Winst:
- Vermogen om het gebruik van AI en meerlaagse datafusie in minerale prospectiviteit uit te leggen
- Begrijpen hoe u een blokmodel en cijferschatting kunt maken met behulp van geostatistiek (kriging, variogram) en machinaal leren.
- Mogelijkheid om de output van bronschattingen te testen met kruisvalidatie, classificatiebetrouwbaarheid en rapportagestandaarden
Prospecting is een gokspel waarbij beslissingen van miljoenen dollars worden gebaseerd op een handvol boormonsters. Een minerale afzetting (Engelse ertsafzetting; een minerale accumulatie die rijk is en groot genoeg om te worden geëxploiteerd) is verborgen onder een gebied van honderden vierkante kilometers, en we "zien" deze alleen met onregelmatige boringen, geofysische schaduwen en oppervlaktemarkeringen. Dat is de reden waarom de exploratie van mineralen een van de meest opwindende maar ook gevaarlijkste toepassingsgebieden van AI is: als het correct wordt gebruikt, versnelt het de doelgerichte exploratie en haalt het meer betekenis uit schaarse gegevens; Wanneer het verkeerd wordt gebruikt, verbergt het een niet-bestaande substantie achter statistieken en misleidt het zowel investeerders als de samenleving.
In dit onderdeel behandelen we twee belangrijke kunstmatige-intelligentieaspecten van exploratie: doelgerichte exploratie (prospectiviteit van mineralen; schatten op basis van meerlaagse gegevens in welk gebied zich waarschijnlijk een afzetting bevindt) en schatting van hulpbronnen (berekenen met hoeveel vertrouwen we kunnen zeggen hoeveel metaal er in een geboorde afzetting zit). In beide gevallen is AI een krachtige patroonzoeker; Maar in beide gevallen is het uiteindelijke cijfer de verantwoordelijkheid van de bevoegde persoon die de internationale rapportagestandaarden heeft ondertekend.
Zoektargeting: meerlaagse gegevensfusie
Een verkenningsgeoloog kijkt niet naar een enkel type gegevens, maar naar overlappende lagen: geologische kaart, structurele contouren (fouten en plooien), geofysica (magnetisch, zwaartekracht, weerstand), geochemie (waarden van bodem- en stroommonsterelementen) en veranderingen die in kaart zijn gebracht door teledetectie. Elke laag is een vage aanwijzing; Het echte signaal is waar ze naar elkaar toe wijzen. Dit heet datafusie.
Kunstmatige intelligentie vervult hier twee taken. Ten eerste lijnt het tientallen lagen uit op hetzelfde coördinatenraster (een bijzondere, vervelende maar foutgevoelige taak) in één enkele analysetabel. Ten tweede leert het het patroon rond bekende afzettingen kennen en markeert het nieuwe gebieden met een vergelijkbare signatuur (onder toezicht leren). Maar er is hier sprake van een kritische valkuil: het aantal bekende bedden is vaak erg klein (misschien 5-10 bedden in één gebied), dus het model onthoudt gemakkelijk en faalt in nieuwe gebieden. Dat is de reden waarom de targeting-uitvoer geen lijst is met ‘dat er zeker een juweel bestaat’, maar een ‘prioriteitsvolgorde die de moeite waard is om te testen door te boren’.
De stappen zijn doorgaans als volgt: (1) lagen uitlijnen en opschonen, (2) elke laag vertalen in een betekenisvol token op basis van het bedmodel (bijv. "afstand tot breukkruising", "magnetische hoge rand"), (3) trainen met bekende bedden of gewicht met expertregel, (4) waarschijnlijkheidskaart maken, (5) gebieden met de hoogste waarschijnlijkheid in het veld testen en met goedkope methoden.
Tip: In plaats van ruwe lagen in het model in te voeren, kunt u geologisch betekenisvolle markeringen afleiden (“magnetische ring + argillic verandering + breukkruising voor porfierkoper”). Indicatoren die compatibel zijn met het lagermodel leveren veel robuustere doelstellingen op dan blinde statistieken.
Geostatistiek en schatting van hulpbronnen: Variogram, Kriging en Blokmodel
Zodra de afzetting is gevonden en geboord, verandert de vraag: “Hoeveel metaal is hier en hoeveel kunnen we erop vertrouwen?” Het antwoord vereist een extrapolatie van bemonsterde boorpunten naar onbemonsterd gesteentevolume. Het standaardinstrument hiervoor is geostatistiek.
Het basisconcept is het variogram: een maatstaf voor ruimtelijke continuïteit die beschrijft hoe de graadovereenkomsten afnemen naarmate twee monsters verder uit elkaar bewegen. Voorbeelden in de buurt zijn vergelijkbaar, verre voorbeelden zijn onafhankelijk; Het variogram kwantificeert dit "similariteitsbereik". Kriging is een gewogen gemiddelde methode die deze variogramstructuur gebruikt om het cijfer, zowel de schatting als de onzekerheid van de schatting, voor elk niet-bemonsterd blok te geven. De storting is verdeeld in blokken met zijden gemeten in meters (blokmodel), en aan elk blok wordt een cijfer en betrouwbaarheid toegekend.
Kunstmatige intelligentie komt hier op drie punten aan bod. Bij variogrammodellering stelt het alternatieve modellen voor en evalueert het de pasvorm. Machine learning-methoden (bijvoorbeeld willekeurig bos, gradiëntversterking) kunnen naast kriging ook niet-lineaire rangrelaties vastleggen. En het versnelt het coderen, controleren en rapporteren van de gehele workflow. Maar twee ijzeren regels blijven constant: schattingsonzekerheid kan nooit verborgen blijven, en de uiteindelijke hulpbron wordt door de bevoegde persoon gesorteerd in Gemeten/Geïndiceerde/Afgeleide klassen volgens internationale standaarden (openbare, controleerbare raamwerken voor rapportage van hulpbronnen/reserves, zoals JORC, NI 43-101, PERC).
Let op: het machine learning-model kan boorpauzes "gladmaken", waardoor continuïteit ontstaat die in werkelijkheid niet bestaat. Een paar hoogwaardige exemplaren kunnen een heel blok onterecht verrijken (Engelse uitsmering). Het beperken van hoge waarden (top-cut) en het controleren van het aantal samples op blokbasis is essentieel; anders zal de tonnage op papier toenemen.
Drie mini-hoesjes: volgens de cijfers
Geval 1 — Doelgerichte prioritering. Een verkenningsteam werkte met een beperkt boorbudget in een vergunningsgebied van 380 km². Een waarschijnlijkheidskaart die zeven geofysische/geochemische lagen combineert, markeerde slechts 6% van het gebied als ‘hoge prioriteit’. Het team heeft de eerste vijf oefeningen gericht op deze 6%; vond in drie ervan significante koperen kruispunten. Het kritische punt: de kaart 'bewees' het erts niet, rationaliseerde waar het boorbudget op moest worden gericht en verminderde het aantal blinde proeven.
Geval 2 — Vastlegging van smearing. Bij één goudafzetting had het eerste blokmodel de omliggende blokken opgeblazen als gevolg van de impact van een enkele overbemonstering van 78 g/t, waardoor de hulpbron met 14% werd overschat. De voorspelling werd op een realistisch niveau gebracht door de top-cut (waarbij de hoge waarde werd teruggebracht tot de statistische drempel) en de aangrenzende steekproefcontrole die werd toegepast in de QA/QC-beoordeling. Het verschil was rechtstreeks van invloed op een investeringsbeslissing van miljoenen dollars.
Geval 3 — Classificatiediscipline. Bij een ijzerproject liet het model zien dat het de gehele afzetting met grote zekerheid voorspelde; in de marginale gebieden was de boordichtheid echter zeer schaars. De bevoegde persoon heeft het schaars bemonsterde volume uit de economische evaluatie verwijderd en de classificatie verlaagd naar 'Afgeleid'. Zo vermeed het rapport overdrijvingen in de openbaar gemaakte reserves en bleef het in lijn met de norm.
Zwakke prompt/sterke prompt
Zwakke prompt:
Analyseer de booropbrengst en vertel hoeveel goud er in de afzetting zit. [analysetabel]
Krachtige prompt:
Jouw rol: Geostatisticus van hulpbronnen. GEEF EEN BRONNUMMER met de volgende testgegevens van de verbinding. In plaats daarvan: 1) Vat de cijferverdeling samen; markeer mogelijke uitschieters en de noodzaak van een top-cut.2) Stel voor welke variogramrichtingen moeten worden onderzocht op ruimtelijke continuïteit.3) Geef aan welke gebieden alleen als "weggelaten" kunnen worden geclassificeerd vanwege de lage boordichtheid.4) Noem 4 bronnen van onzekerheid die het resultaat kunnen beïnvloeden. Gegevens zijn anoniem; geen daadwerkelijke coördinaten/bedrijf.
De krachtige prompt voorkomt dat het model ook maar één misleidend getal produceert en verandert het in een assistent die precies de vragen organiseert die de verantwoordelijke persoon moet stellen.
Vier kopieerbare sjablonen
1) Tokenafleiding voor laagfusie:
Suggereer zinvolle markeringen uit de volgende lagen op basis van het porfierkoper-exploratiemodel: magnetisch, zwaartekracht, weerstand, bodemgeochemie (Cu-Mo-Au), verandering. Voor elke markering: link naar het statiegeldmodel, mogelijk misleidende bron en veldverificatiemethode. Een nauwkeurig doel geven; Stel prioriteitslogica in.
2) Assay QA/QC pre-screening:
Controleer de testtabel op het volgende: negatieve/onmogelijke waarde, aandeel tekens onder de detectielimiet, eenheidsverschil (ppm/%/g-t), overeenkomst bij herhaald monster, blanco en standaard monsterdrift. Noem de problemen gewoon op drill_id; beoordeling, correctie.
3) Variogram-interpretatieconcept:
Interpreteer experimentele variogramresultaten: leg in duidelijke taal uit wat nugget, range en sill betekenen; Zijn er tekenen van anisotropie? Markeer welke beslissingen de goedkeuring van een geoloog vereisen voordat er een kriging kan plaatsvinden. Logica, geen code.
4) Controle bronclassificatie:
In het blokmodel werden voor elk blok: de krigingsvariantie, het aantal monsters gebruikt bij de schatting en de afstand tot het dichtstbijzijnde boorgat gegeven. Geef een REDELIJK overzicht van welke blokken het beste passen bij de klasse Measured/Displayed/Inferred volgens de standaardlogica. De eindindeling is van de bevoegde persoon; vermeld dit.
Vergelijking van methoden
Methode
Wat doet
sterk punt
Belangrijkste risico
Expertregel (gewogen laag)
Sorteert doelen met informatie
Werkt met weinig data, transparant
deskundige vooringenomenheid
ML-targeting onder toezicht
Leert van het bekende bed
Legt complexe patronen vast
Memoriseren in enkele voorbeelden
kriging
Tenor voorspelt met onzekerheid
Standaard, controleerbaar
Variogramfout, vlekken
Schatting van het ML-cijfer
niet-lineaire relatie
Flexibel
Kan onzekerheid en overaanpassing verbergen
Simulatie (bijv. SGS)
Genereert waarschijnlijkheidsscenario's
Visualiseert onzekerheid
Overmoed als het verkeerd wordt geïnterpreteerd
Tip: Vraag bij het schatten van de hulpbronnen naar een bereik en scenario in plaats van naar een ‘enkel beste getal’. Drie optimistische/verwachte/voorzichtige scenario’s bieden een veel eerlijkere basis voor besluitvorming dan de valse zekerheid die door één enkel getal wordt gecreëerd.
Veel voorkomende fouten
- ML laten onthouden met een weinig bekend bed. Een model dat met vijf lagers is getraind, is onbetrouwbaar in het nieuwe veld; bekijk de output als een prioriteitenlijst, niet als bewijs.
- Geen beperking van extreme waarden. Als er niet van bovenaf wordt gesneden, zal een enkele hoge test de omringende blokken op oneerlijke wijze verrijken (uitsmeren) en de tonnage opblazen.
- Geen onzekerheid melden. Het verbergen van de variantie en classificatie van Kriging en het presenteren van afzonderlijke cijfers is in strijd met de normen en integriteit.
- Classificatie overslaan. Het presenteren van schaars bemonsterd volume als Gemeten brengt het economisch oordeel en het vertrouwen van het publiek in gevaar.
- QA/QC overslaan. Geen enkele graad is betrouwbaar zonder laboratoriummonitoring van de drift met blanco- en standaardmonsters.
Samengevat
- Exploratietargeting genereert boorprioriteit door meerlaagse datafusie; Het bewijst het erts niet, het vermindert de blinde proef.
- Bij het schatten van hulpbronnen wordt het cijfer met zekerheid geschat met behulp van variogrammen en kriging; Hierop is het blokmodel gebouwd.
- Machine learning is krachtig, maar het onthoudt kleine steekproeven, besmeurt uitschieters en kan onzekerheid verbergen.
- De uiteindelijke las wordt geclassificeerd en ondertekend door een geautoriseerd gekwalificeerd persoon volgens normen zoals JORC/NI 43-101.
- De waarde ligt niet in één misleidend getal; De onzekerheid zit in een toetsbare prioriteit en classificatie die eerlijk wordt gerapporteerd.
Applicatie taak
Ontvang een geanonimiseerde samengestelde assaytabel (of representatieve waarden). Vraag het model met de krachtige prompt naar: behoefte aan overwaarde/top-cut, variogramrichtingen en gebieden met lage dichtheid in plaats van een bronfiguur. Laat vervolgens de sjabloon "bronclassificatiecontrole" een schets maken van welke blokken in welke vertrouwensklasse zullen vallen. Kijk ten slotte of het model een enkel tonnagecijfer probeert te geven en schrijf in één zin op waarom u dit zou moeten afwijzen.
controlelijst
- [ ] Ik realiseerde me dat het richten op exploratie geen erts bewijst, maar boorprioriteit oplevert.
- [ ] Ik kan uitleggen hoe variogram en kriging het cijfer schatten met onzekerheid.
- [ ] Ik erken de risico's van smearing, top-cut en overwaarde en beschouw QA/QC als verplicht.
- [ ] Ik begrijp dat de bron door de standaard is geclassificeerd als Gemeten/Aangegeven/Afgeleid en eigendom is van de bevoegde persoon.
- [ ] Ik heb een discipline aangenomen die onzekerheidsbereiken en scenario's vereist in plaats van afzonderlijke getallen.