ਗ੍ਰੈਵਿਟੀ ਅਤੇ ਮੈਗਨੈਟਿਕ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਵਿਆਖਿਆ

ਲਾਭ:

• ਸੰਭਾਵੀ ਫੀਲਡ ਪ੍ਰੋਸੈਸਿੰਗ ਸੁਧਾਰਾਂ (ਬੌਗੁਅਰ, ਲੈਂਡ, ਲੌਗ, ਆਈ.ਜੀ.ਆਰ.ਐਫ.) ਅਤੇ ਖੇਤਰੀ-ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਵਿਛੋੜੇ ਦੀ ਪੈਰਾਮੀਟਰ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨੂੰ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਵੱਖ-ਵੱਖ ਵਿਭਾਜਨਾਂ ਨਾਲ ਇਸਦੀ ਜਾਂਚ
• ਡੂੰਘਾਈ-ਐਂਪਲੀਟਿਊਡ ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਚੁੰਬਕੀ ਅਕਸ਼ਾਂਸ਼ ਪ੍ਰਭਾਵ (ਖੰਭੇ ਤੱਕ ਕਮੀ) ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਸਰੋਤ ਸਥਾਨ ਦੀ ਸਹੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਸੰਭਾਵੀ ਫੀਲਡ ਵਿਆਖਿਆ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਵਿੱਚ ਲਾਕ ਕੀਤੇ ਬਿਨਾਂ ਵਿਕਲਪਿਕ ਦ੍ਰਿਸ਼ਾਂ ਅਤੇ ਭੂਚਾਲ/ਚੰਗੀ ਨਾਲ ਸੰਭਾਵੀ ਫੀਲਡ ਵਿਆਖਿਆ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਭੂਚਾਲ ਦਾ ਤਰੀਕਾ ਮਹਿੰਗਾ ਹੈ ਅਤੇ ਹਰ ਜਗ੍ਹਾ ਲਾਗੂ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਸੰਭਾਵੀ ਫੀਲਡ ਵਿਧੀਆਂ-ਗ੍ਰੈਵਿਟੀ ਅਤੇ ਚੁੰਬਕੀ-ਖੇਡ ਵਿੱਚ ਆਉਂਦੀਆਂ ਹਨ: ਮੁਕਾਬਲਤਨ ਸਸਤੀਆਂ ਵਿਧੀਆਂ ਜੋ ਤੇਜ਼ੀ ਨਾਲ ਵੱਡੇ ਖੇਤਰਾਂ ਨੂੰ ਸਕੈਨ ਕਰਦੀਆਂ ਹਨ ਅਤੇ ਬੇਸਿਨਾਂ ਅਤੇ ਧਾਤੂ ਪਦਾਰਥਾਂ ਦੇ ਮੋਟੇ ਢਾਂਚੇ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦੀਆਂ ਹਨ। ਗਰੈਵਿਟੀ ਵਿਧੀ ਭੂਮੀਗਤ ਘਣਤਾ ਦੇ ਅੰਤਰਾਂ ਦੁਆਰਾ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਬਹੁਤ ਹੀ ਛੋਟੇ ਗਰੈਵੀਟੇਸ਼ਨਲ ਬਦਲਾਅ ਨੂੰ ਮਾਪਦੀ ਹੈ; ਚੁੰਬਕੀ ਵਿਧੀ ਚੱਟਾਨਾਂ ਦੇ ਚੁੰਬਕੀਕਰਣ (ਚੁੰਬਕੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ) ਵਿੱਚ ਅੰਤਰ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਫੀਲਡ ਤਬਦੀਲੀਆਂ ਨੂੰ ਮਾਪਦੀ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਦੱਸਾਂਗੇ ਕਿ ਕਿਵੇਂ ਨਕਲੀ ਬੁੱਧੀ (AI) ਇਹਨਾਂ ਦੋ ਤਰੀਕਿਆਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ, ਅਸੰਗਤ ਵਿਤਕਰੇ ਅਤੇ ਡੂੰਘਾਈ ਦਾ ਅਨੁਮਾਨ; ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਸੰਭਾਵੀ ਖੇਤਰਾਂ ਵਿੱਚ ਮੌਜੂਦ ਮਜ਼ਬੂਤ ​​ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਵਾਧੂ ਸਾਵਧਾਨੀ ਨਾਲ AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਲੋੜ ਕਿਉਂ ਹੈ।

ਸੰਭਾਵੀ ਖੇਤਰ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਤੀ

ਆਉ ਇੱਕ ਸ਼ਬਦਕੋਸ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰੀਏ. ਅਸੰਗਤਤਾ, ਅਨੁਮਾਨਤ ਖੇਤਰੀ ਮੁੱਲ ਤੋਂ ਭਟਕਣਾ; ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਹ ਭੂਮੀਗਤ ਢਾਂਚੇ ਦਾ ਹਸਤਾਖਰ ਹੈ ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹਾਂ। ਗੁਰੂਤਾ ਵਿੱਚ, ਕੱਚਾ ਮਾਪ ਬਹੁਤ ਸਾਰੇ ਸੁਧਾਰਾਂ ਵਿੱਚੋਂ ਗੁਜ਼ਰਦਾ ਹੈ: ਫ੍ਰੀ-ਏਅਰ ਸੁਧਾਰ (ਉੱਚਾਈ ਦਾ ਪ੍ਰਭਾਵ), ਬੌਗੂਰ ਸੁਧਾਰ (ਮਾਪ ਅਤੇ ਸੰਦਰਭ ਦੇ ਵਿਚਕਾਰ ਚੱਟਾਨ ਦੇ ਪੁੰਜ ਦਾ ਪ੍ਰਭਾਵ) ਅਤੇ ਭੂਮੀ ਸੁਧਾਰ (ਟੌਪੋਗ੍ਰਾਫੀ ਦਾ ਪ੍ਰਭਾਵ)। ਨਤੀਜੇ ਵਜੋਂ ਬੌਗੂਅਰ ਅਸੰਗਤਤਾ ਉਪ ਸਤਹ ਘਣਤਾ ਅੰਤਰਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਚੁੰਬਕੀ ਵਿੱਚ, ਚੁੰਬਕੀ ਵਿਗਾੜ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਰੋਜ਼ਾਨਾ ਪਰਿਵਰਤਨ ਅਤੇ ਮੁੱਖ ਖੇਤਰ (IGRF) ਨੂੰ ਘਟਾਇਆ ਜਾਂਦਾ ਹੈ।

ਸੰਭਾਵੀ ਖੇਤਰਾਂ ਦੀ ਮੁੱਖ ਚੁਣੌਤੀ ਡੂੰਘਾਈ-ਐਪਲੀਟਿਊਡ ਅਨਿਸ਼ਚਿਤਤਾ ਹੈ: ਇੱਕ ਛੋਟਾ ਅਤੇ ਖੋਖਲਾ ਸਰੋਤ ਅਤੇ ਇੱਕ ਵੱਡਾ ਅਤੇ ਡੂੰਘਾ ਸਰੋਤ ਲਗਭਗ ਇੱਕੋ ਜਿਹੀ ਸਤ੍ਹਾ ਦੀ ਵਿਗਾੜ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਭੂਚਾਲ ਵਿੱਚ ਪੌਲੀਸੀਮੀ ਦੀ ਸੰਭਾਵੀ ਫੀਲਡ ਅਵਸਥਾ ਹੈ, ਅਤੇ AI ਇਸਨੂੰ ਖਤਮ ਨਹੀਂ ਕਰਦਾ - ਇਹ ਇਸਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਇਸ ਲਈ ਟਿੱਪਣੀ ਵਿੱਚ ਮੈਂ ਹਮੇਸ਼ਾ ਪੁੱਛਦਾ ਹਾਂ ਕਿ "ਕਿੰਨੇ ਵੱਖ-ਵੱਖ ਮਾਡਲ ਇਸ ਅਸੰਗਤਤਾ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹਨ?" ਸਵਾਲ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ।

ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਫੀਲਡ ਵਿਭਾਜਨ ਵਿੱਚ ਏ.ਆਈ

ਸੰਭਾਵੀ ਫੀਲਡ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਕੇਂਦਰ ਖੇਤਰੀ-ਬਕਾਇਆ ਵੱਖ ਹੋਣਾ ਹੈ: ਵਿਆਪਕ, ਡੂੰਘੇ ਸਰੋਤਾਂ ਤੋਂ ਹੌਲੀ-ਹੌਲੀ ਵੱਖੋ-ਵੱਖਰੇ ਖੇਤਰੀ ਹਿੱਸੇ ਅਤੇ ਖੋਖਲੇ, ਸਥਾਨਕ ਸਰੋਤਾਂ ਤੋਂ ਬਚੇ ਹੋਏ ਹਿੱਸੇ ਨੂੰ ਵੱਖ ਕਰਨਾ। ਕਲਾਸੀਕਲ ਵਿਧੀਆਂ ਪੌਲੀਨੋਮੀਅਲ ਫਿਟਿੰਗ ਜਾਂ ਤਰੰਗ-ਲੰਬਾਈ ਫਿਲਟਰ ਹਨ; AI-ਆਧਾਰਿਤ ਪਹੁੰਚ ਉਦਾਹਰਣਾਂ ਤੋਂ ਸਿੱਖ ਕੇ ਇਸ ਅੰਤਰ ਨੂੰ ਹੋਰ ਲਚਕਦਾਰ ਬਣਾ ਸਕਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਡੈਰੀਵੇਟਿਵ-ਅਧਾਰਿਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ—ਹੋਰੀਜੱਟਲ/ਵਰਟੀਕਲ ਡੈਰੀਵੇਟਿਵਜ਼, ਐਨਾਲਿਟੀਕਲ ਸਿਗਨਲ, ਟਿਲਟ ਐਂਗਲ—ਸਰੋਤ ਕਿਨਾਰਿਆਂ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰੋ; AI ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਜੋੜ ਸਕਦਾ ਹੈ ਅਤੇ ਆਪਣੇ ਆਪ ਕਿਨਾਰੇ ਅਤੇ ਸਰੋਤ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰ ਸਕਦਾ ਹੈ।

ਜੋਖਮ ਇਹ ਹੈ ਕਿ ਫਿਲਟਰ ਪੈਰਾਮੀਟਰ (ਕਟੌਫ ਤਰੰਗ ਲੰਬਾਈ) ਵਿਆਖਿਆ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਉਹੀ ਡੇਟਾ ਵੱਖ-ਵੱਖ ਭਿੰਨਤਾਵਾਂ ਦੇ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖ-ਵੱਖ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਨਕਸ਼ੇ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਭਾਵੇਂ AI ਵਿਛੋੜੇ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ, ਮਾਹਰ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਉਹ ਵੱਖਰਾ ਨਿਸ਼ਾਨਾ ਡੂੰਘਾਈ ਲਈ ਢੁਕਵਾਂ ਹੈ।

ਸੰਕੇਤ: ਖੇਤਰੀ-ਅਵਸ਼ੇਸ਼ ਭੇਦ ਨੂੰ ਇੱਕ ਮਾਪਦੰਡ ਨਾਲ ਠੀਕ ਨਾ ਕਰੋ। ਵੱਖ-ਵੱਖ ਕੱਟ-ਆਫ ਵੇਵ-ਲੰਬਾਈ ਦੇ ਨਾਲ ਤਿੰਨ ਜਾਂ ਚਾਰ ਬਚੇ ਹੋਏ ਨਕਸ਼ੇ ਤਿਆਰ ਕਰੋ ਅਤੇ ਦੇਖੋ ਕਿ ਕੀ ਟੀਚੇ ਦੀ ਵਿਗਾੜ ਉਹਨਾਂ ਸਾਰਿਆਂ 'ਤੇ ਇਕਸਾਰ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ। ਇੱਕ ਵਿਗਾੜ ਜੋ ਸਿਰਫ਼ ਇੱਕ ਅੰਤਰ ਵਿੱਚ ਪ੍ਰਗਟ ਹੁੰਦਾ ਹੈ ਅਕਸਰ ਇੱਕ ਪੈਰਾਮੀਟਰ ਆਰਟੀਫੈਕਟ ਹੁੰਦਾ ਹੈ।

ਡੂੰਘਾਈ ਦਾ ਅਨੁਮਾਨ ਅਤੇ ਆਟੋਮੇਸ਼ਨ

ਸੰਭਾਵੀ ਖੇਤਰਾਂ ਵਿੱਚ ਸਰੋਤ ਦੀ ਡੂੰਘਾਈ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਯੂਲਰ ਡੀਕਨਵੋਲਿਊਸ਼ਨ ਅਤੇ ਵਰਨਰ ਡੀਕਨਵੋਲਿਊਸ਼ਨ ਵਰਗੀਆਂ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਇਹ ਵਿਗਾੜ ਦੇ ਗਰੇਡੀਐਂਟ ਤੋਂ ਸਰੋਤ ਸਥਾਨ ਅਤੇ ਡੂੰਘਾਈ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਨ। AI ਇਹਨਾਂ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਹਜ਼ਾਰਾਂ ਹੱਲਾਂ ਨੂੰ ਕਲੱਸਟਰ ਕਰਕੇ ਇੱਕ ਸਾਫ਼ “ਡੂੰਘਾਈ ਕਲਾਉਡ” ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਵਿਧੀਆਂ ਇਨਪੁਟਸ ਲਈ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦੀਆਂ ਹਨ ਜਿਵੇਂ ਕਿ ਢਾਂਚਾਗਤ ਸੂਚਕਾਂਕ — ਉਹ ਧਾਰਨਾ ਜੋ ਸਰੋਤ ਦੀ ਜਿਓਮੈਟਰੀ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੀ ਹੈ; ਗਲਤ ਧਾਰਨਾ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਝੂਠੀ ਡੂੰਘਾਈ ਪੈਦਾ ਕਰਦੀ ਹੈ। AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਡੂੰਘਾਈ ਦੇ ਨਕਸ਼ੇ ਨੂੰ ਹਮੇਸ਼ਾ ਭੂ-ਵਿਗਿਆਨਕ ਪ੍ਰਸੰਨਤਾ ਅਤੇ ਜੇ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਭੂਚਾਲ/ਖੂਹ ਦੁਆਰਾ ਨਿਰੀਖਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਸਾਵਧਾਨ: ਚੁੰਬਕੀ ਡੇਟਾ ਵਿੱਚ ਧਰੁਵੀਤਾ ਅਤੇ ਅਕਸ਼ਾਂਸ਼ ਪ੍ਰਭਾਵਾਂ ਦੇ ਕਾਰਨ, ਵਿਗਾੜ ਸਿੱਧੇ ਸਰੋਤ ਤੋਂ ਉੱਪਰ ਨਹੀਂ ਹੋ ਸਕਦਾ ਹੈ। ਉੱਤਰੀ ਗੋਲਿਸਫਾਇਰ ਵਿੱਚ, ਵਿਗਾੜ ਸਰੋਤ ਦੇ ਦੱਖਣ ਵੱਲ ਬਦਲ ਸਕਦਾ ਹੈ। AI ਦੁਆਰਾ ਚਿੰਨ੍ਹਿਤ "ਸਰੋਤ ਕੇਂਦਰ" ਨੂੰ ਸਵੀਕਾਰ ਨਾ ਕਰੋ ਜਿੱਥੇ ਇਹ ਖੰਭੇ ਨੂੰ ਘਟਾਉਣ ਤੋਂ ਬਿਨਾਂ ਹੈ।

ਭੂਚਾਲ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਵਿਆਖਿਆ

ਸੰਭਾਵੀ ਖੇਤਰ ਇਕੱਲੇ ਮਾੜੇ ਰੈਜ਼ੋਲੂਸ਼ਨ ਦੇ ਹਨ; ਉਹਨਾਂ ਦੀ ਅਸਲ ਸ਼ਕਤੀ ਸਾਂਝੀ ਵਿਆਖਿਆ ਵਿੱਚ ਉਭਰਦੀ ਹੈ। ਗਰੈਵਿਟੀ ਬੇਸਿਨ ਦੀ ਡੂੰਘਾਈ ਦਿੰਦੀ ਹੈ, ਚੁੰਬਕੀ ਅਧਾਰ ਦੀ ਭੂਗੋਲਿਕਤਾ ਦਿੰਦੀ ਹੈ, ਅਤੇ ਭੂਚਾਲ ਵਧੀਆ ਬਣਤਰ ਦਿੰਦਾ ਹੈ। AI ਇਹਨਾਂ ਵੱਖ-ਵੱਖ ਡੇਟਾ ਲੇਅਰਾਂ ਨੂੰ ਇੱਕ ਆਮ ਮਾਡਲ (ਡੇਟਾ ਫਿਊਜ਼ਨ) ਵਿੱਚ ਜੋੜਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ; ਪਰ ਕੰਪੋਜ਼ਿਟਿੰਗ ਹਰ ਵਿਧੀ ਦੇ ਰੈਜ਼ੋਲੂਸ਼ਨ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਮਾਹਰ ਦੀ ਨਿਗਰਾਨੀ ਹੇਠ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 — ਬੇਸਿਨ ਦੇ ਕਿਨਾਰੇ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਨਾ। ਇੱਕ ਭੂ-ਥਰਮਲ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ, ਗਰੈਵਿਟੀ ਡੇਟਾ ਨਾਲ ਬੇਸਿਨ ਕਿਨਾਰੇ (ਨੁਕਸ ਸਟੈਪ) ਨੂੰ ਲੱਭਣਾ ਜ਼ਰੂਰੀ ਸੀ। AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕਿਨਾਰੇ ਦੀ ਖੋਜ (ਟਿਲਟ ਐਂਗਲ + ਐਨਾਲਿਟੀਕਲ ਸਿਗਨਲ) ਨੇ 12 ਉਮੀਦਵਾਰ ਕਿਨਾਰੇ ਲਾਈਨਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ। ਟੀਮ ਨੇ ਇਨ੍ਹਾਂ ਦਾ ਮੁਆਇਨਾ ਚੁੰਬਕੀ ਅਤੇ ਦੋ ਮੌਜੂਦਾ ਖੂਹਾਂ ਨਾਲ ਕੀਤਾ; 5 ਬੇਸਮੈਂਟ ਫਾਲਟ ਸਟੈਪ ਨਾਲ ਇਕਸਾਰ ਸਨ, 7 ਸ਼ੋਰ-ਪ੍ਰੇਰਿਤ ਸਨ। ਪ੍ਰਮਾਣਿਤ ਕਿਨਾਰੇ ਨੇ ਖੂਹ ਦੇ ਸਥਾਨ ਨੂੰ 800 ਮੀਟਰ ਤੱਕ ਬਦਲ ਦਿੱਤਾ।

ਕੇਸ 2 — ਅਕਸ਼ਾਂਸ਼ ਪ੍ਰਭਾਵ ਭੁਲੇਖਾ। ਇੱਕ ਖਣਿਜ ਖੋਜ ਵਿੱਚ, ਚੁੰਬਕੀ ਵਿਗਾੜ ਦੇ ਕੇਂਦਰ ਨੂੰ ਇੱਕ ਸਿੱਧੀ ਡ੍ਰਿਲਿੰਗ ਟੀਚੇ ਵਜੋਂ ਚੁਣਿਆ ਗਿਆ ਸੀ। ਪਹਿਲਾ ਖੂਹ ਖਾਲੀ ਹੋ ਗਿਆ। ਬਾਅਦ ਵਿੱਚ, ਜਦੋਂ ਖੰਭੇ ਨੂੰ ਘਟਾ ਦਿੱਤਾ ਗਿਆ, ਤਾਂ ਇਹ ਸਮਝਿਆ ਗਿਆ ਕਿ ਅਸਲ ਸਰੋਤ ਅਸਮਾਨਤਾ ਕੇਂਦਰ ਦੇ ਉੱਤਰ ਵੱਲ 300 ਮੀਟਰ ਸੀ: ਅਕਸ਼ਾਂਸ਼ ਪ੍ਰਭਾਵ ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਗਿਆ ਸੀ। ਦੂਜੀ ਸ਼ਾਫਟ ਨੇ ਧਾਤੂ ਦੇ ਸਰੀਰ ਨੂੰ ਪਾਇਆ.

ਕੇਸ 3 - ਪੈਰਾਮੀਟਰ ਨਿਰਭਰ ਭੂਤ। ਇੱਕ ਟੀਮ ਨੇ ਇੱਕ ਸਿੰਗਲ ਕੱਟ-ਆਫ ਤਰੰਗ-ਲੰਬਾਈ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੇ ਬਚੇ ਹੋਏ ਨਕਸ਼ੇ ਵਿੱਚ ਇੱਕ ਵੱਖਰਾ "ਏਮਬੈਡਡ ਬਣਤਰ" ਦੇਖਿਆ। ਜਦੋਂ ਨਕਸ਼ੇ ਨੂੰ ਵੱਖ-ਵੱਖ ਕੱਟ-ਆਫ ਮੁੱਲਾਂ ਨਾਲ ਦੁਬਾਰਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਢਾਂਚਾ ਗੁਆਚ ਗਿਆ ਸੀ: ਇਹ ਖੇਤਰੀ-ਅਵਸ਼ੇਸ਼ ਭੇਦ ਦਾ ਇੱਕ ਪੈਰਾਮੀਟਰ ਆਰਟੀਫੈਕਟ ਸੀ, ਅਸਲ ਸਰੋਤ ਨਹੀਂ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

1) ਮਸ਼ੀਨਿੰਗ ਸੁਧਾਰ ਨਿਯੰਤਰਣ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਗ੍ਰੈਵਿਟੀ/ਮੈਗਨੈਟਿਕ ਮਸ਼ੀਨਿੰਗ ਸਪੈਸ਼ਲਿਸਟ। ਉਪਜ: [ਭੂਮੀ ਗੰਭੀਰਤਾ, ਭੂਮੀ ਖੁਰਦਰੀ]। ਮੈਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਸੁਧਾਰਾਂ ਲਈ ਮੈਨੂੰ ਸੂਚੀਬੱਧ ਕਰੋ (ਮੁਫ਼ਤ ਹਵਾ, ਬੋਗੂਰ, ਭੂ-ਭਾਗ; ਪਿਕਅੱਪ 'ਤੇ ਰੋਜ਼ਾਨਾ +IGRF)। ਹਰੇਕ ਸੁਧਾਰ ਲਈ, ਟਿੱਪਣੀ ਵਿੱਚ ਖਾਸ ਗਲਤੀ ਅਤੇ ਇਸਦਾ ਪ੍ਰਭਾਵ ਲਿਖੋ ਜੇਕਰ ਛੱਡਿਆ ਗਿਆ ਹੋਵੇ।

2) ਖੇਤਰੀ-ਅਵਸ਼ੇਸ਼ ਵਿਤਕਰੇ ਦੀ ਜਾਂਚ:

ਮੈਂ ਖੇਤਰੀ-ਅਵਸ਼ੇਸ਼ ਭੇਦਭਾਵ ਕਰ ਰਿਹਾ ਹਾਂ, ਮੇਰਾ ਟੀਚਾ ਡੂੰਘਾਈ ~[X] ਕਿਲੋਮੀਟਰ ਹੈ। ਮੈਂ ਕੱਟਆਫ ਵੇਵ-ਲੰਬਾਈ ਦੀ ਚੋਣ ਕਿਵੇਂ ਕਰਾਂ? ਮੈਨੂੰ ਵੱਖ-ਵੱਖ ਕੱਟ-ਆਫ ਮੁੱਲਾਂ ਦੇ ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਬਚੇ-ਖੁਚੇ ਨਕਸ਼ਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਇੱਕ ਵਿਧੀ ਦਿਓ: ਮੈਂ ਕਿਵੇਂ ਫਰਕ ਕਰਾਂਗਾ ਕਿ ਕਿਹੜੀ ਵਿਗਾੜ ਅਸਲ ਹੈ ਅਤੇ ਕਿਹੜਾ ਪੈਰਾਮੀਟਰ ਆਰਟੀਫੈਕਟ ਹੈ?

3) ਡੂੰਘਾਈ ਅਨੁਮਾਨ ਨਿਯੰਤਰਣ:

ਮੈਂ ਯੂਲਰ ਡੀਕਨਵੋਲਿਊਸ਼ਨ ਨਾਲ ਡੂੰਘਾਈ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ। ਸਮਝਾਓ ਕਿ ਮੇਰੀ ਸੰਰਚਨਾਤਮਕ ਸੂਚਕਾਂਕ ਦੀ ਚੋਣ ਨਤੀਜੇ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ। ਮੈਂ ਵੱਖ-ਵੱਖ ਸੂਚਕਾਂਕ ਨਾਲ ਪ੍ਰਾਪਤ ਕੀਤੀ ਡੂੰਘਾਈ ਵੰਡਾਂ ਦੀ ਤੁਲਨਾ ਕਿਵੇਂ ਕਰ ਸਕਦਾ ਹਾਂ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਪ੍ਰਸੰਸਾਯੋਗਤਾ ਅਤੇ ਭੂਚਾਲ ਨਾਲ ਉਹਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਿਵੇਂ ਕਰ ਸਕਦਾ ਹਾਂ?

4) ਚੁੰਬਕੀ ਵੈਲਡਿੰਗ ਸਥਿਤੀ ਸੁਧਾਰ:

ਮੇਰੇ ਚੁੰਬਕੀ ਵਿਗਾੜ ਦੇ ਕੇਂਦਰ ਨੂੰ ਇੱਕ ਡ੍ਰਿਲਿੰਗ ਟੀਚਾ ਬਣਾਉਣ ਤੋਂ ਪਹਿਲਾਂ, ਵਿਥਕਾਰ ਪ੍ਰਭਾਵ ਅਤੇ ਇਸ ਨੂੰ ਖੰਭੇ ਤੱਕ ਘਟਾਉਣ ਦੀ ਲੋੜ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਮੈਂ ਸਰੋਤ ਦੇ ਅਸਲ ਟਿਕਾਣੇ ਅਤੇ ਵਿਗਾੜ ਕੇਂਦਰ ਦੇ ਵਿਚਕਾਰ ਔਫਸੈੱਟ ਲਈ ਕਿਵੇਂ ਖਾਤਾ ਬਣਾਵਾਂ? ਮੈਨੂੰ ਕਦਮ ਦਰ ਕਦਮ ਦੱਸੋ.

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਇਸ ਗੁਰੂਤਾ ਨਕਸ਼ੇ 'ਤੇ ਧਾਤ ਕਿੱਥੇ ਹੈ।

ਸੰਭਾਵੀ ਖੇਤਰ ਇਕੱਲਾ ਧਾਤ ਦਾ ਸੰਕੇਤ ਨਹੀਂ ਕਰਦਾ; AI ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਲੁਕਾਉਂਦਾ ਹੈ ਅਤੇ ਸਿੰਗਲ-ਪੁਆਇੰਟ ਝੂਠੀ ਨਿਸ਼ਚਤਤਾ ਪੈਦਾ ਕਰਦਾ ਹੈ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸੰਭਾਵੀ ਖੇਤਰ ਟਿੱਪਣੀਕਾਰ। ਸੰਦਰਭ: Bouguer ਅਨੌਮਲੀ ਨਕਸ਼ਾ, ਨਿਸ਼ਾਨਾ ਸਲਫਾਈਡ ਧਾਤੂ, ਦੋ ਖੂਹ ਮੌਜੂਦ ਹਨ। ਟਾਸਕ: (1) ਕਿਨਾਰੇ ਖੋਜ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਾਲ ਉਮੀਦਵਾਰ ਸਰੋਤ ਸੀਮਾਵਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ; (2) ਹਰੇਕ ਉਮੀਦਵਾਰ ਲਈ ਘੱਟੋ-ਘੱਟ ਦੋ ਘਣਤਾ-ਡੂੰਘਾਈ ਵਾਲੇ ਦ੍ਰਿਸ਼ ਦਿਓ, ਘੱਟ-ਛੋਟੇ ਅਤੇ ਡੂੰਘੇ-ਵੱਡੇ; (3) ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਇਹਨਾਂ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਕਿਹੜੇ ਵਾਧੂ ਡੇਟਾ (ਚੁੰਬਕੀ, ਭੂਚਾਲ, ਚੰਗੀ ਤਰ੍ਹਾਂ) ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਦੇ ਹੋ। ਇੱਕ ਵੀ ਸਟੀਕ ਸਰੋਤ ਟਿਕਾਣਾ ਨਾ ਦਿਓ।

ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਦ੍ਰਿਸ਼ ਅਤੇ ਕਰਾਸ-ਡੇਟਾ ਬੇਨਤੀਆਂ ਸੰਭਾਵੀ ਫੀਲਡ ਵਿਆਖਿਆ ਨੂੰ ਇਮਾਨਦਾਰ ਅਤੇ ਬਚਾਅਯੋਗ ਬਣਾਉਂਦੀਆਂ ਹਨ।

ਢੰਗ ਦੀ ਤੁਲਨਾ

ਵਿਸ਼ੇਸ਼ਤਾ

ਗੰਭੀਰਤਾ

ਚੁੰਬਕੀ

AI ਯੋਗਦਾਨ

ਅੰਤਰ ਇਹ ਮਾਪਦਾ ਹੈ

ਘਣਤਾ

ਚੁੰਬਕੀਕਰਨ

ਗੁਣ ਮਿਲਾਉਣਾ

ਆਮ ਟੀਚਾ

ਬੇਸਿਨ, ਲੂਣ, ਧਾਤ

ਬੈਡਰੋਕ, ਧਾਤੂ

ਕਿਨਾਰੇ / ਵੇਲਡ ਮਾਰਕਿੰਗ

ਮੁੱਖ ਅਨਿਸ਼ਚਿਤਤਾ

ਡੂੰਘਾਈ-ਐਂਪਲੀਟਿਊਡ

ਵਿਥਕਾਰ/ਪੋਲ ਪ੍ਰਭਾਵ

ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਘਟਾਓ

ਨਾਜ਼ੁਕ ਸੁਧਾਰ

ਬੋਗੂਰ, ਜ਼ਮੀਨ

ਰੋਜ਼ਾਨਾ, IGRF, RTP

ਆਟੋਮੇਸ਼ਨ, ਕੰਟਰੋਲ

ਆਮ ਗਲਤੀਆਂ

• ਫਰਕ ਸਿਰਫ ਨਕਸ਼ੇ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਹੈ. ਵੱਖ-ਵੱਖ ਕਟੌਫ ਮੁੱਲਾਂ ਨਾਲ ਅਸੰਗਤਤਾ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਕਿਸੇ ਢਾਂਚੇ ਦਾ ਐਲਾਨ ਨਾ ਕਰੋ।
• ਵਿਥਕਾਰ ਪ੍ਰਭਾਵ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ। ਚੁੰਬਕੀ ਵਿਗਾੜ ਕੇਂਦਰ ਸਿੱਧੇ ਸਰੋਤ ਤੋਂ ਉੱਪਰ ਨਹੀਂ ਹੈ।
• ਢਾਂਚਾਗਤ ਸੂਚਕਾਂਕ ਨੂੰ ਆਪਹੁਦਰੇ ਢੰਗ ਨਾਲ ਚੁਣਨਾ। ਯੂਲਰ ਡੂੰਘਾਈ ਇਸ ਧਾਰਨਾ ਲਈ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ ਹੈ।
• ਇਕੱਲੇ ਸੰਭਾਵੀ ਖੇਤਰ ਨੂੰ ਨਿਸ਼ਚਿਤ ਸਮਝਦੇ ਹੋਏ। ਘੱਟ ਰੈਜ਼ੋਲੂਸ਼ਨ; ਭੂਚਾਲ/ਚੰਗੀ ਨਾਲ ਮਿਲਾਓ।
• ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਲਈ ਸੈਟਲ ਕਰਨਾ ਜੋ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਲੁਕਾਉਂਦਾ ਹੈ। ਛੋਟੇ-ਛੋਟੇ ਬਨਾਮ ਡੂੰਘੇ-ਵੱਡੇ ਦ੍ਰਿਸ਼ ਬਣਾਉਣਾ ਯਕੀਨੀ ਬਣਾਓ।

ਸੰਖੇਪ ਵਿੱਚ

ਗਰੈਵਿਟੀ ਅਤੇ ਚੁੰਬਕੀ ਵਿਧੀਆਂ ਸਸਤੇ ਤੌਰ 'ਤੇ ਵੱਡੇ ਖੇਤਰਾਂ ਨੂੰ ਸਕੈਨ ਕਰਦੀਆਂ ਹਨ ਅਤੇ ਬੇਸਿਨ ਅਤੇ ਧਾਤ ਦੀ ਬਣਤਰ ਦੀ ਇੱਕ ਮੋਟਾ ਰੂਪਰੇਖਾ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ; AI ਰੈਂਡਰਿੰਗ, ਕਿਨਾਰੇ/ਸਰੋਤ ਮਾਰਕਿੰਗ, ਅਤੇ ਡੂੰਘਾਈ ਦੇ ਅਨੁਮਾਨ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਪਰ ਡੂੰਘਾਈ-ਐਪਲੀਟਿਊਡ ਅਨਿਸ਼ਚਿਤਤਾ, ਵਿਥਕਾਰ ਪ੍ਰਭਾਵ, ਅਤੇ ਸੰਭਾਵੀ ਖੇਤਰਾਂ ਵਿੱਚ ਮੌਜੂਦ ਪੈਰਾਮੀਟਰ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਏਆਈ ਆਉਟਪੁੱਟ ਨੂੰ ਬਹੁਤ ਨਾਜ਼ੁਕ ਬਣਾਉਂਦੀ ਹੈ। ਸਹੀ ਵਰਤੋਂ: ਕਈ ਦ੍ਰਿਸ਼ ਬਣਾਉਣਾ, ਵੱਖ-ਵੱਖ ਮਾਪਦੰਡਾਂ ਨਾਲ ਟੈਸਟ ਕਰਨਾ, ਭੌਤਿਕ ਵਿਗਿਆਨ ਦਾ ਨਿਰੀਖਣ ਕਰਨਾ ਜਿਵੇਂ ਕਿ ਖੰਭੇ ਤੱਕ ਕਮੀ ਅਤੇ ਭੂਚਾਲ/ਖੂਹ ਨਾਲ ਜੋੜਨਾ। ਅੰਤਮ ਵਿਆਖਿਆ ਉਸ ਮਾਹਰ ਦੀ ਹੈ ਜੋ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਨਹੀਂ ਛੁਪਾਉਂਦਾ.

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਗੰਭੀਰਤਾ ਜਾਂ ਚੁੰਬਕੀ ਵਿਗਾੜ (ਅਸਲ ਜਾਂ ਨਮੂਨਾ) ਚੁਣੋ। "ਖੇਤਰੀ-ਰੈਜ਼ੀਡਿਊ ਡਿਸਕਰੀਮੀਨੇਸ਼ਨ ਟੈਸਟ" ਟੈਮਪਲੇਟ ਨਾਲ ਵੱਖ-ਵੱਖ ਕੱਟ-ਆਫ ਵੇਵ-ਲੰਬਾਈ ਲਈ ਇੱਕ ਤੁਲਨਾਤਮਕ ਰੁਟੀਨ ਬਣਾਓ। ਜੇਕਰ ਚੁੰਬਕੀ ਹੈ, ਤਾਂ "ਚੁੰਬਕੀ ਸਰੋਤ ਟਿਕਾਣਾ ਸੁਧਾਰ" ਟੈਮਪਲੇਟ ਨਾਲ ਵਿਥਕਾਰ ਪ੍ਰਭਾਵ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਘੱਟੋ-ਘੱਟ ਦੋ ਵੱਖ-ਵੱਖ ਸਤ੍ਹਾ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਲਿਖੋ ਜੋ ਉਹਨਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਅਸੰਗਤਤਾ ਅਤੇ ਵਾਧੂ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹਨ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਸਾਰੇ ਰੈਂਡਰਿੰਗ ਸੁਧਾਰਾਂ ਨੂੰ ਲਾਗੂ ਕੀਤਾ (Bouguer/Train or log/IGRF)।
• [ ] ਮੈਂ ਵੱਖ-ਵੱਖ ਮਾਪਦੰਡਾਂ ਦੇ ਨਾਲ ਖੇਤਰੀ-ਰਹਿਤ ਅੰਤਰ ਦੀ ਜਾਂਚ ਕੀਤੀ।
• [ ] ਮੈਂ ਚੁੰਬਕੀ ਵਿੱਚ ਅਕਸ਼ਾਂਸ਼ ਪ੍ਰਭਾਵ/ਪੋਲ ਵਿੱਚ ਕਮੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ।
• [ ] ਮੈਂ ਵਿਗਾੜ ਲਈ ਘੱਟੋ-ਘੱਟ ਦੋ ਡੂੰਘਾਈ-ਐਂਪਲੀਟਿਊਡ ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕੀਤੇ ਹਨ।
• [ ] ਮੈਂ ਭੂਚਾਲ/ਖੂਹ/ਹੋਰ ਢੰਗ ਨਾਲ ਨਤੀਜੇ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ।