खनिज अन्वेषण, अयस्क मॉडेलिंग आणि संसाधन अंदाज

नफा:

• खनिज संभाव्यतेमध्ये एआय आणि मल्टी-लेयर डेटा फ्यूजनचा वापर स्पष्ट करण्याची क्षमता
• जिओस्टॅटिस्टिक्स (क्रिगिंग, व्हेरिओग्राम) आणि मशीन लर्निंग वापरून ब्लॉक मॉडेल आणि ग्रेड अंदाज कसा बनवायचा हे समजून घेणे.
• क्रॉस-व्हॅलिडेशन, वर्गीकरण आत्मविश्वास आणि अहवाल मानकांसह स्त्रोत अंदाज आउटपुटची चाचणी घेण्याची क्षमता

प्रॉस्पेक्टिंग हा एक सट्टेबाजीचा खेळ आहे जेथे अनेक दशलक्ष-डॉलरचे निर्णय मूठभर ड्रिल नमुन्यांवर आधारित असतात. एक खनिज ठेव (इंग्रजी धातूचा ठेव; एक खनिज संचय समृद्ध आणि शोषण करण्याइतपत मोठा) शेकडो चौरस किलोमीटरच्या क्षेत्राखाली लपलेला आहे आणि आम्ही ते केवळ क्वचित ड्रिलिंग, भूभौतिक सावल्या आणि पृष्ठभाग चिन्हकांसह "पाहतो". म्हणूनच खनिज उत्खनन हे AI चे सर्वात रोमांचक परंतु सर्वात धोकादायक अनुप्रयोग क्षेत्रांपैकी एक आहे: योग्यरित्या वापरल्यास, ते शोध लक्ष्यीकरणाला गती देते आणि विरळ डेटामधून अधिक अर्थ काढते; चुकीच्या पद्धतीने वापरल्यास, ते आकडेवारीच्या मागे अस्तित्वात नसलेले पदार्थ लपवते आणि गुंतवणूकदार आणि समाज दोघांचीही दिशाभूल करते.

या युनिटमध्ये, आम्ही एक्सप्लोरेशनच्या दोन प्रमुख कृत्रिम बुद्धिमत्तेच्या पैलूंचा समावेश करू: अन्वेषण लक्ष्यीकरण (खनिज संभाव्यता; बहुस्तरीय डेटावरून अंदाज लावणे कोणत्या क्षेत्रामध्ये ठेव असण्याची शक्यता आहे) आणि संसाधन अंदाज (आम्ही कोणत्या आत्मविश्वासाने सांगू शकतो की ड्रिल केलेल्या ठेवीमध्ये किती धातू आहे). दोन्हीमध्ये, एआय एक शक्तिशाली नमुना शोधक आहे; परंतु दोन्ही प्रकरणांमध्ये, अंतिम आकृती ही सक्षम व्यक्तीची जबाबदारी आहे ज्याने आंतरराष्ट्रीय अहवाल मानकांवर स्वाक्षरी केली आहे.

शोध लक्ष्यीकरण: बहु-स्तरित डेटा फ्यूजन

अन्वेषण भूवैज्ञानिक डेटाचा एक प्रकार पाहत नाही तर आच्छादित स्तरांवर पाहतो: भूवैज्ञानिक नकाशा, संरचनात्मक रूपरेषा (दोष आणि पट), भूभौतिकशास्त्र (चुंबकीय, गुरुत्व, प्रतिरोधकता), भू-रसायनशास्त्र (माती आणि प्रवाह नमुना घटक मूल्ये), आणि रिमोट सेन्सिंगद्वारे मॅप केलेले बदल. प्रत्येक थर एक अस्पष्ट संकेत आहे; खरा सिग्नल आहे जिथे ते एकत्र निर्देशित करतात. याला डेटा फ्यूजन म्हणतात.

कृत्रिम बुद्धिमत्ता येथे दोन काम करते. प्रथम, ते एकाच विश्लेषण सारणीमध्ये एकाच समन्वय ग्रिडवर (एकवचन, कंटाळवाणे परंतु त्रुटी-प्रवण कार्य) डझनभर स्तर संरेखित करते. दुसरे, हे ज्ञात ठेवींच्या आसपासचे पॅटर्न शिकते आणि समान स्वाक्षरीने (पर्यवेक्षित शिक्षण) नवीन क्षेत्र चिन्हांकित करते. परंतु येथे एक गंभीर सापळा आहे: ज्ञात बेडची संख्या सहसा खूप लहान असते (कदाचित एका भागात 5-10 बेड), म्हणून मॉडेल सहजपणे लक्षात ठेवते आणि नवीन भागात अयशस्वी होते. म्हणूनच लक्ष्यीकरण आउटपुट ही "नक्की रत्न अस्तित्वात आहे" यादी नसून, "ड्रिलिंगद्वारे चाचणी करण्यायोग्य प्राधान्य क्रम" आहे.

पायऱ्या सामान्यत: खालीलप्रमाणे आहेत: (1) स्तर संरेखित करा आणि स्वच्छ करा, (2) बेड मॉडेलवर आधारित प्रत्येक लेयरला अर्थपूर्ण टोकनमध्ये अनुवादित करा (उदा. “फॉल्ट इंटरसेक्शनचे अंतर”, “चुंबकीय उच्च किनार”), (3) ज्ञात बेड असलेली ट्रेन किंवा तज्ञांच्या नियमासह वजन, (4) संभाव्यता नकाशा तयार करा, (5) सर्वात जास्त संभाव्यतेच्या क्षेत्रामध्ये चाचणी करा आणि सर्वात कमी संभाव्यतेसह क्षेत्र.

टीप: मॉडेलमध्ये कच्च्या थरांना फीड करण्याऐवजी, भौगोलिकदृष्ट्या अर्थपूर्ण मार्कर काढा (“चुंबकीय रिंग + आर्जिलिक बदल + पॉर्फीरी कॉपरसाठी फॉल्ट इंटरसेक्शन”). बेअरिंग मॉडेलशी सुसंगत असलेले निर्देशक अंध आकडेवारीपेक्षा अधिक मजबूत लक्ष्ये निर्माण करतात.

जिओस्टॅटिस्टिक्स आणि रिसोर्स एस्टिमेशन: व्हेरिओग्राम, क्रिगिंग आणि ब्लॉक मॉडेल

डिपॉझिट सापडल्यानंतर आणि ड्रिल केल्यावर, प्रश्न बदलतो: "येथे किती धातू आहे आणि आपण त्यावर किती विश्वास ठेवू शकतो?" उत्तरासाठी सॅम्पल ड्रिल पॉइंट्सपासून नमुना न केलेल्या रॉक व्हॉल्यूमपर्यंत एक्स्ट्रापोलेशन आवश्यक आहे. यासाठी प्रमाणित साधन म्हणजे भू-सांख्यिकी.

मूळ संकल्पना ही व्हॅरिओग्राम आहे: अवकाशीय सातत्य मोजण्याचे एक माप जे दोन नमुने पुढे सरकल्यावर ग्रेड समानता कशी कमी होते याचे वर्णन करते. जवळची उदाहरणे समान आहेत, दूरची उदाहरणे स्वतंत्र आहेत; व्हेरिओग्राम या "समानता श्रेणी" चे प्रमाण ठरवते. क्रिगिंग ही एक भारित सरासरी पद्धत आहे जी प्रत्येक नमुना न केलेल्या ब्लॉकसाठी अंदाज आणि अंदाजाची अनिश्चितता दोन्ही ग्रेड देण्यासाठी या व्हेरिओग्राम रचना वापरते. डिपॉझिट ब्लॉक्समध्ये विभागले गेले आहे ज्याच्या बाजू मीटरमध्ये मोजल्या जातात (ब्लॉक मॉडेल), आणि प्रत्येक ब्लॉकला एक ग्रेड आणि आत्मविश्वास नियुक्त केला जातो.

कृत्रिम बुद्धिमत्ता येथे तीन बिंदूंवर येते. व्हेरिओग्राम मॉडेलिंगमध्ये, ते पर्यायी मॉडेल सुचवते आणि योग्यतेचे मूल्यांकन करते. मशीन लर्निंग पद्धती (उदा. यादृच्छिक जंगल, ग्रेडियंट बूस्टिंग) क्रिगिंग व्यतिरिक्त नॉनलाइनर ग्रेड संबंध कॅप्चर करू शकतात. आणि ते संपूर्ण वर्कफ्लोचे कोडिंग, तपासणे आणि रिपोर्टिंगला गती देते. परंतु दोन लोखंडी नियम स्थिर राहतात: अंदाज अनिश्चितता कधीही लपवता येत नाही आणि अंतिम संसाधन सक्षम व्यक्तीद्वारे आंतरराष्ट्रीय मानकांनुसार मापन/निर्दिष्ट/अनुमानित वर्गांमध्ये वर्गीकृत केले जाते (सार्वजनिक, संसाधन/रिझर्व्ह रिपोर्टिंगचे ऑडिट करण्यायोग्य फ्रेमवर्क, जसे की JORC, NI 43-101, 101,).

खबरदारी: मशीन लर्निंग मॉडेल ड्रिलिंग ब्रेक्स "गुळगुळीत" करू शकते, ज्यामुळे सातत्य निर्माण होते जे प्रत्यक्षात अस्तित्वात नाही. काही उच्च दर्जाचे नमुने संपूर्ण ब्लॉकला अयोग्यरित्या समृद्ध (इंग्रजी स्मीअरिंग) करू शकतात. उच्च मूल्ये (टॉप-कट) मर्यादित करणे आणि ब्लॉक आधारावर नमुन्यांची संख्या नियंत्रित करणे आवश्यक आहे; अन्यथा टनेज कागदावर फुगले जाईल.

तीन मिनी प्रकरणे: संख्यांनुसार

केस 1 — लक्ष्यीकरण प्राधान्य. 380 किमी² परवाना क्षेत्रामध्ये एक एक्सप्लोरेशन टीम मर्यादित ड्रिलिंग बजेटसह काम करत होती. सात भूभौतिकीय/भू-रसायन स्तर फ्यूज करणाऱ्या संभाव्यता नकाशाने केवळ 6% क्षेत्र "उच्च प्राधान्य" म्हणून चिन्हांकित केले आहे. संघाने या 6% मध्ये पहिल्या पाच कवायतींचे निर्देश दिले; त्यापैकी तीन मध्ये लक्षणीय तांबे छेदनबिंदू आढळले. गंभीर मुद्दा: नकाशाने अयस्क "सिद्ध" केले नाही, ड्रिलिंग बजेट कुठे केंद्रित करायचे हे तर्कसंगत केले आणि अंध चाचण्यांची संख्या कमी केली.

केस 2 - स्मीअरिंगचे कॅप्चर. एका सोन्याच्या ठेवीमध्ये, पहिल्या ब्लॉक मॉडेलने 78 g/t च्या एका ओव्हरसॅम्पलच्या प्रभावामुळे आजूबाजूचे ब्लॉक्स फुगवले होते, ज्यामुळे संसाधनाचा 14% ने जास्त अंदाज होता. QA/QC पुनरावलोकनामध्ये लागू केलेल्या टॉप-कट (सांख्यिकीय थ्रेशोल्डवर उच्च मूल्य कमी करणे) आणि शेजारच्या नमुना नियंत्रणासह अंदाज वास्तववादी स्तरावर आणला गेला. या फरकाचा थेट करोडो डॉलरच्या गुंतवणुकीच्या निर्णयावर परिणाम झाला.

प्रकरण 3 - वर्गीकरण शिस्त. लोखंडी प्रकल्पावर, मॉडेलने उच्च आत्मविश्वासाने संपूर्ण ठेवीचा अंदाज दर्शविले; तथापि, सीमांत भागात ड्रिलिंग घनता फारच विरळ होती. अधिकृत व्यक्तीने आर्थिक मूल्यमापनातून विरळ नमुने केलेले खंड काढून टाकले, ते "इन्फेरेड" वर अवनत केले. अशाप्रकारे, अहवालाने सार्वजनिकरित्या उघड केलेल्या साठ्यांमध्ये अतिशयोक्ती टाळली आणि मानकांनुसार राहिली.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

ड्रिलिंग उत्पन्नाचे विश्लेषण करा आणि डिपॉझिटमध्ये किती सोने आहे ते सांगा [परीक्षण तक्ता]

शक्तिशाली सूचना:

तुमची भूमिका: रिसोर्स जिओस्टॅटिस्टियन. खालील कंपाऊंड परख डेटासह स्त्रोत क्रमांक द्या. त्याऐवजी:१) ग्रेड वितरणाचा सारांश द्या; संभाव्य आउटलियर्स आणि टॉप-कटची आवश्यकता चिन्हांकित करा. २) अवकाशीय सातत्य राखण्यासाठी कोणते व्हेरिओग्राम दिशानिर्देश तपासले जावेत ते सुचवा. ३) कमी ड्रिलिंग घनतेमुळे कोणते क्षेत्र केवळ "वगळलेले" म्हणून वर्गीकृत केले जाऊ शकतात ते दर्शवा. ४) अनिश्चिततेचे 4 स्त्रोत सूचीबद्ध करा जे परिणामांवर परिणाम करू शकतात. डेटा निनावी आहे; कोणतेही वास्तविक समन्वय/कंपनी नाही.

शक्तिशाली प्रॉम्प्ट मॉडेलला एकच फसव्या क्रमांक तयार करण्यापासून प्रतिबंधित करते आणि त्यास सहाय्यक बनवते जो प्रभारी व्यक्तीने विचारले पाहिजेत असे प्रश्न व्यवस्थित करतो.

चार कॉपी करण्यायोग्य टेम्पलेट्स

1) लेयर फ्यूजनसाठी टोकन व्युत्पन्न:

पोर्फीरी कॉपर एक्सप्लोरेशन मॉडेलवर आधारित खालील स्तरांवरून अर्थपूर्ण मार्कर सुचवा: चुंबकीय, गुरुत्वाकर्षण, प्रतिरोधकता, माती भू-रसायनशास्त्र (Cu-Mo-Au), बदल. प्रत्येक मार्करसाठी: ठेव मॉडेलशी दुवा, संभाव्य दिशाभूल करणारा स्त्रोत आणि फील्ड सत्यापन पद्धत. अचूक लक्ष्य देणे; प्राधान्य तर्क स्थापित करा.

2) Assay QA/QC प्री-स्क्रीनिंग:

खालील गोष्टींसाठी परख सारणी तपासा: नकारात्मक/अशक्य मूल्य, ओळख मर्यादेच्या खाली चिन्हांचे प्रमाण, युनिट विसंगती (ppm/%/g-t), नमुना कराराची पुनरावृत्ती, रिक्त आणि मानक नमुना प्रवाह. फक्त drilling_id द्वारे समस्यांची यादी करा; मूल्यांकन, सुधारणा.

3) वैरिओग्राम व्याख्या मसुदा:

प्रायोगिक व्हेरिओग्राम परिणामांचा अर्थ लावा: नगेट, रेंज आणि सिलचा अर्थ काय आहे ते साध्या भाषेत स्पष्ट करा; ॲनिसोट्रॉपीची काही चिन्हे आहेत का? क्रिग करण्यापूर्वी कोणत्या निर्णयांना भूगर्भशास्त्रज्ञांची मान्यता आवश्यक आहे हे चिन्हांकित करा. तर्कशास्त्र, कोड नाही.

4) स्रोत वर्गीकरण नियंत्रण:

ब्लॉक मॉडेलमध्ये, प्रत्येक ब्लॉकसाठी: क्रिगिंग व्हेरियंस, अंदाजात वापरल्या जाणाऱ्या नमुन्यांची संख्या आणि जवळच्या बोअरहोलचे अंतर दिले गेले. मानक तर्कानुसार मोजलेल्या/प्रदर्शित/अनुमानित वर्गामध्ये कोणते ब्लॉक्स सर्वोत्तम बसतात याची वाजवी रूपरेषा द्या. अंतिम वर्गीकरण अधिकृत व्यक्तीचे आहे; हे सांगा.

पद्धतींची तुलना

पद्धत

काय करते

मजबूत बिंदू

मुख्य धोका

तज्ञ नियम (भारित स्तर)

माहितीसह लक्ष्यांची क्रमवारी लावते

कमी डेटासह कार्य करते, पारदर्शक

तज्ञ पूर्वाग्रह

पर्यवेक्षित एमएल लक्ष्यीकरण

ओळखीच्या पलंगावरून शिकतो

जटिल नमुना कॅप्चर करते

काही उदाहरणांमध्ये लक्षात ठेवणे

kriging

टेनॉर अनिश्चिततेसह भाकीत करतो

मानक, ऑडिट करण्यायोग्य

वैरिओग्राम त्रुटी, स्मीअरिंग

एमएल ग्रेड अंदाज

नॉनलाइनर संबंध

लवचिक

अनिश्चितता, अति-अनुकूलन लपवू शकते

सिम्युलेशन (उदा. SGS)

संभाव्यता परिस्थिती निर्माण करते

अनिश्चिततेची कल्पना करते

चुकीचा अर्थ लावल्यास अतिआत्मविश्वास

टीप: संसाधनांचा अंदाज लावताना, "सर्वोत्कृष्ट एकल क्रमांक" ऐवजी श्रेणी आणि परिस्थिती विचारा. तीन आशावादी/अपेक्षित/सावध परिदृश्ये एका संख्येने निर्माण करण्याच्या चुकीच्या निश्चिततेपेक्षा निर्णय घेण्यासाठी अधिक प्रामाणिक आधार देतात.

सामान्य चुका

• अल्प-ज्ञात पलंगासह एमएल लक्षात ठेवणे. पाच बेअरिंगसह प्रशिक्षित मॉडेल नवीन क्षेत्रात अविश्वसनीय आहे; आउटपुटला प्राधान्य यादी म्हणून पहा, पुरावा म्हणून नाही.
• अत्यंत मूल्ये मर्यादित नाही. टॉप-कटिंग न केल्यास, एकच उच्च परिक्षण आसपासच्या ब्लॉक्सना अयोग्यरित्या समृद्ध (स्मियर) करेल आणि टनेज फुगवेल.
• अनिश्चिततेचा अहवाल देत नाही. Kriging भिन्नता आणि वर्गीकरण लपवणे आणि एकच आकडे सादर करणे हे मानक आणि अखंडतेच्या विरुद्ध आहे.
• वर्गीकरण वगळणे. मोजमाप म्हणून विरळ नमुनेदार व्हॉल्यूम सादर केल्याने आर्थिक निर्णय आणि सार्वजनिक विश्वासाशी तडजोड होते.
• QA/QC वगळणे. रिक्त आणि मानक नमुन्यांसह प्रवाहाच्या प्रयोगशाळेच्या निरीक्षणाशिवाय कोणतीही श्रेणी विश्वसनीय नाही.

सारांशात

• अन्वेषण लक्ष्यीकरण बहुस्तरीय डेटा फ्यूजनद्वारे ड्रिलिंग प्राधान्य व्युत्पन्न करते; हे धातू सिद्ध करत नाही, ते अंध चाचणी कमी करते.
• संसाधन अंदाज व्हेरिओग्राम आणि क्रिगिंग वापरून निश्चिततेसह ग्रेडचा अंदाज लावतात; यावर ब्लॉक मॉडेल तयार केले आहे.
• मशीन लर्निंग शक्तिशाली आहे, परंतु ते लहान नमुने लक्षात ठेवते, आउटलियरवर स्मीअर करते आणि अनिश्चितता लपवू शकते.
• JORC/NI 43-101 सारख्या मानकांनुसार अंतिम वेल्डचे वर्गीकरण केले जाते आणि अधिकृत पात्र व्यक्तीद्वारे स्वाक्षरी केली जाते.
• मूल्य एका फसव्या संख्येत नाही; अनिश्चितता चाचणी करण्यायोग्य प्राधान्य आणि वर्गीकरणामध्ये आहे जी प्रामाणिकपणे नोंदवली जाते.

अर्ज कार्य

अनामित कंपाऊंड परख सारणी (किंवा प्रतिनिधी मूल्ये) प्राप्त करा. शक्तिशाली प्रॉम्प्टसह, मॉडेलला विचारा: स्त्रोत आकृतीऐवजी ओव्हरव्हॅल्यू/टॉप-कट गरज, व्हेरिओग्राम दिशानिर्देश आणि कमी घनतेचे प्रदेश. त्यानंतर "स्रोत वर्गीकरण नियंत्रण" टेम्पलेटमध्ये कोणते ब्लॉक कोणत्या ट्रस्ट वर्गात येतील याचा मसुदा तयार करा. शेवटी, मॉडेल एक टनेज आकृती देण्याचा प्रयत्न करते का ते पहा आणि तुम्ही ते का नाकारले पाहिजे ते एका वाक्यात लिहा.

चेकलिस्ट

• [ ] माझ्या लक्षात आले की शोध लक्ष्यीकरण धातू सिद्ध करत नाही, ते ड्रिलिंगला प्राधान्य देते.
• [ ] मी अनिश्चिततेसह व्हेरिओग्राम आणि क्रिगिंग अंदाज ग्रेड कसे स्पष्ट करू शकतो.
• मी स्मीअरिंग, टॉप-कट आणि ओव्हरव्हॅल्यूचे धोके ओळखतो आणि QA/QC अनिवार्य मानतो.
• [ ] मला समजले आहे की संसाधनाचे मापन/निर्दिष्ट/अनुमानित म्हणून वर्गीकरण केले आहे आणि ते अधिकृत व्यक्तीचे आहे.
• मी एक शिस्त स्वीकारली आहे ज्यात एकल संख्यांऐवजी अनिश्चितता श्रेणी आणि परिस्थिती आवश्यक आहेत.