利益:
- 鉱物の見通しにおけるAIと多層データ融合の使用について説明できる能力
- 地球統計学 (クリギング、バリオグラム) と機械学習を使用して、ブロック モデルとグレード推定を作成する方法を理解します。
- 相互検証、分類の信頼性、レポート基準を使用してソース推定出力をテストする機能
プロスペクティングは、数百万ドルの意思決定が少数のドリルサンプルに基づいて行われる賭けゲームです。鉱物鉱床（英語の鉱床、開発されるのに十分なほど豊富で大きな鉱物の蓄積）は数百平方キロメートルの領域の下に隠されており、私たちは頻繁に行われない掘削、地球物理学的影、および表面マーカーによってのみそれを「見る」ことができます。だからこそ、鉱物探査は AI の最もエキサイティングな応用分野であると同時に、最も危険な応用分野の 1 つでもあります。正しく使用すると、探査のターゲット設定が高速化され、まばらなデータからより多くの意味が抽出されます。誤って使用すると、統計の背後に存在しない実体が隠蔽され、投資家と社会の両方に誤解を与えることになります。
この単元では、人工知能による探査の 2 つの主要な側面について説明します。探査ターゲティング (鉱物の見通し。多層データからどのエリアに鉱床がある可能性があるかを推定する) と資源推定 (掘削した鉱床にどれだけの金属があるかをどの程度の信頼度で言えるかを計算する) です。どちらの場合でも、AI は強力なパターン ファインダーです。しかし、どちらの場合も、最終的な数値は国際報告基準に署名した権限のある者の責任となります。
検索ターゲティング: 多層データの融合
探査地質学者は、単一タイプのデータではなく、地質図、構造的等高線 (断層と褶曲)、地球物理学 (磁気、重力、比抵抗)、地球化学 (土壌と河川のサンプル元素値)、およびリモート センシングによってマッピングされた変質など、重ねられた層を調べます。各層はかすかな手がかりです。本当の信号は、それらが互いに指すところです。これをデータ融合と呼びます。
ここで人工知能は 2 つの仕事をします。まず、数十のレイヤーを同じ座標グリッド上に配置し (単一で退屈だがエラーが発生しやすいタスク)、単一の分析テーブルを作成します。次に、既知の堆積物の周囲のパターンを学習し、新しい領域を同様の署名でマークします (教師あり学習)。しかし、ここには重大な罠があります。既知の病床の数は多くの場合非常に少ないため (おそらく 1 つの領域に 5 ～ 10 の病床)、そのためモデルは簡単に記憶し、新しい領域では失敗します。そのため、ターゲティング出力は「確実に宝石が存在する」リストではなく、「ドリルでテストする価値のある優先順位」になっています。
通常、そのステップは次のとおりです: (1) レイヤーの位置合わせとクリーン化、(2) 各レイヤーをベッド モデルに基づいて意味のあるトークンに変換 (例: 「断層交差点までの距離」、「磁気ハイ エッジ」)、(3) 既知のベッドまたはエキスパート ルールによる重みを使用してトレーニング、(4) 確率マップを作成、(5) 現場で最も確率の高い領域を低コストの方法でテストします。
ヒント: 層をそのままモデルに入力する代わりに、地質学的に意味のあるマーカー (「磁気リング + 粘土質変質 + 斑岩銅の断層交差」) を導き出します。方位モデルと互換性のあるインジケーターは、ブラインド統計よりもはるかに堅牢なターゲットを生成します。
地球統計と資源推定: バリオグラム、クリギング、ブロック モデル
鉱床が見つかって掘削されると、疑問は変わります。「ここにはどれくらいの量の金属があり、どれだけ信頼できるのか?」答えを得るには、サンプリングされた掘削ポイントからサンプリングされていない岩石の体積を推定する必要があります。このための標準ツールは地球統計です。
基本概念はバリオグラムです。これは、2 つのサンプルが遠ざかるにつれてグレードの類似性がどのように減少するかを表す空間的連続性の尺度です。近くの例は似ていますが、遠くの例は独立しています。バリオグラムは、この「類似範囲」を定量化します。クリギングは、このバリオグラム構造を使用して、サンプリングされていないブロックごとに評価 (推定値と推定値の不確実性の両方) を与える加重平均法です。堆積物はメートル単位で測定された辺を持つブロック (ブロック モデル) に分割され、各ブロックにはグレードと信頼度が割り当てられます。
ここで人工知能が登場するのは 3 つのポイントです。バリオグラム モデリングでは、代替モデルを提案し、適合度を評価します。機械学習手法 (ランダム フォレスト、勾配ブースティングなど) は、クリギングに加えて非線形の勾配関係を取得できます。また、ワークフロー全体のコーディング、チェック、レポートが高速化されます。しかし、2 つの鉄則は変わりません。それは、推定の不確実性は決して隠すことができないこと、そして最終的な資源は、国際標準 (JORC、NI 43-101、PERC などの公的で監査可能な資源/埋蔵量報告の枠組み) に従って、有能な担当者によって測定/指標/推定クラスに分類されることです。
注意: 機械学習モデルはドリルの中断を「滑らかに」し、現実には存在しない連続性を作り出す可能性があります。少数の高品位の標本がブロック全体を不当に濃縮（英語のスメアリング）する可能性があります。高い値（トップカット）を制限し、ブロックベースでサンプル数を制御することが不可欠です。そうしないと、トン数が紙の上で膨れてしまいます。
3 つのミニケース: 数字で見る
ケース 1 — ターゲットの優先順位付け。探査チームは、限られた予算で 380 km² のライセンスエリアで掘削作業を行っていました。 7 つの地球物理学/地球化学層を融合した確率マップでは、エリアの 6% のみが「高優先」とマークされました。チームは最初の 5 つの訓練をこの 6% に向けました。そのうちの 3 つで重要な銅の交差点が見つかりました。重要な点: この地図は鉱石を「証明」したわけではなく、掘削予算をどこに集中させるかを合理化し、盲目的な試験の数を減らした。
ケース 2 — スメアリングのキャプチャ。ある金鉱床では、最初のブロック モデルは 78 g/t の単一オーバーサンプルの影響により周囲のブロックを膨張させ、資源を 14% 過大評価していました。 QA/QC レビューでトップカット (高い値を統計的しきい値まで下げる) と隣接サンプル制御を適用することで、予測は現実的なレベルになりました。この違いは、数百万ドルの投資決定に直接影響を与えました。
ケース 3 — 分類規律。鉄プロジェクトでは、モデルは鉱床全体を高い信頼性で予測することを示しました。ただし、周辺領域では掘削密度が非常にまばらでした。権限のある担当者は、まばらにサンプリングされた量を経済評価から削除し、「推定」に格下げしました。したがって、報告書は公表されている埋蔵量の誇張を避け、基準に沿ったものとなっています。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
掘削歩留まりを分析し、鉱床にどれだけの金が含まれているかを示します。[分析表]
強力なプロンプト:
あなたの役割: 資源地理統計学者。次の化合物アッセイ データを含むソース番号を入力してください。代わりに:1) 成績分布を要約します。可能性のある外れ値とトップカットの必要性をマークします。2) 空間的連続性についてどのバリオグラム方向を検査する必要があるかを提案します。3) 掘削密度が低いため、どの領域が「省略」としてのみ分類できるかを示します。4) 結果に影響を与える可能性がある不確実性の原因を 4 つ挙げます。データは匿名です。実際の座標や会社はありません。
強力なプロンプトにより、モデルが単一の欺瞞的な数値を生成するのを防ぎ、担当者が尋ねるべき質問を正確に整理するアシスタントに変わります。
4 つのコピー可能なテンプレート
1) レイヤー融合のためのトークン導出:
斑岩銅探査モデルに基づいて、次の層から意味のあるマーカーを提案します: 磁気、重力、比抵抗、土壌地球化学 (Cu-Mo-Au)、変質。各マーカーについて: デポジット モデル、誤解を招く可能性のある情報源、フィールド検証方法へのリンク。正確な目標を与える。優先順位ロジックを確立します。
2) アッセイ QA/QC 事前スクリーニング:
以下について分析表を確認してください: 陰性/不可能な値、検出限界を下回る兆候の割合、単位の不一致 (ppm/%/g-t)、反復サンプルの一致、ブランクおよび標準サンプルのドリフト。問題をdrilling_id別にリストするだけです。評価、修正。
3) バリオグラム解釈草案:
実験バリオグラムの結果を解釈する: ナゲット、レンジ、シルが何を意味するのかを分かりやすく説明します。異方性の兆候はありますか?クリギングの前に、どの決定に地質学者の承認が必要かをマークします。コードではなくロジック。
4) ソース分類管理:
ブロック モデルでは、ブロックごとに、クリギング分散、推定に使用されるサンプルの数、および最も近いボーリング孔までの距離が与えられます。標準ロジックに従って、どのブロックが Measured/Displayed/Inferred クラスに最適であるかの合理的な概要を示します。最終的な分類は権限のある人に属します。これを述べてください。
手法の比較
方法
どういうことですか
強み
主なリスク
エキスパート ルール (加重層)
情報に基づいてターゲットを分類します
少ないデータで動作し、透過的
専門家の偏見
監視付き ML ターゲティング
既知のベッドから学ぶ
複雑なパターンを捉えます
いくつかの例で暗記する
クリギング
テナーは不確実性を伴う予測を行う
標準、監査可能
バリオグラムエラー、スミアリング
ML グレードの推定
非線形関係
柔軟な
不確実性や過剰適応を隠すことができる
シミュレーション (SGS など)
確率シナリオを生成します
不確実性を視覚化する
誤解されると自信過剰になる
ヒント: リソースを見積もるときは、「単一の最適な数値」ではなく、範囲とシナリオを尋ねます。楽観的/期待的/慎重な 3 つのシナリオは、単一の数字によって生み出される誤った確実性よりもはるかに誠実な意思決定の基礎を提供します。
よくある間違い
- 穴場ベッドでMLを暗記させる。 5 つのベアリングでトレーニングされたモデルは、新しい分野では信頼できません。出力を証拠としてではなく、優先リストとして表示します。
- 極端な値を制限しない。トップカットが行われていない場合、単一の高いアッセイにより周囲のブロックが不当に濃縮（スミア）され、トン数が膨らみます。
- 不確実性を報告しない。クリギングの差異と分類を隠して単一の数字を表示することは、標準と整合性に反します。
- 分類をスキップします。まばらにサンプリングされた量を測定値として提示すると、経済的判断と国民の信頼が損なわれます。
- QA/QCをスキップします。ブランクサンプルと標準サンプルによるドリフトを実験室でモニタリングしなければ、信頼できるグレードはありません。
要約すれば
- 探索のターゲティングは、多層データの融合を通じて掘削の優先順位を生成します。それは鉱石を証明するものではなく、盲目的な裁判を減らすものです。
- リソース推定では、バリオグラムとクリギングを使用して確実に等級を推定します。ブロックモデルはこれに基づいて構築されます。
- 機械学習は強力ですが、小さなサンプルを記憶し、外れ値を不鮮明にし、不確実性を隠す可能性があります。
- 最終的な溶接は、JORC/NI 43-101 などの規格に従って、認定資格者によって分類され、署名されます。
- 値は 1 つの欺瞞的な数字ではありません。不確実性はテスト可能な優先順位と分類にあり、正直に報告されます。
アプリケーションタスク
匿名化された化合物アッセイ表 (または代表値) を受け取ります。強力なプロンプトを使用して、ソース図の代わりに過大評価/トップカットの必要性、バリオグラムの方向、低密度領域をモデルに尋ねます。次に、「ソース分類管理」テンプレートに、どのブロックがどの信頼クラスに分類されるかのドラフトを生成させます。最後に、モデルが単一のトン数の数値を与えようとしているかどうかを観察し、それを拒否する必要がある理由を 1 つの文で書きます。
チェックリスト
- [ ] 探査ターゲットは鉱石を証明するものではなく、掘削の優先順位を生み出すものであることに気づきました。
- [ ] バリオグラムとクリギングが不確実性を伴う等級をどのように推定するかを説明できます。
- [ ] 私はスミアリング、トップカット、過大評価のリスクを認識しており、QA/QC は必須であると考えています。
- [ ] リソースが標準によって測定/指示/推定に分類されており、権限のある人物に属していることを理解しています。
- [ ] 私は、単一の数値ではなく不確実性の範囲とシナリオを必要とする規律を採用しました。