Добивки:
- Способност да се објасни употребата на вештачка интелигенција и фузија на повеќеслојни податоци во минералната перспектива
- Разбирање како да се направи блок-модел и проценка на оценките користејќи геостатистика (кригинг, вариограм) и машинско учење.
- Способност да се тестираат излезите за проценка на изворот со вкрстена валидација, доверба во класификација и стандарди за известување
Проспектот е игра за обложување каде одлуките вредни повеќе милиони долари се засноваат на неколку примероци за вежбање. Минерално наоѓалиште (англиско рудно наоѓалиште; минерална акумулација богата и доволно голема за експлоатација) се крие под површина од стотици квадратни километри, а ние го „гледаме“ само со ретки бушења, геофизички сенки и површински маркери. Затоа истражувањето на минералите е една од највозбудливите, но и најопасните области на примена на вештачката интелигенција: кога се користи правилно, го забрзува таргетирањето на истражувањето и извлекува повеќе значење од ретките податоци; Кога се користи неправилно, крие непостоечка супстанција зад статистиката и ги доведува во заблуда и инвеститорите и општеството.
Во оваа единица, ќе опфатиме два главни аспекти на истражувањето на вештачката интелигенција: таргетирање на истражување (проспектива на минерали; проценка од повеќеслојни податоци која област најверојатно има депозит) и проценка на ресурси (пресметувајќи со каква сигурност можеме да кажеме колку метал има во ископано наоѓалиште). И во двете, вештачката интелигенција е моќен пронаоѓач на шаблони; Но, во двата случаи, конечната бројка е одговорност на надлежното лице кое ги потпишало меѓународните стандарди за известување.
Пребарување таргетирање: повеќеслојна фузија на податоци
Истражувачкиот геолог не гледа на еден тип на податоци, туку на преклопени слоеви: геолошка карта, структурни контури (раседи и набори), геофизика (магнетна, гравитација, отпорност), геохемија (вредности на елементите на примерок од почва и поток) и промена мапирана со далечинско набљудување. Секој слој е слаба трага; Вистинскиот сигнал е местото каде што тие покажуваат заедно. Ова се нарекува фузија на податоци.
Вештачката интелигенција овде прави две работи. Прво, порамнува десетици слоеви на истата координатна мрежа (единечна, мачна, но склона кон грешки задача) во една табела за анализа. Второ, ја учи шемата околу познатите наслаги и означува нови области со сличен потпис (надгледувано учење). Но, тука постои критична замка: бројот на познати кревети е често многу мал (можеби 5-10 кревети во една област), така што моделот лесно меморира и не успева во нови области. Затоа, излезот за таргетирање не е список со „сигурен дијамант“, туку „приоритетен редослед што вреди да се тестира со дупчење“.
Чекорите обично се како што следува: (1) порамнете ги и исчистете ги слоевите, (2) преведете го секој слој во значаен токен врз основа на моделот на креветот (на пр. „растојание до раскрсницата на дефектот“, „магнетен висок раб“), (3) воз со познати кревети или тежина со стручно правило, (4) производство на карта на веројатност, (5) тестирање области со најголема веројатност на терен и со најниски методи на терен.
Совет: Наместо да ги внесувате слоевите сирови во моделот, изведете геолошки значајни маркери („магнетен прстен + аргилична промена + раскрсница на дефекти за порфирен бакар“). Индикаторите компатибилни со моделот на лежиштето произведуваат многу поцврсти цели од слепите статистики.
Геостатистика и проценка на ресурсите: Вариограм, Кригинг и блок модел
Откако ќе се најде наоѓалиштето и ќе се пробие, прашањето се менува: „Колку метал има овде и колку можеме да му веруваме? Одговорот бара екстраполација од примероците за дупчење до волуменот на карпата без примерок. Стандардна алатка за ова е геостатистика.
Основниот концепт е вариограмот: мерка за просторен континуитет што опишува како сличностите во оценките се намалуваат додека два примероци се оддалечуваат. Примерите во близина се слични, далечните се независни; Вариограмот го квантифицира овој „опсег на сличност“. Кригинг е пондериран просечен метод кој ја користи оваа структура на вариограм за да ја даде оценката, и проценката и несигурноста на проценката, за секој блок без примерок. Депозитот е поделен на блокови со страни измерени во метри (блок модел), и на секој блок му се доделува оценка и доверба.
Вештачката интелигенција доаѓа во три точки овде. Во моделирањето на вариограмот, тој предлага алтернативни модели и ја проценува усогласеноста. Методите за машинско учење (на пр. случајна шума, засилување на градиент) може да доловат и нелинеарни односи на оценки покрај кригинг. И го забрзува кодирањето, проверката и известувањето за целиот работен тек. Но, две железни правила остануваат константни: несигурноста на проценката никогаш не може да се сокрие, а крајниот ресурс го подредува компетентно лице во класи на Мерени/Индицирани/Заклучени според меѓународните стандарди (јавни рамки за ревизија за известување за ресурси/резерва, како што се JORC, NI 43-101, PERC).
Внимание: Моделот за машинско учење може да ги „измазне“ прекините на дупчењето, создавајќи континуитет што не постои во реалноста. Неколку висококвалитетни примероци можат неправедно да го збогатат (англиското размачкување) цел блок. Ограничувањето на високите вредности (горно-сече) и контролирањето на бројот на примероци на блок основа е од суштинско значење; во спротивно тонажата ќе отече на хартија.
Три мини случаи: според бројките
Случај 1 - Приоритизација на таргетирање. Тим за истражување работеше со ограничен буџет за дупчење во лиценцирана област од 380 km². Картата на веројатност која спојува седум геофизички/геохемиски слоеви означи само 6% од областа како „висок приоритет“. Тимот ги насочи првите пет вежби во овие 6%; нашол значајни бакарни раскрсници во три од нив. Критична точка: мапата не ја „докажа“ рудата, рационализираше каде да се фокусира буџетот за дупчење и го намали бројот на слепи испитувања.
Случај 2 - Фаќање на размачкување. На едно наоѓалиште на злато, првиот модел на блок имаше надуени околни блокови поради влијанието на еден прекумерен примерок од 78 g/t, преценувајќи го ресурсот за 14%. Предвидувањето беше доведено на реално ниво со горното намалување (намалување на високата вредност до статистичкиот праг) и соседната контрола на примерокот применети во прегледот за QA/QC. Разликата директно влијаеше на одлука за инвестирање од повеќе милиони долари.
Случај 3 - Дисциплина за класификација. На железен проект, моделот покажа дека го предвидува целиот депозит со голема доверба; сепак, густината на дупчењето беше многу ретка во маргиналните области. Овластеното лице го отстранило реткиот примерок од економската евалуација, намалувајќи го на „Заклучено“. Така, извештајот избегна претерување во јавно објавените резерви и остана во согласност со стандардот.
Слаба навестување / Силен навестување
Слаба навестување:
Анализирајте го приносот од дупчењето и кажете колку злато има во наоѓалиштето.[табела за анализа]
Моќен потсетник:
Вашата улога: Ресурсен геостатистичар. ДАДЕТЕ ИЗВОРЕН БРОЈ со следните податоци од анализата на соединението. Наместо тоа: 1) Сумирајте ја распределбата на оценките; означете ги можните оддалечени и потребата за врвно пресекување.2) Предложете кои насоки на вариограмот треба да се испитаат за просторен континуитет.3) Наведете кои области може да се класифицираат само како „Испуштени“ поради малата густина на дупчење.4) Наведете 4 извори на несигурност кои би можеле да влијаат на резултатот.Податоците се анонимни; нема вистински координати/компанија.
Моќниот потсетник го спречува моделот да произведе еден измамен број и го претвора во асистент кој ги организира токму прашањата што треба да ги постави одговорниот.
Четири шаблони за копирање
1) Изведување на токени за фузија на слоеви:
Предложете значајни маркери од следните слоеви врз основа на моделот на истражување на порфирен бакар: магнетна, гравитација, отпорност, геохемија на почвата (Cu-Mo-Au), промена. За секој маркер: линк до моделот на депозит, можен извор на заблуда и метод на теренска проверка. Давање прецизна цел; Establish priority logic.
2) Пред-скрининг за QA/QC за анализа:
Проверете ја табелата за испитување за следново: негативна/невозможна вредност, пропорција на знаци под границата за откривање, несовпаѓање на единицата (ppm/%/g-t), повторување на договор за примерок, празен и стандарден отфрлање на примерокот. Само наведете ги проблемите со drilling_id; проценка, корекција.
3) Нацрт за толкување на вариограмот:
Толкувајте ги резултатите од експерименталниот вариограм: објаснете на едноставен јазик што значат грутка, опсег и праг; Дали има знаци на анизотропија? Обележете за кои одлуки е потребно одобрение од геолог пред кригинг. Логика, а не код.
4) Контрола на класификација на изворот:
Во блок моделот, за секој блок: кригинг варијанса, број на примероци користени при проценка и растојание до најблиската бушотина беа дадени. Наведете РАЗУМЕН преглед за тоа кои блокови најдобро одговараат на класата Измерени/Прикажани/Заклучени според стандардната логика. Конечната класификација му припаѓа на овластеното лице; наведете го ова.
Споредба на методи
Метод
Што прави
силна точка
Главен ризик
Експертско правило (пондериран слој)
Подредува цели со информации
Работи со малку податоци, транспарентно
експертска пристрасност
Надгледувано таргетирање ML
Учи од познатиот кревет
Доловува сложена шема
Меморирање во неколку примери
кригинг
Тенор предвидува со неизвесност
Стандардна, ревизија
Вариограмска грешка, размачкување
Проценка на оценката за ML
нелинеарна врска
Флексибилен
Може да ја скрие несигурноста, прекумерната адаптација
Симулација (на пр. SGS)
Генерира сценарија на веројатност
Визуелизира неизвесност
Overconfidence if misinterpreted
Совет: кога ги проценувате ресурсите, побарајте опсег и сценарио наместо „еден најдобар број“. Три оптимистички/очекувани/внимателни сценарија даваат многу поискрена основа за донесување одлуки отколку лажната сигурност создадена од еден број.
Вообичаени грешки
- Правење ML запаметување со малку познат кревет. Модел обучен со пет лежишта е несигурен во новото поле; гледајте го резултатот како приоритетна листа, а не како доказ.
- Не ограничувајќи ги екстремните вредности. Една висока анализа, ако не се изврши горното сечење, неправедно ќе ги збогати (извалка) околните блокови и ќе ја надува тонажата.
- Не известување за неизвесност. Сокривањето на варијансата и класификацијата на Кригинг и претставувањето единечни бројки е против стандардите и интегритетот.
- Прескокнување на класификацијата. Презентирањето на обемот со редок примерок како Мерено го компромитира економското расудување и довербата на јавноста.
- Прескокнување на QA/QC. Ниту една оценка не е сигурна без лабораториско следење на наносот со бланко и стандардни примероци.
Сумирано
- Целта за истражување генерира приоритет за дупчење преку повеќеслојна фузија на податоци; Тоа не ја докажува рудата, го намалува слепото судење.
- Проценката на ресурсите со сигурност ја проценува оценката користејќи вариограми и кригинг; На ова е изграден моделот на блокови.
- Машинското учење е моќно, но меморира мали примероци, размачкува оддалеченост и може да ја скрие неизвесноста.
- Конечниот завар е класифициран и потпишан од овластено квалификувано лице според стандардите како што се JORC/NI 43-101.
- Вредноста не е во еден измамен број; Неизвесноста е во проверлив приоритет и класификација што е искрено пријавена.
Задача за апликација
Добијте анонимизирана табела за анализа на соединенија (или репрезентативни вредности). Со моќниот промпт, прашајте го моделот за: потреба од преголема вредност/намалување на врвот, насоки за вариограм и региони со мала густина наместо изворна бројка. Потоа нека шаблонот „контрола на класификација на изворот“ подготви нацрт за тоа кои блокови ќе спаѓаат во која класа на доверба. На крајот, набљудувајте дали моделот се обидува да даде една тонажна бројка и напишете во една реченица зошто треба да ја одбиете.
листа за проверка
- [ ] Сфатив дека таргетирањето на истражувањето не докажува руда, туку дава приоритет на дупчењето.
- [ ] Можам да објаснам како вариограмот и кригинг проценуваат оценки со несигурност.
- [ ] Ги препознавам ризиците од размачкување, дотерување и превреднување и сметам дека QA/QC е задолжителен.
- [ ] Разбирам дека ресурсот е класифициран како Измерен/Индициран/Заклучен според стандардот и му припаѓа на овластеното лице.
- [ ] Усвоив дисциплина која бара опсези и сценарија на несигурност наместо единечни броеви.