ധാതു പര്യവേക്ഷണം, അയിര് മോഡലിംഗ്, റിസോഴ്സ് എസ്റ്റിമേഷൻ

നേട്ടങ്ങൾ:

• ധാതു സാധ്യതയിൽ AI, മൾട്ടി-ലെയർ ഡാറ്റ ഫ്യൂഷൻ എന്നിവയുടെ ഉപയോഗം വിശദീകരിക്കാനുള്ള കഴിവ്
• ജിയോസ്റ്റാറ്റിസ്റ്റിക്സും (ക്രിഗിംഗ്, വേരിയോഗ്രാം) മെഷീൻ ലേണിംഗും ഉപയോഗിച്ച് ബ്ലോക്ക് മോഡലും ഗ്രേഡ് എസ്റ്റിമേഷനും എങ്ങനെ നിർമ്മിക്കാമെന്ന് മനസിലാക്കുന്നു.
• ക്രോസ്-വാലിഡേഷൻ, വർഗ്ഗീകരണ ആത്മവിശ്വാസം, റിപ്പോർട്ടിംഗ് മാനദണ്ഡങ്ങൾ എന്നിവ ഉപയോഗിച്ച് ഉറവിട എസ്റ്റിമേഷൻ ഔട്ട്പുട്ടുകൾ പരിശോധിക്കാനുള്ള കഴിവ്

ഒരു പിടി ഡ്രിൽ സാമ്പിളുകളെ അടിസ്ഥാനമാക്കിയുള്ള മൾട്ടിമില്യൺ ഡോളർ തീരുമാനങ്ങൾ ഒരു വാതുവെപ്പ് ഗെയിമാണ്. ഒരു ധാതു നിക്ഷേപം (ഇംഗ്ലീഷ് അയിര് നിക്ഷേപം; സമ്പന്നവും ചൂഷണം ചെയ്യാൻ കഴിയുന്നത്ര വലിയതുമായ ധാതു ശേഖരണം) നൂറുകണക്കിന് ചതുരശ്ര കിലോമീറ്റർ വിസ്തൃതിയിൽ മറഞ്ഞിരിക്കുന്നു, മാത്രമല്ല ഞങ്ങൾ അത് "കാണുന്നത്" അപൂർവ്വമായ ഡ്രില്ലിംഗുകൾ, ജിയോഫിസിക്കൽ ഷാഡോകൾ, ഉപരിതല മാർക്കറുകൾ എന്നിവ ഉപയോഗിച്ച് മാത്രമാണ്. അതുകൊണ്ടാണ് ധാതു പര്യവേക്ഷണം AI-യുടെ ഏറ്റവും ആവേശകരവും എന്നാൽ ഏറ്റവും അപകടകരവുമായ ആപ്ലിക്കേഷൻ മേഖലകളിലൊന്നായത്: ശരിയായി ഉപയോഗിക്കുമ്പോൾ, അത് പര്യവേക്ഷണ ലക്ഷ്യമിടൽ വേഗത്തിലാക്കുകയും വിരളമായ ഡാറ്റയിൽ നിന്ന് കൂടുതൽ അർത്ഥം വേർതിരിച്ചെടുക്കുകയും ചെയ്യുന്നു; തെറ്റായി ഉപയോഗിക്കുമ്പോൾ, അത് സ്ഥിതിവിവരക്കണക്കുകൾക്ക് പിന്നിൽ നിലവിലില്ലാത്ത ഒരു വസ്തുവിനെ മറയ്ക്കുകയും നിക്ഷേപകരെയും സമൂഹത്തെയും തെറ്റിദ്ധരിപ്പിക്കുകയും ചെയ്യുന്നു.

ഈ യൂണിറ്റിൽ, പര്യവേക്ഷണത്തിൻ്റെ രണ്ട് പ്രധാന ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് വശങ്ങൾ ഞങ്ങൾ ഉൾക്കൊള്ളുന്നു: പര്യവേക്ഷണം ടാർഗെറ്റുചെയ്യൽ (മിനറൽ പ്രോസ്പെക്റ്റിവിറ്റി; ഏത് പ്രദേശത്താണ് നിക്ഷേപം ഉണ്ടാകാൻ സാധ്യതയുള്ള മൾട്ടി-ലേയേർഡ് ഡാറ്റയിൽ നിന്ന് കണക്കാക്കുന്നത്), റിസോഴ്സ് എസ്റ്റിമേഷൻ (ഒരു ഡ്രിൽ ചെയ്ത നിക്ഷേപത്തിൽ എത്ര ലോഹം ഉണ്ടെന്ന് നമുക്ക് എന്ത് ആത്മവിശ്വാസത്തോടെ കണക്കാക്കാം). രണ്ടിലും, AI ഒരു ശക്തമായ പാറ്റേൺ ഫൈൻഡറാണ്; എന്നാൽ രണ്ട് സാഹചര്യങ്ങളിലും, അന്തിമ കണക്ക് അന്താരാഷ്ട്ര റിപ്പോർട്ടിംഗ് മാനദണ്ഡങ്ങളിൽ ഒപ്പുവെച്ച യോഗ്യതയുള്ള വ്യക്തിയുടെ ഉത്തരവാദിത്തമാണ്.

തിരയൽ ടാർഗെറ്റിംഗ്: മൾട്ടി-ലേയേർഡ് ഡാറ്റ ഫ്യൂഷൻ

ഒരു എക്സ്പ്ലോറേഷൻ ജിയോളജിസ്റ്റ് ഒരു തരം ഡാറ്റയല്ല, മറിച്ച് പൊതിഞ്ഞ പാളികളിലാണ് നോക്കുന്നത്: ജിയോളജിക്കൽ മാപ്പ്, ഘടനാപരമായ രൂപരേഖകൾ (തകരാറുകളും മടക്കുകളും), ജിയോഫിസിക്സ് (കാന്തിക, ഗുരുത്വാകർഷണം, പ്രതിരോധശേഷി), ജിയോകെമിസ്ട്രി (മണ്ണ്, സ്ട്രീം സാമ്പിൾ മൂലക മൂല്യങ്ങൾ), വിദൂര സംവേദനം വഴി മാപ്പ് ചെയ്ത മാറ്റം. ഓരോ പാളിയും ഒരു മങ്ങിയ സൂചനയാണ്; അവർ ഒരുമിച്ച് ചൂണ്ടിക്കാണിക്കുന്നിടത്താണ് യഥാർത്ഥ സിഗ്നൽ. ഇതിനെ ഡാറ്റ ഫ്യൂഷൻ എന്ന് വിളിക്കുന്നു.

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഇവിടെ രണ്ട് ജോലികൾ ചെയ്യുന്നു. ആദ്യം, ഇത് ഡസൻ കണക്കിന് ലെയറുകളെ ഒരേ കോർഡിനേറ്റ് ഗ്രിഡിലേക്ക് (ഏകവും മടുപ്പിക്കുന്നതും എന്നാൽ പിശക് സാധ്യതയുള്ളതുമായ ടാസ്ക്) ഒരൊറ്റ വിശകലന പട്ടികയിലേക്ക് വിന്യസിക്കുന്നു. രണ്ടാമതായി, ഇത് അറിയപ്പെടുന്ന നിക്ഷേപങ്ങൾക്ക് ചുറ്റുമുള്ള പാറ്റേൺ പഠിക്കുകയും സമാനമായ ഒപ്പ് (മേൽനോട്ടം വഹിക്കുന്ന പഠനം) ഉപയോഗിച്ച് പുതിയ മേഖലകളെ അടയാളപ്പെടുത്തുകയും ചെയ്യുന്നു. എന്നാൽ ഇവിടെ ഒരു നിർണായക കെണിയുണ്ട്: അറിയപ്പെടുന്ന കിടക്കകളുടെ എണ്ണം പലപ്പോഴും വളരെ ചെറുതാണ് (ഒരു പ്രദേശത്ത് 5-10 കിടക്കകൾ), അതിനാൽ മോഡൽ എളുപ്പത്തിൽ ഓർമ്മിക്കുകയും പുതിയ മേഖലകളിൽ പരാജയപ്പെടുകയും ചെയ്യുന്നു. അതുകൊണ്ടാണ് ടാർഗെറ്റുചെയ്യുന്ന ഔട്ട്‌പുട്ട് "ഉറപ്പായ രത്നം നിലവിലുണ്ട്" എന്ന ലിസ്‌റ്റല്ല, മറിച്ച് "ഡ്രില്ലിംഗ് വഴി പരിശോധിക്കേണ്ട മുൻഗണനാ ക്രമം" ആണ്.

ഘട്ടങ്ങൾ സാധാരണയായി ഇനിപ്പറയുന്നവയാണ്: (1) ലെയറുകൾ വിന്യസിക്കുകയും വൃത്തിയാക്കുകയും ചെയ്യുക, (2) ബെഡ് മോഡലിനെ അടിസ്ഥാനമാക്കി ഓരോ ലെയറും അർത്ഥവത്തായ ടോക്കണിലേക്ക് വിവർത്തനം ചെയ്യുക (ഉദാ. "ഫാൾട്ട് ഇൻ്റർസെക്ഷനിലേക്കുള്ള ദൂരം", "മാഗ്നറ്റിക് ഹൈ എഡ്ജ്"), (3) അറിയപ്പെടുന്ന കിടക്കകളോ ഭാരമോ ഉള്ള ട്രെയിൻ, (4) പ്രോബബിലിറ്റി മാപ്പ് നിർമ്മിക്കുക, (5) ഫീൽഡിലെ ഏറ്റവും കുറഞ്ഞ പ്രോബബിലിറ്റി രീതികൾ പരീക്ഷിക്കുക.

നുറുങ്ങ്: മാതൃകയിലേക്ക് പാളികൾ അസംസ്‌കൃതമായി നൽകുന്നതിനുപകരം, ഭൂമിശാസ്ത്രപരമായി അർത്ഥവത്തായ മാർക്കറുകൾ (“മാഗ്നറ്റിക് റിംഗ് + ആർജിലിക് മാറ്റം + പോർഫിറി കോപ്പറിൻ്റെ തകരാർ ഇൻ്റർസെക്ഷൻ”) നേടുക. ബെയറിംഗ് മോഡലുമായി പൊരുത്തപ്പെടുന്ന സൂചകങ്ങൾ അന്ധമായ സ്ഥിതിവിവരക്കണക്കുകളേക്കാൾ കൂടുതൽ ശക്തമായ ലക്ഷ്യങ്ങൾ സൃഷ്ടിക്കുന്നു.

ജിയോസ്റ്റാറ്റിസ്റ്റിക്സും റിസോഴ്സ് എസ്റ്റിമേഷനും: വേരിയോഗ്രാം, ക്രിഗിംഗ്, ബ്ലോക്ക് മോഡൽ

നിക്ഷേപം കണ്ടെത്തി തുരന്നുകഴിഞ്ഞാൽ, ചോദ്യം മാറുന്നു: "ഇവിടെ എത്ര ലോഹമുണ്ട്, നമുക്ക് അത് എത്രത്തോളം വിശ്വസിക്കാം?" ഉത്തരത്തിന് സാമ്പിൾ ഡ്രിൽ പോയിൻ്റുകളിൽ നിന്ന് സാമ്പിൾ ചെയ്യാത്ത റോക്ക് വോളിയത്തിലേക്ക് ഒരു എക്സ്ട്രാപോളേഷൻ ആവശ്യമാണ്. ഇതിനുള്ള സ്റ്റാൻഡേർഡ് ടൂൾ ജിയോസ്റ്റാറ്റിസ്റ്റിക്സ് ആണ്.

അടിസ്ഥാന ആശയം വേരിയോഗ്രാം ആണ്: രണ്ട് സാമ്പിളുകൾ കൂടുതൽ അകന്നുപോകുമ്പോൾ ഗ്രേഡ് സമാനതകൾ എങ്ങനെ കുറയുന്നുവെന്ന് വിവരിക്കുന്ന സ്പേഷ്യൽ തുടർച്ചയുടെ അളവ്. സമീപത്തെ ഉദാഹരണങ്ങൾ സമാനമാണ്, വിദൂരമായവ സ്വതന്ത്രമാണ്; വേരിയോഗ്രാം ഈ "സാമ്യത ശ്രേണി" കണക്കാക്കുന്നു. സാമ്പിൾ ചെയ്യാത്ത ഓരോ ബ്ലോക്കിനും ഗ്രേഡ് നൽകാൻ ഈ വേരിയോഗ്രാം ഘടന ഉപയോഗിക്കുന്ന ഒരു ശരാശരി രീതിയാണ് ക്രിഗിംഗ്. നിക്ഷേപം മീറ്ററിൽ (ബ്ലോക്ക് മോഡൽ) അളക്കുന്ന വശങ്ങളുള്ള ബ്ലോക്കുകളായി തിരിച്ചിരിക്കുന്നു, കൂടാതെ ഓരോ ബ്ലോക്കിനും ഒരു ഗ്രേഡും ആത്മവിശ്വാസവും നൽകിയിരിക്കുന്നു.

ഇവിടെ മൂന്ന് പോയിൻ്റിലാണ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് വരുന്നത്. വേരിയോഗ്രാം മോഡലിംഗിൽ, ഇത് ഇതര മോഡലുകൾ നിർദ്ദേശിക്കുകയും അനുയോജ്യത വിലയിരുത്തുകയും ചെയ്യുന്നു. മെഷീൻ ലേണിംഗ് രീതികൾക്ക് (ഉദാ. റാൻഡം ഫോറസ്റ്റ്, ഗ്രേഡിയൻ്റ് ബൂസ്റ്റിംഗ്) ക്രിജിംഗിന് പുറമേ നോൺ-ലീനിയർ ഗ്രേഡ് ബന്ധങ്ങൾ പിടിച്ചെടുക്കാൻ കഴിയും. ഇത് മുഴുവൻ വർക്ക്ഫ്ലോയുടെയും കോഡിംഗും പരിശോധനയും റിപ്പോർട്ടിംഗും വേഗത്തിലാക്കുന്നു. എന്നാൽ രണ്ട് ഇരുമ്പ് നിയമങ്ങൾ സ്ഥിരമായി നിലനിൽക്കുന്നു: എസ്റ്റിമേഷൻ അനിശ്ചിതത്വം ഒരിക്കലും മറയ്ക്കാൻ കഴിയില്ല, കൂടാതെ അന്തിമ റിസോഴ്‌സ് അന്തർദേശീയ മാനദണ്ഡങ്ങൾക്കനുസൃതമായി അളന്ന/സൂചിപ്പിച്ച/അനുമാനിച്ച ക്ലാസുകളായി തരംതിരിച്ചിരിക്കുന്നു (JORC, NI 43-101, PERC പോലുള്ള റിസോഴ്‌സ്/റിസർവ് റിപ്പോർട്ടിംഗിൻ്റെ പൊതു, ഓഡിറ്റബിൾ ചട്ടക്കൂടുകൾ).

മുന്നറിയിപ്പ്: മെഷീൻ ലേണിംഗ് മോഡൽ ഡ്രില്ലിംഗ് ബ്രേക്കുകളെ "സുഗമമാക്കും", ഇത് യാഥാർത്ഥ്യത്തിൽ ഇല്ലാത്ത തുടർച്ച സൃഷ്ടിക്കുന്നു. കുറച്ച് ഉയർന്ന ഗ്രേഡ് മാതൃകകൾക്ക് ഒരു മുഴുവൻ ബ്ലോക്കിനെയും അന്യായമായി സമ്പുഷ്ടമാക്കാൻ കഴിയും (ഇംഗ്ലീഷ് സ്മിയറിങ്). ഉയർന്ന മൂല്യങ്ങൾ പരിമിതപ്പെടുത്തുകയും (ടോപ്പ്-കട്ട്) ഒരു ബ്ലോക്ക് അടിസ്ഥാനത്തിൽ സാമ്പിളുകളുടെ എണ്ണം നിയന്ത്രിക്കുകയും ചെയ്യേണ്ടത് അത്യാവശ്യമാണ്; അല്ലാത്തപക്ഷം ടൺ കടലാസിൽ വീർക്കുന്നതാണ്.

മൂന്ന് മിനി കേസുകൾ: അക്കങ്ങൾ പ്രകാരം

കേസ് 1 - ടാർഗറ്റിംഗ് മുൻഗണന. 380 km² ലൈസൻസ് ഏരിയയിൽ പരിമിതമായ ഡ്രില്ലിംഗ് ബജറ്റിൽ ഒരു പര്യവേക്ഷണ സംഘം പ്രവർത്തിച്ചു. ഏഴ് ജിയോഫിസിക്കൽ/ജിയോകെമിസ്ട്രി പാളികൾ സംയോജിപ്പിക്കുന്ന ഒരു പ്രോബബിലിറ്റി മാപ്പ് പ്രദേശത്തിൻ്റെ 6% മാത്രം "ഉയർന്ന മുൻഗണന" എന്ന് അടയാളപ്പെടുത്തി. ടീം ആദ്യത്തെ അഞ്ച് ഡ്രില്ലുകൾ ഈ 6% ലേക്ക് നയിച്ചു; അവയിൽ മൂന്നെണ്ണത്തിൽ കാര്യമായ ചെമ്പ് കവലകൾ കണ്ടെത്തി. നിർണായക പോയിൻ്റ്: മാപ്പ് അയിര് "തെളിയിച്ചില്ല", ഡ്രില്ലിംഗ് ബജറ്റ് എവിടെ കേന്ദ്രീകരിക്കണമെന്ന് യുക്തിസഹമാക്കുകയും അന്ധമായ പരീക്ഷണങ്ങളുടെ എണ്ണം കുറയ്ക്കുകയും ചെയ്തു.

കേസ് 2 - സ്മിയറിംഗിൻ്റെ ക്യാപ്ചർ. ഒരു സ്വർണ്ണ നിക്ഷേപത്തിൽ, ആദ്യത്തെ ബ്ലോക്ക് മോഡൽ 78 g/t എന്ന ഒരൊറ്റ ഓവർസാമ്പിളിൻ്റെ ആഘാതം കാരണം ചുറ്റുമുള്ള ബ്ലോക്കുകളെ പെരുപ്പിച്ചു, വിഭവത്തെ 14% അമിതമായി കണക്കാക്കി. ക്യുഎ/ക്യുസി അവലോകനത്തിൽ പ്രയോഗിച്ച ടോപ്പ്-കട്ട് (സ്റ്റാറ്റിസ്റ്റിക്കൽ ത്രെഷോൾഡിലേക്ക് ഉയർന്ന മൂല്യം കുറയ്ക്കൽ), അയൽപക്ക സാമ്പിൾ നിയന്ത്രണം എന്നിവ ഉപയോഗിച്ച് പ്രവചനം റിയലിസ്റ്റിക് ലെവലിലേക്ക് കൊണ്ടുവന്നു. ഈ വ്യത്യാസം കോടിക്കണക്കിന് ഡോളറിൻ്റെ നിക്ഷേപ തീരുമാനത്തെ നേരിട്ട് ബാധിച്ചു.

കേസ് 3 - വർഗ്ഗീകരണ അച്ചടക്കം. ഒരു ഇരുമ്പ് പദ്ധതിയിൽ, ഉയർന്ന ആത്മവിശ്വാസത്തോടെ മുഴുവൻ നിക്ഷേപവും പ്രവചിക്കുന്നത് മോഡൽ കാണിച്ചു; എന്നിരുന്നാലും, നാമമാത്ര പ്രദേശങ്ങളിൽ ഡ്രില്ലിംഗ് സാന്ദ്രത വളരെ കുറവായിരുന്നു. അംഗീകൃത വ്യക്തി സാമ്പത്തിക മൂല്യനിർണ്ണയത്തിൽ നിന്ന് വിരളമായ സാമ്പിൾ വോളിയം നീക്കം ചെയ്തു, അത് "അനുമാനിക്കപ്പെടുന്നു" എന്ന് തരംതാഴ്ത്തി. അങ്ങനെ, റിപ്പോർട്ട് പരസ്യമായി വെളിപ്പെടുത്തിയ കരുതൽ ശേഖരത്തിൽ അതിശയോക്തി ഒഴിവാക്കുകയും നിലവാരത്തിന് അനുസൃതമായി തുടരുകയും ചെയ്തു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഡ്രില്ലിംഗ് വിളവ് വിശകലനം ചെയ്യുക, നിക്ഷേപത്തിൽ എത്ര സ്വർണം ഉണ്ടെന്ന് പറയുക.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: റിസോഴ്സ് ജിയോസ്റ്റാറ്റിസ്റ്റിഷ്യൻ. ഇനിപ്പറയുന്ന കോമ്പൗണ്ട് അസ്സെ ഡാറ്റയ്‌ക്കൊപ്പം ഒരു ഉറവിട നമ്പർ നൽകുക. പകരം:1) ഗ്രേഡ് വിതരണം സംഗ്രഹിക്കുക; സാധ്യമായ ഔട്ട്‌ലറുകളും ടോപ്പ്-കട്ടിൻ്റെ ആവശ്യകതയും അടയാളപ്പെടുത്തുക.2) സ്പേഷ്യൽ തുടർച്ചയ്ക്കായി ഏതൊക്കെ വേരിയോഗ്രാം ദിശകൾ പരിശോധിക്കണമെന്ന് നിർദ്ദേശിക്കുക.3) കുറഞ്ഞ ഡ്രില്ലിംഗ് സാന്ദ്രത കാരണം ഏതൊക്കെ മേഖലകളെ "ഒഴിവാക്കി" എന്ന് മാത്രം വർഗ്ഗീകരിക്കാൻ കഴിയുമെന്ന് സൂചിപ്പിക്കുക.4) ഫലത്തെ ബാധിച്ചേക്കാവുന്ന അനിശ്ചിതത്വത്തിൻ്റെ 4 ഉറവിടങ്ങൾ പട്ടികപ്പെടുത്തുക.ഡാറ്റ അജ്ഞാതമാണ്; യഥാർത്ഥ കോർഡിനേറ്റുകൾ/കമ്പനികൾ ഇല്ല.

ശക്തമായ ഒരു പ്രോംപ്റ്റ് മോഡലിനെ ഒരു വഞ്ചനാപരമായ നമ്പർ സൃഷ്ടിക്കുന്നതിൽ നിന്ന് തടയുകയും ഉത്തരവാദിത്തമുള്ള വ്യക്തി ചോദിക്കേണ്ട ചോദ്യങ്ങൾ കൃത്യമായി സംഘടിപ്പിക്കുന്ന ഒരു അസിസ്റ്റൻ്റാക്കി മാറ്റുകയും ചെയ്യുന്നു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) ലെയർ ഫ്യൂഷനുള്ള ടോക്കൺ ഡെറിവേഷൻ:

പോർഫിറി കോപ്പർ പര്യവേക്ഷണ മാതൃകയെ അടിസ്ഥാനമാക്കി ഇനിപ്പറയുന്ന പാളികളിൽ നിന്ന് അർത്ഥവത്തായ മാർക്കറുകൾ നിർദ്ദേശിക്കുക: കാന്തിക, ഗുരുത്വാകർഷണം, പ്രതിരോധശേഷി, മണ്ണ് ജിയോകെമിസ്ട്രി (Cu-Mo-Au), മാറ്റം. ഓരോ മാർക്കറിനും: ഡെപ്പോസിറ്റ് മോഡലിലേക്കുള്ള ലിങ്ക്, തെറ്റിദ്ധരിപ്പിക്കുന്ന ഉറവിടം, ഫീൽഡ് സ്ഥിരീകരണ രീതി. കൃത്യമായ ലക്ഷ്യം നൽകുന്നു; മുൻഗണനാ യുക്തി സ്ഥാപിക്കുക.

2) അസ്സെ ക്യുഎ/ക്യുസി പ്രീ-സ്ക്രീനിംഗ്:

ഇനിപ്പറയുന്നവയ്ക്കായി വിശകലന പട്ടിക പരിശോധിക്കുക: നെഗറ്റീവ്/അസാധ്യമായ മൂല്യം, കണ്ടെത്തൽ പരിധിക്ക് താഴെയുള്ള അടയാളങ്ങളുടെ അനുപാതം, യൂണിറ്റ് വൈരുദ്ധ്യം (ppm/%/g-t), ആവർത്തിച്ചുള്ള സാമ്പിൾ കരാർ, ശൂന്യവും സാധാരണ സാമ്പിൾ ഡ്രിഫ്റ്റും. drilling_id ഉപയോഗിച്ച് പ്രശ്നങ്ങൾ ലിസ്റ്റ് ചെയ്യുക; വിലയിരുത്തൽ, തിരുത്തൽ.

3) വേരിയോഗ്രാം വ്യാഖ്യാന ഡ്രാഫ്റ്റ്:

പരീക്ഷണ വേരിയോഗ്രാം ഫലങ്ങൾ വ്യാഖ്യാനിക്കുക: നഗറ്റ്, റേഞ്ച്, സിൽ എന്നിവ എന്താണ് അർത്ഥമാക്കുന്നത് എന്ന് ലളിതമായ ഭാഷയിൽ വിശദീകരിക്കുക; അനിസോട്രോപ്പിയുടെ എന്തെങ്കിലും ലക്ഷണങ്ങളുണ്ടോ? ക്രിജിംഗിന് മുമ്പ് ഏത് തീരുമാനങ്ങൾക്ക് ജിയോളജിസ്റ്റിൻ്റെ അനുമതി ആവശ്യമാണെന്ന് അടയാളപ്പെടുത്തുക. കോഡല്ല, യുക്തി.

4) ഉറവിട വർഗ്ഗീകരണ നിയന്ത്രണം:

ബ്ലോക്ക് മോഡലിൽ, ഓരോ ബ്ലോക്കിനും: ക്രിഗിംഗ് വേരിയൻസ്, എസ്റ്റിമേറ്റിൽ ഉപയോഗിച്ച സാമ്പിളുകളുടെ എണ്ണം, അടുത്തുള്ള ബോർഹോളിലേക്കുള്ള ദൂരം എന്നിവ നൽകിയിട്ടുണ്ട്. സ്റ്റാൻഡേർഡ് ലോജിക്ക് അനുസരിച്ച് അളന്ന/പ്രദർശിപ്പിച്ച/അനുമാനിച്ച ക്ലാസിന് ഏറ്റവും അനുയോജ്യമായ ബ്ലോക്കുകൾ ഏതൊക്കെയാണെന്ന് യുക്തിസഹമായ ഒരു രൂപരേഖ നൽകുക. അന്തിമ വർഗ്ഗീകരണം അംഗീകൃത വ്യക്തിയുടേതാണ്; ഇത് പ്രസ്താവിക്കുക.

രീതികളുടെ താരതമ്യം

രീതി

എന്ത് ചെയ്യുന്നു

ശക്തമായ പോയിൻ്റ്

പ്രധാന അപകടസാധ്യത

വിദഗ്ദ്ധ നിയമം (ഭാരമുള്ള പാളി)

വിവരങ്ങൾ ഉപയോഗിച്ച് ലക്ഷ്യങ്ങൾ അടുക്കുന്നു

കുറച്ച് ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നു, സുതാര്യമാണ്

വിദഗ്ധ പക്ഷപാതം

മേൽനോട്ടമുള്ള ML ടാർഗെറ്റിംഗ്

അറിയപ്പെടുന്ന കിടക്കയിൽ നിന്ന് പഠിക്കുന്നു

സങ്കീർണ്ണമായ പാറ്റേൺ ക്യാപ്ചർ ചെയ്യുന്നു

കുറച്ച് ഉദാഹരണങ്ങളിൽ ഓർമ്മപ്പെടുത്തൽ

ക്രിഗിംഗ്

ടെനോർ അനിശ്ചിതത്വത്തോടെ പ്രവചിക്കുന്നു

സ്റ്റാൻഡേർഡ്, ഓഡിറ്റബിൾ

വേരിയോഗ്രാം പിശക്, സ്മിയറിങ്

ML ഗ്രേഡ് എസ്റ്റിമേറ്റ്

രേഖീയമല്ലാത്ത ബന്ധം

വഴങ്ങുന്ന

അനിശ്ചിതത്വം, അമിതമായ പൊരുത്തപ്പെടുത്തൽ എന്നിവ മറയ്ക്കാൻ കഴിയും

സിമുലേഷൻ (ഉദാ. SGS)

പ്രോബബിലിറ്റി സാഹചര്യങ്ങൾ സൃഷ്ടിക്കുന്നു

അനിശ്ചിതത്വം ദൃശ്യവൽക്കരിക്കുന്നു

തെറ്റായി വ്യാഖ്യാനിച്ചാൽ അമിത ആത്മവിശ്വാസം

നുറുങ്ങ്: ഉറവിടങ്ങൾ കണക്കാക്കുമ്പോൾ, "ഏറ്റവും മികച്ച സംഖ്യ" എന്നതിലുപരി ഒരു ശ്രേണിയും സാഹചര്യവും ആവശ്യപ്പെടുക. ശുഭാപ്തിവിശ്വാസമുള്ള/പ്രതീക്ഷിച്ച/ജാഗ്രതയുള്ള മൂന്ന് സാഹചര്യങ്ങൾ, ഒറ്റ സംഖ്യ സൃഷ്ടിച്ച തെറ്റായ ഉറപ്പിനേക്കാൾ കൂടുതൽ സത്യസന്ധമായ അടിസ്ഥാനം തീരുമാനങ്ങൾ എടുക്കുന്നതിന് നൽകുന്നു.

സാധാരണ തെറ്റുകൾ

• അധികം അറിയപ്പെടാത്ത ഒരു കിടക്ക ഉപയോഗിച്ച് ML മനഃപാഠമാക്കുന്നു. അഞ്ച് ബെയറിംഗുകൾ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ച ഒരു മോഡൽ പുതിയ ഫീൽഡിൽ വിശ്വസനീയമല്ല; ഔട്ട്‌പുട്ട് ഒരു മുൻഗണനാ പട്ടികയായി കാണുക, തെളിവായിട്ടല്ല.
• അങ്ങേയറ്റത്തെ മൂല്യങ്ങൾ പരിമിതപ്പെടുത്തുന്നില്ല. ഒരു ഉയർന്ന പരിശോധന, മുകളിൽ-കട്ടിംഗ് നടത്തിയില്ലെങ്കിൽ, ചുറ്റുമുള്ള ബ്ലോക്കുകളെ അന്യായമായി സമ്പുഷ്ടമാക്കുകയും (സ്മിയർ) ടണേജ് വർദ്ധിപ്പിക്കുകയും ചെയ്യും.
• അനിശ്ചിതത്വം റിപ്പോർട്ട് ചെയ്യുന്നില്ല. ക്രിഗിംഗ് വ്യതിയാനവും വർഗ്ഗീകരണവും മറച്ച് ഒറ്റ കണക്കുകൾ അവതരിപ്പിക്കുന്നത് മാനദണ്ഡങ്ങൾക്കും സമഗ്രതയ്ക്കും എതിരാണ്.
• വർഗ്ഗീകരണം ഒഴിവാക്കുന്നു. അളന്നതായി സാമ്പിൾ വോളിയം അവതരിപ്പിക്കുന്നത് സാമ്പത്തിക വിധിയെയും പൊതുവിശ്വാസത്തെയും വിട്ടുവീഴ്ച ചെയ്യുന്നു.
• QA/QC ഒഴിവാക്കുന്നു. ശൂന്യവും സാധാരണവുമായ സാമ്പിളുകൾ ഉപയോഗിച്ച് ഡ്രിഫ്റ്റിൻ്റെ ലബോറട്ടറി നിരീക്ഷണം കൂടാതെ ഒരു ഗ്രേഡും വിശ്വസനീയമല്ല.

ചുരുക്കത്തിൽ

• പര്യവേക്ഷണ ടാർഗെറ്റിംഗ് മൾട്ടി-ലേയേർഡ് ഡാറ്റ ഫ്യൂഷൻ വഴി ഡ്രില്ലിംഗ് മുൻഗണന സൃഷ്ടിക്കുന്നു; ഇത് അയിര് തെളിയിക്കുന്നില്ല, ഇത് അന്ധമായ വിചാരണ കുറയ്ക്കുന്നു.
• വേരിയോഗ്രാമുകളും ക്രിഗിംഗും ഉപയോഗിച്ച് റിസോഴ്സ് എസ്റ്റിമേഷൻ ഗ്രേഡ് കൃത്യമായി കണക്കാക്കുന്നു; ഇതിലാണ് ബ്ലോക്ക് മോഡൽ നിർമ്മിച്ചിരിക്കുന്നത്.
• മെഷീൻ ലേണിംഗ് ശക്തമാണ്, പക്ഷേ ഇത് ചെറിയ സാമ്പിളുകൾ മനഃപാഠമാക്കുന്നു, ഔട്ട്‌ലയറുകളെ സ്മിയർ ചെയ്യുന്നു, അനിശ്ചിതത്വം മറയ്ക്കാൻ കഴിയും.
• JORC/NI 43-101 പോലുള്ള മാനദണ്ഡങ്ങൾക്കനുസൃതമായി ഒരു അംഗീകൃത യോഗ്യതയുള്ള വ്യക്തിയാണ് അന്തിമ വെൽഡ് തരംതിരിക്കുകയും ഒപ്പിടുകയും ചെയ്യുന്നത്.
• മൂല്യം ഒരു വഞ്ചനാപരമായ സംഖ്യയിലല്ല; അനിശ്ചിതത്വം പരിശോധിക്കാവുന്ന മുൻഗണനയിലും സത്യസന്ധമായി റിപ്പോർട്ട് ചെയ്യപ്പെട്ട വർഗ്ഗീകരണത്തിലുമാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു അജ്ഞാത സംയുക്ത വിലയിരുത്തൽ പട്ടിക (അല്ലെങ്കിൽ പ്രാതിനിധ്യ മൂല്യങ്ങൾ) സ്വീകരിക്കുക. ശക്തമായ പ്രോംപ്റ്റിനൊപ്പം, മോഡലിനോട് ആവശ്യപ്പെടുക: ഓവർവാല്യൂ/ടോപ്പ് കട്ട് ആവശ്യം, വേരിയോഗ്രാം ദിശകൾ, സോഴ്സ് ഫിഗറിന് പകരം കുറഞ്ഞ സാന്ദ്രതയുള്ള പ്രദേശങ്ങൾ. തുടർന്ന് "സോഴ്സ് ക്ലാസിഫിക്കേഷൻ കൺട്രോൾ" ടെംപ്ലേറ്റ് ഏത് ബ്ലോക്കുകൾ ഏത് ട്രസ്റ്റ് ക്ലാസിലേക്ക് വരും എന്നതിൻ്റെ ഡ്രാഫ്റ്റ് തയ്യാറാക്കുക. അവസാനമായി, മോഡൽ ഒരൊറ്റ ടൺ കണക്ക് നൽകാൻ ശ്രമിക്കുന്നുണ്ടോ എന്ന് നിരീക്ഷിച്ച് നിങ്ങൾ എന്തുകൊണ്ട് അത് നിരസിക്കണം എന്ന് ഒറ്റ വാചകത്തിൽ എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] പര്യവേക്ഷണ ടാർഗെറ്റിംഗ് അയിര് തെളിയിക്കുന്നില്ലെന്ന് ഞാൻ മനസ്സിലാക്കി, അത് ഡ്രില്ലിംഗ് മുൻഗണന നൽകുന്നു.
• [ ] അനിശ്ചിതത്വത്തോടെ വേരിയോഗ്രാമും ക്രിഗിംഗും ഗ്രേഡ് കണക്കാക്കുന്നത് എങ്ങനെയെന്ന് എനിക്ക് വിശദീകരിക്കാൻ കഴിയും.
• [ ] സ്മിയറിങ്, ടോപ്പ് കട്ട്, ഓവർവാല്യൂ എന്നിവയുടെ അപകടസാധ്യതകൾ ഞാൻ തിരിച്ചറിയുകയും QA/QC നിർബന്ധമായും പരിഗണിക്കുകയും ചെയ്യുന്നു.
• [ ] റിസോഴ്‌സ് സ്റ്റാൻഡേർഡ് പ്രകാരം അളന്നത്/സൂചിപ്പിച്ചത്/അനുമാനിക്കപ്പെട്ടത് എന്നിങ്ങനെ തരംതിരിച്ചിട്ടുണ്ടെന്നും അംഗീകൃത വ്യക്തിയുടേതാണെന്നും ഞാൻ മനസ്സിലാക്കുന്നു.
• [ ] ഒറ്റ സംഖ്യകൾക്ക് പകരം അനിശ്ചിതത്വ ശ്രേണികളും സാഹചര്യങ്ങളും ആവശ്യമായ ഒരു അച്ചടക്കം ഞാൻ സ്വീകരിച്ചു.