ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിച്ച് ജിയോളജിയും ഡ്രില്ലിംഗ് ഡാറ്റയും വ്യാഖ്യാനിക്കുന്നു

നേട്ടങ്ങൾ:

• AI പിന്തുണയോടെ ഡ്രില്ലിംഗ് ലോഗ്, ലിത്തോളജി, ഗ്രേഡ് ഡാറ്റ എന്നിവ വൃത്തിയാക്കാനും പൊരുത്തക്കേടുകളും കോഡിംഗ് പിശകുകളും കണ്ടെത്താനുമുള്ള കഴിവ്
• കോർ ഫോട്ടോഗ്രാഫിയും ജിയോളജിക്കൽ നിരീക്ഷണവും വ്യാഖ്യാനിക്കുമ്പോൾ AI-യെ ഒരു പ്രീ-ക്ലാസിഫിക്കേഷനും ഹൈപ്പോതെസിസ് ജനറേറ്ററും ആയി കൃത്യമായി സ്ഥാപിക്കാനുള്ള കഴിവ്
• ജിയോളജിസ്റ്റ് നിരീക്ഷണവും ലബോറട്ടറി വിശകലനവും ഉപയോഗിച്ച് AI യുടെ അനുമാനിച്ച ലിത്തോളജി/മാറ്റൽ വ്യാഖ്യാനം ക്രോസ്-വാലിഡേറ്റ് ചെയ്യാനുള്ള കഴിവ്

ഓരോ ഖനന പദ്ധതിയുടെയും അടിസ്ഥാനം ഭൂഗർഭത്തിൽ നിന്ന് എടുത്ത സാമ്പിളുകളാണ്. ഈ ഉദാഹരണങ്ങളിൽ ഏറ്റവും പ്രധാനപ്പെട്ടത് ഡ്രിൽ കോർ ആണ് (ഡ്രില്ലിംഗ് മെഷീൻ പാറയിൽ നിന്ന് ഒരു സിലിണ്ടർ ആകൃതിയിൽ വേർതിരിച്ചെടുക്കുന്ന തുടർച്ചയായ സാമ്പിൾ). ജിയോളജിസ്റ്റ് കാമ്പ് പരിശോധിക്കുന്നു; ഇത് പാറയുടെ തരം (ലിത്തോളജി), ഘടന, മാറ്റം (ചൂടുവെള്ളം, രാസപ്രഭാവങ്ങൾ എന്നിവയാൽ പാറയുടെ മാറ്റം), ധാതുവൽക്കരണം എന്നിവ രേഖപ്പെടുത്തുന്നു, കൂടാതെ ഗ്രേഡിനായി ലബോറട്ടറി സാമ്പിളുകൾ വിശകലനം ചെയ്യുന്നു. തൽഫലമായി, ഡ്രില്ലിംഗ് ലോഗ് എന്ന് വിളിക്കപ്പെടുന്ന ഒരു വലിയ പട്ടിക മീറ്ററിന് മീറ്ററായി രേഖപ്പെടുത്തുന്നു. ഒരു പ്രോജക്റ്റിൽ നൂറുകണക്കിന് ഡ്രില്ലിംഗുകളും പതിനായിരക്കണക്കിന് ലൈനുകളും ഉണ്ടാകാം. ഈ ഡാറ്റ വൃത്തിയാക്കുക, സംയോജിപ്പിക്കുക, പൊരുത്തക്കേട് പിടിക്കുക, പ്രാരംഭ വ്യാഖ്യാനങ്ങൾ വേർതിരിച്ചെടുക്കുക; AI ശരിക്കും ത്വരിതപ്പെടുത്തുന്ന ഒരു മേഖലയാണിത്, എന്നാൽ ഓരോ ഘട്ടവും ഒരു ജിയോളജിസ്റ്റിൻ്റെ കണ്ണുകൊണ്ട് പരിശോധിക്കേണ്ടതുണ്ട്. AI ഉപയോഗിച്ച് ഡ്രില്ലിംഗ്/ജിയോളജി ഡാറ്റ എങ്ങനെ വൃത്തിയാക്കാമെന്നും കോർ ഇമേജ് എങ്ങനെ മുൻകൂട്ടി വ്യാഖ്യാനിക്കാമെന്നും ഫലങ്ങൾ എങ്ങനെ സാധൂകരിക്കാമെന്നും ഈ യൂണിറ്റിൽ നിങ്ങൾ പഠിക്കും.

ഡ്രില്ലിംഗ് ഡാറ്റ ടേബിളുകളുടെ അനാട്ടമി

ഒരു ഡ്രില്ലിംഗ് ഡാറ്റ സെറ്റിൽ സാധാരണയായി നാല് പട്ടികകൾ അടങ്ങിയിരിക്കുന്നു, അവ ശരിയായി സംയോജിപ്പിക്കുന്നത് പകുതി ജോലിയാണ്:

• കോളർ: ഓരോ ബോർഹോളിൻ്റെയും ആരംഭ കോർഡിനേറ്റും (X, Y, Z) മൊത്തം ആഴവും.
• സർവേ (വ്യതിചലനം): ആഴത്തിൽ ഡ്രെയിലിംഗിൻ്റെ ചരിവിലും (മുക്കി) ദിശയിലും (അസിമുത്ത്) മാറ്റം. ഡ്രെയിലിംഗ് ഒരിക്കലും പൂർണ്ണമായും നേരെ പോകുന്നില്ല.
• ലിത്തോളജി: പാറയുടെ തരവും ഭൂമിശാസ്ത്രപരമായ നിരീക്ഷണങ്ങളും ആഴത്തിലുള്ള ശ്രേണിയിലുടനീളം (ഇത് മുതൽ വരെ).
• വിലയിരുത്തൽ: ഡെപ്ത് ശ്രേണിയിലുടനീളമുള്ള ലബോറട്ടറി ഗ്രേഡ് ഫലങ്ങൾ (ഉദാ. Au g/t, Cu %).

ഈ പട്ടികകൾ < മുതൽ വരെ, ശ്രേണികൾ ഓവർലാപ്പ് ചെയ്യരുത്, കോഡുകൾ സ്ഥിരതയുള്ളതായിരിക്കണം തുടങ്ങിയ നിയമങ്ങൾ പാലിക്കണം. യഥാർത്ഥ ജീവിതത്തിൽ, ഈ സ്വമേധയാ നൽകിയ ഡാറ്റയിൽ എല്ലായ്‌പ്പോഴും പിശകുകൾ ഉണ്ടാകാം: നഷ്‌ടമായ ശ്രേണി, ഓവർലാപ്പിംഗ് ശ്രേണി, യൂണിറ്റ് ആശയക്കുഴപ്പം (ppm, % മിക്‌സിംഗ്), ലിത്തോളജി കോഡിൻ്റെ വ്യത്യസ്ത അക്ഷരവിന്യാസങ്ങൾ (GRN, Grn, ഗ്രാനൈറ്റ്), നൾ മൂല്യത്തിന് പകരം 999 അല്ലെങ്കിൽ -9 പോലുള്ള കോഡുകൾ. അത്തരം പൊരുത്തക്കേടുകൾ സ്കാൻ ചെയ്യാനും ഫ്ലാഗുചെയ്യാനും AI വളരെ ശക്തമാണ്; എന്നാൽ ജിയോളജിസ്റ്റിൻ്റെ അംഗീകാരത്തോടെ നിങ്ങൾ തിരുത്തൽ നടത്തണം.

ഘട്ടം ഘട്ടമായി: AI ഉപയോഗിച്ച് ഡ്രില്ലിംഗ് ഡാറ്റ ക്ലീനിംഗ്

1. ഡാറ്റ അവതരിപ്പിക്കുക. AI-ക്ക് കോളത്തിൻ്റെ പേരുകൾ, യൂണിറ്റുകൾ, കുറച്ച് സാമ്പിൾ വരികൾ എന്നിവ നൽകുക (യഥാർത്ഥ കോർഡിനേറ്റുകളെ അജ്ഞാതമാക്കുന്നു). എന്താണ് സംഭവിക്കേണ്ടതെന്ന് വ്യക്തമായി വിവരിക്കുക.
2. നിയമങ്ങളുടെ ഒരു പട്ടിക ഉണ്ടാക്കുക. "ഈ ടേബിളിനായി എന്ത് സ്ഥിരത നിയമങ്ങളാണ് ഞാൻ പരിശോധിക്കേണ്ടത്" എന്നതിൻ്റെ ഒരു ലിസ്റ്റ് AI-യോട് ആവശ്യപ്പെടുക, മുകളിൽ നിങ്ങളുടെ സ്വന്തം നിയമങ്ങൾ ചേർക്കുക.
3. ഒരു പൊരുത്തക്കേട് സ്കാൻ നടത്തുക. ഫ്ലാഗുചെയ്യാൻ AI-യോട് ആവശ്യപ്പെടുക, സ്വയമേവ ശരിയാക്കരുത്. ഓരോ ചിഹ്നത്തിനും ന്യായീകരണം ചോദിക്കുക.
4. അസംസ്കൃത ഉറവിടത്തിലേക്ക് മടങ്ങുക. ഒറിജിനൽ ബോർഹോൾ ലോഗ് അല്ലെങ്കിൽ ലബോറട്ടറി സർട്ടിഫിക്കറ്റിനെതിരെ അടയാളപ്പെടുത്തിയ ഓരോ വരിയും പരിശോധിക്കുക.
5. അത് പരിഹരിക്കാനുള്ള തീരുമാനം എടുക്കുക. ജിയോളജിസ്റ്റ് തിരുത്തൽ നടത്തുന്നു; AI നിർദ്ദേശിക്കുന്നു.

നുറുങ്ങ്: "എനിക്ക് തിരുത്തിയ പട്ടിക തരൂ" എന്ന് AI-യോട് പറയരുത്; "സംശയാസ്പദമായ വരികൾ യുക്തിസഹിതം ഫ്ലാഗ് ചെയ്യുക" എന്ന് പറയുക. ഒരു യാന്ത്രിക തിരുത്തൽ പട്ടികയിൽ, നിശബ്ദമായി കേടായ വരികൾ ശ്രദ്ധിക്കുന്നത് മിക്കവാറും അസാധ്യമാണ്.

പ്രധാന ഫോട്ടോയും ദൃശ്യ വ്യാഖ്യാനവും

ആധുനിക പ്രോജക്റ്റുകളിൽ, കോർ ബോക്സുകൾ ഫോട്ടോയെടുക്കുന്നു. മൾട്ടി-മോഡൽ AI ടൂളുകൾക്ക് (ചിത്രങ്ങൾ പ്രോസസ്സ് ചെയ്യാൻ കഴിയുന്ന മോഡലുകൾ) ഈ ഫോട്ടോഗ്രാഫുകളിൽ നിന്ന് ഒരു പ്രാഥമിക വ്യാഖ്യാനം സൃഷ്ടിക്കാൻ കഴിയും: വർണ്ണ മാറ്റം, സാധ്യമായ ഒടിവ് സാന്ദ്രത, സിരകളുടെ സാന്നിധ്യം, സാധ്യമായ വ്യതിയാന മേഖലകൾ. ഭൗമശാസ്ത്രജ്ഞനോട് "ഇവിടെ ശ്രദ്ധയോടെ നോക്കൂ" എന്ന് പറയുന്ന ഒരു പ്രാഥമിക സ്ക്രീനിംഗ് എന്ന നിലയിൽ ഇത് വിലപ്പെട്ടതാണ്. എന്നിരുന്നാലും, ഫോട്ടോഗ്രാഫുകളിൽ നിന്ന് ലിത്തോളജി, ആൾട്ടറേഷൻ തീരുമാനങ്ങൾ ഒരിക്കലും എടുക്കുന്നില്ല; കാമ്പിൻ്റെ മാനുവൽ പരിശോധന, കാഠിന്യം പരിശോധന, ആസിഡ് പ്രതികരണം, ലബോറട്ടറി വിശകലനം എന്നിവ ആവശ്യമാണ്. നിറത്തിൽ നിന്ന് "സ്വർണ്ണം ഉണ്ട്" എന്ന് AI അനുമാനിക്കുന്നത് ഗുരുതരമായ തെറ്റാണ്; സ്വർണ്ണം പലപ്പോഴും നഗ്നനേത്രങ്ങൾക്ക് അദൃശ്യമാണ്, വിശകലനത്തിലൂടെ മാത്രമേ ഇത് തിരിച്ചറിയാൻ കഴിയൂ.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - യൂണിറ്റ് ഇടപെടൽ ക്യാപ്ചർ. ഒരു പ്രോജക്റ്റിൽ, വിശകലന പട്ടികയിൽ 12,000 വരികളുണ്ട്. ഭൗമശാസ്ത്രജ്ഞൻ പട്ടിക AI-ന് പരിചയപ്പെടുത്തി, "Au കോളത്തിൽ 100 ​​g/t-ന് മുകളിലുള്ള മൂല്യങ്ങളുള്ള വരികൾ ലിസ്റ്റ് ചെയ്യുക; ഇവ യഥാർത്ഥ ഉയർന്ന ഗ്രേഡ് അല്ലെങ്കിൽ ppm/ppb മിക്സിംഗ് ആയിരിക്കാം." AI 37 വരികൾ അടയാളപ്പെടുത്തുന്നു. ജിയോളജിസ്റ്റ് ലബോറട്ടറി സർട്ടിഫിക്കറ്റുകൾ നോക്കുന്നു; 34 എണ്ണം യഥാർത്ഥത്തിൽ ppb (ഒരു ബില്യണിൽ ഒന്ന്) ആയി നൽകിയിട്ടുണ്ടെന്നും എന്നാൽ g/t ആണെന്ന് തെറ്റായി കരുതിയിരുന്നതായും അദ്ദേഹം കണ്ടെത്തി, അതേസമയം 3 യഥാർത്ഥ ബോണൻസ (വളരെ ഉയർന്ന ഗ്രേഡ്) ആയിരുന്നു. ഈ 34 വരികൾ തിരുത്തിയില്ലെങ്കിൽ, ശരാശരി ഗ്രേഡ് കൃത്രിമമായി വർദ്ധിപ്പിക്കുകയും കരുതൽ പെരുപ്പിച്ചു കാണിക്കുകയും ചെയ്യും.

കേസ് 2 - ഓവർലാപ്പിംഗ് ശ്രേണി. ഒരു ലിത്തോളജി ടേബിളിൽ, ചിലത് മുതൽ വരെയുള്ള ഇടവേളകൾ ഓവർലാപ്പ് ചെയ്യുന്നു: 45.0-52.0 മീറ്റർ ഗ്രാനൈറ്റ്, 50.0-58.0 മീറ്റർ ഷെയ്ൽ എന്നിവ ഒരേസമയം നിർവചിച്ചിരിക്കുന്നു. AI ഈ ഓവർലാപ്പുകൾ ലിസ്റ്റുചെയ്യുകയും ഓവർലാപ്പിൻ്റെ ആകെ 19 വരികൾ കാണിക്കുകയും ചെയ്യുന്നു. ജിയോളജിസ്റ്റ് അസംസ്കൃത രേഖയിലേക്ക് തിരിയുന്നു; ഡാറ്റാ എൻട്രിയിൽ ഒരു ലൈൻ ഷിഫ്റ്റ് കണ്ടെത്തുകയും ശരിയാക്കുകയും ചെയ്യുന്നു. ഓവർലാപ്പിംഗ് ഇടവേളകൾ ശരിയാക്കിയില്ലെങ്കിൽ, ബ്ലോക്ക് മോഡലിന് ഏത് തരം പാറയാണ് നൽകേണ്ടതെന്ന് വ്യക്തമല്ല, കൂടാതെ ടൺ തെറ്റായി കണക്കാക്കുകയും ചെയ്യും.

കേസ് 3 - തെറ്റായ ദൃശ്യ അനുമാനം (മുന്നറിയിപ്പ്). ഒരു ഇൻ്റേൺ AI-ക്ക് കോർ ഫോട്ടോ നൽകി, "ഈ മേഖലയിൽ എന്തെങ്കിലും അയിര് ഉണ്ടോ?" AI ചുവപ്പും സിരകളും കാണുകയും "സാധ്യമായ ധാതുവൽക്കരണം ഉയർന്നതാണ്" എന്ന് പറയുകയും ചെയ്യുന്നു. ഇൻ്റേൺ ഇത് "മിനറലൈസ്ഡ്" ആയി ലോഗിലേക്ക് പ്രോസസ്സ് ചെയ്യുന്നു. അതേസമയം ചുവപ്പ് ഇരുമ്പ് ഓക്സൈഡ് കറയുള്ളതും സാമ്പത്തിക അയിര് അടങ്ങിയിട്ടില്ലാത്തതുമാണ്; ലബോറട്ടറി വിശകലനം ട്രെയ്സ് ലെവലിൽ ഗ്രേഡ് കണ്ടെത്തുന്നു. പാഠം: ചിത്രത്തിൽ നിന്ന് ഗ്രേഡ്/അയിര് നിർണ്ണയിക്കാൻ കഴിയില്ല; AI ഔട്ട്‌പുട്ട് ഒരു “പരിശോധിക്കുക” അടയാളം മാത്രമാണ്, വിശകലനത്തിലൂടെ പരിശോധിച്ചുറപ്പിച്ചതാണ്.

പകർത്താവുന്ന പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ഡ്രിൽ ഡാറ്റ കോൺസിസ്റ്റൻസി സ്കാനിംഗ് "റോൾ: നിങ്ങളൊരു അസിസ്റ്റൻ്റ് റിസോഴ്‌സ്/ഡാറ്റാബേസ് ജിയോളജിസ്റ്റാണ്. താഴെ ഒരു [ലിത്തോളജി/അസ്സേ] പട്ടികയാണ്. കോളങ്ങൾ: [ലിസ്‌റ്റ്, യൂണിറ്റുകൾക്കൊപ്പം]. ഇനിപ്പറയുന്ന പൊരുത്തക്കേടുകൾ റോ നമ്പറും കാരണവും ഉപയോഗിച്ച് അടയാളപ്പെടുത്തുക: മുതൽ>=വരെ, വ്യത്യസ്‌ത കോഡ് വ്യാപ്തി, വ്യത്യസ്‌ത കോഡ് വ്യാപ്തി, വ്യത്യസ്‌ത കോഡ് റേഞ്ച്, മിക്‌സഡ് സ്‌പേയ്‌ഡ് സ്‌കാൻ നെഗറ്റീവ്/ഔട്ട്‌ലിയർ, ശൂന്യമായതിന് പകരം കോഡ് (999/-9) ശരിയാക്കരുത്, പട്ടിക അടയാളപ്പെടുത്തുക: [ഒട്ടിക്കുക].”

ലിത്തോളജി കോഡ് സ്റ്റാൻഡേർഡൈസേഷൻ "ഇനിപ്പറയുന്ന ലിത്തോളജി കോഡുകൾ കൈകൊണ്ട് നൽകിയിട്ടുണ്ട്, അവ പൊരുത്തമില്ലാത്തവയാണ്. ഒരേ റോക്ക് തരത്തിൻ്റെ (ഉദാ. GRN/Grn/ഗ്രാനൈറ്റ്) വ്യത്യസ്ത അക്ഷരവിന്യാസങ്ങൾ ഗ്രൂപ്പുചെയ്യുക. ഓരോ ഗ്രൂപ്പിനും ഒരൊറ്റ ശുപാർശിത സ്റ്റാൻഡേർഡ് കോഡ് എഴുതുക. ഒരു പട്ടികയിൽ: [ഒറിജിനൽ കോഡുകൾ] -> [നിങ്ങൾ പ്രത്യേകം പ്രത്യേകം കോഡുകൾ തീരുമാനിക്കട്ടെ; [ഒട്ടിക്കുക]."

കോർ ഫോട്ടോ പ്രീ-സ്കാനിംഗ് "ഈ പ്രധാന ഫോട്ടോയിൽ ഞാൻ ശ്രദ്ധിക്കേണ്ട വിഷ്വൽ ഫീച്ചറുകൾ ലിസ്റ്റ് ചെയ്യുക: വർണ്ണ മാറ്റം സോണുകൾ, സാധ്യമായ ഒടിവ് / ഒടിവ് സാന്ദ്രത, ദൃശ്യമായ സിര, സാധ്യമായ മാറ്റത്തിൻ്റെ അടയാളം. ഇവ ഒരു സിദ്ധാന്തമായി എഴുതുക; പാറയുടെ തരമോ ഗ്രേഡോ തീരുമാനിക്കരുത്. ഓരോ സവിശേഷതയ്ക്കും, ഭൂമിശാസ്ത്രജ്ഞൻ എന്താണ് പരിശോധിക്കേണ്ടതെന്ന് സൂചിപ്പിക്കുക."

ജിയോളജിക്കൽ ലോഗ് സംഗ്രഹം "ഇനിപ്പറയുന്ന വാചകം ഒരു ഡ്രില്ലിംഗിൻ്റെ ജിയോളജിക്കൽ ലോഗ് ആണ്. അതിനെ ഇനിപ്പറയുന്ന തലക്കെട്ടുകളുള്ള ഒരു ഘടനാപരമായ സംഗ്രഹമാക്കി മാറ്റുക: പ്രബലമായ ലിത്തോളജികളും ആഴത്തിലുള്ള ശ്രേണികളും, മാറ്റൽ മേഖലകളും, ഘടനാപരമായ കുറിപ്പുകളും (തകരാർ / ഒടിവ്), ധാതുവൽക്കരണ നിരീക്ഷണങ്ങൾ. ധാതുവൽക്കരണ നിരീക്ഷണങ്ങൾ. ലോഗ്: [ഒട്ടിക്കുക]."

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ നിർദ്ദേശം: "ഈ ഡ്രില്ലിംഗ് ഡാറ്റ പരിഹരിക്കുക."

ശക്തമായ നിർദ്ദേശം: "റോൾ: നിങ്ങൾ ഒരു അസിസ്റ്റൻ്റ് ഡാറ്റാബേസ് ജിയോളജിസ്റ്റാണ്. ചുവടെയുള്ള അസ്സെ ടേബിളിൽ, സംശയാസ്പദമായ വരികൾ മാത്രം ഫ്ലാഗ് ചെയ്യുക (>= മുതൽ, ppm/% സംശയിക്കുന്ന വ്യഭിചാരം, നെഗറ്റീവ് മൂല്യം, 999 ശൂന്യമായതിന് പകരം). ഓരോ ഫ്ലാഗിനും വരി നമ്പർ + കാരണം നൽകുക. കോലം ശരിയാക്കരുത്. From(m), To(m), Au(g/t) പട്ടിക: [ഒട്ടിക്കുക]."

ദുർബലമായ പ്രോംപ്റ്റ് AI-യോട് "നിങ്ങൾ തീരുമാനിക്കുകയും മാറ്റുകയും ചെയ്യുക" എന്ന് പറയുന്നു; ശക്തമായ പ്രോംപ്റ്റ് AI-യെ അടയാളപ്പെടുത്തുന്നതിന് പരിമിതപ്പെടുത്തുന്നു, തിരുത്തൽ അധികാരം ജിയോളജിസ്റ്റിന് നൽകുന്നു.

താരതമ്യ പട്ടിക: ഏത് ബിസിനസ്സിൽ AI എങ്ങനെ ഉപയോഗിക്കാം

അന്വേഷണം

AI യുടെ പങ്ക്

ആരുടെ തീരുമാനം

സ്ഥിരീകരണം

പൊരുത്തക്കേട് അടയാളപ്പെടുത്തൽ

ശക്തമായ ബ്രൗസർ

ജിയോളജിസ്റ്റ് പരിഹരിക്കുന്നു

റോ ലോഗ്/സർട്ടിഫിക്കറ്റ്

ലിത്തോളജി കോഡ് ലയനം

നിർദ്ദേശം

ജിയോളജിസ്റ്റ് സ്ഥിരീകരിക്കുന്നു

കോഡ് നിഘണ്ടു

പ്രധാന ഫോട്ടോ അഭിപ്രായം

പ്രീ-സ്ക്രീനിംഗ് / അനുമാനം

ജിയോളജിസ്റ്റ്/ലബോറട്ടറി

മാനുവൽ പരിശോധന + വിശകലനം

ഗ്രേഡ്/അയിര് തീരുമാനം

ഉപയോഗിച്ചിട്ടില്ല

ലബോറട്ടറി

അംഗീകൃത വിശകലനം

ലോഗ് ടെക്സ്റ്റ് സംഗ്രഹിക്കുക

കോൺഫിഗറേറ്റർ

ജിയോളജിസ്റ്റ്

യഥാർത്ഥ വാചകവുമായുള്ള താരതമ്യം

സാധാരണ തെറ്റുകൾ

• AI ഉപയോഗിച്ച് പട്ടിക "സ്വയം ശരിയാക്കുന്നു". നിശബ്ദമായ വികലങ്ങൾ നിങ്ങൾ ശ്രദ്ധിക്കാനിടയില്ല; അടയാളപ്പെടുത്തുക.
• കോർ ഫോട്ടോയിൽ നിന്ന് ഗ്രേഡ്/അയിര് വേർതിരിച്ചെടുക്കൽ. സ്വർണ്ണം പലപ്പോഴും നഗ്നനേത്രങ്ങൾ കൊണ്ട് അദൃശ്യമാണ്; നിങ്ങളുടെ വിശകലനമാണ് തീരുമാനം.
• അജ്ഞാതമാക്കാതെ യഥാർത്ഥ കോർഡിനേറ്റുകൾ ഒട്ടിക്കുന്നു. ലൈസൻസും കോർഡിനേറ്റുകളും സെൻസിറ്റീവ് ഡാറ്റയാണ്.
• AI സംഗ്രഹം യഥാർത്ഥ ലോഗുമായി താരതമ്യം ചെയ്യുന്നില്ല. ടെക്സ്റ്റിൽ ഇല്ലാത്ത ഒരു നിരീക്ഷണം (ഹാലുസിനേഷൻ) ചേർക്കാൻ AI-ന് കഴിയും.
• യൂണിറ്റ് പൊരുത്തക്കേട് അവഗണിക്കുന്നു. ppm/%/g/t/ppb മിക്സിംഗ് നേരിട്ട് റിസർവ് തടസ്സപ്പെടുത്തുന്നു.

ശ്രദ്ധിക്കുക: ഡ്രെയിലിംഗ് ഡാറ്റയിൽ ഒരു യൂണിറ്റ് പിശക് ഒരൊറ്റ വരിയിൽ നിലനിൽക്കില്ല; പ്രവചനത്തിലും കരുതലിലും കമ്പോസിറ്റിംഗ് വളരുകയും വ്യാപിക്കുകയും ചെയ്യുന്നു. ക്ലീനിംഗ് ഘട്ടത്തിലെ ഉത്സാഹം എല്ലാ തുടർന്നുള്ള അക്കൗണ്ടുകളുടെയും വിശ്വാസ്യത നിർണ്ണയിക്കുന്നു.

ചുരുക്കത്തിൽ

ഡ്രില്ലിംഗ്/ജിയോളജി ഡാറ്റയിൽ നാല് പ്രധാന പട്ടികകൾ (കോളർ, സർവേ, ലിത്തോളജി, അസെ) അടങ്ങിയിരിക്കുന്നു, സ്ഥിരത നിയമങ്ങൾ പ്രധാനമാണ്. ഈ ഡാറ്റാ പൊരുത്തക്കേട് സ്കാനിംഗ്, കോഡ് സ്റ്റാൻഡേർഡൈസേഷൻ, ലോഗ് സംഗ്രഹീകരണം, കോർ ഫോട്ടോ പ്രീ-സ്കാനിംഗ് എന്നിവയിൽ ശക്തമായ ഒരു സഹായമാണ് AI. എന്നിരുന്നാലും, തിരുത്തൽ തീരുമാനം ജിയോളജിസ്റ്റിൻ്റെതാണ്, ഗ്രേഡ്/അയിര് തീരുമാനം ലബോറട്ടറിയുടേതാണ്. AI മാർക്ക് എഡിറ്റ് ചെയ്യാതിരിക്കുക, റോ ഉറവിടത്തിൽ നിന്ന് ഓരോ അടയാളവും പരിശോധിക്കുക, ചിത്രത്തിൽ നിന്ന് ഗ്രേഡ് അനുമാനിക്കരുത്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ പക്കലുള്ള ഒരു അസ്സെ ടേബിൾ (അല്ലെങ്കിൽ ഒരു സാമ്പിൾ) അജ്ഞാതമാക്കി "ഡ്രില്ലിംഗ് ഡാറ്റാ സ്ഥിരത സ്കാൻ" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് AI-ക്ക് നൽകുക. അടയാളപ്പെടുത്തിയ വരികൾ ഒരു പട്ടികയിലേക്ക് ഇമ്പോർട്ടുചെയ്യുക; ഓരോന്നിനും "റോ സോഴ്‌സിൽ നിന്ന് പരിശോധിക്കേണ്ട" കുറിപ്പ് പരിഗണിക്കുക. തുടർന്ന് "ലിത്തോളജി കോഡ് സ്റ്റാൻഡേർഡൈസേഷൻ" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് കോഡ് നിഘണ്ടു സൃഷ്‌ടിക്കുകയും AI-ക്ക് ഉറപ്പില്ലാത്ത ഗ്രൂപ്പുകൾ പ്രത്യേകം ശ്രദ്ധിക്കുക. അവസാനമായി, ഒരു പ്രധാന ഫോട്ടോ മുൻകൂട്ടി സ്‌കാൻ ചെയ്‌ത് ഉയർന്നുവരുന്ന ഓരോ സിദ്ധാന്തത്തിനും നിങ്ങൾ ഫീൽഡിൽ എന്താണ് പരിശോധിക്കേണ്ടതെന്ന് എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• AI-ക്ക് ഡാറ്റ നൽകുന്നതിന് മുമ്പ് ഞാൻ യഥാർത്ഥ കോർഡിനേറ്റ്/ലൈസൻസ് വിവരങ്ങൾ അജ്ഞാതമാക്കി.
• [ ] ഞാൻ AI യോട് ന്യായമായ അടയാളപ്പെടുത്തലിനാണ് ആവശ്യപ്പെട്ടത്, തിരുത്തലല്ല.
• [ ] റോ ലോഗ്/ലാബ് സർട്ടിഫിക്കറ്റിന് നേരെ അടയാളപ്പെടുത്തിയ ഓരോ വരിയും ഞാൻ പരിശോധിച്ചു.
• [ ] ഞാൻ വോളിയം സ്ഥിരതയും (g/t, %, ppm, ppb) പരിശോധിച്ചു.
• [ ] കോർ ഫോട്ടോ ഔട്ട്‌പുട്ട് ഒരു സിദ്ധാന്തമായി ഞാൻ കണക്കാക്കി, ഞാൻ ഗ്രേഡ് തീരുമാനമെടുത്തില്ല.
• [ ] വിവരങ്ങളൊന്നും ചേർത്തിട്ടില്ലെന്ന് പരിശോധിക്കാൻ ഞാൻ AI സംഗ്രഹം യഥാർത്ഥ ലോഗ് ടെക്സ്റ്റുമായി താരതമ്യം ചെയ്തു.