Keuntungan:
- Keupayaan untuk menerangkan penggunaan AI dan gabungan data berbilang lapisan dalam prospektiviti mineral
- Memahami cara membuat model blok dan anggaran gred menggunakan geostatistik (kriging, variogram) dan pembelajaran mesin.
- Keupayaan untuk menguji output anggaran sumber dengan pengesahan silang, keyakinan pengelasan dan piawaian pelaporan
Mencari prospek ialah permainan pertaruhan di mana keputusan berjuta-juta dolar adalah berdasarkan segelintir sampel latih tubi. Deposit mineral (mendapan bijih Inggeris; pengumpulan mineral yang kaya dan cukup besar untuk dieksploitasi) tersembunyi di bawah kawasan seluas beratus-ratus kilometer persegi, dan kita "melihat" ia hanya dengan penggerudian yang jarang berlaku, bayang-bayang geofizik dan penanda permukaan. Itulah sebabnya penerokaan mineral ialah salah satu bidang aplikasi AI yang paling menarik tetapi juga paling berbahaya: apabila digunakan dengan betul, ia mempercepatkan penyasaran penerokaan dan mengekstrak lebih banyak makna daripada data yang jarang; Apabila digunakan secara salah, ia menyembunyikan bahan yang tidak wujud di sebalik statistik dan mengelirukan kedua-dua pelabur dan masyarakat.
Dalam unit ini, kami akan merangkumi dua aspek kecerdasan buatan utama penerokaan: penyasaran penerokaan (prospektiviti mineral; menganggar daripada data berbilang lapisan kawasan mana yang mungkin mempunyai deposit) dan anggaran sumber (mengira dengan keyakinan yang boleh kita katakan berapa banyak logam dalam deposit yang digerudi). Dalam kedua-duanya, AI ialah pencari corak yang berkuasa; Tetapi dalam kedua-dua kes, angka terakhir adalah tanggungjawab orang yang kompeten yang telah menandatangani piawaian pelaporan antarabangsa.
Penyasaran Carian: Gabungan Data Berbilang Lapis
Ahli geologi penerokaan tidak melihat pada satu jenis data tetapi pada lapisan bertindih: peta geologi, kontur struktur (sesar dan lipatan), geofizik (magnet, graviti, kerintangan), geokimia (nilai unsur sampel tanah dan aliran), dan pengubahan yang dipetakan oleh penderiaan jauh. Setiap lapisan adalah petunjuk samar; Isyarat sebenar adalah di mana mereka menunjuk bersama. Ini dipanggil gabungan data.
Kecerdasan buatan melakukan dua kerja di sini. Pertama, ia menjajarkan berpuluh-puluh lapisan pada grid koordinat yang sama (tugas tunggal, membosankan tetapi terdedah kepada ralat) ke dalam satu jadual analisis. Kedua, ia mempelajari corak sekitar deposit yang diketahui dan menandakan kawasan baharu dengan tandatangan yang serupa (pembelajaran yang diselia). Tetapi terdapat perangkap kritikal di sini: bilangan katil yang diketahui selalunya sangat kecil (mungkin 5-10 katil dalam satu kawasan), jadi model itu mudah menghafal dan gagal di kawasan baharu. Itulah sebabnya output penyasaran bukanlah senarai "permata pasti wujud", tetapi "perintah keutamaan yang patut diuji dengan penggerudian".
Langkah-langkahnya biasanya seperti berikut: (1) menyelaraskan dan membersihkan lapisan, (2) menterjemah setiap lapisan ke dalam token yang bermakna berdasarkan model katil (cth. "jarak ke persimpangan sesar", "tepi tinggi magnet"), (3) melatih dengan katil atau berat yang diketahui dengan peraturan pakar, (4) menghasilkan peta kebarangkalian, (5) menguji kawasan kebarangkalian tertinggi di lapangan dan dengan kos rendah.
Petua: Daripada memasukkan lapisan mentah ke dalam model, dapatkan penanda yang bermakna secara geologi ("gelang magnet + pengubahan argilik + persimpangan sesar untuk tembaga porfiri"). Penunjuk yang serasi dengan model galas menghasilkan sasaran yang lebih mantap daripada statistik buta.
Geostatistik dan Anggaran Sumber: Variogram, Kriging dan Model Blok
Setelah deposit ditemui dan digerudi, soalan berubah: "Berapa banyak logam yang ada di sini dan berapa banyak yang boleh kita percayai?" Jawapannya memerlukan ekstrapolasi daripada titik gerudi sampel kepada isipadu batuan yang tidak disampel. Alat standard untuk ini ialah geostatistik.
Konsep asas ialah variogram: ukuran kesinambungan spatial yang menerangkan bagaimana persamaan gred berkurangan apabila dua sampel bergerak lebih jauh. Contoh yang berdekatan adalah serupa, yang jauh adalah bebas; Variogram mengukur "julat persamaan" ini. Kriging ialah kaedah purata wajaran yang menggunakan struktur variogram ini untuk memberikan gred, kedua-dua anggaran dan ketidakpastian anggaran, untuk setiap blok tanpa sampel. Deposit dibahagikan kepada blok dengan sisi diukur dalam meter (model blok), dan setiap blok diberikan gred dan keyakinan.
Kecerdasan buatan datang pada tiga titik di sini. Dalam pemodelan variogram, ia mencadangkan model alternatif dan menilai kesesuaian. Kaedah pembelajaran mesin (cth. hutan rawak, peningkatan kecerunan) boleh menangkap perhubungan gred tak linear selain kriging. Dan ia mempercepatkan pengekodan, penyemakan dan pelaporan keseluruhan aliran kerja. Tetapi dua peraturan besi kekal malar: ketidakpastian anggaran tidak boleh disembunyikan, dan sumber akhir diisih oleh orang yang kompeten ke dalam kelas Terukur/Ditunjuk/Disimpulkan mengikut piawaian antarabangsa (awam, rangka kerja pelaporan sumber/rizab yang boleh diaudit, seperti JORC, NI 43-101, PERC).
Awas: Model pembelajaran mesin mungkin "melancarkan" pemecahan penggerudian, mewujudkan kesinambungan yang tidak wujud dalam realiti. Beberapa spesimen gred tinggi secara tidak adil boleh memperkayakan (calitan bahasa Inggeris) keseluruhan blok. Mengehadkan nilai tinggi (top-cut) dan mengawal bilangan sampel pada asas blok adalah penting; jika tidak, tonase akan membengkak di atas kertas.
Tiga Kes Mini: Mengikut Nombor
Kes 1 — Pengutamaan sasaran. Pasukan penerokaan sedang bekerja dengan bajet penggerudian terhad di kawasan lesen 380 km². Peta kebarangkalian yang menggabungkan tujuh lapisan geofizik/geokimia menandakan hanya 6% daripada kawasan itu sebagai "keutamaan tinggi". Pasukan itu mengarahkan lima latihan pertama ke dalam 6% ini; mendapati persimpangan kuprum yang ketara dalam tiga daripadanya. Titik kritikal: peta tidak "membuktikan" bijih, merasionalkan tempat untuk memfokuskan belanjawan penggerudian dan mengurangkan bilangan percubaan buta.
Kes 2 — Tangkapan Calitan. Pada satu deposit emas, model blok pertama telah melambungkan blok sekeliling disebabkan oleh kesan sampel berlebihan tunggal sebanyak 78 g/t, melebihi anggaran sumber sebanyak 14%. Ramalan telah dibawa ke tahap realistik dengan potongan atas (mengurangkan nilai tinggi kepada ambang statistik) dan kawalan sampel jiran digunakan dalam semakan QA/QC. Perbezaan itu secara langsung mempengaruhi keputusan pelaburan berjuta-juta dolar.
Kes 3 - Disiplin klasifikasi. Pada projek besi, model itu menunjukkan meramalkan keseluruhan deposit dengan keyakinan tinggi; bagaimanapun, ketumpatan penggerudian adalah sangat jarang di kawasan marginal. Orang yang diberi kuasa mengalih keluar volum sampel yang jarang daripada penilaian ekonomi, menurunkannya kepada "Disimpulkan". Oleh itu, laporan itu mengelakkan keterlaluan dalam rizab yang didedahkan kepada umum dan kekal selaras dengan piawaian.
Gesaan Lemah / Gesaan Kuat
Gesaan yang lemah:
Analisis hasil penggerudian dan beritahu berapa banyak emas dalam deposit.[jadual ujian]
Gesaan kuat:
Peranan anda: Ahli geostatistik sumber. BERIKAN NOMBOR SUMBER dengan data ujian kompaun berikut. Sebaliknya:1) Ringkaskan taburan gred; tandakan kemungkinan outlier dan keperluan untuk top-cut.2) Cadangkan arah variogram yang harus diperiksa untuk kesinambungan spatial.3) Nyatakan kawasan mana yang hanya boleh diklasifikasikan sebagai "Diketepikan" kerana ketumpatan penggerudian rendah.4) Senaraikan 4 sumber ketidakpastian yang boleh menjejaskan keputusan. Data adalah tanpa nama; tiada koordinat/syarikat sebenar.
Gesaan yang kuat menghalang model daripada menghasilkan satu nombor yang mengelirukan dan mengubahnya menjadi pembantu yang menyusun betul-betul soalan yang harus ditanya oleh orang yang bertanggungjawab.
Empat Templat Boleh Disalin
1) Derivasi token untuk gabungan lapisan:
Cadangkan penanda bermakna daripada lapisan berikut berdasarkan model penerokaan kuprum porfiri: magnet, graviti, kerintangan, geokimia tanah (Cu-Mo-Au), pengubahan. Untuk setiap penanda: pautan kepada model deposit, kemungkinan sumber yang mengelirukan dan kaedah pengesahan medan. Memberi sasaran yang tepat; Tetapkan logik keutamaan.
2) Ujian pra-penyaringan QA/QC:
Semak jadual ujian untuk perkara berikut: nilai negatif/mustahil, perkadaran tanda di bawah had pengesanan, percanggahan unit (ppm/%/g-t), perjanjian sampel ulang, hanyutan sampel kosong dan standard. Hanya senaraikan isu dengan drilling_id; penilaian, pembetulan.
3) Draf tafsiran variogram:
Tafsirkan keputusan variogram eksperimen: terangkan dalam bahasa biasa maksud nugget, julat dan ambang; Adakah terdapat tanda-tanda anisotropi? Tandakan keputusan yang memerlukan kelulusan ahli geologi sebelum kriging. Logik, bukan kod.
4) Kawalan klasifikasi sumber:
Dalam model blok, bagi setiap blok: varians kriging, bilangan sampel yang digunakan dalam anggaran dan jarak ke lubang gerudi terdekat telah diberikan. Beri garis besar yang munasabah tentang blok mana yang paling sesuai dengan kelas Terukur/Dipaparkan/Disimpulkan mengikut logik standard. Klasifikasi terakhir adalah milik orang yang diberi kuasa; nyatakan ini.
Perbandingan Kaedah
Kaedah
Apa yang boleh
titik kuat
Risiko utama
Peraturan pakar (lapisan berwajaran)
Isih sasaran dengan maklumat
Berfungsi dengan sedikit data, telus
bias pakar
Penyasaran ML yang diselia
Belajar dari katil yang diketahui
Menangkap corak kompleks
Menghafal dalam beberapa contoh
kriging
Tenor meramalkan dengan ketidakpastian
Standard, boleh diaudit
Ralat variogram, calitan
Anggaran gred ML
hubungan tak linear
Fleksibel
Boleh menyembunyikan ketidakpastian, penyesuaian yang berlebihan
Simulasi (cth. SGS)
Menghasilkan senario kebarangkalian
Memvisualisasikan ketidakpastian
Terlalu yakin jika disalah tafsir
Petua: Apabila menganggarkan sumber, minta julat dan senario dan bukannya "nombor tunggal terbaik". Tiga senario optimistik/dijangka/berhati-hati memberikan asas yang lebih jujur untuk membuat keputusan daripada kepastian palsu yang dicipta oleh satu nombor.
Kesilapan biasa
- Membuat ML menghafal dengan katil yang kurang dikenali. Model yang dilatih dengan lima galas tidak boleh dipercayai dalam bidang baharu; lihat output sebagai senarai keutamaan, bukan sebagai bukti.
- Tidak mengehadkan nilai yang melampau. Satu ujian tinggi, jika pemotongan atas tidak dilakukan, secara tidak adil akan memperkaya (menyapu) blok sekeliling dan mengembang tona.
- Tidak melaporkan ketidakpastian. Menyembunyikan varians dan klasifikasi Kriging serta mempersembahkan angka tunggal adalah bertentangan dengan piawaian dan integriti.
- Melangkau klasifikasi. Mempersembahkan volum sampel yang jarang sebagai Diukur menjejaskan pertimbangan ekonomi dan keyakinan awam.
- Melangkau QA/QC. Tiada gred boleh dipercayai tanpa pemantauan makmal drift dengan sampel kosong dan standard.
Secara ringkasnya
- Penyasaran penerokaan menjana keutamaan penggerudian melalui gabungan data berbilang lapisan; Ia tidak membuktikan bijih, ia mengurangkan percubaan buta.
- Anggaran sumber menganggar gred dengan pasti menggunakan variogram dan kriging; Model blok dibina di atas ini.
- Pembelajaran mesin berkuasa, tetapi ia menghafal sampel kecil, memburuk-burukkan perkara luar dan boleh menyembunyikan ketidakpastian.
- Kimpalan akhir dikelaskan dan ditandatangani oleh orang bertauliah yang diberi kuasa mengikut piawaian seperti JORC/NI 43-101.
- Nilai itu bukan dalam satu nombor yang mengelirukan; Ketidakpastian adalah dalam keutamaan dan klasifikasi yang boleh diuji yang dilaporkan secara jujur.
Tugasan permohonan
Terima jadual ujian kompaun tanpa nama (atau nilai perwakilan). Dengan gesaan yang kuat, minta model untuk: keperluan nilai terlebih/top-cut, arah variogram dan kawasan berketumpatan rendah dan bukannya angka sumber. Kemudian minta templat "kawalan klasifikasi sumber" menghasilkan draf blok mana yang akan dimasukkan ke dalam kelas amanah mana. Akhir sekali, perhatikan sama ada model cuba memberikan satu angka tonase dan tulis dalam satu ayat mengapa anda harus menolaknya.
senarai semak
- [ ] Saya menyedari bahawa penyasaran penerokaan tidak membuktikan bijih, ia menghasilkan keutamaan penggerudian.
- [ ] Saya boleh menerangkan bagaimana variogram dan kriging menganggar gred dengan ketidakpastian.
- [ ] Saya mengiktiraf risiko memburuk-burukkan, top-cut dan terlebih nilai dan menganggap QA/QC wajib.
- [ ] Saya faham bahawa sumber itu dikelaskan sebagai Diukur/Ditunjuk/Disimpulkan oleh piawaian dan kepunyaan orang yang diberi kuasa.
- [ ] Saya mengamalkan disiplin yang memerlukan julat dan senario ketidakpastian dan bukannya nombor tunggal.