ಭೂವಿಜ್ಞಾನವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಡೇಟಾವನ್ನು ಕೊರೆಯುವುದು

ಲಾಭಗಳು:

• AI ಬೆಂಬಲದೊಂದಿಗೆ ಡ್ರಿಲ್ಲಿಂಗ್ ಲಾಗ್, ಲಿಥಾಲಜಿ ಮತ್ತು ಗ್ರೇಡ್ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಅಸಂಗತತೆಗಳು ಮತ್ತು ಕೋಡಿಂಗ್ ದೋಷಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಸಾಮರ್ಥ್ಯ
• Ability to accurately position AI as a pre-classification and hypothesis generator when interpreting core photography and geological observation
• ಭೂವಿಜ್ಞಾನಿ ವೀಕ್ಷಣೆ ಮತ್ತು ಪ್ರಯೋಗಾಲಯ ವಿಶ್ಲೇಷಣೆಯೊಂದಿಗೆ AI ಯ ಊಹಿಸಿದ ಶಿಲಾಶಾಸ್ತ್ರ/ಬದಲಾವಣೆ ವ್ಯಾಖ್ಯಾನವನ್ನು ಅಡ್ಡ-ಮೌಲ್ಯೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯ

ಪ್ರತಿ ಗಣಿಗಾರಿಕೆ ಯೋಜನೆಯ ಆಧಾರವು ಭೂಗತದಿಂದ ತೆಗೆದ ಮಾದರಿಗಳು. ಈ ಉದಾಹರಣೆಗಳಲ್ಲಿ ಪ್ರಮುಖವಾದದ್ದು ಡ್ರಿಲ್ ಕೋರ್ (ಕೊರೆಯುವ ಯಂತ್ರವು ಸಿಲಿಂಡರಾಕಾರದ ಆಕಾರದಲ್ಲಿ ಬಂಡೆಯಿಂದ ಹೊರತೆಗೆಯುವ ನಿರಂತರ ಮಾದರಿ). ಭೂವಿಜ್ಞಾನಿ ಕೋರ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುತ್ತಾನೆ; ಇದು ಕಲ್ಲಿನ ಪ್ರಕಾರ (ಶಿಲಾಶಾಸ್ತ್ರ), ರಚನೆ, ಬದಲಾವಣೆ (ಬಿಸಿ ನೀರು ಮತ್ತು ರಾಸಾಯನಿಕ ಪರಿಣಾಮಗಳಿಂದ ಬಂಡೆಯ ಬದಲಾವಣೆ) ಮತ್ತು ಖನಿಜೀಕರಣವನ್ನು ದಾಖಲಿಸುತ್ತದೆ ಮತ್ತು ಗ್ರೇಡ್‌ಗಾಗಿ ಪ್ರಯೋಗಾಲಯದ ಮಾದರಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ ಮೀಟರ್‌ನಿಂದ ಮೀಟರ್‌ನಿಂದ ರೆಕಾರ್ಡ್ ಮಾಡಲಾದ ಬೃಹತ್ ಕೋಷ್ಟಕವಾಗಿದೆ, ಇದನ್ನು ಡ್ರಿಲ್ಲಿಂಗ್ ಲಾಗ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಒಂದೇ ಯೋಜನೆಯಲ್ಲಿ ನೂರಾರು ಡ್ರಿಲ್ಲಿಂಗ್‌ಗಳು ಮತ್ತು ಹತ್ತಾರು ಸಾವಿರ ಸಾಲುಗಳು ಇರಬಹುದು. ಈ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವುದು, ಅದನ್ನು ಸಂಯೋಜಿಸುವುದು, ಅಸಂಗತತೆಯನ್ನು ಹಿಡಿಯುವುದು ಮತ್ತು ಆರಂಭಿಕ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಹೊರತೆಗೆಯುವುದು; This is an area where AI is really accelerating, but each step needs to be verified with a geologist's eye. ಈ ಘಟಕದಲ್ಲಿ ನೀವು AI ನೊಂದಿಗೆ ಡ್ರಿಲ್ಲಿಂಗ್/ಜಿಯಾಲಜಿ ಡೇಟಾವನ್ನು ಹೇಗೆ ಸ್ವಚ್ಛಗೊಳಿಸಬೇಕು, ಕೋರ್ ಇಮೇಜ್ ಅನ್ನು ಪೂರ್ವ-ವ್ಯಾಖ್ಯಾನ ಮಾಡುವುದು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ಮೌಲ್ಯೀಕರಿಸುವುದು ಎಂಬುದನ್ನು ಕಲಿಯುವಿರಿ.

ಕೊರೆಯುವ ಡೇಟಾ ಕೋಷ್ಟಕಗಳ ಅಂಗರಚನಾಶಾಸ್ತ್ರ

ಕೊರೆಯುವ ಡೇಟಾ ಸೆಟ್ ಸಾಮಾನ್ಯವಾಗಿ ನಾಲ್ಕು ಕೋಷ್ಟಕಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಮತ್ತು ಅವುಗಳನ್ನು ಸರಿಯಾಗಿ ಸಂಯೋಜಿಸುವುದು ಅರ್ಧದಷ್ಟು ಕೆಲಸವಾಗಿದೆ:

• ಕಾಲರ್: ಆರಂಭಿಕ ನಿರ್ದೇಶಾಂಕ (X, Y, Z) ಮತ್ತು ಪ್ರತಿ ಬೋರ್‌ಹೋಲ್‌ನ ಒಟ್ಟು ಆಳ.
• Survey (deviation): Change in slope (dip) and direction (azimuth) of the drilling along the depth. ಕೊರೆಯುವಿಕೆಯು ಎಂದಿಗೂ ಸಂಪೂರ್ಣವಾಗಿ ನೇರವಾಗಿ ಹೋಗುವುದಿಲ್ಲ.
• ಶಿಲಾಶಾಸ್ತ್ರ: ಶಿಲಾ ಪ್ರಕಾರ ಮತ್ತು ಭೂವೈಜ್ಞಾನಿಕ ಅವಲೋಕನಗಳು ಆಳ ಶ್ರೇಣಿಯ ಉದ್ದಕ್ಕೂ (ಇಂದ-ವರೆಗೆ).
• ವಿಶ್ಲೇಷಣೆ: ಆಳವಾದ ಶ್ರೇಣಿಯಾದ್ಯಂತ ಪ್ರಯೋಗಾಲಯ ದರ್ಜೆಯ ಫಲಿತಾಂಶಗಳು (ಉದಾ. Au g/t, Cu %).

ಈ ಕೋಷ್ಟಕಗಳು < ನಿಂದ, ಶ್ರೇಣಿಗಳು ಅತಿಕ್ರಮಿಸಬಾರದು ಮತ್ತು ಕೋಡ್‌ಗಳು ಸ್ಥಿರವಾಗಿರಬೇಕು ಮುಂತಾದ ನಿಯಮಗಳನ್ನು ಅನುಸರಿಸಬೇಕು. ನಿಜ ಜೀವನದಲ್ಲಿ, ಈ ಹಸ್ತಚಾಲಿತವಾಗಿ ನಮೂದಿಸಿದ ಡೇಟಾದಲ್ಲಿ ಯಾವಾಗಲೂ ದೋಷಗಳಿವೆ: ಕಾಣೆಯಾದ ಶ್ರೇಣಿ, ಅತಿಕ್ರಮಿಸುವ ಶ್ರೇಣಿ, ಘಟಕ ಗೊಂದಲ (ppm ಮತ್ತು % ಮಿಶ್ರಣ), ಲಿಥಾಲಜಿ ಕೋಡ್‌ನ ವಿಭಿನ್ನ ಕಾಗುಣಿತಗಳು (GRN, Grn, ಗ್ರಾನೈಟ್), ಶೂನ್ಯ ಮೌಲ್ಯದ ಬದಲಿಗೆ 999 ಅಥವಾ -9 ನಂತಹ ಕೋಡ್‌ಗಳು. ಅಂತಹ ಅಸಂಗತತೆಗಳನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುವ ಮತ್ತು ಫ್ಲ್ಯಾಗ್ ಮಾಡುವಲ್ಲಿ AI ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿಯಾಗಿದೆ; ಆದರೆ ಭೂವಿಜ್ಞಾನಿಗಳ ಅನುಮೋದನೆಯೊಂದಿಗೆ ನೀವು ತಿದ್ದುಪಡಿಯನ್ನು ಮಾಡಬೇಕು.

ಹಂತ ಹಂತವಾಗಿ: AI ನೊಂದಿಗೆ ಕೊರೆಯುವ ಡೇಟಾ ಕ್ಲೀನಿಂಗ್

1. ಡೇಟಾವನ್ನು ಪರಿಚಯಿಸಿ. Give the AI ​​the column names, units, and a few sample rows (anonymizing the actual coordinates). ಏನಾಗಬೇಕು ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವಿವರಿಸಿ.
2. ನಿಯಮಗಳ ಪಟ್ಟಿಯನ್ನು ಮಾಡಿ. "ಈ ಕೋಷ್ಟಕಕ್ಕಾಗಿ ನಾನು ಯಾವ ಸ್ಥಿರತೆಯ ನಿಯಮಗಳನ್ನು ಪರಿಶೀಲಿಸಬೇಕು" ಎಂಬ ಪಟ್ಟಿಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ, ಮೇಲೆ ನಿಮ್ಮ ಸ್ವಂತ ನಿಯಮಗಳನ್ನು ಸೇರಿಸಿ.
3. ಅಸಂಗತತೆಯ ಸ್ಕ್ಯಾನ್ ಅನ್ನು ನಿರ್ವಹಿಸಿ. ಫ್ಲ್ಯಾಗ್ ಮಾಡಲು AI ಅನ್ನು ಕೇಳಿ, ಸ್ವಯಂ ಸರಿಪಡಿಸಲು ಅಲ್ಲ. ಪ್ರತಿ ಚಿಹ್ನೆಗೆ ಸಮರ್ಥನೆಯನ್ನು ಕೇಳಿ.
4. ಕಚ್ಚಾ ಮೂಲಕ್ಕೆ ಹಿಂತಿರುಗಿ. ಮೂಲ ಬೋರ್‌ಹೋಲ್ ಲಾಗ್ ಅಥವಾ ಪ್ರಯೋಗಾಲಯ ಪ್ರಮಾಣಪತ್ರದ ವಿರುದ್ಧ ಗುರುತಿಸಲಾದ ಪ್ರತಿ ರೇಖೆಯನ್ನು ಪರಿಶೀಲಿಸಿ.
5. ಅದನ್ನು ಸರಿಪಡಿಸಲು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಿ. ಭೂವಿಜ್ಞಾನಿ ತಿದ್ದುಪಡಿಯನ್ನು ಮಾಡುತ್ತಾನೆ; AI ಕೇವಲ ಸೂಚಿಸುತ್ತದೆ.

ಸಲಹೆ: "ನನಗೆ ಸರಿಪಡಿಸಿದ ಟೇಬಲ್ ಅನ್ನು ಕೊಡು" ಎಂದು AI ಗೆ ಹೇಳಬೇಡಿ; "ಸಂಶಯಾಸ್ಪದ ಸಾಲುಗಳನ್ನು ಕಾರಣದೊಂದಿಗೆ ಫ್ಲ್ಯಾಗ್ ಮಾಡಿ" ಎಂದು ಹೇಳಿ. ಸ್ವಯಂ ಸರಿಪಡಿಸುವ ಕೋಷ್ಟಕದಲ್ಲಿ, ಮೌನವಾಗಿ ದೋಷಪೂರಿತವಾಗಿರುವ ಸಾಲುಗಳನ್ನು ಗಮನಿಸುವುದು ಅಸಾಧ್ಯವಾಗಿದೆ.

ಪ್ರಮುಖ ಫೋಟೋ ಮತ್ತು ದೃಶ್ಯ ವ್ಯಾಖ್ಯಾನ

ಆಧುನಿಕ ಯೋಜನೆಗಳಲ್ಲಿ, ಕೋರ್ ಪೆಟ್ಟಿಗೆಗಳನ್ನು ಛಾಯಾಚಿತ್ರ ಮಾಡಲಾಗುತ್ತದೆ. ಬಹು-ಮಾದರಿ AI ಉಪಕರಣಗಳು (ಚಿತ್ರಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದಾದ ಮಾದರಿಗಳು) ಈ ಛಾಯಾಚಿತ್ರಗಳಿಂದ ಪ್ರಾಥಮಿಕ ವ್ಯಾಖ್ಯಾನವನ್ನು ಉಂಟುಮಾಡಬಹುದು: ಬಣ್ಣ ಬದಲಾವಣೆ, ಸಂಭವನೀಯ ಮುರಿತ ಸಾಂದ್ರತೆ, ಸಿರೆಗಳ ಉಪಸ್ಥಿತಿ, ಸಂಭವನೀಯ ಬದಲಾವಣೆ ವಲಯಗಳು. ಭೂವಿಜ್ಞಾನಿ "ಇಲ್ಲಿ ಎಚ್ಚರಿಕೆಯಿಂದ ನೋಡಿ" ಎಂದು ಹೇಳುವ ಪ್ರಾಥಮಿಕ ಸ್ಕ್ರೀನಿಂಗ್‌ನಂತೆ ಇದು ಮೌಲ್ಯಯುತವಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಶಿಲಾಶಾಸ್ತ್ರ ಮತ್ತು ಬದಲಾವಣೆಯ ನಿರ್ಧಾರಗಳನ್ನು ಛಾಯಾಚಿತ್ರಗಳಿಂದ ಮಾಡಲಾಗುವುದಿಲ್ಲ; Manual examination of the core, hardness test, acid reaction and laboratory analysis are required. AI ಬಣ್ಣದಿಂದ "ಚಿನ್ನವಿದೆ" ಎಂದು ಊಹಿಸಲು ಇದು ಗಂಭೀರ ತಪ್ಪು; ಚಿನ್ನವು ಸಾಮಾನ್ಯವಾಗಿ ಬರಿಗಣ್ಣಿಗೆ ಅಗೋಚರವಾಗಿರುತ್ತದೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯಿಂದ ಮಾತ್ರ ಗುರುತಿಸಬಹುದು.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಯುನಿಟ್ ಹಸ್ತಕ್ಷೇಪ ಕ್ಯಾಪ್ಚರ್. ಯೋಜನೆಯಲ್ಲಿ, ವಿಶ್ಲೇಷಣೆ ಕೋಷ್ಟಕದಲ್ಲಿ 12,000 ಸಾಲುಗಳಿವೆ. ಭೂವಿಜ್ಞಾನಿ AI ಗೆ ಟೇಬಲ್ ಅನ್ನು ಪರಿಚಯಿಸುತ್ತಾನೆ ಮತ್ತು "Au ಕಾಲಮ್‌ನಲ್ಲಿ 100 g/t ಗಿಂತ ಹೆಚ್ಚಿನ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಸಾಲುಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ; ಇವುಗಳು ನಿಜವಾದ ಉನ್ನತ ದರ್ಜೆಯ ಅಥವಾ ppm/ppb ಮಿಶ್ರಣವಾಗಿರಬಹುದು." AI 37 ಸಾಲುಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ. ಭೂವಿಜ್ಞಾನಿ ಪ್ರಯೋಗಾಲಯದ ಪ್ರಮಾಣಪತ್ರಗಳನ್ನು ನೋಡುತ್ತಾನೆ; 34 ಅನ್ನು ವಾಸ್ತವವಾಗಿ ppb ಎಂದು ನಮೂದಿಸಲಾಗಿದೆ (ಪ್ರತಿ ಬಿಲಿಯನ್‌ಗೆ ಒಂದು) ಆದರೆ ತಪ್ಪಾಗಿ g/t ಎಂದು ಭಾವಿಸಲಾಗಿದೆ, ಆದರೆ 3 ನಿಜವಾದ ಕೊಡುಗೆಯಾಗಿದೆ (ಅತ್ಯಂತ ಉನ್ನತ ದರ್ಜೆಯ). ಈ 34 ಸಾಲುಗಳನ್ನು ಸರಿಪಡಿಸದಿದ್ದರೆ, ಸರಾಸರಿ ದರ್ಜೆಯನ್ನು ಕೃತಕವಾಗಿ ಹೆಚ್ಚಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಮೀಸಲು ಉತ್ಪ್ರೇಕ್ಷಿತವಾಗುತ್ತದೆ.

ಪ್ರಕರಣ 2 - ಅತಿಕ್ರಮಿಸುವ ಶ್ರೇಣಿ. ಶಿಲಾಶಾಸ್ತ್ರದ ಕೋಷ್ಟಕದಲ್ಲಿ, ಕೆಲವು ಮಧ್ಯಂತರಗಳು ಅತಿಕ್ರಮಿಸುತ್ತವೆ: 45.0-52.0 ಮೀ ಗ್ರಾನೈಟ್ ಮತ್ತು 50.0-58.0 ಮೀ ಶೇಲ್ ಅನ್ನು ಏಕಕಾಲದಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ. AI ಈ ಅತಿಕ್ರಮಣಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ ಮತ್ತು ಒಟ್ಟು 19 ಸಾಲುಗಳ ಅತಿಕ್ರಮಣವನ್ನು ತೋರಿಸುತ್ತದೆ. ಭೂವಿಜ್ಞಾನಿ ಕಚ್ಚಾ ಲಾಗ್ಗೆ ತಿರುಗುತ್ತದೆ; ಡೇಟಾ ಎಂಟ್ರಿಯಲ್ಲಿ ಲೈನ್ ಶಿಫ್ಟ್ ಅನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತದೆ ಮತ್ತು ಸರಿಪಡಿಸುತ್ತದೆ. ಅತಿಕ್ರಮಿಸುವ ಮಧ್ಯಂತರಗಳನ್ನು ಸರಿಪಡಿಸದಿದ್ದರೆ, ಬ್ಲಾಕ್ ಮಾದರಿಗೆ ಯಾವ ರೀತಿಯ ರಾಕ್ ಅನ್ನು ನಿಯೋಜಿಸಲಾಗುವುದು ಮತ್ತು ಟನೇಜ್ ಅನ್ನು ತಪ್ಪಾಗಿ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ ಎಂಬುದು ಅಸ್ಪಷ್ಟವಾಗಿರುತ್ತದೆ.

ಪ್ರಕರಣ 3 - ತಪ್ಪಾದ ದೃಶ್ಯ ನಿರ್ಣಯ (ಎಚ್ಚರಿಕೆ). ಒಬ್ಬ ಇಂಟರ್ನ್ ಕೋರ್ ಫೋಟೋವನ್ನು AI ಗೆ ನೀಡುತ್ತಾನೆ ಮತ್ತು "ಈ ವಲಯದಲ್ಲಿ ಯಾವುದೇ ಅದಿರು ಇದೆಯೇ?" AI ಕೆಂಪು ಮತ್ತು ರಕ್ತನಾಳಗಳನ್ನು ನೋಡುತ್ತದೆ ಮತ್ತು "ಸಂಭಾವ್ಯ ಖನಿಜೀಕರಣವು ಹೆಚ್ಚು" ಎಂದು ಹೇಳುತ್ತದೆ. ಇಂಟರ್ನ್ ಇದನ್ನು ಲಾಗ್‌ಗೆ "ಖನಿಜೀಕರಿಸಿದ" ಎಂದು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ. ಆದರೆ ಕೆಂಪು ಬಣ್ಣವು ಐರನ್ ಆಕ್ಸೈಡ್ ಕಲೆ ಮತ್ತು ಆರ್ಥಿಕ ಅದಿರನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ; ಪ್ರಯೋಗಾಲಯ ವಿಶ್ಲೇಷಣೆಯು ಜಾಡಿನ ಮಟ್ಟದಲ್ಲಿ ಗ್ರೇಡ್ ಅನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ. ಪಾಠ: ಗ್ರೇಡ್/ಅದಿರನ್ನು ಚಿತ್ರದಿಂದ ನಿರ್ಧರಿಸಲಾಗುವುದಿಲ್ಲ; AI ಔಟ್‌ಪುಟ್ ಕೇವಲ "ಪರೀಕ್ಷೆ" ಚಿಹ್ನೆಯಾಗಿದ್ದು, ವಿಶ್ಲೇಷಣೆಯಿಂದ ಪರಿಶೀಲಿಸಲಾಗಿದೆ.

ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಡ್ರಿಲ್ ಡೇಟಾ ಕಾನ್ಸಿಸ್ಟೆನ್ಸಿ ಸ್ಕ್ಯಾನಿಂಗ್ "ಪಾತ್ರ: ನೀವು ಸಹಾಯಕ ಸಂಪನ್ಮೂಲ/ಡೇಟಾಬೇಸ್ ಭೂವಿಜ್ಞಾನಿ. ಕೆಳಗೆ ಒಂದು [ಲಿಥಾಲಜಿ/ಅಸ್ಸೇ] ಟೇಬಲ್ ಅಂತರವಿದೆ. ಕಾಲಮ್‌ಗಳು: [ಪಟ್ಟಿ, ಘಟಕಗಳೊಂದಿಗೆ]. ಕೆಳಗಿನ ಅಸಮಂಜಸತೆಗಳನ್ನು ಸಾಲು ಸಂಖ್ಯೆ ಮತ್ತು ಕಾರಣದಿಂದ ಗುರುತಿಸಿ: ರಿಂದ>=ಇಂದ, ವಿಭಿನ್ನವಾದ ಯೂನಿಟ್ ಸ್ಪ್ಯಾಪಿಂಗ್, ಶಂಕಿತ ವ್ಯಾಪ್ತಿ, ಅತಿಕ್ರಮಿಸುವ ವ್ಯಾಪ್ತಿ, ಅತಿಕ್ರಮಿಸುವ ಘಟಕ ಋಣಾತ್ಮಕ/ಔಟ್‌ಲೈಯರ್, ಖಾಲಿ ಬದಲಿಗೆ ಕೋಡ್ (999/-9).

ಲಿಥಾಲಜಿ ಕೋಡ್ ಪ್ರಮಾಣೀಕರಣ "ಕೆಳಗಿನ ಶಿಲಾಶಾಸ್ತ್ರದ ಕೋಡ್‌ಗಳನ್ನು ಕೈಯಿಂದ ನಮೂದಿಸಲಾಗಿದೆ ಮತ್ತು ಅಸಮಂಜಸವಾಗಿದೆ. ಒಂದೇ ಶಿಲಾ ಪ್ರಕಾರದ ವಿಭಿನ್ನ ಕಾಗುಣಿತಗಳನ್ನು ಗುಂಪು ಮಾಡಿ (ಉದಾ. GRN/Grn/granite). ಪ್ರತಿ ಗುಂಪಿಗೆ ಒಂದೇ ಶಿಫಾರಸು ಪ್ರಮಾಣಿತ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ. ಕೋಷ್ಟಕದಲ್ಲಿ: [ಮೂಲ ಕೋಡ್‌ಗಳು] -> [ಪ್ರತ್ಯೇಕ ಕೋಡ್‌ಗಳು [ಅಂಟಿಸಿ]."

ಕೋರ್ ಫೋಟೋ ಪ್ರಿ-ಸ್ಕ್ಯಾನಿಂಗ್ "ಈ ಕೋರ್ ಫೋಟೋದಲ್ಲಿ ನಾನು ಗಮನಿಸಬೇಕಾದ ದೃಶ್ಯ ಲಕ್ಷಣಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ: ಬಣ್ಣ ಬದಲಾವಣೆಯ ವಲಯಗಳು, ಸಂಭವನೀಯ ಮುರಿತ/ಮುರಿತದ ಸಾಂದ್ರತೆ, ಗೋಚರ ಅಭಿಧಮನಿ, ಸಂಭವನೀಯ ಬದಲಾವಣೆಯ ಗುರುತು. ಇವುಗಳನ್ನು ಊಹೆಯಾಗಿ ಬರೆಯಿರಿ; ಬಂಡೆಯ ಪ್ರಕಾರ ಅಥವಾ ಗ್ರೇಡ್ ಅನ್ನು ನಿರ್ಧರಿಸಬೇಡಿ. ಪ್ರತಿಯೊಂದು ವೈಶಿಷ್ಟ್ಯಕ್ಕಾಗಿ, ಭೂವಿಜ್ಞಾನಿಗಳು ಯಾವ ಕ್ಷೇತ್ರವನ್ನು ಪರಿಶೀಲಿಸಬೇಕು ಎಂಬುದನ್ನು ಸೂಚಿಸಿ."

ಭೌಗೋಳಿಕ ಲಾಗ್ ಸಾರಾಂಶ "ಕೆಳಗಿನ ಪಠ್ಯವು ಕೊರೆಯುವಿಕೆಯ ಭೂವೈಜ್ಞಾನಿಕ ದಾಖಲೆಯಾಗಿದೆ. ಈ ಕೆಳಗಿನ ಶೀರ್ಷಿಕೆಗಳೊಂದಿಗೆ ರಚನಾತ್ಮಕ ಸಾರಾಂಶವಾಗಿ ಪರಿವರ್ತಿಸಿ: ಪ್ರಾಬಲ್ಯ ಶಿರೋನಾಮೆಗಳು ಮತ್ತು ಆಳದ ಶ್ರೇಣಿಗಳು, ಮಾರ್ಪಾಡು ವಲಯಗಳು, ರಚನಾತ್ಮಕ ಟಿಪ್ಪಣಿಗಳು (ದೋಷ/ಮುರಿತ), ಖನಿಜೀಕರಣದ ಅವಲೋಕನಗಳು. ಅಂಬಿ ಪಠ್ಯದಲ್ಲಿ ಏನನ್ನೂ ಸೇರಿಸಬೇಡಿ. ಲಾಗ್: [ಅಂಟಿಸಿ]."

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ಈ ಡ್ರಿಲ್ಲಿಂಗ್ ಡೇಟಾವನ್ನು ಸರಿಪಡಿಸಿ."

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್: "ಪಾತ್ರ: ನೀವು ಸಹಾಯಕ ಡೇಟಾಬೇಸ್ ಭೂವಿಜ್ಞಾನಿ. ಕೆಳಗಿನ ವಿಶ್ಲೇಷಣಾ ಕೋಷ್ಟಕದಲ್ಲಿ, ಅನುಮಾನಾಸ್ಪದ ಸಾಲುಗಳನ್ನು ಮಾತ್ರ ಫ್ಲ್ಯಾಗ್ ಮಾಡಿ (>=ಇಂದ, ppm/% ಶಂಕಿತ ಕಲಬೆರಕೆ, ಋಣಾತ್ಮಕ ಮೌಲ್ಯ, 999 ಖಾಲಿ ಬದಲಿಗೆ). ಪ್ರತಿ ಫ್ಲ್ಯಾಗ್‌ಗೆ ಸಾಲು ಸಂಖ್ಯೆ + ಕಾರಣವನ್ನು ನೀಡಿ. ನಾನು ಪ್ರಮಾಣಪತ್ರವನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇನೆ. ಇಂದ(m), To(m), Au(g/t) : [ಅಂಟಿಸಿ]."

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ AI ಗೆ "ನೀವು ನಿರ್ಧರಿಸಿ ಮತ್ತು ಬದಲಿಸಿ" ಎಂದು ಹೇಳುತ್ತದೆ; ಪ್ರಬಲ ಪ್ರಾಂಪ್ಟ್ AI ಅನ್ನು ಗುರುತು ಹಾಕಲು ಮಿತಿಗೊಳಿಸುತ್ತದೆ, ಭೂವಿಜ್ಞಾನಿಗಳಿಗೆ ತಿದ್ದುಪಡಿ ಅಧಿಕಾರವನ್ನು ನೀಡುತ್ತದೆ.

ಹೋಲಿಕೆ ಕೋಷ್ಟಕ: ಯಾವ ವ್ಯವಹಾರದಲ್ಲಿ AI ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು

ಅನ್ವೇಷಣೆ

AI ನ ಪಾತ್ರ

ಯಾರ ನಿರ್ಧಾರ

ಪರಿಶೀಲನೆ

ಅಸಂಗತ ಗುರುತು

ಶಕ್ತಿಯುತ ಬ್ರೌಸರ್

ಭೂವಿಜ್ಞಾನಿ ಸರಿಪಡಿಸುತ್ತದೆ

ಕಚ್ಚಾ ದಾಖಲೆ/ಪ್ರಮಾಣಪತ್ರ

ಲಿಥಾಲಜಿ ಕೋಡ್ ವಿಲೀನ

ಸಲಹೆ

ಭೂವಿಜ್ಞಾನಿ ದೃಢಪಡಿಸುತ್ತಾನೆ

ಕೋಡ್ ನಿಘಂಟು

ಪ್ರಮುಖ ಫೋಟೋ ಕಾಮೆಂಟ್

ಪೂರ್ವ-ಸ್ಕ್ರೀನಿಂಗ್/ಊಹೆ

ಭೂವಿಜ್ಞಾನಿ/ಪ್ರಯೋಗಾಲಯ

ಹಸ್ತಚಾಲಿತ ತಪಾಸಣೆ + ವಿಶ್ಲೇಷಣೆ

ಗ್ರೇಡ್/ಅದಿರು ನಿರ್ಧಾರ

ಬಳಸಿಲ್ಲ

ಪ್ರಯೋಗಾಲಯ

ಮಾನ್ಯತೆ ಪಡೆದ ವಿಶ್ಲೇಷಣೆ

ಲಾಗ್ ಪಠ್ಯವನ್ನು ಸಾರಾಂಶಗೊಳಿಸಿ

ಸಂರಚನಾಕಾರ

ಭೂವಿಜ್ಞಾನಿ

ಮೂಲ ಪಠ್ಯದೊಂದಿಗೆ ಹೋಲಿಕೆ

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• AI ಅನ್ನು ಹೊಂದಿರುವ ಟೇಬಲ್ ಅನ್ನು "ಸ್ವಯಂ ಸರಿಪಡಿಸಿ". ನೀವು ಮೂಕ ವಿರೂಪಗಳನ್ನು ಗಮನಿಸದೇ ಇರಬಹುದು; ಅದನ್ನು ಗುರುತಿಸಿ.
• ಕೋರ್ ಫೋಟೋದಿಂದ ಗ್ರೇಡ್/ಅದಿರು ಹೊರತೆಗೆಯುವಿಕೆ. ಚಿನ್ನವು ಸಾಮಾನ್ಯವಾಗಿ ಬರಿಗಣ್ಣಿಗೆ ಕಾಣಿಸುವುದಿಲ್ಲ; ನಿರ್ಧಾರ ನಿಮ್ಮ ವಿಶ್ಲೇಷಣೆ.
• ಅನಾಮಧೇಯಗೊಳಿಸದೆ ನೈಜ ನಿರ್ದೇಶಾಂಕಗಳನ್ನು ಅಂಟಿಸುವುದು. ಪರವಾನಗಿ ಮತ್ತು ನಿರ್ದೇಶಾಂಕಗಳು ಸೂಕ್ಷ್ಮ ಡೇಟಾ.
• AI ಸಾರಾಂಶವನ್ನು ಮೂಲ ಲಾಗ್‌ನೊಂದಿಗೆ ಹೋಲಿಸುತ್ತಿಲ್ಲ. AI ಪಠ್ಯದಲ್ಲಿ ಇಲ್ಲದ ವೀಕ್ಷಣೆಯನ್ನು ಸೇರಿಸಬಹುದು (ಭ್ರಮೆ).
• ಘಟಕದ ಹೊಂದಾಣಿಕೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ppm/%/g/t/ppb ಮಿಶ್ರಣವು ನೇರವಾಗಿ ಮೀಸಲು ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ.

ಗಮನ: ಡ್ರಿಲ್ಲಿಂಗ್ ಡೇಟಾದಲ್ಲಿ ಯುನಿಟ್ ದೋಷವು ಒಂದೇ ಸಾಲಿನಲ್ಲಿ ಉಳಿಯುವುದಿಲ್ಲ; ಸಂಯೋಜನೆಯು ಮುನ್ಸೂಚನೆ ಮತ್ತು ಮೀಸಲು ಉದ್ದಕ್ಕೂ ಬೆಳೆಯುತ್ತದೆ ಮತ್ತು ಹರಡುತ್ತದೆ. ಶುಚಿಗೊಳಿಸುವ ಹಂತದಲ್ಲಿ ಶ್ರದ್ಧೆಯು ಎಲ್ಲಾ ನಂತರದ ಖಾತೆಗಳ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

Drilling/geology data consists of four main tables (collar, survey, lithology, assay) and consistency rules are vital. ಈ ಡೇಟಾ ಅಸಂಗತತೆಯ ಸ್ಕ್ಯಾನಿಂಗ್, ಕೋಡ್ ಪ್ರಮಾಣೀಕರಣ, ಲಾಗ್ ಸಾರಾಂಶ ಮತ್ತು ಕೋರ್ ಫೋಟೋ ಪೂರ್ವ ಸ್ಕ್ಯಾನಿಂಗ್‌ನಲ್ಲಿ AI ಪ್ರಬಲ ಸಹಾಯವಾಗಿದೆ. ಆದಾಗ್ಯೂ, ತಿದ್ದುಪಡಿ ನಿರ್ಧಾರವು ಭೂವಿಜ್ಞಾನಿಗಳಿಗೆ ಸೇರಿದೆ ಮತ್ತು ಗ್ರೇಡ್/ಅದಿರು ನಿರ್ಧಾರವು ಪ್ರಯೋಗಾಲಯಕ್ಕೆ ಸೇರಿದೆ. AI ಮಾರ್ಕ್ ಅನ್ನು ಸಂಪಾದಿಸಬೇಡಿ, ಕಚ್ಚಾ ಮೂಲದಿಂದ ಪ್ರತಿ ಮಾರ್ಕ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಚಿತ್ರದಿಂದ ಗ್ರೇಡ್ ಅನ್ನು ಎಂದಿಗೂ ಊಹಿಸಬೇಡಿ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನೀವು ಹೊಂದಿರುವ ಅಸ್ಸೇ ಟೇಬಲ್ ಅನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ (ಅಥವಾ ಮಾದರಿ) ಮತ್ತು ಅದನ್ನು "ಡ್ರಿಲ್ಲಿಂಗ್ ಡೇಟಾ ಸ್ಥಿರತೆ ಸ್ಕ್ಯಾನ್" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ AI ಗೆ ನೀಡಿ. ಗುರುತಿಸಲಾದ ಸಾಲುಗಳನ್ನು ಟೇಬಲ್‌ಗೆ ಆಮದು ಮಾಡಿ; ಪ್ರತಿಯೊಂದಕ್ಕೂ "ಕಚ್ಚಾ ಮೂಲದಿಂದ ಪರಿಶೀಲಿಸಬೇಕಾದ" ಟಿಪ್ಪಣಿಯನ್ನು ಪರಿಗಣಿಸಿ. ನಂತರ "ಲಿಥಾಲಜಿ ಕೋಡ್ ಪ್ರಮಾಣೀಕರಣ" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಕೋಡ್ ನಿಘಂಟನ್ನು ರಚಿಸಿ ಮತ್ತು AI ಖಚಿತವಾಗಿಲ್ಲದ ಗುಂಪುಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಗಮನಿಸಿ. ಅಂತಿಮವಾಗಿ, ಕೋರ್ ಫೋಟೋವನ್ನು ಪೂರ್ವ-ಸ್ಕ್ಯಾನ್ ಮಾಡಿ ಮತ್ತು ಹೊರಹೊಮ್ಮುವ ಪ್ರತಿಯೊಂದು ಊಹೆಗಾಗಿ ನೀವು ಕ್ಷೇತ್ರದಲ್ಲಿ ಪರಿಶೀಲಿಸುವದನ್ನು ಬರೆಯಿರಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] AI ಗೆ ಡೇಟಾವನ್ನು ನೀಡುವ ಮೊದಲು ನಾನು ನಿಜವಾದ ನಿರ್ದೇಶಾಂಕ/ಪರವಾನಗಿ ಮಾಹಿತಿಯನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು AI ಅನ್ನು ಸಮರ್ಥನೀಯ ಗುರುತುಗಾಗಿ ಕೇಳಿದೆ, ತಿದ್ದುಪಡಿಗಾಗಿ ಅಲ್ಲ.
• [ ] ನಾನು ಕಚ್ಚಾ ಲಾಗ್/ಲ್ಯಾಬ್ ಪ್ರಮಾಣಪತ್ರದ ವಿರುದ್ಧ ಗುರುತಿಸಲಾದ ಪ್ರತಿ ಸಾಲನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಪರಿಮಾಣದ ಸ್ಥಿರತೆಯನ್ನು ಸಹ ಪರಿಶೀಲಿಸಿದ್ದೇನೆ (g/t, %, ppm, ppb).
• [ ] ನಾನು ಕೋರ್ ಫೋಟೋ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಊಹೆ ಎಂದು ಪರಿಗಣಿಸಿದ್ದೇನೆ, ನಾನು ಗ್ರೇಡ್ ನಿರ್ಧಾರವನ್ನು ಮಾಡಲಿಲ್ಲ.
• [ ] ಯಾವುದೇ ಮಾಹಿತಿಯನ್ನು ಸೇರಿಸಲಾಗಿಲ್ಲ ಎಂದು ಪರಿಶೀಲಿಸಲು ನಾನು AI ಸಾರಾಂಶವನ್ನು ಮೂಲ ಲಾಗ್ ಪಠ್ಯಕ್ಕೆ ಹೋಲಿಸಿದೆ.