Ieguvumi:
- Spēja izskaidrot AI un daudzslāņu datu saplūšanas izmantošanu minerālu perspektīvā
- Izpratne par to, kā izveidot bloka modeli un pakāpes aprēķinus, izmantojot ģeostatistiku (kriging, variogram) un mašīnmācīšanos.
- Spēja pārbaudīt avotu aplēšu rezultātus ar savstarpēju validāciju, klasifikācijas ticamību un ziņošanas standartiem
Izpēte ir derību spēle, kurā vairāku miljonu dolāru lēmumi tiek pieņemti, pamatojoties uz nedaudziem urbšanas paraugiem. Derīgo izrakteņu atradne (angļu rūdas atradne; bagāta un pietiekami liela minerālu uzkrāšanās, lai to varētu izmantot) ir paslēpta zem simtiem kvadrātkilometru lielas platības, un mēs to "redzam" tikai ar neregulāriem urbumiem, ģeofiziskām ēnām un virsmas marķieriem. Tāpēc derīgo izrakteņu izpēte ir viena no aizraujošākajām, bet arī bīstamākajām mākslīgā intelekta pielietojuma jomām: pareizi lietojot, tā paātrina izpētes mērķēšanu un iegūst vairāk nozīmes no retajiem datiem; Nepareizi lietojot, tas aiz statistikas slēpj neesošu vielu un maldina gan investorus, gan sabiedrību.
Šajā nodaļā mēs apskatīsim divus galvenos izpētes mākslīgā intelekta aspektus: izpētes mērķēšanu (minerālu izredzes; novērtējums pēc daudzslāņu datiem, kurā apgabalā varētu būt atradne) un resursu aplēses (aprēķinot, ar kādu ticamību mēs varam pateikt, cik daudz metāla ir urbtajā atradnē). Abos gadījumos AI ir spēcīgs modeļu meklētājs; Taču abos gadījumos par galīgo skaitli ir atbildīga kompetentā persona, kura ir parakstījusi starptautiskos ziņošanas standartus.
Meklēšanas mērķauditorijas atlase: daudzslāņu datu saplūšana
Izpētes ģeologs aplūko nevis viena veida datus, bet gan pārklātos slāņus: ģeoloģisko karti, strukturālās kontūras (defektus un krokas), ģeofiziku (magnētiskā, gravitācijas, pretestības), ģeoķīmiju (augsnes un straumes paraugu elementu vērtības) un izmaiņas, kas kartētas ar attālo uzrādi. Katrs slānis ir vājš pavediens; Patiesais signāls ir vieta, kur tie norāda kopā. To sauc par datu saplūšanu.
Mākslīgais intelekts šeit veic divus darbus. Pirmkārt, tas vienā analīzes tabulā izlīdzina desmitiem slāņu vienā un tajā pašā koordinātu režģī (vienreizējs, nogurdinošs, bet ar kļūdām pakļauts uzdevums). Otrkārt, tā apgūst modeli ap zināmajām atradnēm un iezīmē jaunas zonas ar līdzīgu parakstu (uzraudzīta mācīšanās). Bet šeit ir kritisks slazds: zināmo gultu skaits bieži ir ļoti mazs (varbūt 5-10 gultas vienā zonā), tāpēc modelis viegli iegaumē un neizdodas jaunās vietās. Tāpēc mērķauditorijas atlases rezultāts nav saraksts "pārliecināts, ka dārgakmens pastāv", bet gan "prioritātes secība, kuru ir vērts pārbaudīt, veicot urbšanu".
Darbības parasti ir šādas: (1) izlīdziniet un notīriet slāņus, (2) pārveidojiet katru slāni jēgpilnā marķierā, pamatojoties uz gultnes modeli (piemēram, “attālums līdz bojājuma krustojumam”, “augsta magnētiskā mala”), (3) trenējieties ar zināmām gultām vai svaru saskaņā ar eksperta noteikumiem, (4) izveidojiet varbūtības karti, (5) pārbaudiet visaugstākās varbūtības apgabalus uz lauka un ar zemām izmaksām.
Padoms. Tā vietā, lai modelī ievadītu neapstrādātus slāņus, atvasiniet ģeoloģiski nozīmīgus marķierus (“magnētiskais gredzens + argiliskas izmaiņas + porfīra vara bojājuma krustpunkts”). Indikatori, kas ir saderīgi ar gultņu modeli, rada daudz izturīgākus mērķus nekā aklā statistika.
Ģeostatistika un resursu novērtējums: variogramma, krigings un bloku modelis
Kad atradne ir atrasta un izurbta, mainās jautājums: "Cik daudz metāla šeit ir un cik mēs varam tam uzticēties?" Atbildei ir nepieciešama ekstrapolācija no parauga urbšanas punktiem uz neatlasīto iežu tilpumu. Standarta rīks tam ir ģeostatistika.
Pamatkoncepcija ir variogramma: telpiskās nepārtrauktības mērs, kas apraksta, kā pakāpes līdzības samazinās, diviem paraugiem attālinoties viens no otra. Tuvākie piemēri ir līdzīgi, attālie ir neatkarīgi; Variogramma kvantitatīvi nosaka šo "līdzības diapazonu". Kriging ir vidējā svērtā metode, kas izmanto šo variogrammas struktūru, lai katram neatlasītajam blokam piešķirtu gan novērtējumu, gan aplēses nenoteiktību. Depozīts ir sadalīts blokos ar malām, kas mērītas metros (bloka modelis), un katram blokam tiek piešķirta pakāpe un pārliecība.
Mākslīgais intelekts šeit parādās trīs punktos. Variogrammas modelēšanā tā piedāvā alternatīvus modeļus un novērtē piemērotību. Mašīnmācīšanās metodes (piemēram, izlases mežs, gradienta pastiprināšana) var tvert nelineāras pakāpes attiecības papildus krigingam. Un tas paātrina visas darbplūsmas kodēšanu, pārbaudi un ziņošanu. Taču divi pamatnoteikumi paliek nemainīgi: aplēses nenoteiktību nekad nevar paslēpt, un kompetentā persona sakārto gala resursus Mērītās/Norādītās/Secinātās klasēs atbilstoši starptautiskajiem standartiem (publiski, auditējami resursu/rezervju ziņošanas ietvari, piemēram, JORC, NI 43-101, PERC).
Uzmanību: mašīnmācīšanās modelis var "izlīdzināt" urbšanas pārtraukumus, radot nepārtrauktību, kas patiesībā nepastāv. Daži augstas kvalitātes paraugi var negodīgi bagātināt (angļu valodā izsmērējot) visu bloku. Ir svarīgi ierobežot augstas vērtības (no augšas) un kontrolēt paraugu skaitu, pamatojoties uz bloku; pretējā gadījumā tonnāža uzbriest uz papīra.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — mērķauditorijas atlases prioritāšu noteikšana. Izpētes komanda strādāja ar ierobežotu urbšanas budžetu 380 km² lielajā licences apgabalā. Varbūtības karte, kurā apvienoti septiņi ģeofizikālie/ģeoķīmiskie slāņi, tikai 6% apgabala atzīmēja kā “augstu prioritāti”. Komanda novirzīja pirmos piecus vingrinājumus šiem 6%; trijos no tiem konstatēja nozīmīgus vara krustojumus. Kritiskais punkts: karte "nepierādīja" rūdu, racionalizēja urbšanas budžetu un samazināja aklo izmēģinājumu skaitu.
2. gadījums — smērēšanās uztveršana. Vienā zelta atradnē pirmais bloka modelis bija piepumpējis apkārtējos blokus, jo viens pārtēriņš bija 78 g/t, resurss tika pārvērtēts par 14%. Prognoze tika sasniegta reālistiskā līmenī, QA/QC pārskatā piemērojot augšējo griezumu (augstās vērtības samazināšanu līdz statistikas slieksnim) un blakus esošās izlases kontroli. Atšķirība tieši ietekmēja vairāku miljonu dolāru investīciju lēmumu.
3. gadījums — klasifikācijas disciplīna. Dzelzs projektā modelis parādīja visu depozītu prognozēšanu ar augstu pārliecību; tomēr urbšanas blīvums marginālajos apgabalos bija ļoti mazs. Pilnvarotā persona izņēma no ekonomiskā novērtējuma mazizlasīto apjomu, pazeminājot to uz "Secināts". Tādējādi pārskats izvairījās no pārspīlējumiem publiski atklātajās rezervēs un saglabājās atbilstoši standartam.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Analizējiet urbšanas ražu un pastāstiet, cik daudz zelta ir atradnē.[pārbaudes tabula]
Spēcīga uzvedne:
Jūsu loma: resursu ģeostatiķis. NORĀDĪT AVOTA NUMURU ar šādiem savienojuma testa datiem. Tā vietā:1) Apkopojiet atzīmju sadalījumu; atzīmējiet iespējamās novirzes un vajadzību pēc augšējās griezuma.2) Iesakiet, kuri variogrammas virzieni jāpārbauda telpiskās nepārtrauktības noteikšanai.3) Norādiet, kuras vietas var klasificēt tikai kā "Izlaist" zemā urbšanas blīvuma dēļ.4) Uzskaitiet 4 nenoteiktības avotus, kas varētu ietekmēt rezultātu.Dati ir anonīmi; nav faktisko koordinātu/uzņēmuma.
Jaudīgā uzvedne neļauj modelim izveidot vienu maldinošu numuru un pārvērš to par palīgu, kurš sakārto tieši tos jautājumus, kas būtu jāuzdod atbildīgajai personai.
Četras kopējamas veidnes
1) Žetonu atvasināšana slāņu saplūšanai:
Iesakiet jēgpilnus marķierus no šādiem slāņiem, pamatojoties uz porfīra vara izpētes modeli: magnētiskais, gravitācijas spēks, pretestība, augsnes ģeoķīmija (Cu-Mo-Au), izmaiņas. Katram marķierim: saite uz depozīta modeli, iespējamu maldinošu avotu un lauka verifikācijas metodi. Precīza mērķa noteikšana; Izveidojiet prioritāšu loģiku.
2) Testa QA/QC iepriekšēja skrīnings:
Pārbaudiet testa tabulā sekojošo: negatīva/neiespējama vērtība, pazīmju īpatsvars zem noteikšanas robežas, vienības neatbilstība (ppm/%/g-t), atkārtota parauga saskaņa, tukšā un standarta parauga novirze. Vienkārši uzskaitiet problēmas pēc drilling_id; novērtēšana, labošana.
3) Variogrammas interpretācijas projekts:
Interpretējiet eksperimentālās variogrammas rezultātus: vienkāršā valodā paskaidrojiet, ko nozīmē tīrradnis, diapazons un slieksnis; Vai ir kādas anizotropijas pazīmes? Atzīmējiet, kuriem lēmumiem ir nepieciešams ģeologa apstiprinājums pirms kriginga. Loģika, nevis kods.
4) Avota klasifikācijas kontrole:
Bloku modelī katram blokam tika dota kriginga dispersija, novērtēšanā izmantoto paraugu skaits un attālums līdz tuvākajam urbumam. Sniedziet PAMATOJUMU izklāstu, kuri bloki vislabāk atbilst Mērītais/Rādītais/Izsecinātais klasei saskaņā ar standarta loģiku. Galīgā klasifikācija pieder pilnvarotajai personai; norādi šo.
Metožu salīdzinājums
Metode
Ko dara
stiprā puse
Galvenais risks
Eksperta noteikums (svērtais slānis)
Sakārto mērķus ar informāciju
Darbojas ar maz datu, caurspīdīgs
ekspertu neobjektivitāte
Uzraudzīta ML mērķauditorijas atlase
Mācās no zināmās gultas
Uztver sarežģītu zīmējumu
Iegaumēšana dažos piemēros
kriging
Tenors prognozē ar nenoteiktību
Standarta, auditējams
Variogrammas kļūda, smērēšanās
ML pakāpes aplēse
nelineāras attiecības
Elastīgs
Var slēpt nenoteiktību, pārmērīgu pielāgošanos
Simulācija (piem., SGS)
Ģenerē varbūtības scenārijus
Vizualizē nenoteiktību
Pārmērīga pārliecība, ja tiek nepareizi interpretēts
Padoms. Novērtējot resursus, pieprasiet diapazonu un scenāriju, nevis "vienu labāko skaitli". Trīs optimistiski/sagaidāmi/piesardzīgi scenāriji nodrošina daudz godīgāku lēmumu pieņemšanas pamatu nekā viena skaitļa radītā viltus pārliecība.
Biežas kļūdas
- ML iegaumēšana ar mazpazīstamu gultu. Modelis, kas apmācīts ar pieciem gultņiem, jaunajā jomā nav uzticams; skatiet rezultātu kā prioritāšu sarakstu, nevis kā pierādījumu.
- Neierobežo galējās vērtības. Viena augsta pārbaude, ja netiek veikta augšējā griešana, negodīgi bagātinās (izsmērēs) apkārtējos blokus un palielinās tonnāžu.
- Neziņo par nenoteiktību. Kriginga dispersijas un klasifikācijas slēpšana un atsevišķu skaitļu uzrādīšana ir pretrunā standartiem un integritātei.
- Klasifikācijas izlaišana. Retāk atlasītā apjoma uzrādīšana kā Izmērīts apdraud ekonomisku spriedumu un sabiedrības uzticību.
- Izlaižot QA/QC. Neviena atzīme nav uzticama bez novirzes laboratorijas uzraudzības ar tukšajiem un standarta paraugiem.
Rezumējot
- Izpētes mērķauditorijas atlase rada urbšanas prioritāti, izmantojot daudzslāņu datu saplūšanu; Tas nepierāda rūdu, tas samazina aklo izmēģinājumu.
- Resursu aplēses precīzi novērtē atzīmi, izmantojot variogrammas un krigingu; Uz tā ir veidots bloka modelis.
- Mašīnmācība ir spēcīga, taču tā iegaumē mazus paraugus, smērē novirzes un var slēpt nenoteiktību.
- Galīgo metinājumu klasificē un paraksta pilnvarota kvalificēta persona saskaņā ar tādiem standartiem kā JORC/NI 43-101.
- Vērtība nav vienā maldinošā skaitlī; Nenoteiktība ir pārbaudāmā prioritātē un klasifikācijā, par kuru tiek godīgi ziņots.
Lietojumprogrammas uzdevums
Saņemiet anonimizētu savienojumu testa tabulu (vai reprezentatīvās vērtības). Izmantojot jaudīgo uzvedni, avota skaitļa vietā pieprasiet modelim: pārmērīga vērtība/augstākā līmeņa nepieciešamība, variogrammas virzieni un zema blīvuma apgabali. Pēc tam palūdziet veidnei "avota klasifikācijas kontrole" izveidot uzmetumu par to, kuri bloki ietilpst kādā uzticamības klasē. Visbeidzot novērojiet, vai modelis mēģina norādīt vienu tonnāžas skaitli, un vienā teikumā uzrakstiet, kāpēc jums tas būtu jānoraida.
kontrolsaraksts
- [ ] Es sapratu, ka izpētes mērķēšana nav rūda, tā rada urbšanas prioritāti.
- [ ] Es varu izskaidrot, kā variogramma un kriginga novērtējums ar nenoteiktību.
- [ ] Es apzinos smērēšanas, augšējā griezuma un pārvērtēšanas riskus un uzskatu, ka kvalitātes nodrošināšana/kvalitāte ir obligāta.
- [ ] Es saprotu, ka resurss pēc standarta ir klasificēts kā Izmērīts/Norādīts/Secināts un pieder pilnvarotajai personai.
- [ ] Es pieņēmu disciplīnu, kas prasa nenoteiktības diapazonus un scenārijus atsevišķu skaitļu vietā.