이득:
- AI 및 질문 가정을 통해 합성, 배리오그램, 크리깅 등 지리통계학적 단계를 구성하는 능력
- AI 지원을 통해 블록 모델, 등급-톤수 곡선 및 자원 분류(측정/표시/추출)를 해석하는 기능
- 독립적인 계산, 교차 검증 및 적격자(CP/QP) 판단을 통해 AI가 생성한 예측 및 불확실성 값을 테스트하는 기능
광산 회사에게 가장 중요한 숫자는 지하에 있는 광석의 양과 등급입니다. 이 번호; 이는 투자 결정, 주식 시장 가치, 은행 자금 조달 및 용광로의 수명을 결정합니다. 그러나 누구도 그 모든 물질을 하나씩 측량할 수는 없습니다. 희박한 드릴링 지점만 샘플링되고 간격이 추정됩니다. 이러한 예측을 과학적 근거로 삼는 학문을 지구통계학이라고 합니다. 지리통계학은 공간(공간 내 위치 기반) 데이터가 서로 얼마나 유사한지 모델링하고 불확실성을 고려하여 측정되지 않은 지점을 추정합니다. 일체 포함; 이는 이 프로세스의 코드, 시나리오 비교 및 불확실성 분석 부분에 강력한 도움이 됩니다. 그러나 어떤 모델이 유효한지, 어떤 가정이 허용되는지, 리소스가 어떻게 분류되는지는 적격자(JORC의 적격자/CP, NI 43-101의 적격자/QP)의 결정입니다.
자원과 예비: 중요한 구별
먼저 두 용어를 명확히 해보겠습니다. 광물자원: 지질학적 정보를 바탕으로 경제적으로 채굴할 수 있는 광석 신뢰도에 따라 추론형, 표시형, 측정형으로 분류됩니다. 광물 매장량(비축량): 기술적, 경제적 작업(채굴 방법, 시설 효율성, 비용, 금속 가격)을 통해 실제로 수익성 있게 추출할 수 있는 자원의 일부입니다. 그들은 가능성이 있고 입증된 것으로 분류됩니다. 자원은 지질학적이며 매장량은 경제적입니다. AI는 이러한 정의를 설명할 수 있지만 숫자가 어떤 클래스에 속하는지는 결정할 수 없습니다. 이는 데이터 밀도와 연속성 신뢰도를 보고 역량을 발휘하는 사람의 판단이다.
단계별: 지리통계적 작업 흐름과 AI의 위치
- 합성. 다양한 크기의 분석 간격을 동일한 길이(예: 1m 또는 2m)로 가져옵니다. AI: 코드를 작성하고 단위 및 가중 평균 논리를 설정합니다. 당신은 결과를 통제합니다.
- 통계적 검토. 등급 분포, 이상값, 상한선 지정(탑컷: 극도로 높은 등급 제한) AI: 히스토그램/요약 통계 코드를 생성합니다. 지질학자가 상한선 결정을 내립니다.
- 배리오그램 분석. 공간 연속성 모델링: 점이 더 멀리 이동할 때 유사성이 어떻게 감소하는지. 범위, 씰 및 너겟 매개변수. AI: 배리오그램의 개념을 설명하고 코드 뼈대를 제공합니다. 지리통계학자는 모델 적합성을 확인합니다.
- 예측(크리깅/IDW/시뮬레이션). 블록 모델의 각 블록에 등급을 지정합니다. Kriging은 Variogram을 기반으로 한 가중치 추정 방법입니다. AI: 방법의 차이점을 설명하고 코드를 작성합니다. 전문가가 매개변수를 선택합니다.
- 확인. 교차 검증, 예측-샘플 비교, 육안 검사, 평활화 제어. AI: 검증 그래프를 생성합니다. 전문가가 의견을 제시합니다.
- 분류 및 보고. 자원/예비 등급, 등급-톤수 곡선, JORC/UMREK 호환성. AI: 초안 텍스트 및 표; 서명은 권한을 부여받은 사람의 것입니다.
팁: AI가 "베리오그램 매개변수를 선택했습니다"라고 말하게 하지 마세요. 범위와 너깃 충격은 광체의 지질학적 특성에 따라 달라집니다. 잘못된 선택은 준비금을 체계적으로 부풀리거나 줄입니다. AI를 코드 및 시나리오 생성기로 사용하고 결정은 지리통계학자에게 맡기세요.
등급-톤수 곡선 및 경제적 한계 등급(컷오프)
컷오프 등급은 블록이 광석인지 녹인지 여부를 결정하는 임계값입니다. 금속 가격은 비용과 공장 효율성에 따라 달라집니다. 한계 등급이 변경됨에 따라 매장량의 톤수와 평균 등급도 변경됩니다. 이 관계는 등급-톤수 곡선으로 표시됩니다. AI는 이 곡선을 계산하는 코드를 작성하고 시나리오(다른 컷오프, 다른 금속 가격)를 신속하게 비교할 수 있습니다. 그러나 컷오프를 결정하는 비용 및 가격 가정은 경제적 결정이며 기술팀과 경영진이 함께 결정합니다.
세 개의 미니 케이스
사례 1 — 상한 과실. 금 프로젝트에서는 여러 번의 시추를 통해 120g/t라는 매우 높은 등급을 산출합니다. 팀은 캡핑 없이 크리그를 실시합니다. 평균 등급은 2.4g/t이다. AI는 교차 검증되었습니다. 추정치는 실제로 아주 약간의 드릴링으로 부풀려졌으며 몇 개의 블록이 매우 높게 할당되었습니다. 적절한 한도 설정(예: 30g/t) 후에 평균은 1.7g/t로 감소합니다. 차이점은 프로젝트의 타당성을 직접적으로 변경합니다. AI가 계산과 차트를 제작했습니다. 상한선 수준 결정은 지리통계학자에 의해 이루어졌습니다.
사례 2 - 범위가 잘못되었습니다. 구리 반암의 베리오그램 범위가 실제로 150m이지만 모델이 400m로 간주되는 경우 희박한 시추 영역이 너무 "신뢰할 수 있는" 것처럼 보이고 추론되는 것으로 간주되어야 하는 블록이 지정된 클래스로 이동합니다. 이는 감사에서 감지되며 리소스의 상당 부분이 더 낮은 신뢰 등급으로 다운그레이드됩니다. AI가 배리오그램 코드를 생성했지만 전문가가 범위를 검토하지 않아 오류가 확대됐다. 교훈은 모델 적합성이 전문가에 의해 검증되었는지 확인하는 것입니다.
사례 3 - 올바른 시나리오 비교. 철 프로젝트에서 팀은 세 가지 다른 기준(20%, 25%, 30% Fe)에 대한 등급별 톤수 결과를 확인하려고 합니다. 그들은 자체 블록 모델 데이터를 사용하여 질량/부피/밀도 논리 및 등급 톤수 계산을 수행하는 AI에 Python 스크립트를 작성합니다. 몇 초 만에 스크립트 테이블 3개 시나리오를 작성합니다. 팀은 블록에 직접 결과를 검증하고 명확한 비교 차트를 가지고 의사 결정 회의에 들어갑니다. AI는 여기서 반복 계산을 가속화했습니다. 데이터와 결정은 팀에 속했습니다.
복사 가능한 프롬프트 템플릿
구성 코드 "역할: 당신은 지리통계학 보조자입니다. 간격 분석 데이터를 FIXED [1m] 복합으로 변환하는 Python + pandas를 사용하여 함수를 작성합니다. 규칙: 간격 길이에 따라 등급의 가중치 평균을 계산하고, 누락/빈 간격을 건너뛰고 보고하고, 구멍 ID를 기준으로 별도로 처리합니다. 시작 부분에 주석 줄로 단위 가정을 작성합니다. 결과에서 건너뛴 간격 수를 반환합니다."
VARIOGRAM CONCEPT + CODE "베리오그램이란 무엇입니까? 너겟, 씰 및 범위의 개념을 간단한 언어로 설명합니다. 그런 다음 한 방향에서 실험적인 베리오그램을 계산하고 구형 모델 피팅 순위 코드 골격을 제공합니다. 경고 참고 사항을 추가합니다. 범위와 너겟은 광석의 지질학에 따라 전문적으로 선택해야 합니다. 이 값을 선택하지 마십시오."
등급-톤수 시나리오 "블록 모델 산출량에는 [x,y,z, 등급, 블록 부피, 밀도] 열이 포함되어 있습니다. 다음 컷오프 값 [0.3; 0.4; 0.5]에 대해 각 시나리오의 총 톤수 및 평균 등급을 계산하는 스크립트를 작성하십시오. 밀도 및 단위 가정을 명시적으로 해석하십시오. 결과를 비교 테이블로 반환하십시오."
교차 검증 의견 "아래는 크리깅 교차 검증 결과(실제 대 예측)입니다. 의견: 체계적 편향이 있습니까, 예측이 과도하게 평활화되어 있습니까, 어느 등급 범위에서 편차가 큽니까? 확고한 결정을 내리지 마십시오. 지리통계학자가 검토해야 할 매개변수를 제안하십시오. 데이터: [붙여넣기]."
약한 프롬프트 / 강한 프롬프트
약한 프롬프트: "이 프로젝트의 예비금을 계산하세요."
강력한 프롬프트: "역할: 당신은 지리통계학 보조자입니다. 나만의 블록 모델 및 배리오그램 매개변수를 제공하겠습니다. 크리깅 추정 + 교차 검증 + 등급-톤수 곡선을 생성하는 해석된 단위 및 가정을 사용하여 Python 흐름을 설정합니다. 매개변수를 선택하고 내 매개변수를 사용하세요. 결과는 JORC/UMREK에 따라 자격을 갖춘 사람(CP/QP)에 의해 분류되고 승인되어야 한다는 점을 보고서 끝부분에 기록해 두세요."
비교표: 메소드와 AI 역할
단계
목적
AI 역할
전문가 판단
합성
동일한 지지 길이
코드 + 제어
복합 크기
캡핑
이상치 한도
그래프/통계
상한선 수준
변이도
공간적 연속성
컨셉+코드
범위/너겟 선택
크리깅
블록 예측
코드 + 스트림
매개변수 + 방법
분류
신뢰 수준
초안 텍스트
JORC/UMREK 판결
일반적인 실수
- 캡핑을 건너뜁니다. 몇몇 노다지는 평균 가치와 보유액을 부풀립니다.
- AI가 선택한 배리오그램 매개변수를 가집니다. 범위/너겟은 지질학에 따라 다릅니다. 잘못된 선택은 체계적으로 예비비를 방해합니다.
- 자원과 예비비를 혼동합니다. 자원은 지질학적이며, 매장량은 경제적입니다. 클래스는 서로 바꿔 사용할 수 없습니다.
- 스무딩을 무시합니다. 크리깅은 테너를 지나치게 부드럽게 만들 수 있습니다. 하이 테너를 줄이고 로우 테너를 확대합니다.
- 권한 있는 사람의 승인 없이 분류를 보고합니다. JORC/UMREK는 승인된 사람의 서명이 있어야만 유효합니다.
주의: 예비 번호는 증권 거래소, 은행 및 투자자에게 공개되는 공식 선언입니다. AI가 생성한 중간 결과는 유능한 사람(CP/QP)의 독립적인 평가와 서명 없이는 공식적인 예비/자원 선언이 될 수 없습니다.
요약하면
지구통계학은 합성, 캡핑, 베리오그램, 크리깅, 검증 및 분류 등 희박한 시추로 인한 불확실성을 사용하여 전체 광체를 추정하는 분야입니다. 이 흐름에서 AI는 코딩, 시나리오 비교, 등급 톤수 계산 및 검증 그래픽에 강력합니다. 그러나 배리오그램 매개변수, 한도 수준 및 자원/예비 분류는 전문가의 결정이며 공식 선언에는 담당자의 서명이 필요합니다. 자원은 지질학적이며, 매장량은 경제적입니다. 이 구별을 결코 모호하게 하지 마십시오.
응용과제
샘플(또는 자체) 합성 등급 데이터가 포함된 "등급-톤수 시나리오" 템플릿을 사용하여 세 가지 서로 다른 구분에 대한 톤수 및 평균 등급 테이블을 생성합니다. 그런 다음 AI가 "교차 검증 해석" 템플릿을 사용하여 크리깅 결과를 해석하고 전문가 검토가 필요한 매개변수 목록을 나열하도록 합니다. 마지막으로 AI가 자원과 매장량, 분류 신뢰도 수준의 차이를 자신의 말로 설명하고 공식 코드 정의와 비교하여 정확성을 확인하도록 하세요.
체크리스트
- [ ] 복합 크기와 단위 가정을 결정했으며 AI에 맡기지 않았습니다.
- [ ] 지질학자/지리통계학자가 극단값에 대한 상한선을 결정했습니다.
- [ ] 베리오그램 범위 및 너겟 값 전문가가 검토했습니다.
- [ ] 교차 검증과 육안 검사를 통해 Kriging 결과를 테스트했습니다.
- [ ] 자원 클래스와 예약 클래스를 정확하고 개별적으로 사용했습니다.
- [ ] 공식적인 신고를 위해서는 담당자(CP/QP)의 승인이 필요하다고 보고서에 명시했습니다.