利益:
- AI サポートを利用して掘削ログ、岩相、等級データをクリーンアップし、不一致やコーディング エラーを検出する機能
- コア写真や地質学的観測を解釈する際に、事前分類および仮説生成手段として AI を正確に位置付ける機能
- AI による推定された岩相/変質の解釈を地質学者の観察や実験室分析と相互検証する機能
すべての採掘プロジェクトの基礎は、地下から採取されたサンプルです。これらの例の中で最も重要なものは、ドリルコア (掘削機が岩石から円筒形に抽出する連続サンプル) です。地質学者はコアを調べます。岩石の種類（岩質）、構造、変質（熱水や化学的影響による岩石の変化）、鉱化作用を記録し、実験室サンプルのグレードを分析します。その結果、掘削ログと呼ばれる、メートルごとに記録された巨大な表が作成されます。 1 つのプロジェクトに数百の掘削と数万のラインが含まれる場合があります。このデータをクリーニングし、結合し、矛盾を見つけて最初の解釈を抽出します。これはAIが本当に加速している分野ですが、各ステップを地質学者の目で検証する必要があります。この単元では、AI を使用して掘削/地質データをクリーンアップする方法、コア画像を事前に解釈する方法、結果を検証する方法を学びます。
ドリルデータテーブルの構造
ドリル データ セットは通常 4 つのテーブルで構成されており、それらを正しく結合するだけで作業の半分が完了します。
- Collar: 各ボアホールの開始座標 (X、Y、Z) と合計の深さ。
- 測量 (偏差): 深さに沿った掘削の傾斜 (傾斜) と方向 (方位角) の変化。穴あけは完全にまっすぐになることはありません。
- 岩質学: 深さ範囲 (からからまで) にわたる岩石の種類と地質学的観察。
- 分析: 深さ範囲にわたる実験室グレードの結果 (例: Au g/t、Cu %)。
これらのテーブルは、from < to などのルールに準拠する必要があり、範囲が重複してはならず、コードが一貫している必要があります。実際には、この手動で入力されたデータには常にエラーが存在します。範囲の欠落、範囲の重複、単位の混乱 (ppm と % の混合)、岩石コードのスペルの違い (GRN、Grn、花崗岩)、NULL 値の代わりに 999 や -9 などのコードが含まれます。 AI は、このような不一致をスキャンしてフラグを立てるのに非常に強力です。ただし、地質学者の承認を得て修正する必要があります。
ステップバイステップ: AI を使用したドリルデータクリーニング
- データを紹介します。 AI に列名、単位、およびいくつかのサンプル行を与えます (実際の座標は匿名化します)。何が起こるべきかを明確に説明してください。
- ルールのリストを作成します。 AI に「このテーブルに対してどの整合性ルールをチェックすべきか」のリストを要求し、その上に独自のルールを追加します。
- 不整合スキャンを実行してください。自動修正ではなく、AI にフラグを立てるように依頼するだけです。それぞれの記号の正当性を尋ねます。
- 生のソースに戻ります。マークされた各線を元のボーリング孔ログまたは研究所の証明書と照合してください。
- それを修正するという決断をしてください。地質学者が修正を行います。 AIはただ提案するだけです。
ヒント: AI に「修正した表をください」とは言わないでください。 「疑わしい行に理由を付けてフラグを立てる」と言います。自動修正テーブルでは、静かに破損している行に気づくことはほとんど不可能です。
コア写真と視覚的解釈
最近のプロジェクトでは、コアボックスが写真に撮られます。マルチモデル AI ツール (画像処理も可能なモデル) は、これらの写真から、色の変化、骨折の可能性のある密度、静脈の存在、変質ゾーンの可能性などの予備的な解釈を生成できます。地質学者に「ここをよく見てください」という事前スクリーニングとして貴重です。ただし、岩相と変質の決定は決して写真から行われません。コアの手動検査、硬度テスト、酸反応、実験室分析が必要です。 AIが色から「金がある」と推測するのは重大な間違いです。金は肉眼では見えないことが多く、分析によってのみ識別できます。
ミニケース3個
ケース 1 — ユニットの干渉キャプチャ。プロジェクトでは、アッセイ テーブルに 12,000 行があります。地質学者は表を AI に紹介し、「Au 列に 100 g/t を超える値を持つ行をリストします。これらは真の高品位か、ppm/ppb 混合のいずれかである可能性があります。」と言いました。 AI が 37 行をマークします。地質学者は研究所の証明書を調べます。彼は、34 が実際には ppb (10 億分の 1) で入力されていたが、誤って g/t であると考えられ、3 が本当の大当たり (非常に高グレード) であったことを発見しました。これら 34 行が修正されなければ、平均成績が人為的につり上げられ、予備金が誇張されることになります。
ケース 2 — 重複する範囲。岩相テーブルでは、始点から終点までの間隔の一部が重複しています。つまり、45.0 ～ 52.0 m の花崗岩と 50.0 ～ 58.0 m の頁岩が同時に定義されています。 AI はこれらの重複をリスト化し、合計 19 行の重複を表示します。地質学者は生の丸太に目を向けます。データ入力の行シフトを検出して修正します。重複する間隔が修正されないと、どの岩石タイプがブロック モデルに割り当てられるかが不明確なままになり、トン数が正しく計算されなくなります。
ケース 3 — 視覚的推論が間違っている (警告)。インターン生はコアの写真をAIに渡し、「このゾーンに鉱石はありますか?」と尋ねます。 AIが赤みや血管を見て「石灰化の可能性が高い」と言う。インターンはこれを「石化」としてログに処理します。一方、赤みは酸化鉄による染色であり、経済的な鉱石は含まれていません。実験室分析により、微量レベルでのグレードがわかります。教訓: 画像からグレード/鉱石を判断することはできません。 AIの出力は、分析によって検証された単なる「検査」の兆候です。
コピー可能なプロンプトテンプレート
ドリルデータの整合性スキャン "役割: あなたは資源/データベース地質学者のアシスタントです。以下は、from-to の間隔で配置された [岩石学/分析] テーブルです。列: [リスト、単位付き]。次の不一致を行番号と理由でマークします: from>=to、重複する範囲、ギャップ、単位の取り違えの疑い、繰り返されるコードのスペルの違い、陰性/外れ値、空白の代わりのコード (999/-9)。DO正しくありません。テーブル: [貼り付け] をマークしてください。」
岩石学コードの標準化 「以下の岩石学コードは手で入力されたもので、一貫性がありません。同じ岩石タイプの異なる綴りをグループ化します (例: GRN/Grn/花崗岩)。グループごとに単一の推奨標準コードを書き込みます。表内: [元のコード] -> [推奨標準]。不明なグループには個別にマークを付けます。私が決定させてください。コード: [貼り付け]。」
コア写真の事前スキャン 「このコア写真で注目すべき視覚的特徴を列挙してください。色の変化ゾーン、考えられる亀裂/亀裂密度、目に見える静脈、考えられる変質痕跡です。これらを仮説として書きます。岩石の種類やグレードを決めないでください。各特徴について、地質学者が現場でチェックすべきことを示してください。」
地質記録の概要 「次のテキストは、掘削の地質記録です。次の見出しを持つ構造化された要約に変換してください: 主要な岩相と深さの範囲、変質帯、構造上のメモ (断層/破壊)、鉱化作用の観察。テキストにないものは何も追加しないでください。あいまいな表現は「不明瞭」としてマークしてください。記録: [貼り付け]。
弱いプロンプト / 強いプロンプト
弱いプロンプト: 「この掘削データを修正してください。」
強力なプロンプト: 「役割: あなたはデータベース地質学者アシスタントです。以下の分析表で、疑わしい行のみにフラグを立てます (from>=to、ppm/% 異物混入の疑い、負の値、空白ではなく 999)。各フラグの行番号と理由を指定します。自動修正は行わないでください。生の証明書から修正を確認します。列: HoleID、From(m)、To(m)、Au(g/t)。表: [貼り付け]。」
弱いプロンプトはAIに「あなたが決定して変更します」と伝えます。強力なプロンプトにより、AI はマーキングのみに限定され、修正権限は地質学者に委ねられます。
比較表：AIをどのビジネスにどう活用するか
クエスト
AIの役割
誰の決断
検証
不一致マーキング
強力なブラウザ
地質学者が修正する
生のログ/証明書
岩石学コードのマージ
提案
地質学者が確認
コード辞書
コア写真のコメント
事前スクリーニング/仮説
地質学者/研究室
手動検査+分析
グレード/鉱石の決定
未使用
研究室
認定された分析
ログテキストの要約
コンフィギュレータ
地質学者
原文との比較
よくある間違い
- AI にテーブルを「自動修正」させます。静かな歪みには気づかないかもしれません。それをマークするだけです。
- コア写真からのグレード/鉱石の抽出。金は肉眼では見えないことがよくあります。決定はあなたの分析です。
- 匿名化せずに実際の座標を貼り付けます。ライセンスと座標は機密データです。
- AI の概要と元のログを比較しません。文章にない所見（幻覚）をAIが追加することも可能です。
- 単位の不一致を無視します。 ppm/%/g/t/ppb を混合すると、貯蔵量が直接破壊されます。
注意: ドリルデータの単位エラーは 1 行に残りません。合成は成長し、予報と準備金全体に広がります。クリーニング段階での勤勉さが、その後のすべてのアカウントの信頼性を決定します。
要約すれば
掘削/地質データは 4 つの主要なテーブル (カラー、測量、岩相、分析) で構成されており、一貫性ルールが重要です。 AI は、このデータの不整合スキャン、コードの標準化、ログの要約、コア写真の事前スキャンを強力に支援します。ただし、修正の決定は地質学者に属し、グレード/鉱石の決定は研究室に属します。 AI マークを編集せず、生のソースから各マークを検証し、画像からグレードを推測しないようにします。
アプリケーションタスク
所有する分析テーブル (またはサンプル) を匿名化し、「掘削データ整合性スキャン」テンプレートを使用して AI に渡します。マークされた行をテーブルにインポートします。それぞれについて「生のソースからチェックする」という注記を検討してください。次に、「Lithology コード標準化」テンプレートを使用してコード辞書を作成し、AI が不明なグループを個別にメモします。最後に、コア写真を事前にスキャンし、出てきた仮説ごとに現場で確認する内容を書き留めます。
チェックリスト
- [ ] データを AI に渡す前に、実際の座標/ライセンス情報を匿名化しました。
- [ ] AI に修正ではなく、正当な採点を依頼しました。
- [ ] マークされた各行を生のログ/ラボ証明書と照合してチェックしました。
- [ ] 体積の一貫性 (g/t、%、ppm、ppb) も検証しました。
- [ ] コア写真の出力については仮説として検討したものであり、グレードの決定は行っておりません。
- [ ] AI の概要を元のログ テキストと比較して、情報が追加されていないことを確認しました。