이득:
- 광물 유망성에 있어 AI 활용 및 다층 데이터 융합을 설명하는 능력
- 지리통계학(크리깅, 베리오그램)과 머신러닝을 활용하여 블록 모델을 만들고 등급을 추정하는 방법을 이해합니다.
- 교차 검증, 분류 신뢰도 및 보고 표준을 사용하여 소스 추정 결과를 테스트하는 기능
탐사는 소수의 드릴 샘플을 기반으로 수백만 달러의 결정을 내리는 베팅 게임입니다. 광물 매장지(영국 광석 매장지, 채굴할 수 있을 만큼 풍부하고 큰 광물 축적물)가 수백 평방 킬로미터의 영역 아래에 숨겨져 있으며, 우리는 드물게 드릴링, 지구물리학적 그림자 및 표면 마커를 통해서만 이를 "볼" 수 있습니다. 이것이 바로 광물 탐사가 AI의 가장 흥미롭지만 가장 위험한 응용 분야 중 하나인 이유입니다. 올바르게 사용하면 탐사 목표 지정 속도를 높이고 희박한 데이터에서 더 많은 의미를 추출합니다. 잘못 사용하면 통계 뒤에 존재하지 않는 실체를 숨기고 투자자와 사회 모두를 호도하게 됩니다.
이 단원에서는 탐사의 두 가지 주요 인공 지능 측면, 즉 탐사 타겟팅(광물 유망성, 다층 데이터를 통해 어떤 지역에 매장지가 있을 가능성이 있는지 추정)과 자원 추정(시추된 매장지에 얼마나 많은 금속이 있는지 말할 수 있는 자신감을 가지고 계산)을 다룰 것입니다. 두 가지 모두에서 AI는 강력한 패턴 찾기입니다. 그러나 두 경우 모두 최종 수치는 국제 보고 표준에 서명한 담당자의 책임입니다.
검색 타겟팅: 다층 데이터 융합
탐사 지질학자는 단일 유형의 데이터가 아니라 지질 지도, 구조적 윤곽(단층 및 습곡), 지구물리학(자기, 중력, 저항률), 지구화학(토양 및 하천 샘플 요소 값), 원격 감지를 통해 매핑된 변경 등 중첩된 레이어를 살펴봅니다. 각 레이어는 희미한 단서입니다. 실제 신호는 그들이 함께 가리키는 곳입니다. 이를 데이터 융합이라고 합니다.
인공지능은 여기서 두 가지 일을 합니다. 첫째, 수십 개의 레이어를 동일한 좌표 그리드(단일하고 지루하지만 오류가 발생하기 쉬운 작업)에 정렬하여 단일 분석 테이블로 만듭니다. 둘째, 알려진 퇴적물 주변의 패턴을 학습하고 유사한 특징으로 새로운 영역을 표시합니다(지도 학습). 그러나 여기에는 결정적인 함정이 있습니다. 알려진 병상 수는 대개 매우 적기 때문에(한 영역에 병상 5~10개 정도) 모델이 쉽게 기억하고 새로운 영역에서는 실패합니다. 이것이 바로 타겟팅 출력이 "확실한 보석 존재" 목록이 아니라 "드릴링을 통해 테스트할 가치가 있는 우선 순위"인 이유입니다.
단계는 일반적으로 다음과 같습니다. (1) 레이어 정렬 및 정리, (2) 침대 모델(예: "결함 교차점까지의 거리", "자기 높은 가장자리")을 기반으로 각 레이어를 의미 있는 토큰으로 변환, (3) 전문가 규칙에 따라 알려진 침대 또는 가중치로 훈련, (4) 확률 맵 생성, (5) 현장에서 가장 높은 확률 영역을 저비용 방법으로 테스트합니다.
팁: 레이어를 모델에 그대로 입력하는 대신 지질학적으로 의미 있는 마커를 파생시킵니다("자기 고리 + 아르길릭 변성 + 반암 구리의 단층 교차점"). 베어링 모델과 호환되는 지표는 블라인드 통계보다 훨씬 더 강력한 목표를 생성합니다.
지리통계학 및 자원 추정: 배리오그램, 크리깅 및 블록 모델
일단 광상을 발견하고 시추하면 질문이 달라집니다. "여기에 얼마나 많은 금속이 있고 우리는 그것을 얼마나 신뢰할 수 있습니까?" 답을 얻으려면 샘플링된 드릴 지점에서 샘플링되지 않은 암석 부피까지 추정해야 합니다. 이를 위한 표준 도구는 지리통계학입니다.
기본 개념은 배리오그램입니다. 즉, 두 샘플이 더 멀리 이동할 때 등급 유사성이 어떻게 감소하는지 설명하는 공간 연속성의 척도입니다. 가까운 예는 유사하고 먼 예는 독립적입니다. 배리오그램은 이 "유사성 범위"를 정량화합니다. Kriging은 이 배리오그램 구조를 사용하여 샘플링되지 않은 각 블록에 대한 추정치와 추정치의 불확실성 모두를 제공하는 가중 평균 방법입니다. 광상은 측면이 미터 단위로 측정되는 블록(블록 모델)으로 나누어지며, 각 블록에는 등급과 신뢰도가 할당됩니다.
여기서 인공지능은 세 가지 점에서 등장합니다. 배리오그램 모델링에서는 대체 모델을 제안하고 적합성을 평가합니다. 기계 학습 방법(예: 랜덤 포레스트, 그래디언트 부스팅)은 크리깅 외에도 비선형 등급 관계를 포착할 수 있습니다. 또한 전체 워크플로의 코딩, 확인 및 보고 속도가 빨라집니다. 그러나 두 가지 철칙은 변함이 없습니다. 추정 불확실성은 결코 숨겨질 수 없으며, 최종 자원은 국제 표준(JORC, NI 43-101, PERC와 같은 공개 감사 가능한 자원/보존량 보고 프레임워크)에 따라 유능한 사람이 측정/표시/추론 클래스로 분류합니다.
주의: 기계 학습 모델은 드릴링 파손을 "부드럽게"하여 실제로 존재하지 않는 연속성을 생성할 수 있습니다. 몇 개의 고급 표본은 전체 블록을 불공평하게 강화(영어 번짐)할 수 있습니다. 높은 값(탑컷)을 제한하고 블록 단위로 샘플 수를 제어하는 것이 필수적입니다. 그렇지 않으면 톤수가 종이에 부풀어 오를 것입니다.
세 가지 미니 케이스: 숫자로 알아보기
사례 1 - 타겟팅 우선순위. 탐사팀은 380km² 면허 지역에서 제한된 시추 예산으로 작업하고 있었습니다. 7개의 지구물리/지화학 레이어를 융합한 확률 지도에서는 해당 지역의 6%만이 "높은 우선순위"로 표시되었습니다. 팀은 이 6%에 대해 처음 5번의 훈련을 지시했습니다. 그 중 세 곳에서 상당한 구리 교차점을 발견했습니다. 중요한 점은 지도가 광석을 "증명"하지 않았고, 시추 예산을 어디에 집중해야 하는지 합리화했으며, 맹목적인 시도 횟수를 줄였다는 것입니다.
사례 2 - 스미어링 캡처. 한 금 매장지에서 첫 번째 블록 모델은 78g/t의 단일 과잉 샘플의 영향으로 인해 주변 블록을 부풀려 자원을 14% 과대평가했습니다. 예측은 QA/QC 검토에 적용되는 탑 컷(높은 값을 통계적 임계값으로 감소)과 인접 샘플 제어를 통해 현실적인 수준으로 이루어졌습니다. 그 차이는 수백만 달러의 투자 결정에 직접적인 영향을 미쳤습니다.
사례 3 — 분류 규율. 철 프로젝트에서 모델은 높은 신뢰도로 전체 광상을 예측하는 것으로 나타났습니다. 그러나 한계 지역에서는 드릴링 밀도가 매우 희박했습니다. 권한 있는 사람은 희박하게 샘플링된 볼륨을 경제성 평가에서 제거하고 "추론"으로 하향 조정했습니다. 따라서 보고서는 공개된 매장량에 대한 과장을 피하고 기준에 부합하도록 했습니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
시추 수율을 분석하여 매장량에 금이 얼마나 있는지 알아보세요.[분석표]
강력한 프롬프트:
귀하의 역할: 자원 지리통계학자. 다음 화합물 분석 데이터의 출처 번호를 제공하십시오. 대신: 1) 성적 분포를 요약합니다. 가능한 이상치와 탑 컷의 필요성을 표시합니다.2) 공간 연속성을 위해 어떤 배리오그램 방향을 검사해야 하는지 제안합니다.3) 낮은 드릴링 밀도로 인해 "생략"으로만 분류될 수 있는 영역을 표시합니다.4) 결과에 영향을 미칠 수 있는 불확실성의 원인 4가지를 나열합니다. 데이터는 익명입니다. 실제 좌표/회사가 없습니다.
강력한 프롬프트는 모델이 하나의 기만적인 숫자를 생성하는 것을 방지하고 담당자가 물어봐야 할 질문을 정확하게 정리하는 보조자로 변합니다.
복사 가능한 템플릿 4개
1) 레이어 융합을 위한 토큰 파생:
반암 구리 탐사 모델을 기반으로 자기, 중력, 저항, 토양 지구화학(Cu-Mo-Au), 변경 등의 레이어에서 의미 있는 마커를 제안합니다. 각 마커에 대해 예금 모델, 오해의 소지가 있는 출처 및 현장 확인 방법에 대한 링크입니다. 정확한 목표를 제시합니다. 우선순위 논리를 설정합니다.
2) 분석 QA/QC 사전 심사:
음수/불가능한 값, 검출 한계 미만의 부호 비율, 단위 불일치(ppm/%/g-t), 반복 샘플 일치, 공백 및 표준 샘플 드리프트에 대한 분석 표를 확인하십시오. Drilling_id로 문제를 나열하세요. 평가, 수정.
3) 배리오그램 해석 초안:
실험적 배리오그램 결과 해석: 너겟, 범위 및 씰의 의미를 일반 언어로 설명합니다. 이방성의 징후가 있습니까? 크리깅 전에 지질학자의 승인이 필요한 결정을 표시하세요. 코드가 아닌 논리.
4) 소스 분류 제어:
블록 모델에서는 각 블록에 대해 크리깅 분산, 추정에 사용된 샘플 수 및 가장 가까운 시추공까지의 거리가 제공되었습니다. 표준 로직에 따라 측정/표시/추론 클래스에 가장 적합한 블록에 대한 합리적인 개요를 제공합니다. 최종 분류는 승인된 사람에게 속합니다. 이것을 진술하십시오.
방법 비교
방법
무엇을
장점
주요 위험
전문가 규칙(가중치 계층)
정보를 사용하여 대상을 정렬합니다.
적은 양의 데이터로 투명하게 작동
전문가 편향
감독된 ML 타겟팅
알려진 침대에서 배웁니다.
복잡한 패턴 캡처
몇 가지 예를 통한 암기
크리깅
테너는 불확실성을 가지고 예측한다
표준, 감사 가능
배리오그램 오류, 번짐
ML 등급 추정
비선형 관계
유연한
불확실성, 과잉 적응을 숨길 수 있음
시뮬레이션(예: SGS)
확률 시나리오 생성
불확실성을 시각화
잘못 해석하면 과신
팁: 자원을 추정할 때 "최고의 단일 숫자"보다는 범위와 시나리오를 요청하십시오. 세 가지 낙관적/예상/신중한 시나리오는 단일 숫자로 인해 발생하는 잘못된 확실성보다 훨씬 더 정직한 의사 결정 기반을 제공합니다.
일반적인 실수
- 알려지지 않은 침대로 ML을 암기하게 만듭니다. 5개의 베어링으로 훈련된 모델은 새로운 분야에서 신뢰할 수 없습니다. 결과를 증거가 아닌 우선순위 목록으로 봅니다.
- 극단값을 제한하지 않습니다. 단일 높은 분석으로 상단 절단을 수행하지 않으면 주변 블록이 불공평하게 풍부해지고(번짐) 톤수가 부풀려집니다.
- 불확실성을 보고하지 않음. 크리깅의 차이와 분류를 숨기고 단일 수치를 제시하는 것은 표준과 무결성에 위배됩니다.
- 분류를 건너뛰는 중입니다. 희박하게 샘플링된 볼륨을 측정값으로 제시하면 경제적 판단과 대중의 신뢰가 손상됩니다.
- QA/QC를 건너뜁니다. 공백 및 표준 샘플을 사용하여 실험실에서 드리프트를 모니터링하지 않으면 등급을 신뢰할 수 없습니다.
요약하면
- 탐색 타겟팅은 다층 데이터 융합을 통해 드릴링 우선순위를 생성합니다. 광석을 증명하는 것이 아니라 맹목적인 재판을 줄입니다.
- Variogram과 Kriging을 사용하여 확실하게 자원 추정 평가 등급을 매깁니다. 블록 모델은 이를 기반으로 구축되었습니다.
- 기계 학습은 강력하지만 작은 샘플을 기억하고 이상값을 번지게 하며 불확실성을 숨길 수 있습니다.
- 최종 용접은 JORC/NI 43-101과 같은 표준에 따라 자격을 갖춘 자격을 갖춘 사람이 분류하고 서명합니다.
- 그 가치는 하나의기만적인 숫자가 아닙니다. 불확실성은 테스트 가능한 우선순위와 정직하게 보고된 분류에 있습니다.
응용과제
익명화된 화합물 분석표(또는 대표값)를 받습니다. 강력한 프롬프트를 통해 모델에 소스 수치 대신 과대평가/탑컷 요구 사항, 배리오그램 방향 및 저밀도 지역을 요청하세요. 그런 다음 "소스 분류 제어" 템플릿을 통해 어떤 블록이 어떤 신뢰 클래스에 속하는지에 대한 초안을 생성하게 합니다. 마지막으로 모델이 단일 톤수 수치를 제공하려고 하는지 관찰하고 이를 거부해야 하는 이유를 한 문장으로 작성합니다.
체크리스트
- [ ] 탐사 목표는 광석을 증명하는 것이 아니라 시추 우선 순위를 만들어낸다는 것을 깨달았습니다.
- [ ] 배리오그램과 크리깅이 불확실성을 고려하여 등급을 추정하는 방법을 설명할 수 있습니다.
- [ ] 나는 번짐, 톱컷, 과대평가의 위험을 인식하고 QA/QC를 필수로 생각합니다.
- [ ] 나는 해당 자원이 표준에 따라 측정/표시/추론으로 분류되어 권한 있는 자의 소유임을 이해합니다.
- [ ] 나는 단일 숫자 대신 불확실성 범위와 시나리오를 요구하는 원칙을 채택했습니다.