이득:
- AI 지원을 통해 시추 기록, 암석학 및 등급 데이터를 정리하고 불일치 및 코딩 오류를 감지하는 기능
- 핵심 사진 및 지질학적 관찰을 해석할 때 AI를 사전 분류 및 가설 생성자로 정확하게 배치하는 능력
- 지질학적 관찰 및 실험실 분석을 통해 AI가 추론한 암석학/변질 해석을 교차 검증하는 능력
모든 광산 프로젝트의 기본은 지하에서 채취한 샘플입니다. 이러한 예 중 가장 중요한 것은 드릴 코어(드릴링 머신이 암석에서 원통형으로 추출하는 연속 샘플)입니다. 지질학자는 핵심을 조사합니다. 암석 유형(암석학), 구조, 변경(뜨거운 물과 화학적 효과에 의한 암석의 변화) 및 광물화를 기록하고 실험실 샘플의 등급을 분석합니다. 그 결과는 드릴링 로그라고 불리는 미터 단위로 기록된 거대한 테이블입니다. 단일 프로젝트에는 수백 개의 시추 작업과 수만 개의 라인이 있을 수 있습니다. 이 데이터를 정리하고, 결합하고, 불일치를 파악하고, 초기 해석을 추출합니다. AI가 정말 가속화하고 있는 분야인데, 각 단계를 지질학자의 눈으로 검증해야 합니다. 이 단원에서는 AI를 사용하여 시추/지질 데이터를 정리하는 방법, 핵심 이미지를 사전 해석하는 방법 및 결과를 검증하는 방법을 학습합니다.
드릴링 데이터 테이블 분석
드릴링 데이터 세트는 일반적으로 4개의 테이블로 구성되며 이를 올바르게 결합하는 것은 작업의 절반입니다.
- 칼라: 각 시추공의 시작 좌표(X, Y, Z) 및 총 깊이입니다.
- 측량(편차): 깊이에 따른 드릴링의 경사(딥) 및 방향(방위각) 변화입니다. 드릴링은 결코 완벽하게 직선으로 진행되지 않습니다.
- 암석학: 깊이 범위(~까지) 전반에 걸쳐 암석 유형 및 지질 관찰.
- 분석: 깊이 범위에 걸친 실험실 등급 결과(예: Au g/t, Cu %).
이러한 테이블은 <부터, 범위가 겹치지 않아야 하고 코드가 일관되어야 하는 등의 규칙을 준수해야 합니다. 실제로 수동으로 입력한 데이터에는 항상 오류가 있습니다. 범위 누락, 범위 겹침, 단위 혼동(ppm 및 % 혼합), 암석학 코드의 다른 철자(GRN, Grn, 화강암), Null 값 대신 999 또는 -9와 같은 코드. AI는 이러한 불일치를 검색하고 표시하는 데 매우 강력합니다. 하지만 지질학자의 승인을 받아 수정해야 합니다.
단계별: AI를 이용한 시추 데이터 정리
- 데이터를 소개합니다. AI에 열 이름, 단위 및 몇 가지 샘플 행(실제 좌표를 익명화)을 제공합니다. 무슨 일이 일어나야 하는지 명확하게 설명하세요.
- 규칙 목록을 만드세요. AI에게 "이 테이블에 대해 어떤 일관성 규칙을 확인해야 하는지" 목록을 요청하고 그 위에 자신만의 규칙을 추가하세요.
- 불일치 스캔을 수행하십시오. 자동 수정이 아닌 AI에 플래그 지정을 요청하면 됩니다. 각 표시에 대한 정당성을 요청하십시오.
- 원시 소스로 돌아갑니다. 원래의 시추공 기록 또는 실험실 인증서와 비교하여 표시된 각 선을 확인하십시오.
- 문제를 해결하기로 결정하십시오. 지질학자가 수정을 합니다. AI가 제안할 뿐입니다.
팁: AI에게 "수정된 표를 주세요"라고 말하지 마세요. "이유가 있는 의심스러운 라인 표시"라고 말합니다. 자동 수정 테이블에서는 자동으로 손상된 행을 발견하는 것이 거의 불가능합니다.
핵심 사진 및 시각적 해석
현대 프로젝트에서는 코어 박스가 촬영됩니다. 다중 모델 AI 도구(이미지도 처리할 수 있는 모델)는 이러한 사진에서 색상 변화, 가능한 골절 밀도, 정맥의 존재, 가능한 변경 영역 등의 예비 해석을 생성할 수 있습니다. 이는 지질학자에게 "여기를 주의 깊게 살펴보라"고 알려주는 예비 심사로서 가치가 있습니다. 그러나 암석학 및 변경 결정은 결코 사진으로 이루어지지 않습니다. 코어의 수동 검사, 경도 테스트, 산 반응 및 실험실 분석이 필요합니다. AI가 색상에서 "금이 있다"고 추론하는 것은 심각한 실수입니다. 금은 육안으로 보이지 않는 경우가 많으며 분석을 통해서만 식별할 수 있습니다.
세 개의 미니 케이스
사례 1 - 장치 간섭 캡처. 프로젝트의 분석 테이블에는 12,000개의 행이 있습니다. 지질학자는 AI에 표를 소개하고 "Au 열에 100g/t 이상의 값이 있는 행을 나열하십시오. 이는 진정한 고급 등급이거나 ppm/ppb 혼합일 수 있습니다."라고 말합니다. AI는 37줄을 표시합니다. 지질학자는 실험실 인증서를 살펴봅니다. 그는 34개가 실제로 ppb(10억분의 1)로 입력되었지만 실수로 g/t로 간주된 반면 3개는 실제 대박(매우 높은 등급)이라는 사실을 발견했습니다. 이 34개 라인을 수정하지 않으면 평균 등급이 인위적으로 부풀려져 적립금이 과장되게 됩니다.
사례 2 — 중첩 범위. 암석학 표에서 시작부터 끝까지 간격 중 일부가 겹칩니다. 화강암 45.0-52.0m와 셰일 50.0-58.0m가 동시에 정의됩니다. AI는 이러한 중복된 부분을 나열하고 총 19개의 중복된 선을 표시합니다. 지질학자는 원시 통나무를 사용합니다. 데이터 입력 시 라인 이동을 찾아 수정합니다. 겹치는 간격이 수정되지 않으면 어떤 암석 유형이 블록 모델에 지정되는지 불분명하게 남아 톤수가 잘못 계산됩니다.
사례 3 — 잘못된 시각적 추론(경고) 인턴은 AI에게 핵심 사진을 건네며 “이 구역에 광석이 있는 걸까?”라고 묻는다. AI는 붉은기와 핏줄을 보고 '광물화 가능성이 높다'고 말한다. 인턴은 이를 "광물화"된 것으로 로그에 처리합니다. 붉은색은 산화철 얼룩이며 경제적인 광석을 포함하지 않습니다. 실험실 분석에서는 추적 수준에서 등급을 찾습니다. 교훈: 이미지에서는 등급/광석을 확인할 수 없습니다. AI 출력은 분석을 통해 검증된 '검토' 표시일 뿐이다.
복사 가능한 프롬프트 템플릿
드릴 데이터 일관성 스캐닝 "역할: 당신은 보조 자원/데이터베이스 지질학자입니다. 아래는 from-to 간격의 [암석학/분석] 테이블입니다. 열: [목록, 단위 포함]. ROW 번호 및 이유와 다음 불일치를 표시하십시오: from>=to, 중복 범위, 간격, 의심되는 단위 혼합, 반복되는 코드의 다른 철자법, 음수/이상값, 공백 대신 코드(999/-9). 하지 마십시오. 정답입니다. 표: [붙여넣기]로 표시하세요.”
암석학 코드 표준화 "다음 암석학 코드는 손으로 입력되었으며 일관성이 없습니다. 동일한 암석 유형의 서로 다른 철자를 그룹화하십시오(예: GRN/Grn/화강암). 각 그룹에 대해 단일 권장 표준 코드를 작성하십시오. 표에: [원본 코드] -> [권장 표준]. 확실하지 않은 그룹은 별도로 표시하십시오. 제가 결정하겠습니다. 코드: [붙여넣기]."
핵심 사진 사전 스캔 "이 핵심 사진에서 주목해야 할 시각적 특징을 나열하십시오: 색상 변경 영역, 가능한 균열/파괴 밀도, 눈에 보이는 정맥, 가능한 변경 표시. 이를 가설로 작성하십시오. 암석 유형이나 등급을 결정하지 마십시오. 각 특징에 대해 지질학자가 현장에서 확인해야 하는 사항을 표시하십시오."
지질 기록 요약 "다음 텍스트는 시추에 대한 지질 기록입니다. 주요 암석 및 깊이 범위, 변경 영역, 구조적 메모(단층/파괴), 광물 관찰과 같은 제목을 사용하여 구조화된 요약으로 변환합니다. 텍스트에 없는 항목은 추가하지 마십시오. 모호한 문구는 '불분명'으로 표시하십시오. 로그: [붙여넣기]."
약한 프롬프트 / 강한 프롬프트
약한 프롬프트: "이 드릴링 데이터를 수정하세요."
강력한 프롬프트: "역할: 당신은 보조 데이터베이스 지질학자입니다. 아래 분석 테이블에서 의심스러운 행만 플래그를 지정합니다(from>=to, 불순물이 의심되는 ppm/%, 음수 값, 공백 대신 999). 각 플래그에 행 번호 + 이유를 제공합니다. 자동 수정하지 마세요. 원시 인증서에서 수정 사항을 확인하겠습니다. 열: HoleID, From(m), To(m), Au(g/t). 표: [paste]."
약한 프롬프트는 AI에게 "당신이 결정하고 변경합니다"라고 알려줍니다. 강력한 프롬프트는 AI를 표시로 제한하고 수정 권한을 지질학자에게 맡깁니다.
비교표: 어떤 비즈니스에서 AI를 활용하는가
퀘스트
AI의 역할
누구의 결정
확인
불일치 표시
강력한 브라우저
지질학자가 수정하다
원시 로그/인증서
암석학 코드 병합
제안
지질학자가 확인하다
코드 사전
핵심 사진 댓글
사전심사/가설
지질학자/실험실
수동 점검 + 분석
등급/광석 결정
사용되지 않음
실험실
공인된 분석
로그 텍스트 요약
구성자
지질학자
원문과의 비교
일반적인 실수
- AI가 테이블을 "자동 수정"하도록 합니다. 조용한 왜곡을 눈치채지 못할 수도 있습니다. 그냥 표시하세요.
- 코어 사진에서 등급/광석 추출. 금은 육안으로는 보이지 않는 경우가 많습니다. 결정은 귀하의 분석입니다.
- 익명화하지 않고 실제 좌표를 붙여넣습니다. 라이센스와 좌표는 민감한 데이터입니다.
- AI 요약을 원본 로그와 비교하지 않습니다. AI는 텍스트에 없는 관찰(환각)을 추가할 수 있습니다.
- 단위 불일치를 무시합니다. ppm/%/g/t/ppb 혼합은 예비량을 직접적으로 방해합니다.
주의: 드릴링 데이터의 단위 오류는 한 줄에 남아 있지 않습니다. 합성은 예측 및 예비 전체에 걸쳐 성장하고 확산됩니다. 청소 단계의 성실함이 모든 후속 계정의 신뢰성을 결정합니다.
요약하면
시추/지질 데이터는 4개의 주요 테이블(칼라, 측량, 암석학, 분석)로 구성되며 일관성 규칙이 중요합니다. AI는 이러한 데이터 불일치 스캔, 코드 표준화, 로그 요약 및 핵심 사진 사전 스캔에 강력한 지원을 제공합니다. 그러나 보정 결정은 지질학자의 몫이고, 등급/광석 결정은 실험실의 몫입니다. AI 마크를 편집하지 말고, 원본 소스에서 각 마크를 확인하고, 이미지에서 등급을 추론하지 마세요.
응용과제
가지고 있는 분석 테이블(또는 샘플)을 익명화하고 "드릴링 데이터 일관성 스캔" 템플릿을 사용하여 AI에 제공합니다. 표시된 행을 테이블로 가져옵니다. 각각에 대해 "원시 소스에서 확인해야 함" 메모를 고려하세요. 그런 다음 "암석학 코드 표준화" 템플릿을 사용하여 코드 사전을 생성하고 AI가 확신하지 못하는 그룹을 별도로 기록합니다. 마지막으로 핵심 사진을 미리 스캔하고 나타나는 각 가설에 대해 현장에서 확인할 내용을 기록합니다.
체크리스트
- [ ] AI에 데이터를 제공하기 전에 실제 좌표/면허 정보를 익명화했습니다.
- [ ] 수정이 아닌 정당한 마킹을 AI에게 요청했습니다.
- [ ] 원시 로그/실험실 인증서와 비교하여 표시된 각 줄을 확인했습니다.
- [ ] 용량 일관성(g/t, %,ppm,ppb)도 확인했습니다.
- [ ] 핵심 사진 출력물을 가설로 간주하여 등급 결정을 내리지 않았습니다.
- [ ] 추가된 정보가 없는지 확인하기 위해 AI 요약을 원본 로그 텍스트와 비교했습니다.