primo modello di blocco aveva gonfiato i blocchi circostanti a causa dell'impatto di un singolo sovracampione di 78 g/t, sovrastimando la risorsa del 14%. La previsione è stata portata a un livello realistico con il top-cut (riducendo il valore elevato alla soglia statistica) e il controllo del campione vicino applicati nella revisione QA/QC. La differenza ha influenzato direttamente una decisione di investimento multimilionaria.
Caso 3 — Disciplina di classificazione. Su un progetto relativo al ferro, il modello ha mostrato di prevedere l'intero deposito con elevata confidenza; tuttavia, la densità di perforazione era molto scarsa nelle aree marginali. Il soggetto autorizzato ha eliminato dalla valutazione economica il volume scarsamente campionato, declassandolo a “Dedotto”. Pertanto, il rapporto ha evitato un’esagerazione delle riserve rese pubbliche ed è rimasto in linea con lo standard.
Prompt debole / Prompt forte
Suggerimento debole:
Analizza il rendimento della perforazione e indica la quantità di oro presente nel deposito.[tabella dei test]
Suggerimento potente:
Il tuo ruolo: geostatistico delle risorse. FORNIRE UN NUMERO DI FONTE con i seguenti dati di analisi del composto. Invece:1) Riassumere la distribuzione dei voti; contrassegnare possibili valori anomali e la necessità di un top-cut.2) Suggerire quali direzioni del variogramma dovrebbero essere esaminate per la continuità spaziale.3) Indicare quali aree possono essere classificate solo come "Omesse" a causa della bassa densità di perforazione.4) Elencare 4 fonti di incertezza che potrebbero influenzare il risultato.I dati sono anonimi; nessuna coordinata/azienda effettiva.
Il potente prompt impedisce al modello di produrre un unico numero ingannevole e lo trasforma in un assistente che organizza esattamente le domande che il responsabile dovrebbe porre.
Quattro modelli copiabili
1) Derivazione del token per la fusione dei livelli:
Suggerire marcatori significativi dai seguenti strati in base al modello di esplorazione del rame-porfido: magnetico, gravità, resistività, geochimica del suolo (Cu-Mo-Au), alterazione. Per ciascun indicatore: collegamento al modello di deposito, possibile fonte fuorviante e metodo di verifica del campo. Dare un target preciso; Stabilire la logica delle priorità.
2) Pre-screening QA/QC del test:
Controllare la tabella del dosaggio per quanto segue: valore negativo/impossibile, proporzione di segni al di sotto del limite di rilevamento, discrepanza delle unità (ppm/%/g-t), concordanza del campione ripetuto, deriva del campione bianco e standard. Basta elencare i problemi tramite drill_id; valutazione, correzione.
3) Bozza di interpretazione del variogramma:
Interpretare i risultati del variogramma sperimentale: spiegare in un linguaggio semplice cosa significano nugget, range e sill; Ci sono segni di anisotropia? Segna quali decisioni richiedono l'approvazione del geologo prima del kriging. Logica, non codice.
4) Controllo della classificazione della fonte:
Nel modello a blocchi, per ciascun blocco sono stati forniti: varianza di kriging, numero di campioni utilizzati nella stima e distanza dal pozzo più vicino. Fornire uno schema RAGIONEVOLE di quali blocchi si adattano meglio alla classe Misurata/Visualizzata/Dedotta secondo la logica standard. La classifica finale spetta alla persona autorizzata; dichiara questo.
Confronto di metodi
Metodo
Cosa fa
punto forte
Rischio principale
Regola dell'esperto (strato ponderato)
Ordina gli obiettivi con le informazioni
Funziona con pochi dati, trasparente
pregiudizio degli esperti
Targeting ML supervisionato
Impara dal letto conosciuto
Cattura modelli complessi
Memorizzazione in alcuni esempi
kriging
Tenor prevede con incertezza
Standard, verificabile
Errore del variogramma, sbavature
Stima del voto ML
relazione non lineare
Flessibile
Può nascondere incertezza, eccessivo adattamento
Simulazione (ad esempio SGS)
Genera scenari probabilistici
Visualizza l'incertezza
Eccessiva sicurezza se interpretata male
Suggerimento: quando si stimano le risorse, chiedere un intervallo e uno scenario anziché un "numero migliore singolo". Tre scenari ottimistici/attesi/cauti forniscono una base molto più onesta per il processo decisionale rispetto alla falsa certezza creata da un singolo numero.
Errori comuni
- Far memorizzare il ML con un letto poco conosciuto. Un modello addestrato con cinque rilevamenti è inaffidabile nel nuovo campo; considerare l'output come un elenco di priorità, non come prova.
- Non limitare i valori estremi. Un singolo dosaggio elevato, se non viene eseguito il taglio superiore, arricchirà (sporcherà) ingiustamente i blocchi circostanti e aumenterà il tonnellaggio.
- Non segnalare l'incertezza. Nascondere la varianza e la classificazione di Kriging e presentare cifre singole è contrario agli standard e all'integrità.
- Saltare la classificazione. Presentare un volume scarsamente campionato come misurato compromette il giudizio economico e la fiducia del pubblico.
- Saltare QA/QC. Nessun grado è affidabile senza il monitoraggio in laboratorio della deriva con campioni bianchi e standard.
In sintesi
- Il targeting esplorativo genera priorità di perforazione attraverso la fusione dei dati a più livelli; Non dimostra il minerale, riduce il processo cieco.
- Le stime sulla stima delle risorse valutano con certezza utilizzando variogrammi e kriging; Su questo si basa il modello a blocchi.
- L’apprendimento automatico è potente, ma memorizza piccoli campioni, diffama i valori anomali e può nascondere l’incertezza.
- La saldatura finale è classificata e firmata da una persona qualificata autorizzata secondo gli standard come JORC/NI 43-101.
- Il valore non è espresso in un numero ingannevole; L'incertezza risiede in una priorità verificabile e in una classificazione che viene riportata onestamente.
Compito dell'applicazione
Ricevere una tabella di dosaggio dei composti anonimizzata (o valori rappresentativi). Con il potente suggerimento, chiedi al modello: necessità di sopravvalutazione/taglio superiore, direzioni del variogramma e regioni a bassa densità invece di una figura di origine. Quindi fare in modo che il modello "controllo classificazione origine" produca una bozza di quali blocchi rientreranno in quale classe di fiducia. Infine, osserva se il modello tenta di fornire un unico valore di tonnellaggio e scrivi in una frase perché dovresti rifiutarlo.
lista di controllo
- [ ] Mi sono reso conto che il targeting dell'esplorazione non dimostra il minerale, produce la priorità di perforazione.
- [ ] Posso spiegare come il variogramma e il kriging stimano il grado con incertezza.
- [ ] Riconosco i rischi di diffamazione, top-cut e sopravvalutazione e considero obbligatorio il QA/QC.
- [ ] Prendo atto che la risorsa è classificata come Misurata/Indicata/Dedotta dallo standard e appartiene alla persona autorizzata.
- [ ] Ho adottato una disciplina che richiede intervalli e scenari di incertezza invece di singoli numeri.