Gevinster:
- Evne til å forklare bruken av AI og flerlags datafusjon i mineralprospektivitet
- Forstå hvordan man lager blokkmodeller og karakterestimering ved hjelp av geostatistikk (kriging, variogram) og maskinlæring.
- Evne til å teste kildeestimeringsutdata med kryssvalidering, klassifiseringssikkerhet og rapporteringsstandarder
Prospektering er et tippespill der beslutninger på flere millioner dollar er basert på en håndfull boreprøver. En mineralforekomst (engelsk malmforekomst; en mineralansamling rik og stor nok til å utnyttes) er skjult under et område på hundrevis av kvadratkilometer, og vi "ser" det bare med sjeldne boringer, geofysiske skygger og overflatemarkører. Det er derfor mineralutforskning er et av de mest spennende, men også farligste bruksområdene for AI: når det brukes riktig, øker det letingsmålrettingen og trekker ut mer mening fra sparsomme data; Ved feil bruk skjuler det et ikke-eksisterende stoff bak statistikk og villeder både investorer og samfunnet.
I denne enheten vil vi dekke to hovedaspekter av kunstig intelligens ved leting: letemål (mineralprospektivitet; estimering fra flerlagsdata hvilket område som sannsynligvis vil ha en forekomst) og ressursestimering (beregner med hvilken sikkerhet vi kan si hvor mye metall som er i en boret forekomst). I begge er AI en kraftig mønstersøker; Men i begge tilfeller er det endelige tallet ansvaret til den kompetente personen som har signert internasjonale rapporteringsstandarder.
Søkemålretting: Multi-Layered Data Fusion
En letegeolog ser ikke på en enkelt type data, men på overliggende lag: geologisk kart, strukturelle konturer (forkastninger og folder), geofysikk (magnetisk, tyngdekraft, resistivitet), geokjemi (verdier for jord- og strømprøveelementer) og endring kartlagt ved fjernmåling. Hvert lag er en svak anelse; Det virkelige signalet er hvor de peker sammen. Dette kalles datafusjon.
Kunstig intelligens gjør to jobber her. Først justerer den dusinvis av lag på det samme koordinatnettet (en enestående, kjedelig, men feilutsatt oppgave) til en enkelt analysetabell. For det andre lærer den mønsteret rundt kjente forekomster og markerer nye områder med en lignende signatur (overvåket læring). Men det er en kritisk felle her: Antall kjente senger er ofte svært lite (kanskje 5-10 senger i ett område), slik at modellen enkelt husker og feiler i nye områder. Det er derfor målrettingsutgangen ikke er en "sikker perle finnes"-liste, men en "prioritert ordre verdt å teste ved å bore".
Trinnene er typisk som følger: (1) juster og rengjør lag, (2) oversett hvert lag til meningsfylt token basert på sengmodell (f.eks. "avstand til feilskjæring", "magnetisk høykant"), (3) tren med kjente senger eller vekt med ekspertregel, (4) produsere sannsynlighetskart, (5) test områder med høyest sannsynlighet i felt og med lave kostnader.
Tips: I stedet for å mate lag rå inn i modellen, utled geologisk meningsfulle markører ("magnetisk ring + argillisk endring + forkastningsskjæringspunkt for porfyrkobber"). Indikatorer som er kompatible med lagermodellen gir mye mer robuste mål enn blindstatistikk.
Geostatistikk og ressursestimering: Variogram, Kriging og blokkmodell
Når forekomsten er funnet og boret, endres spørsmålet: "Hvor mye metall er det her og hvor mye kan vi stole på det?" Svaret krever en ekstrapolering fra prøvetatte borepunkter til uprøvet bergvolum. Standardverktøyet for dette er geostatistikk.
Grunnkonseptet er variogrammet: et mål på romlig kontinuitet som beskriver hvordan karakterlikheter avtar når to prøver beveger seg lenger fra hverandre. Eksempler i nærheten er like, fjerne er uavhengige; Variogrammet kvantifiserer dette "likhetsområdet". Kriging er en vektet gjennomsnittsmetode som bruker denne variogramstrukturen for å gi karakteren, både estimatet og usikkerheten til estimatet, for hver uprøvet blokk. Innskuddet er delt inn i blokker med sider målt i meter (blokkmodell), og hver blokk tildeles karakter og konfidens.
Kunstig intelligens kommer inn på tre punkter her. I variogrammodellering foreslår den alternative modeller og evaluerer tilpasningen. Maskinlæringsmetoder (f.eks. tilfeldig skog, gradientforsterkning) kan fange opp ikke-lineære karakterforhold i tillegg til kriging. Og det øker hastigheten på kodingen, kontrollen og rapporteringen av hele arbeidsflyten. Men to jernregler forblir konstante: estimeringsusikkerhet kan aldri skjules, og den endelige ressursen sorteres av den kompetente personen i Målt/Indikert/Inferred-klasser i henhold til internasjonale standarder (offentlige, reviderbare rammeverk for ressurs-/reserverapportering, som JORC, NI 43-101, PERC).
Forsiktig: Maskinlæringsmodellen kan "jevne ut" borebrudd, og skape kontinuitet som ikke eksisterer i virkeligheten. Noen få prøver av høy kvalitet kan urettferdig berike (engelsk utsmøring) en hel blokk. Det er viktig å begrense høye verdier (top-cut) og kontrollere antall prøver på blokkbasis; ellers vil tonnasjen svelle på papiret.
Tre minivesker: etter tallene
Case 1 — Målrettingsprioritering. Et leteteam jobbet med et begrenset borebudsjett i et lisensområde på 380 km². Et sannsynlighetskart som smelter sammen syv geofysiske/geokjemilag markerte bare 6% av området som "høy prioritet." Teamet dirigerte de første fem øvelsene inn i disse 6 %; fant betydelige kobberkryss i tre av dem. Det kritiske punktet: kartet "beviste" ikke malmen, rasjonaliserte hvor man skulle fokusere borebudsjettet og reduserte antallet blindforsøk.
Tilfelle 2 — Fangst av flekker. Ved ett gullforekomst hadde den første blokkmodellen blåst opp omkringliggende blokker på grunn av virkningen av en enkelt overprøve på 78 g/t, og overvurderte ressursen med 14 %. Prediksjonen ble brakt til et realistisk nivå med toppskjæringen (reduserer den høye verdien til den statistiske terskelen) og naboprøvekontrollen brukt i QA/QC-gjennomgangen. Forskjellen påvirket direkte en investeringsbeslutning på flere millioner dollar.
Sak 3 – Klassifiseringsdisiplin. På et jernprosjekt viste modellen å forutsi hele forekomsten med høy sikkerhet; boretettheten var imidlertid svært sparsom i randområdene. Den autoriserte personen fjernet det tynt samplede volumet fra den økonomiske evalueringen, og nedgraderte det til "Inferred". Dermed unngikk rapporten overdrivelse av de offentlig offentliggjorte reservene og forble i tråd med standarden.
Svak forespørsel / sterk forespørsel
Svak melding:
Analyser boreutbyttet og fortell hvor mye gull som er i forekomsten.[analysetabell]
Kraftig ledetekst:
Din rolle: Ressursgeostatistiker. GI ET KILDENUMMER med følgende analysedata. I stedet: 1) Oppsummer karakterfordelingen; marker mulige uteliggere og behov for toppskjæring.2) Foreslå hvilke variogramretninger som bør undersøkes for romlig kontinuitet.3) Angi hvilke områder som kun kan klassifiseres som "Utelatt" på grunn av lav boretetthet.4) List opp 4 kilder til usikkerhet som kan påvirke resultatet.Data er anonym; ingen faktiske koordinater/selskap.
Den kraftige ledeteksten hindrer modellen i å produsere et enkelt villedende nummer og gjør det til en assistent som organiserer nøyaktig spørsmålene som den ansvarlige skal stille.
Fire kopierbare maler
1) Token-avledning for lagfusjon:
Foreslå meningsfulle markører fra følgende lag basert på utforskningsmodellen for porfyrkobber: magnetisk, tyngdekraft, resistivitet, jordgeokjemi (Cu-Mo-Au), endring. For hver markør: lenke til innskuddsmodellen, mulig misvisende kilde og feltverifiseringsmetode. Gi et presist mål; Etabler prioriteringslogikk.
2) Assay QA/QC forhåndsscreening:
Sjekk analysetabellen for følgende: negativ/umulig verdi, andel tegn under deteksjonsgrense, enhetsavvik (ppm/%/g-t), gjentatt prøveoverenskomst, blindprøve og standard prøvedrift. Bare oppgi problemene etter drilling_id; taksering, retting.
3) Variogramtolkningsutkast:
Tolk eksperimentelle variogramresultater: forklar i klartekst hva nugget, range og terskel betyr; Er det noen tegn på anisotropi? Marker hvilke avgjørelser som krever geologgodkjenning før kriging. Logikk, ikke kode.
4) Kildeklassifiseringskontroll:
I blokkmodellen ble det for hver blokk oppgitt kriging-varians, antall prøver brukt i estimering og avstand til nærmeste borehull. Gi en RIMELIG oversikt over hvilke blokker som passer best til klassen Målt/Visert/Inferred i henhold til standardlogikk. Den endelige klassifiseringen tilhører den autoriserte personen; oppgi dette.
Sammenligning av metoder
Metode
Hva gjør
sterke poeng
Hovedrisiko
Ekspertregel (vektet lag)
Sorterer mål med informasjon
Fungerer med lite data, gjennomsiktig
ekspertskjevhet
Overvåket ML-målretting
Lærer av den kjente sengen
Fanger sammensatt mønster
Memorering i noen få eksempler
kriging
Tenor spår med usikkerhet
Standard, reviderbar
Variogramfeil, flekker
ML karakteranslag
ikke-lineært forhold
Fleksibel
Kan skjule usikkerhet, overtilpasning
Simulering (f.eks. SGS)
Generer sannsynlighetsscenarier
Visualiserer usikkerhet
Overtillit hvis det tolkes feil
Tips: Når du estimerer ressurser, be om et område og et scenario i stedet for et "enkelt beste tall." Tre optimistiske/forventede/forsiktige scenarier gir et mye mer ærlig beslutningsgrunnlag enn den falske sikkerheten som skapes av et enkelt tall.
Vanlige feil
- Får ML til å memorere med en lite kjent seng. En modell trent med fem lagre er upålitelig i det nye feltet; se utdataene som en prioriteringsliste, ikke som bevis.
- Ikke begrensende ekstreme verdier. En enkelt høyanalyse, hvis toppskjæring ikke utføres, vil urettferdig berike (utsmøre) de omkringliggende blokkene og blåse opp tonnasjen.
- Rapporterer ikke usikkerhet. Å skjule Kriging-avvik og klassifisering og presentere enkeltfigurer er i strid med standarder og integritet.
- Hopp over klassifisering. Å presentere sparsomt utvalgt volum som Målt kompromitterer økonomisk dømmekraft og offentlig tillit.
- Hopp over QA/QC. Ingen karakter er pålitelig uten laboratorieovervåking av drift med blindprøver og standardprøver.
Oppsummert
- Utforskningsmålretting genererer boreprioritet gjennom flerlags datafusjon; Det beviser ikke malmen, det reduserer blindprøven.
- Ressursestimering estimerer karakter med sikkerhet ved hjelp av variogrammer og kriging; Blokkmodellen er bygget på dette.
- Maskinlæring er kraftig, men den husker små prøver utenat, smører ut ytterpunkter og kan skjule usikkerhet.
- Den endelige sveisen er klassifisert og signert av en autorisert kvalifisert person i henhold til standarder som JORC/NI 43-101.
- Verdien er ikke i ett villedende tall; Usikkerheten er i en testbar prioritet og klassifisering som er ærlig rapportert.
Søknadsoppgave
Motta en anonymisert analysetabell (eller representative verdier). Med den kraftige ledeteksten, spør modellen om: oververdi/toppskjæringsbehov, variogramretninger og områder med lav tetthet i stedet for en kildefigur. La deretter malen "kildeklassifiseringskontroll" lage et utkast av hvilke blokker som faller inn i hvilken tillitsklasse. Til slutt, observer om modellen prøver å gi et enkelt tonnasjetall og skriv i én setning hvorfor du bør avvise den.
sjekkliste
- [ ] Jeg innså at letemål ikke beviser malm, det gir boreprioritet.
- [ ] Jeg kan forklare hvordan variogram og kriging estimerer karakter med usikkerhet.
- [ ] Jeg anerkjenner risikoen for utsmøring, toppkutt og overvurdering og anser kvalitetssikring og kvalitetskontroll som obligatorisk.
- [ ] Jeg forstår at ressursen er klassifisert som Målt/Indikert/Utledet av standarden og tilhører den autoriserte personen.
- [ ] Jeg tok i bruk en disiplin som krever usikkerhetsområder og scenarier i stedet for enkelttall.