이득:
- 잠재적인 현장 처리 수정(Bouguer, land, log, IGRF) 및 지역 잔류물 분리의 매개변수 민감도를 이해하고 다양한 분리로 테스트할 수 있는 능력
- 깊이-진폭 불확실성 및 자기 위도 효과(극으로의 축소)를 고려하여 소스 위치를 정확하게 해석하는 능력
- 잠재적 현장 해석을 단일 모델에 고정하지 않고 대체 시나리오 및 지진/정을 사용하여 잠재적 현장 해석을 교차 검증하는 기능
지진파 방법은 비용이 많이 들고 모든 곳에 적용할 수 없습니다. 여기에서 잠재적인 현장 방법(중력 및 자기)이 활용됩니다. 즉, 넓은 영역을 빠르게 스캔하고 분지와 광체의 대략적인 구조를 드러내는 비교적 저렴한 방법입니다. 중력법은 지하의 밀도 차이로 인해 발생하는 매우 작은 중력 변화를 측정합니다. 자기법은 암석의 자화(자화 민감도) 차이로 인해 발생하는 자기장의 변화를 측정합니다. 이 단원에서는 인공 지능(AI)이 이상 징후 식별과 깊이 추정이라는 두 가지 방법의 처리를 어떻게 가속화하는지 설명합니다. 잠재적인 분야에 내재된 강한 불확실성으로 인해 AI를 더욱 주의 깊게 사용해야 하는 이유를 살펴보겠습니다.
잠재적인 현장 데이터의 성격
사전부터 시작해 보겠습니다. 이상, 예상 지역 값과의 편차 즉, 우리가 관심을 갖고 있는 지하 구조물의 특징입니다. 중력에서 원시 측정값은 자유 공기 보정(고도의 영향), Bouguer 보정(측정값과 기준 사이의 암석 질량의 영향), 지형 보정(지형의 영향) 등 많은 보정을 거칩니다. 결과적인 Bouguer 이상 현상은 지하 밀도 차이를 반영합니다. 자기학에서는 일교차와 주장(IGRF)을 빼서 자기이상을 구합니다.
잠재적 필드의 주요 과제는 깊이-진폭의 불확실성입니다. 작고 얕은 소스와 크고 깊은 소스는 거의 동일한 표면 이상을 생성할 수 있습니다. 이는 지진파에서 다의성의 잠재적인 현장 상태이며, AI는 이를 제거하지 않고 단지 가속화할 뿐입니다. 그래서 저는 논평에서 항상 "얼마나 많은 모델이 이 이상 현상을 설명합니까?"라고 묻습니다. 질문이 제기됩니다.
처리 및 필드 분리의 AI
잠재적 현장 처리의 핵심은 지역-잔류 분리입니다. 즉, 천천히 변화하는 지역 구성 요소를 넓고 깊은 소스에서 분리하고 잔류 구성 요소를 얕은 로컬 소스에서 분리하는 것입니다. 고전적인 방법은 다항식 피팅 또는 파장 필터입니다. AI 기반 접근 방식은 사례를 통해 학습함으로써 이러한 구별을 더욱 유연하게 만들 수 있습니다. 또한 파생 기반 기능(수평/수직 파생, 분석 신호, 기울기 각도)은 소스 가장자리를 강조합니다. AI는 이러한 속성을 결합하고 에지 및 리소스 후보를 자동으로 표시할 수 있습니다.
위험은 필터 매개변수(차단 파장)가 해석을 완전히 변경한다는 것입니다. 동일한 데이터는 서로 다른 차이점을 지닌 완전히 다른 잔차 맵을 생성합니다. AI가 분리를 제안하더라도 전문가는 그 분리가 목표 깊이에 적합한지 확인합니다.
팁: 단일 매개변수로 지역 잔류 구별을 수정하지 마십시오. 서로 다른 차단 파장을 사용하여 3개 또는 4개의 잔차 맵을 생성하고 대상 이상 현상이 모든 맵에서 일관적으로 보이는지 확인합니다. 단일 구별에만 나타나는 이상 현상은 매개 변수 인공물인 경우가 많습니다.
깊이 추정 및 자동화
Euler deconvolution 및 Werner deconvolution과 같은 방법은 잠재적 영역의 소스 깊이를 추정하는 데 사용됩니다. 이는 이상 현상의 변화를 통해 소스 위치와 깊이를 추정합니다. AI는 수천 개의 솔루션을 클러스터링하여 이러한 예측 속도를 높이고 더 깨끗한 "깊이 있는 클라우드"를 생성할 수 있습니다. 그러나 이러한 방법은 소스의 기하학적 구조를 정의하는 가정인 구조 지수와 같은 입력에 매우 민감합니다. 잘못된 가정은 체계적으로 잘못된 깊이를 산출합니다. AI가 생성한 깊이 맵은 지질학적 타당성과 지진/우물이 가능한 경우 항상 검사됩니다.
주의: 자기 데이터의 극성 및 위도 효과로 인해 이상 현상이 발생원 바로 위에 있지 않을 수도 있습니다. 북반구에서는 이상현상이 근원지 남쪽으로 이동할 수 있습니다. 극으로 축소되지 않은 AI가 표시한 "자원 센터"를 받아들이지 마십시오.
지진과 통합된 해석
잠재적인 필드만으로는 해상도가 좋지 않습니다. 그들의 진정한 힘은 공동 해석에서 나타난다. 중력은 유역의 깊이를 제공하고, 자기는 바닥의 지형을 제공하며, 지진은 미세한 구조를 제공합니다. AI는 이러한 다양한 데이터 계층을 공통 모델(데이터 융합)로 결합하는 데 도움이 됩니다. 그러나 합성은 각 방법의 해상도와 불확실성을 고려하여 전문가의 감독하에 수행됩니다.
세 개의 미니 케이스
사례 1 - 유역 가장자리가 좁아짐. 지열 프로젝트에서는 중력 데이터를 이용해 유역 가장자리(단층 단계)를 찾는 것이 필요했습니다. AI 지원 가장자리 감지(기울기 각도 + 분석 신호)는 12개의 후보 가장자리 선을 표시했습니다. 팀은 자기 유정과 기존 유정 2개를 사용하여 이를 검사했습니다. 5개는 지하실 결함 단계와 일치했고, 7개는 소음으로 인해 발생했습니다. 검증된 가장자리는 유정 위치를 800m 이동시켰습니다.
사례 2 - 위도 효과 오류. 광물 탐사에서는 자기 이상 현상의 중심을 직접 시추 대상으로 선택했습니다. 첫 번째 우물은 비어 있는 것으로 나타났습니다. 나중에 극으로 축소했을 때 실제 원인은 변칙 중심에서 북쪽으로 300m 떨어진 곳이라는 것이 이해되었습니다. 위도 효과는 무시되었습니다. 두 번째 샤프트는 광체를 발견했습니다.
사례 3 — 매개변수에 따른 고스트. 한 팀은 단일 차단 파장에 의해 생성된 잔여 맵에서 뚜렷한 "내장 구조"를 확인했습니다. 지도가 다른 컷오프 값으로 재현되면 구조가 손실됩니다. 이는 실제 소스가 아닌 지역 잔류 구별의 매개변수 인공물이었습니다.
복사 가능한 템플릿 4개
1) 가공 보정 제어:
귀하의 역할: 중력/자기 가공 전문가. 수확량: [지상 중력, 험난한 지형]. 적용해야 할 수정 사항을 순서대로 나열하십시오(자유 공기, Bouguer, 지형, 픽업 시 일일 +IGRF). 각 수정 사항에 대해 일반적인 오류와 그 영향(생략된 경우)을 주석에 적어주세요.
2) 지역 잔류 차별 테스트:
지역-잔류 차별을 수행하고 있으며 목표 수심은 ~[X]km입니다. 차단 파장은 어떻게 선택하나요? 서로 다른 컷오프 값으로 생성된 잔차 맵을 비교하는 절차를 제공하십시오. 어떤 변칙이 실제이고 어떤 것이 매개변수 인공물인지 어떻게 구별합니까?
3) 깊이 추정 제어:
오일러 디콘볼루션(Euler Deconvolution)을 통해 깊이를 추정했습니다. 내가 선택한 구조적 지수가 결과에 어떤 영향을 미치는지 설명하세요. 서로 다른 지표로 얻은 깊이 분포를 비교하고 이를 지질학적 타당성과 지진으로 확인할 수 있는 방법은 무엇입니까?
4) 자기 용접 위치 수정:
자기 이상 현상의 중심을 드릴링 대상으로 만들기 전에 위도 효과와 이를 극으로 축소해야 하는 필요성에 대해 설명합니다. 소스의 실제 위치와 이상 현상 중심 사이의 오프셋을 어떻게 설명합니까? 단계별로 말해 보세요.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 중력 지도에서 광석이 어디에 있는지 말해주세요.
잠재 면적만으로는 광석을 나타내지 않습니다. AI는 불확실성을 숨기고 단일 지점의 잘못된 확실성을 생성합니다.
강력한 프롬프트:
귀하의 역할: 잠재적인 현장 해설자. 맥락: 부게 변칙 지도, 대상 황화물 광석, 두 개의 우물 존재. 작업:(1) 가장자리 감지 속성으로 후보 리소스 경계를 표시합니다. (2) 각 후보에 대해 얕은 소형 및 심층 대형의 최소 두 가지 밀도-깊이 시나리오를 제공합니다. (3) 이러한 시나리오를 구분하기 위해 어떤 추가 데이터(자기, 지진, 우물)를 권장하는지 알려주십시오. 하나의 정확한 리소스 위치를 제공하지 마세요.
불확실성 시나리오와 교차 데이터 요청은 잠재적인 현장 해석을 정직하고 방어 가능하게 만듭니다.
방법 비교
특징
중력
자기
AI 기여
그것이 측정하는 차이
밀도
자화
속성 병합
전형적인 표적
분지, 소금, 광석
기반암, 광석
모서리/용접 마킹
주요 불확실성
깊이 진폭
위도/극 효과
불확실성을 좁혀라
중요한 수정
부게, 땅
일일, IGRF, RTP
자동화, 제어
일반적인 실수
- 유일한 차이점은 이제 지도를 신뢰하는 것입니다. 다른 컷오프 값을 사용하여 이상 현상을 테스트하지 않고 구조를 선언하지 마십시오.
- 위도 효과를 우회합니다. 자기 이상 중심은 소스 바로 위에 있지 않습니다.
- 구조적 지수를 임의로 선택합니다. 오일러 깊이는 이 가정에 매우 민감합니다.
- 잠재적인 영역만 결정적인 것으로 간주합니다. 낮은 해상도; 지진/우물과 결합합니다.
- 불확실성을 숨기는 단일 모델에 대한 정착. 얕은 작은 시나리오와 아주 큰 시나리오를 만들어야 합니다.
요약하면
중력 및 자기 방법은 넓은 영역을 저렴하게 스캔하고 분지 및 광석 구조의 대략적인 개요를 제공합니다. AI는 렌더링, 가장자리/소스 표시 및 깊이 추정을 가속화합니다. 그러나 잠재적 필드에 내재된 깊이-진폭 불확실성, 위도 효과 및 매개변수 민감도는 AI 출력을 극도로 취약하게 만듭니다. 올바른 사용법: 여러 시나리오 생성, 다양한 매개변수로 테스트, 극축 축소와 같은 물리학 관찰, 지진/우물과 결합. 최종 해석은 불확실성을 숨기지 않는 전문가의 몫입니다.
응용과제
중력 또는 자기 이상(실제 또는 샘플)을 선택합니다. "지역 잔류물 식별 테스트" 템플릿을 사용하여 다양한 차단 파장에 대한 비교 루틴을 만듭니다. 자기인 경우 "자기 소스 위치 수정" 템플릿을 사용하여 위도 효과를 평가합니다. 이상 현상을 설명하는 서로 다른 지하 시나리오 2개 이상과 이를 구별하기 위한 추가 데이터를 기록해 보세요.
체크리스트
- [ ] 모든 렌더링 수정(Bouguer/지형 또는 로그/IGRF)을 적용했습니다.
- [ ] 다양한 매개변수를 사용하여 지역-잔차 구별을 테스트했습니다.
- [ ] 자기학의 위도 효과/극 감소를 고려했습니다.
- [ ] 나는 이상 현상에 대해 최소한 두 가지 심도 진폭 시나리오를 작성했습니다.
- [ ] 지진파/우물/기타 방법으로 결과를 교차 검증했습니다.