लाभ:
- खनिज सम्भाव्यतामा एआई र बहु-तह डाटा फ्यूजनको प्रयोगको व्याख्या गर्ने क्षमता
- geostatistics (kriging, variogram) र मेसिन लर्निङ प्रयोग गरेर ब्लक मोडेल र ग्रेड अनुमान कसरी बनाउने भन्ने बुझ्दै।
- क्रस-प्रमाणीकरण, वर्गीकरण आत्मविश्वास र रिपोर्टिङ मापदण्डहरूको साथ स्रोत अनुमान आउटपुटहरू परीक्षण गर्ने क्षमता
Prospecting एक सट्टेबाजी खेल हो जहाँ बहु मिलियन डलर निर्णयहरू मुट्ठीभर ड्रिल नमूनाहरूमा आधारित हुन्छन्। एक खनिज निक्षेप (अंग्रेजी अयस्क निक्षेप; एक खनिज संचय धनी र शोषण गर्न पर्याप्त ठूलो) सयौं वर्ग किलोमिटर क्षेत्र भित्र लुकेको छ, र हामी यसलाई दुर्लभ ड्रिलिङ, भूभौतिकीय छाया र सतह मार्करहरूको साथ मात्र "हेर्छौं"। यसैले खनिज अन्वेषण एआईको सबैभन्दा रोमाञ्चक तर सबैभन्दा खतरनाक अनुप्रयोग क्षेत्रहरू मध्ये एक हो: सही रूपमा प्रयोग गर्दा, यसले अन्वेषण लक्ष्यीकरणलाई गति दिन्छ र विरल डेटाबाट थप अर्थ निकाल्छ; गलत तरिकाले प्रयोग गर्दा, यसले तथ्याङ्कको पछाडि अवस्थित नभएको वस्तु लुकाउँछ र लगानीकर्ता र समाज दुवैलाई भ्रमित गर्छ।
यस एकाइमा, हामी अन्वेषणका दुई प्रमुख कृत्रिम बुद्धिमत्ता पक्षहरू कभर गर्नेछौं: अन्वेषण लक्ष्यीकरण (खनिज सम्भावना; बहु-स्तरित डेटाबाट अनुमान लगाउने कि कुन क्षेत्रमा निक्षेप हुन सक्छ) र स्रोत अनुमान (कस्तो विश्वासका साथ गणना गर्दै हामी ड्रिल गरिएको निक्षेपमा कति धातु छ भनेर भन्न सक्छौं)। दुबैमा, एआई एक शक्तिशाली ढाँचा खोजकर्ता हो; तर दुवै अवस्थामा, अन्तराष्ट्रिय रिपोर्टिङ मापदण्डमा हस्ताक्षर गर्ने सक्षम व्यक्तिको जिम्मेवारी अन्तिम अंक हो।
खोज लक्ष्यीकरण: बहु-स्तरित डाटा फ्यूजन
एक अन्वेषण भूवैज्ञानिकले एकल प्रकारको डेटामा होइन तर ओभरलेड तहहरूमा हेर्छ: भूवैज्ञानिक नक्सा, संरचनात्मक रूपरेखाहरू (गल्तीहरू र तहहरू), भूभौतिकशास्त्र (चुम्बकीय, गुरुत्वाकर्षण, प्रतिरोधात्मकता), भू-रसायन (माटो र स्ट्रिम नमूना तत्व मानहरू), र रिमोट सेन्सिङद्वारा म्याप गरिएको परिवर्तन। प्रत्येक तह एक बेहोश सुराग हो; वास्तविक संकेत हो जहाँ तिनीहरू सँगै देखाउँछन्। यसलाई डाटा फ्युजन भनिन्छ।
आर्टिफिसियल इन्टेलिजेन्सले यहाँ दुईवटा काम गर्छ। पहिले, यसले दर्जनौं तहहरूलाई एउटै समन्वय ग्रिड (एकवचन, थकाइलाग्दो तर त्रुटि-प्रवण कार्य) मा एकल विश्लेषण तालिकामा पङ्क्तिबद्ध गर्दछ। दोस्रो, यसले ज्ञात निक्षेपहरू वरिपरिको ढाँचा सिक्छ र नयाँ क्षेत्रहरूलाई उस्तै हस्ताक्षर (पर्यवेक्षित शिक्षा) सँग चिन्ह लगाउँछ। तर यहाँ एक महत्वपूर्ण जाल छ: ज्ञात बेड को संख्या अक्सर धेरै सानो छ (एक क्षेत्र मा 5-10 बेड), त्यसैले मोडेल सजिलै सम्झना र नयाँ क्षेत्र मा असफल। यसैले लक्षित उत्पादन "निश्चित मणि अवस्थित छ" सूची होइन, तर "ड्रिलिंग द्वारा परीक्षण गर्न लायक प्राथमिकता आदेश" हो।
चरणहरू सामान्यतया निम्नानुसार छन्: (१) तहहरू पङ्क्तिबद्ध र सफा गर्नुहोस्, (२) प्रत्येक तहलाई बेड मोडेलमा आधारित अर्थपूर्ण टोकनमा अनुवाद गर्नुहोस् (जस्तै "गल्ती चौराहेको दूरी", "चुम्बकीय उच्च किनारा"), (३) ज्ञात बेड वा तौल भएको ट्रेन, (४) सम्भाव्यता नक्सा उत्पादन गर्नुहोस्, (५) कम क्षेत्रको सम्भावनाको साथ उच्चतम क्षेत्रको परीक्षण गर्नुहोस्।
सुझाव: मोडेलमा कच्चा तहहरू खुवाउनुको सट्टा, भौगोलिक रूपमा अर्थपूर्ण मार्करहरू निकाल्नुहोस् ("चुम्बकीय घण्टी + आर्जिलिक परिवर्तन + पोर्फरी तामाको लागि दोष प्रतिच्छेदन")। असर मोडेलसँग मिल्दो संकेतकहरूले अन्धा तथ्याङ्कहरू भन्दा धेरै बलियो लक्ष्यहरू उत्पादन गर्छन्।
Geostatistics र स्रोत अनुमान: Variogram, Kriging र Block Model
एक पटक निक्षेप फेला परेपछि र ड्रिल गरिसकेपछि, प्रश्न परिवर्तन हुन्छ: "यहाँ कति धातु छ र हामी यसलाई कति विश्वास गर्न सक्छौं?" जवाफको लागि नमूना ड्रिल बिन्दुहरूबाट नमूनारहित चट्टानको मात्रामा एक्स्ट्रापोलेसन आवश्यक छ। यसको लागि मानक उपकरण geostatistics छ।
आधारभूत अवधारणा variogram हो: स्थानिय निरन्तरता को एक मापन जसले वर्णन गर्दछ कि कसरी ग्रेड समानताहरू दुई नमूनाहरू थप टाढा जाँदा घट्छन्। नजिकका उदाहरणहरू समान छन्, टाढाकाहरू स्वतन्त्र छन्; भेरियोग्रामले यो "समानता दायरा" लाई परिमाण गर्छ। Kriging एक भारित औसत विधि हो जसले प्रत्येक नमूना नभएको ब्लकको लागि अनुमान र अनुमानको अनिश्चितता दुवै ग्रेड दिनको लागि यो भेरियोग्राम संरचना प्रयोग गर्दछ। जम्मा मिटर (ब्लक मोडेल) मा नापिएको पक्षहरू सहित ब्लकहरूमा विभाजन गरिएको छ, र प्रत्येक ब्लकलाई एक ग्रेड र विश्वास तोकिएको छ।
आर्टिफिसियल इन्टेलिजेन्स यहाँ तीनवटा बिन्दुमा आउँछ। भेरियोग्राम मोडलिङमा, यसले वैकल्पिक मोडेलहरूको सुझाव दिन्छ र फिटको मूल्याङ्कन गर्दछ। मेशिन लर्निङ विधिहरू (जस्तै अनियमित वन, ढाँचा बूस्टिङ) ले क्रिजिङको अतिरिक्त ननलाइनर ग्रेड सम्बन्धहरू खिच्न सक्छ। र यसले सम्पूर्ण कार्यप्रवाहको कोडिङ, जाँच र रिपोर्टिङलाई गति दिन्छ। तर दुईवटा फलामका नियमहरू स्थिर रहन्छन्: अनुमान अनिश्चितता कहिल्यै लुकाउन सकिँदैन, र अन्तिम स्रोतलाई सक्षम व्यक्तिद्वारा अन्तर्राष्ट्रिय मापदण्डहरू (सार्वजनिक, स्रोत/रिजर्भ रिपोर्टिङको लेखापरीक्षण ढाँचा, जस्तै JORC, NI 43-101,) अनुसार मापन/सङ्कित/अंकित वर्गहरूमा क्रमबद्ध गरिन्छ।
सावधानी: मेसिन लर्निङ मोडेलले ड्रिलिंग ब्रेकहरू "समूद" हुन सक्छ, निरन्तरता सिर्जना गर्न सक्छ जुन वास्तविकतामा अवस्थित छैन। केहि उच्च-ग्रेड नमूनाहरूले सम्पूर्ण ब्लकलाई अनुचित रूपमा समृद्ध (अंग्रेजी स्मियरिङ) गर्न सक्छन्। उच्च मानहरू (शीर्ष-कट) सीमित गर्न र ब्लक आधारमा नमूनाहरूको संख्या नियन्त्रण गर्न आवश्यक छ; अन्यथा टनेज कागजमा फुल्नेछ।
तीन मिनी केसहरू: नम्बरहरू द्वारा
केस 1 - लक्ष्यीकरण प्राथमिकता। एउटा अन्वेषण टोलीले 380 km² इजाजतपत्र क्षेत्रमा सीमित ड्रिलिङ बजेटमा काम गरिरहेको थियो। सात भूभौतिक/भूरसायन तहहरू फ्यूज गर्ने सम्भाव्यता नक्साले क्षेत्रको 6% मात्र "उच्च प्राथमिकता" को रूपमा चिन्ह लगाउँछ। टोलीले यो 6% मा पहिलो पाँच अभ्यास निर्देशित; तीमध्ये तीनवटामा तामाको महत्वपूर्ण चौराहे भेटियो। महत्वपूर्ण बिन्दु: नक्साले अयस्कलाई "प्रमाण" गरेन, ड्रिलिंग बजेटलाई कहाँ केन्द्रित गर्ने तर्कसंगत बनायो र अन्धा परीक्षणहरूको संख्या घटायो।
केस २ - स्मियरिङको कब्जा। एक सुन निक्षेपमा, पहिलो ब्लक मोडेलले 78 g/t को एकल ओभरसम्पलको प्रभावको कारणले वरपरका ब्लकहरू फुलाएको थियो, स्रोतलाई 14% ले बढाएर। QA/QC समीक्षामा लागू गरिएको शीर्ष-कट (सांख्यिकीय थ्रेसहोल्डमा उच्च मूल्य घटाउने) र छिमेकी नमूना नियन्त्रणको साथ भविष्यवाणीलाई यथार्थवादी स्तरमा ल्याइएको थियो। भिन्नताले प्रत्यक्ष रूपमा बहु मिलियन डलरको लगानी निर्णयलाई असर गर्यो।
केस 3 - वर्गीकरण अनुशासन। एक फलाम परियोजना मा, मोडेल उच्च आत्मविश्वास संग सम्पूर्ण जम्मा भविष्यवाणी देखाउनुभयो; यद्यपि, सीमान्त क्षेत्रहरूमा ड्रिलिंग घनत्व धेरै कम थियो। अधिकृत व्यक्तिले आर्थिक मूल्याङ्कनबाट थोरै मात्रामा नमूना गरिएको भोल्युम हटायो, यसलाई "Inferred" मा डाउनग्रेड गर्दै। यसरी, प्रतिवेदनले सार्वजनिक रूपमा खुलासा गरिएको भण्डारमा बढाइचढाइलाई बेवास्ता गर्यो र मानक अनुरूप रह्यो।
कमजोर प्रम्प्ट / बलियो प्रम्प्ट
कमजोर प्रम्प्ट:
ड्रिलिंग उपजको विश्लेषण गर्नुहोस् र निक्षेपमा कति सुन छ भनी बताउनुहोस्।[परख तालिका]
शक्तिशाली प्रम्प्ट:
तपाईंको भूमिका: संसाधन जियोस्ट्याटिस्टियन। निम्न कम्पाउन्ड परख डेटाको साथ स्रोत नम्बर दिनुहोस्। यसको सट्टा: 1) ग्रेड वितरण संक्षेप गर्नुहोस्; सम्भावित आउटलियरहरू र शीर्ष-कटको आवश्यकतालाई चिन्ह लगाउनुहोस्। २) स्थानिय निरन्तरताका लागि कुन भेरियोग्राम दिशाहरू जाँच गर्नुपर्छ भनेर सुझाव दिनुहोस्। 3) कम ड्रिलिंग घनत्वको कारणले कुन क्षेत्रहरूलाई मात्र "छोडिएको" को रूपमा वर्गीकृत गर्न सकिन्छ। कुनै वास्तविक समन्वय/कम्पनी।
शक्तिशाली प्रम्प्टले मोडेललाई एकल भ्रामक नम्बर उत्पादन गर्नबाट रोक्छ र यसलाई एक सहायकमा परिणत गर्दछ जसले जिम्मेवार व्यक्तिले सोध्नु पर्ने प्रश्नहरू व्यवस्थित गर्दछ।
चार प्रतिलिपि गर्न मिल्ने टेम्प्लेटहरू
१) लेयर फ्युजनको लागि टोकन व्युत्पन्न:
पोर्फरी तामा अन्वेषण मोडेलको आधारमा निम्न तहहरूबाट अर्थपूर्ण मार्करहरू सुझाव दिनुहोस्: चुम्बकीय, गुरुत्वाकर्षण, प्रतिरोधात्मकता, माटो भू-रसायन (Cu-Mo-Au), परिवर्तन। प्रत्येक मार्करको लागि: निक्षेप मोडेलमा लिङ्क, सम्भावित भ्रामक स्रोत, र क्षेत्र प्रमाणिकरण विधि। सटीक लक्ष्य दिँदै; प्राथमिकता तर्क स्थापना गर्नुहोस्।
२) परख QA/QC पूर्व-स्क्रिनिङ:
निम्नका लागि परख तालिका जाँच गर्नुहोस्: नकारात्मक/असम्भव मान, पत्ता लगाउने सीमाभन्दा कम चिन्हहरूको अनुपात, एकाइ विसंगति (ppm/%/g-t), दोहोरिने नमूना सम्झौता, खाली र मानक नमूना बहाव। बस drilling_id द्वारा मुद्दाहरू सूचीबद्ध गर्नुहोस्; मूल्याङ्कन, सुधार।
3) Variogram व्याख्या मस्यौदा:
प्रयोगात्मक भेरियोग्राम परिणामहरू व्याख्या गर्नुहोस्: नगेट, दायरा र सिलको अर्थ के हो भनेर सादा भाषामा व्याख्या गर्नुहोस्; के त्यहाँ anisotropy को कुनै लक्षण छ? क्रिङ गर्नु अघि कुन निर्णयहरू भूवैज्ञानिक स्वीकृति आवश्यक छ चिन्ह लगाउनुहोस्। तर्क, कोड होइन।
4) स्रोत वर्गीकरण नियन्त्रण:
ब्लक मोडेलमा, प्रत्येक ब्लकको लागि: क्रिजिङ भिन्नता, अनुमानमा प्रयोग गरिएका नमूनाहरूको संख्या र नजिकको बोरहोलको दूरी दिइएको थियो। मानक तर्क अनुसार मापन/प्रदर्शन/अंकित वर्गमा कुन ब्लकहरू राम्रोसँग फिट हुन्छन् भन्ने तर्कसंगत रूपरेखा दिनुहोस्। अन्तिम वर्गीकरण अधिकृत व्यक्तिको हो; यो बताउनुहोस्।
विधिहरूको तुलना
विधि
के गर्छ
बलियो बिन्दु
मुख्य जोखिम
विशेषज्ञ नियम (भारित तह)
जानकारीको साथ लक्ष्यहरू क्रमबद्ध गर्नुहोस्
थोरै डाटा, पारदर्शी संग काम गर्दछ
विशेषज्ञ पूर्वाग्रह
सुपरिवेक्षण गरिएको एमएल लक्ष्यीकरण
चिनेको ओछ्यानबाट सिकिन्छ
जटिल ढाँचा क्याप्चर गर्दछ
केही उदाहरणहरूमा स्मरण
kriging
Tenor अनिश्चितता संग भविष्यवाणी गर्दछ
मानक, लेखापरीक्षण योग्य
Variogram त्रुटि, smearing
एमएल ग्रेड अनुमान
ननलाइनर सम्बन्ध
लचिलो
अनिश्चितता, अति अनुकूलन लुकाउन सक्छ
सिमुलेशन (जस्तै SGS)
सम्भाव्यता परिदृश्यहरू उत्पन्न गर्दछ
अनिश्चितताको कल्पना गर्दछ
गलत व्याख्या गरेमा अति आत्मविश्वास
सुझाव: स्रोतहरू अनुमान गर्दा, "एकल उत्कृष्ट संख्या" को सट्टा दायरा र परिदृश्यको लागि सोध्नुहोस्। तीनवटा आशावादी/अपेक्षित/सतर्क परिदृश्यहरूले एकल संख्याद्वारा सिर्जना गरिएको गलत निश्चितताभन्दा निर्णय लिने इमानदार आधार प्रदान गर्दछ।
सामान्य गल्तीहरू
- थोरै चिनिएको ओछ्यानमा एमएललाई सम्झना बनाउँदै। पाँच बियरिङहरूसँग प्रशिक्षित मोडेल नयाँ क्षेत्रमा अविश्वसनीय छ; आउटपुटलाई प्राथमिकता सूचीको रूपमा हेर्नुहोस्, प्रमाणको रूपमा होइन।
- चरम मानहरू सीमित गर्दैन। एकल उच्च परख, यदि शीर्ष-काटन गरिएन भने, वरपरका ब्लकहरूलाई अनुचित रूपमा समृद्ध (स्मियर) गर्नेछ र टनेज फुलाउँछ।
- अनिश्चितता रिपोर्ट गर्दैन। क्रिगिङ भिन्नता र वर्गीकरण लुकाएर एकल आंकडा प्रस्तुत गर्नु मापदण्ड र अखण्डता विरुद्ध हो ।
- वर्गीकरण छोड्दै। मापन गरिएको रूपमा थोरै नमूना गरिएको भोल्युम प्रस्तुत गर्नाले आर्थिक निर्णय र सार्वजनिक विश्वासमा सम्झौता गर्छ।
- QA/QC छोड्दै। खाली र मानक नमूनाहरूको साथ बहावको प्रयोगशाला अनुगमन बिना कुनै पनि ग्रेड भरपर्दो छैन।
संक्षेपमा
- अन्वेषण लक्ष्यीकरणले बहु-स्तरित डेटा फ्यूजन मार्फत ड्रिलिंग प्राथमिकता उत्पन्न गर्दछ; यसले अयस्क प्रमाणित गर्दैन, यसले अन्धा परीक्षण घटाउँछ।
- स्रोत अनुमानले विविधता र क्रिगिङ प्रयोग गरी निश्चितताका साथ ग्रेड अनुमान गर्छ; ब्लक मोडेल यसैमा बनाइएको छ।
- मेसिन लर्निङ शक्तिशाली छ, तर यसले साना नमूनाहरू, आउटलियरहरूमा स्मियरहरू, र अनिश्चितता लुकाउन सक्छ।
- अन्तिम वेल्ड JORC/NI 43-101 जस्ता मापदण्डहरू अनुसार एक अधिकृत योग्य व्यक्तिद्वारा वर्गीकृत र हस्ताक्षर गरिएको छ।
- मान एक भ्रामक संख्यामा छैन; अनिश्चितता परीक्षण योग्य प्राथमिकता र वर्गीकरणमा छ जुन इमानदारीपूर्वक रिपोर्ट गरिएको छ।
आवेदन कार्य
एक बेनामी कम्पाउन्ड परख तालिका (वा प्रतिनिधि मानहरू) प्राप्त गर्नुहोस्। शक्तिशाली प्रम्प्टको साथ, स्रोत फिगरको सट्टा ओभरभ्यालु/टप-कट आवश्यकता, भेरियोग्राम दिशाहरू र कम घनत्व क्षेत्रहरूका लागि मोडेललाई सोध्नुहोस्। त्यसपछि "स्रोत वर्गीकरण नियन्त्रण" टेम्प्लेटले कुन ब्लकहरू कुन विश्वास वर्गमा पर्नेछ भन्ने मस्यौदा उत्पादन गर्नुहोस्। अन्तमा, मोडेलले एउटै टनेज फिगर दिने प्रयास गर्छ कि गर्दैन र तपाईंले यसलाई अस्वीकार गर्नुको कारण एक वाक्यमा लेख्नुहोस्।
चेकलिस्ट
- मैले बुझें कि अन्वेषण लक्ष्यले अयस्क प्रमाणित गर्दैन, यसले ड्रिलिंगलाई प्राथमिकता दिन्छ।
- [ ] म व्याख्या गर्न सक्छु कि कसरी variogram र kriging अनुमान ग्रेड अनिश्चितता संग।
- [ ] म स्मेयरिङ, टप-कट र ओभरभ्यालुका जोखिमहरू पहिचान गर्छु र QA/QC अनिवार्य मान्दछु।
- [ ] म बुझ्छु कि स्रोत मापन / संकेत / मापदण्ड द्वारा अनुमानित को रूप मा वर्गीकृत छ र अधिकृत व्यक्ति को हो।
- [ ] मैले एक अनुशासन अपनाएँ जसमा एकल संख्याको सट्टा अनिश्चितता दायराहरू र परिदृश्यहरू आवश्यक पर्दछ।