Analisis Data Perlombongan dengan Python dan Frontiers AI — Kecerdasan Buatan dalam Kejuruteraan Perlombongan

Keuntungan:

Keupayaan untuk menghasilkan skrip yang membersihkan dan menggambarkan data penggerudian, pengeluaran dan pemantauan dengan Python, dengan sokongan AI
Keupayaan untuk mengenali risiko kualiti data, pembelajaran berlebihan dan ekstrapolasi apabila membina ramalan mudah dan model anomali
Keupayaan untuk mengesahkan kod dan keputusan yang dijana AI dengan kawalan unit, pengiraan bebas dan kebolehpercayaan kejuruteraan

Dalam setiap unit modul ini anda telah melihat AI berkuasa dalam pengekodan: pembersihan lubang gerudi, imbangan jisim, rangka kriging, ringkasan armada, analisis getaran, pengimbasan alam sekitar. Unit terakhir ini memfokuskan pada Python, alat konkrit untuk kod itu, dan disiplin penjanaan kod yang betul dengan AI. Python telah menjadi piawaian de facto dalam analisis data perlombongan kerana ia percuma, mempunyai perpustakaan yang berkuasa (pandas: manipulasi data jadual; numpy: kalkulus berangka; matplotlib: merancang; scikit-learn: pembelajaran mesin), dan mengautomasikan tugasan berulang. AI menggandakan kelajuan anda menulis kod itu; tetapi kod yang dihasilkannya tidak selalu betul. Prinsip utama unit ini: Jangan sekali-kali menjalankan kod yang ditulis AI tanpa membacanya terlebih dahulu, mengesahkan unitnya, dan mengujinya dengan sejumlah kecil data yang diketahui. Kod tersebut mungkin menghasilkan hasil yang salah secara senyap, yang boleh bertukar menjadi keputusan kejuruteraan yang buruk dalam perlombongan.

Aliran asas penjanaan kod dengan AI

Mendapatkan kod daripada AI ialah kitaran kejuruteraan, bukan perbualan:

Terangkan tugas dengan jelas. Input (lajur, unit, baris sampel), output yang dikehendaki dan kekangan. Permintaan yang tidak jelas menghasilkan kod yang tidak jelas.
Minta ia kecil dan boleh dibaca. Minta kod komen langkah demi langkah dan bukannya satu fungsi gergasi.
Baca dan fahami. Fahami apa yang dilakukan oleh setiap baris; Jangan jalankan kod yang anda tidak faham.
Uji dengan data kecil. Jalankan secara manual dengan 5-10 baris yang hasilnya anda tahu dan sahkan output yang dijangkakan.
Kes tepi soalan. Sel kosong, nilai negatif, kocok unit, rekod berulang Bagaimanakah kod itu berkelakuan?
Skala dan semak logik. Jalankan pada semua data; Adakah hasilnya munasabah dari segi kejuruteraan?

Petua: Ralat paling biasa yang memasukkan kod AI ialah senyap: nama lajur yang salah, pencampuran unit (m vs kaki, g/t vs ppm), baris yang digugurkan secara senyap (seperti dropna), purata yang salah (purata biasa apabila ia harus ditimbang). Ini tidak menyebabkan kesilapan; Ia hanya menghasilkan nombor yang salah. Jadi "tidak mendapat ralat" tidak pernah bermaksud "betul".

Tugas Python biasa dalam perlombongan

Pembersihan data: Menggabungkan jadual penggerudian/pengeluaran/pemantauan, pembenderaan tidak konsisten, penormalan unit.
Ringkasan dan visualisasi: Histogram, siri masa, lengkung gred-tonnage, graf OEE.
Statistik dan geostatistik: Statistik ringkasan, korelasi, variogram/kriging (dengan perpustakaan khas).
Pengesanan anomali: Tangkapan hanyut berasaskan ambang atau model ringkas.
Model ramalan mudah: Contohnya, perhubungan saiz-hasil pengisaran dengan regresi.

Untuk kebanyakan tugas ini, AI menyediakan kod permulaan yang sangat baik. Tetapi terdapat dua masalah: kualiti data dan had model. Mengetahui kedua-duanya adalah kunci untuk menggunakan kod AI dengan selamat.

Had model: pembelajaran berlebihan dan ekstrapolasi

Model ramalan mudah yang mudah dibina oleh AI terdedah kepada dua risiko utama. Overfitting: Model menghafal data latihan tetapi berprestasi buruk pada data baharu; Membina model kompleks dengan sedikit data menjemput ini. Ekstrapolasi: Model menjadi tidak boleh dipercayai apabila ia terpaksa membuat ramalan ke atas julat di luar data latihan; Sebagai contoh, model yang dipelajari dalam julat 0.3-0.8 g/t mungkin memberikan hasil yang tidak bermakna untuk 5 g/t. AI tidak "secara spontan" menguruskan risiko ini untuk anda; Terpulang kepada anda untuk membaca model secara kritis, membuat perbezaan latihan/ujian, melihat selang keyakinan dan semak sama ada ramalan itu munasabah secara fizikal. Tidak kira seberapa tepat nombor model muncul, ia tidak boleh menjadi asas untuk keputusan kejuruteraan di luar julat data.

tiga kes mini

Kes 1 — Ralat kelantangan senyap. Seorang jurutera mahukan kod yang menjadikan AI mengira gred purata daripada data ujian. Kod berfungsi, hasilnya ialah 2.1 g/t. Jurutera membaca kod; Perhatikan bahawa purata tidak ditimbang dengan panjang selang, tetapi diambil sebagai purata lurus. Gred tinggi dalam selang masa yang singkat telah meningkatkan berat badan secara tidak adil. Apabila beralih ke purata wajaran, nilai berkurangan kepada 1.7 g/t. Kod tidak memberikan ralat; membaca menangkap kesilapan.

Kes 2 — Garis senyap jatuh. Dalam kod ringkasan pengeluaran, AI membersihkan baris dengan nilai yang hilang dengan dropna. Kod berjalan dengan lancar, tetapi jumlah tan dipandang rendah kerana beberapa baris yang sah telah digugurkan sama sekali disebabkan oleh satu lajur kosong. Apabila jurutera membandingkan bilangan baris antara input dan output, dia melihat perbezaan dan membetulkan logik pembersihan. Pengajaran: sentiasa bandingkan bilangan baris input dan output.

Kes 3 — Perangkap ekstrapolasi. Pasukan menggunakan model regresi yang dipelajari dalam julat gred rendah ke kawasan gred tinggi; Model ini memberikan anggaran hasil yang luar biasa tinggi. Nasib baik, jurutera itu menolak keputusan itu, berkata "kawasan ini jauh di luar julat yang dilihat oleh model" dan meminta ujian metalurgi. Pelajaran: mengetahui julat data yang model itu sah; Jangan gunakan anggaran luar negeri.

Templat gesaan yang boleh disalin

KOD PEMBERSIHAN DATA SELAMAT "Peranan: Anda ialah pembantu penganalisis data Python. Tulis kod dengan panda yang membersihkan jadual berikut. Lajur dan unit: [senarai]. Peraturan: (1) cetak bilangan baris SEBELUM dan SELEPAS menjatuhkan baris; (2) laporkan baris mana yang digugurkan dan sebabnya; (3) sebaliknya, komen, sebaliknya, gunakan penukaran unit kosong; (4) jika perlu, nyatakan nilai purata penukaran unit. barisan."

PERMINTAAN SEMAKAN KOD"Jelaskan baris demi baris kod Python berikut dan nyatakan titik risiko berikut: andaian nama lajur yang salah, kekeliruan unit, baris senyap, ralat purata rata/berwajaran, gelagat kes tepi (null/negatif). JANGAN BETULKAN kod; hanya senaraikan risikonya. Kod: [tampal]."

PENYEDIAAN UJIAN DENGAN DATA KECIL "Untuk fungsi ini, hasilkan data ujian kecil (5-6 baris) secara manual yang saya tahu hasilnya dan output yang dijangkakan; tulis blok ujian yang menyemak sama ada fungsi berfungsi dengan betul pada data ini. Uji juga kes ekstrem (sel kosong, negatif, nilai ekstrem unit). Fungsi: [tampal]."

MODEL MUDAH + AMARAN SEMPADAN"Sediakan regresi mudah untuk [x -> y] dengan data berikut. Bezakan antara latihan/ujian, laporkan metrik ralat dan nyatakan julat x yang mana model itu SAH. Beri amaran jika ramalan dibuat di LUAR julat ini. Ulas tentang risiko latihan berlebihan dan [tampal data] dengan jelas.":

Gesaan lemah / Gesaan kuat

PROMPT LEMAH: "Kira gred purata daripada data ini."

PROMPT KUAT:"Peranan: Anda ialah pembantu Python. Lajur: HoleID, From(m), To(m),Au(g/t). Kira gred purata WEIGHTED dengan panjang selang. Kod: (1) cetak bilangan baris input/output; (2) laporkan nilai nol/negatif sebelum menjatuhkannya; (3) mengesahkan juga hasil carian secara manual. Data: [tampal]."

Jadual perbandingan: risiko dan langkah berjaga-jaga

risiko

gejala

langkah berjaga-jaga

Gangguan unit

Nombor yang munasabah tetapi salah

Komen unit dalam kod, semaknya

Penurunan talian senyap

Jumlah tiada

Bandingkan bilangan baris input/output

Biasa vs purata wajaran

purata yang salah

Sahkan pemberat

pembelajaran berlebihan

Buruk pada data ujian

Pemisahan latihan/ujian, permudahkan

ekstrapolasi

Tekaan karut di luar jangkauan

Hadkan julat yang sah

Kesilapan biasa

Menjalankan kod tanpa membacanya. "Ia tidak mendapat sebarang ralat" tidak bermakna ia benar.
Tidak menguji dengan data kecil. Kepercayaan tanpa contoh yang boleh disahkan adalah palsu.
Tidak membandingkan bilangan baris input/output. Ini adalah bagaimana kerugian senyap melarikan diri.
Mengabaikan julat model. Anggaran ekstrapolasi tidak boleh dipercayai.
Mempercayai keindahan carta. Carta yang bergaya boleh menyembunyikan nombor yang salah.

Perhatian: Jika kod AI masuk ke dalam akaun kejuruteraan, kod itu sama bertanggungjawab dengan akaun. Di mana sahaja hasilnya menjadi keputusan perlombongan, jalankan kod dan outputnya melalui semakan logik bebas dan perbandingan dengan kaedah kedua jika boleh.

Secara ringkasnya

Python ialah alat de facto untuk analisis data perlombongan, dan AI sangat meningkatkan kelajuan anda menulisnya. Tetapi kod AI boleh menyimpan pepijat senyap (kekeliruan unit, menjatuhkan baris, purata yang salah) dan perangkap model (pembelajaran berlebihan, ekstrapolasi). Aliran selamat: huraikan dengan jelas, mahu kecil dan boleh dibaca, baca dan faham, uji dengan data kecil yang diketahui, kes tepi pertanyaan, semakan skala dan logik. Output model tidak boleh menjadi asas untuk keputusan di luar julat data; dan setiap kod memikul tanggungjawab sama seperti akaun jika ia bertukar menjadi keputusan perlombongan.

Tugasan permohonan

Gunakan templat "Kod sanitasi data selamat" dengan purata gred atau tugasan ringkasan pengeluaran untuk mendapatkan kod daripada AI; Pastikan kod itu tidak berisiko dengan templat "Permintaan semakan kod". Kemudian, dengan templat "Persediaan ujian dengan data kecil", buat set data secara manual yang hasilnya anda tahu dan sahkan kodnya. Akhir sekali, untuk perhubungan yang mudah, sediakan model dengan templat "Model mudah + amaran had" dan uji bahawa model itu memberikan amaran apabila ia keluar dari julat yang sah.

senarai semak

[ ] Saya membaca kod AI dan memahami setiap baris, saya tidak menjalankannya secara membuta tuli.
[ ] Saya mengujinya dengan data kecil yang boleh disahkan secara manual.
[ ] Saya membandingkan bilangan baris input dan output.
[ ] Saya mengesahkan ketekalan unit dan pemberat.
[ ] Saya mengehadkan julat data yang sah bagi model, mengelakkan ekstrapolasi.
[ ] Saya menyemak keputusan, yang bertukar menjadi keputusan, dengan kaedah logik/kedua bebas.

Peperiksaan Modul

1. Seorang pelatih bertanya kepada alat sembang AI tentang gred purata badan bijih dan menulis nilai terhasil '1.8 g/t emas' terus ke dalam laporan rizab. Apakah kesilapan asas dalam pendekatan ini?

A) Nilai gred mesti datang daripada data penggerudian/analisis projek sendiri dan ramalan yang disahkan; Nombor yang dijana oleh AI mungkin merupakan fabrikasi tanpa sumber ✔
B) Ia sepatutnya diminta untuk AI dalam auns dan bukannya gram
C) Nilainya betul, hanya titik yang sepatutnya digunakan dan bukannya koma
D) Cukuplah untuk bertanya kepada AI soalan yang sama tiga kali dan mengambil purata

Penjelasan: Model bahasa tidak mengetahui data penggerudian projek anda; menghasilkan nombor yang kelihatan paling mungkin (halusinasi). Gred hanya datang daripada data penggerudian terkumpul projek sendiri dan anggaran geostatistik; Output AI tidak boleh dimasukkan ke dalam laporan tanpa kelulusan orang yang kompeten.

2. Apakah yang dibolehkan oleh 'pengkelasan berasaskan risiko' dalam penggunaan AI dalam kejuruteraan perlombongan?

A) Turunkan harga alat AI
B) Tentukan peranan AI dan kedalaman mandatori pengesahan mengikut tahap risiko tugas ✔
C) Gesaan hendaklah ditulis dengan lebih pendek
D) Mewakilkan semua keputusan secara automatik kepada AI

Penjelasan: Tidak semua misi berada pada tahap risiko yang sama. Mengklasifikasikan tugas sebagai rendah/sederhana/tinggi/kritikal menentukan output yang boleh digunakan secara bebas dan yang memerlukan pengesahan standard dan lapangan serta kelulusan jurutera yang kompeten.

3. Apakah model 'variogram' dalam geostatistik?

A) Penggunaan bahan api peralatan
B) Perubahan harga logam dari semasa ke semasa
C) Kesinambungan ruang bergantung pada jarak; ✔ bagaimana persamaan berkurangan apabila mata semakin jauh
D) Kekerapan getaran yang dihasilkan oleh letupan

Penerangan: Variogram menerangkan bagaimana kesamaan sampel antara satu sama lain berkurangan (kesinambungan ruang) apabila jarak antara dua titik bertambah. Kriging menggunakan model ini untuk menganggarkan titik tidak terukur dengan margin ketidakpastian.

4. Apakah pendekatan terbaik apabila mempunyai AI pra-mengklasifikasikan litologi daripada fotografi teras gerudi?

A) Memproses jenis batuan yang diberikan oleh AI terus ke dalam log penggerudian
B) Menyalin teks AI ke dalam laporan tanpa memeriksa foto sama sekali
C) Membatalkan pemerhatian ahli geologi dan bergantung sepenuhnya kepada AI
D) Pertimbangkan output sebagai ramalan/hipotesis awal dan sahkan dengan pemerhatian ahli geologi dan analisis makmal ✔

Penerangan: AI boleh menjana ramalan dan senarai perhatian daripada imej; Walau bagaimanapun, keputusan akhir litologi/pengubahan dibuat oleh pemerhatian ahli geologi dan analisis makmal. Output AI adalah permulaan, hipotesis yang perlu disahkan.

5. Apakah maksud 'nisbah pelucutan' dalam perancangan lubang terbuka?

A) Jumlah karat (batu buangan) yang mesti dibuang untuk mencapai satu unit bijih ✔
B) Peratusan logam dalam bijih
C) Bilangan harian perjalanan trak
D) Jumlah bahan letupan yang digunakan dalam letupan

Penerangan: Kadar pelucutan ialah jumlah sisa (jalur/sisa) yang mesti dikeluarkan untuk mencapai satu unit bijih. Had pit akhir dan ekonomi sebahagian besarnya bergantung pada nisbah ini; Walaupun AI menjana senario, keputusan sempadan terpulang kepada jurutera yang cekap.

6. Apakah yang dimaksudkan dalam penyelenggaraan ramalan apabila AI menemui 'anomali' dalam data getaran dan suhu?

A) Bukti bahawa peralatan itu pasti gagal
B) Amaran bahawa data menyimpang daripada biasa; Ia bukan diagnosis muktamad kerosakan, tetapi tanda yang perlu disahkan oleh pemeriksaan fizikal ✔
C) Perintahkan supaya peralatan dihentikan secara automatik
D) Menjamin bahawa data direkodkan secara tidak betul

Penjelasan: Anomali ialah sisihan data daripada tingkah laku biasa dan mungkin menunjukkan kerosakan; tetapi ia bukan diagnosis yang pasti. Keputusan untuk menghentikan peralatan atau menggantikan bahagian dibuat dengan pemeriksaan fizikal pasukan penyelenggaraan dan kelulusan pengurus operasi.

7. Yang manakah penting untuk keselamatan apabila menggunakan AI dalam reka bentuk letupan gerudi?

A) Pelaksanaan syor AI secara langsung di lapangan
B) Melangkau ukuran getaran
C) Pengesahan reka bentuk yang dicadangkan AI dengan pengukuran medan, had peraturan dan kelulusan pakar letupan yang dibenarkan ✔
D) Menetapkan jumlah bahan letupan dengan maksimum yang diberikan oleh AI

Penerangan: Letupan; Ia membawa risiko keselamatan dan peraturan yang serius seperti getaran, kejutan udara dan batu terbang. AI boleh menghasilkan lakaran reka bentuk dan cadangan parameter; Walau bagaimanapun, reka bentuk akhir mesti melepasi pengukuran medan, had kawal selia dan kelulusan pakar letupan yang dibenarkan (detonator/bertanggungjawab).

8. Apakah hubungan tipikal antara 'pemulihan' dan 'gred pekat' dalam pemprosesan mineral dan apakah yang perlu diingati oleh AI semasa mentafsir perkara ini?

A) Kedua-duanya sentiasa meningkat bersama-sama
B) Tiada hubungan antara mereka
C) Hubungan adalah tetap dan sama dalam semua kemudahan
D) Biasanya terdapat baki terbalik (hasil berkurangan apabila gred meningkat); nilai sebenar mesti disahkan oleh ujian metalurgi dan neraca jisim ✔

Penjelasan: Secara umumnya, semasa kita cuba mendapatkan gred pekat yang lebih tinggi, hasil berkurangan (imbangan gred-hasil). AI boleh menerangkan trend ini, tetapi nilai operasi sebenar mesti disahkan oleh ujian metalurgi dan keseimbangan jisim; trend umum bukanlah pengganti realiti khusus tapak.

9. Apakah penggunaan yang paling sesuai untuk menganalisis data hampir kemalangan/kemalangan dengan AI dalam keselamatan pekerjaan?

A) Klasifikasikan rekod teks percuma dan ekstrak corak risiko berulang; Serahkan keputusan kepada pakar OHS ✔
B) Tentukan secara automatik punca kemalangan
C) Mewakilkan perintah berhenti kerja kepada AI
D) Mengarkibkan rekod hampir terlepas tanpa menyemaknya

Perihalan: AI boleh mengklasifikasikan sejumlah besar rekod teks percuma dan dengan cepat mengekstrak corak berulang dan keadaan berisiko. Walau bagaimanapun, keputusan untuk menghentikan kerja, mengosongkan kawasan atau punca utama dibuat dalam rangka kerja pakar OHS dan perundangan; Output AI adalah input, bukan keputusan.

10. Mengapakah 'pecutan kadar ubah bentuk' merupakan tanda kritikal dalam data radar/prisma dalam pemantauan cerun?

A) Ia pasti menunjukkan bahawa alat pengukur rosak.
B) Ia mungkin menandakan kekalahan progresif; Keputusan amaran awal dan pemindahan adalah milik jurutera geoteknik ✔
C) Ia menunjukkan bahawa cerun itu benar-benar selamat
D) Ia hanya ketara apabila terdapat kerpasan dan boleh diabaikan

Penjelasan: Sebelum kegagalan cerun, peningkatan beransur-ansur dalam kadar ubah bentuk (pecutan) secara amnya diperhatikan; Ini mungkin tanda kegagalan progresif. AI boleh menyerlahkan arah aliran, tetapi keputusan pemindahan/amaran awal dibuat oleh analisis dan protokol jurutera geoteknik.

11. Dalam pemantauan alam sekitar, apakah tindak balas paling tepat terhadap tanda 'kelebihan' yang AI temui dalam siri masa kualiti air?

A) Melaporkan output AI terus kepada agensi kerajaan
B) Abaikan amaran dan teruskan menonton
C) Sahkan dengan keputusan makmal bertauliah, had kawal selia dan penilaian jurutera alam sekitar ✔
D) Bergantung hanya pada AI dan membatalkan analisis makmal

Perihalan: AI mungkin memberi isyarat kemungkinan pelanggaran awal; Walau bagaimanapun, keputusan pematuhan rasmi dibuat oleh analisis makmal bertauliah, nilai had dalam perundangan dan penilaian jurutera alam sekitar. Output AI ialah amaran pemeriksaan, bukan keputusan undang-undang/teknikal.

12. Apakah cara yang paling boleh dipercayai untuk mengelak daripada mendapat rujukan yang dibuat-buat (halusinasi) apabila anda meminta AI untuk nombor klausa standard seperti JORC atau NI 43-101?

A) Bergantung pada nombor item yang diberikan oleh AI
B) Mengemukakan soalan yang sama sekali lagi dengan perkataan yang berbeza
C) Melihat catatan blog dan bukannya standard
D) Membuka dan mengesahkan setiap rujukan artikel daripada teks rasmi semasa standard dan mendapatkan kelulusan daripada orang yang kompeten ✔

Penjelasan: Walaupun model bahasa mengetahui nama standard dengan betul, ia mungkin mengkhayalkan nombor artikel dan teks. Setiap rujukan bahan mesti dibuka dan disahkan daripada teks rasmi semasa standard dan pematuhan akhir mesti disahkan oleh orang yang kompeten (CP/QP).

13. Apakah pemeriksaan paling kritikal sebelum menjalankan skrip analisis Python yang ditulis AI?

A) Membaca kod dan mengesahkan padanan unit/lajur, menguji dengan data kecil yang diketahui dan menyemak kebolehpercayaan keputusan ✔
B) Menjalankan kod terus pada keseluruhan set data tanpa membacanya
C) Hanya melihat bahawa tiada kesilapan dan menerima hasilnya
D) Bergantung pada grafik output untuk kelihatan bagus.

Perihalan: Kod AI mungkin mencampurkan unit, menganggap nama lajur secara salah atau menjatuhkan baris secara senyap. Adalah penting untuk membaca kod, mengesahkan kelantangan dan padanan lajur, menguji dengan sejumlah kecil data yang diketahui dan menyemak sama ada hasilnya adalah munasabah kejuruteraan.

14. Apakah tingkah laku terbaik dari segi privasi apabila memberikan data perlombongan kepada alat AI berasaskan awan?

A) Menampal semua data mentah sebagaimana adanya
B) Anonimkan konteks dan bersihkan data rizab/koordinat/pengeluaran sensitif dan gunakan alat korporat yang mematuhi dasar ✔
C) Dengan mengandaikan bahawa menyediakan koordinat sebenar adalah penting untuk kualiti hasil
D) Mengabaikan dasar privasi sama sekali

Penjelasan: Angka rizab, maklumat lesen/koordinat dan data pengeluaran adalah sensitif dari segi rahsia perdagangan dan perundangan. Anda perlu menamakan konteks, mengosongkan koordinat dan nama sebenar, memilih alat jaminan korporat/privasi dan mematuhi dasar syarikat.