ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨਾਲ ਭੂ-ਵਿਗਿਆਨ ਅਤੇ ਡਰਿਲਿੰਗ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ — ਮਾਈਨਿੰਗ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ

ਲਾਭ:

ਏਆਈ ਸਹਾਇਤਾ ਨਾਲ ਡ੍ਰਿਲਿੰਗ ਲੌਗ, ਲਿਥੋਲੋਜੀ ਅਤੇ ਗ੍ਰੇਡ ਡੇਟਾ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਅਤੇ ਅਸੰਗਤਤਾਵਾਂ ਅਤੇ ਕੋਡਿੰਗ ਗਲਤੀਆਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਸਮਰੱਥਾ
ਕੋਰ ਫੋਟੋਗ੍ਰਾਫੀ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਨਿਰੀਖਣ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ AI ਨੂੰ ਪੂਰਵ-ਵਰਗੀਕਰਨ ਅਤੇ ਪਰਿਕਲਪਨਾ ਜਨਰੇਟਰ ਦੇ ਤੌਰ 'ਤੇ ਸਹੀ ਸਥਿਤੀ ਵਿੱਚ ਰੱਖਣ ਦੀ ਸਮਰੱਥਾ
ਭੂ-ਵਿਗਿਆਨੀ ਨਿਰੀਖਣ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਾਲ AI ਦੇ ਅਨੁਮਾਨਿਤ ਲਿਥੋਲੋਜੀ/ਪਰਿਵਰਤਨ ਵਿਆਖਿਆ ਨੂੰ ਕ੍ਰਾਸ-ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਹਰ ਮਾਈਨਿੰਗ ਪ੍ਰੋਜੈਕਟ ਦਾ ਆਧਾਰ ਭੂਮੀਗਤ ਤੋਂ ਲਏ ਗਏ ਨਮੂਨੇ ਹਨ। ਇਹਨਾਂ ਉਦਾਹਰਨਾਂ ਵਿੱਚੋਂ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹੈ ਡ੍ਰਿਲ ਕੋਰ (ਇੱਕ ਨਿਰੰਤਰ ਨਮੂਨਾ ਜਿਸ ਨੂੰ ਡ੍ਰਿਲਿੰਗ ਮਸ਼ੀਨ ਇੱਕ ਸਿਲੰਡਰ ਆਕਾਰ ਵਿੱਚ ਚੱਟਾਨ ਵਿੱਚੋਂ ਕੱਢਦੀ ਹੈ)। ਭੂ-ਵਿਗਿਆਨੀ ਕੋਰ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ; ਇਹ ਚੱਟਾਨ ਦੀ ਕਿਸਮ (ਲਿਥੋਲੋਜੀ), ਬਣਤਰ, ਤਬਦੀਲੀ (ਗਰਮ ਪਾਣੀ ਅਤੇ ਰਸਾਇਣਕ ਪ੍ਰਭਾਵਾਂ ਦੁਆਰਾ ਚੱਟਾਨ ਦੀ ਤਬਦੀਲੀ) ਅਤੇ ਖਣਿਜੀਕਰਨ ਨੂੰ ਰਿਕਾਰਡ ਕਰਦਾ ਹੈ, ਅਤੇ ਗ੍ਰੇਡ ਲਈ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਨਮੂਨਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ। ਨਤੀਜਾ ਮੀਟਰ ਦੁਆਰਾ ਰਿਕਾਰਡ ਕੀਤਾ ਗਿਆ ਇੱਕ ਵਿਸ਼ਾਲ ਟੇਬਲ ਹੈ, ਜਿਸਨੂੰ ਡਰਿਲਿੰਗ ਲੌਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਸਿੰਗਲ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਸੈਂਕੜੇ ਡ੍ਰਿਲਿੰਗ ਅਤੇ ਹਜ਼ਾਰਾਂ ਲਾਈਨਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਡੇਟਾ ਨੂੰ ਸਾਫ਼ ਕਰਨਾ, ਇਸ ਨੂੰ ਜੋੜਨਾ, ਅਸੰਗਤਤਾ ਨੂੰ ਫੜਨਾ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਵਿਆਖਿਆਵਾਂ ਨੂੰ ਕੱਢਣਾ; ਇਹ ਇੱਕ ਅਜਿਹਾ ਖੇਤਰ ਹੈ ਜਿੱਥੇ AI ਅਸਲ ਵਿੱਚ ਤੇਜ਼ ਹੋ ਰਿਹਾ ਹੈ, ਪਰ ਹਰੇਕ ਕਦਮ ਨੂੰ ਭੂ-ਵਿਗਿਆਨੀ ਦੀ ਅੱਖ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ AI ਨਾਲ ਡ੍ਰਿਲਿੰਗ/ਭੂ-ਵਿਗਿਆਨ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸਾਫ਼ ਕਰਨਾ ਹੈ, ਕੋਰ ਚਿੱਤਰ ਦੀ ਪੂਰਵ-ਵਿਆਖਿਆ ਕਿਵੇਂ ਕਰਨੀ ਹੈ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਹੈ।

ਡਿਰਲ ਡੇਟਾ ਟੇਬਲ ਦੀ ਐਨਾਟੋਮੀ

ਇੱਕ ਡ੍ਰਿਲਿੰਗ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਚਾਰ ਟੇਬਲ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਜੋੜਨਾ ਅੱਧਾ ਕੰਮ ਹੈ:

ਕਾਲਰ: ਸ਼ੁਰੂਆਤੀ ਕੋਆਰਡੀਨੇਟ (X, Y, Z) ਅਤੇ ਹਰੇਕ ਬੋਰਹੋਲ ਦੀ ਕੁੱਲ ਡੂੰਘਾਈ।
ਸਰਵੇਖਣ (ਵਿਚਕਾਰ): ਡੂੰਘਾਈ ਦੇ ਨਾਲ ਡ੍ਰਿਲੰਗ ਦੀ ਢਲਾਨ (ਡੁਬਕੀ) ਅਤੇ ਦਿਸ਼ਾ (ਅਜ਼ੀਮਥ) ਵਿੱਚ ਤਬਦੀਲੀ। ਡ੍ਰਿਲਿੰਗ ਕਦੇ ਵੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਿੱਧੀ ਨਹੀਂ ਹੁੰਦੀ।
ਲਿਥੋਲੋਜੀ: ਚੱਟਾਨ ਦੀ ਕਿਸਮ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਨਿਰੀਖਣ ਪੂਰੀ ਡੂੰਘਾਈ ਸੀਮਾ (ਤੋਂ) ਤੱਕ।
ਪਰਖ: ਡੂੰਘਾਈ ਸੀਮਾ ਵਿੱਚ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਗ੍ਰੇਡ ਨਤੀਜੇ (ਉਦਾਹਰਨ ਲਈ Au g/t, Cu %)।

ਇਹਨਾਂ ਸਾਰਣੀਆਂ ਨੂੰ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਜਿਵੇਂ ਕਿ < ਤੋਂ, ਰੇਂਜਾਂ ਨੂੰ ਓਵਰਲੈਪ ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਕੋਡ ਇਕਸਾਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਅਸਲ ਜੀਵਨ ਵਿੱਚ, ਹੱਥੀਂ ਦਰਜ ਕੀਤੇ ਗਏ ਇਸ ਡੇਟਾ ਵਿੱਚ ਹਮੇਸ਼ਾ ਗਲਤੀਆਂ ਹੁੰਦੀਆਂ ਹਨ: ਗੁੰਮ ਰੇਂਜ, ਓਵਰਲੈਪਿੰਗ ਰੇਂਜ, ਯੂਨਿਟ ਉਲਝਣ (ppm ਅਤੇ % ਮਿਕਸਿੰਗ), ਲਿਥੋਲੋਜੀ ਕੋਡ (GRN, Grn, ਗ੍ਰੇਨਾਈਟ), ਕੋਡ ਜਿਵੇਂ ਕਿ 999 ਜਾਂ -9 ਇੱਕ ਨਲ ਮੁੱਲ ਦੀ ਬਜਾਏ। AI ਅਜਿਹੀਆਂ ਅਸੰਗਤੀਆਂ ਨੂੰ ਸਕੈਨ ਕਰਨ ਅਤੇ ਫਲੈਗ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ; ਪਰ ਤੁਹਾਨੂੰ ਭੂ-ਵਿਗਿਆਨੀ ਦੀ ਪ੍ਰਵਾਨਗੀ ਨਾਲ ਸੁਧਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।

ਕਦਮ-ਦਰ-ਕਦਮ: AI ਨਾਲ ਡਾਟਾ ਕਲੀਨਿੰਗ ਨੂੰ ਡ੍ਰਿਲ ਕਰਨਾ

ਡਾਟਾ ਪੇਸ਼ ਕਰੋ। AI ਨੂੰ ਕਾਲਮ ਦੇ ਨਾਮ, ਇਕਾਈਆਂ, ਅਤੇ ਕੁਝ ਨਮੂਨਾ ਕਤਾਰਾਂ ਦਿਓ (ਅਸਲ ਕੋਆਰਡੀਨੇਟਸ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ)। ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਵਰਣਨ ਕਰੋ ਕਿ ਕੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
ਨਿਯਮਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਬਣਾਓ। ਏਆਈ ਨੂੰ "ਇਸ ਸਾਰਣੀ ਲਈ ਮੈਨੂੰ ਕਿਹੜੇ ਇਕਸਾਰਤਾ ਨਿਯਮਾਂ ਦੀ ਜਾਂਚ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ" ਦੀ ਸੂਚੀ ਲਈ ਪੁੱਛੋ, ਸਿਖਰ 'ਤੇ ਆਪਣੇ ਖੁਦ ਦੇ ਨਿਯਮ ਸ਼ਾਮਲ ਕਰੋ।
ਇੱਕ ਅਸੰਗਤਤਾ ਸਕੈਨ ਕਰੋ। ਸਿਰਫ਼ AI ਨੂੰ ਫਲੈਗ ਕਰਨ ਲਈ ਕਹੋ, ਸਵੈ-ਸੁਧਾਰਨ ਲਈ ਨਹੀਂ। ਹਰੇਕ ਚਿੰਨ੍ਹ ਲਈ ਉਚਿਤਤਾ ਦੀ ਮੰਗ ਕਰੋ।
ਕੱਚੇ ਸਰੋਤ ’ਤੇ ਵਾਪਸ ਜਾਓ। ਅਸਲ ਬੋਰਹੋਲ ਲੌਗ ਜਾਂ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਸਰਟੀਫਿਕੇਟ ਦੇ ਵਿਰੁੱਧ ਹਰੇਕ ਚਿੰਨ੍ਹਿਤ ਲਾਈਨ ਦੀ ਜਾਂਚ ਕਰੋ।
ਇਸ ਨੂੰ ਠੀਕ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰੋ. ਭੂ-ਵਿਗਿਆਨੀ ਸੁਧਾਰ ਕਰਦਾ ਹੈ; AI ਸਿਰਫ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ.

ਸੁਝਾਅ: AI ਨੂੰ ਨਾ ਕਹੋ "ਮੈਨੂੰ ਸਹੀ ਕੀਤੀ ਸਾਰਣੀ ਦਿਓ"; "ਤਰਕ ਨਾਲ ਸ਼ੱਕੀ ਲਾਈਨਾਂ ਨੂੰ ਫਲੈਗ ਕਰੋ" ਕਹੋ। ਇੱਕ ਸਵੈ-ਸੁਧਾਰਣ ਸਾਰਣੀ ਵਿੱਚ, ਚੁੱਪਚਾਪ ਨਿਕਾਰਾ ਹੋਣ ਵਾਲੀਆਂ ਕਤਾਰਾਂ ਵੱਲ ਧਿਆਨ ਦੇਣਾ ਲਗਭਗ ਅਸੰਭਵ ਹੈ।

ਕੋਰ ਫੋਟੋ ਅਤੇ ਵਿਜ਼ੂਅਲ ਵਿਆਖਿਆ

ਆਧੁਨਿਕ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ, ਕੋਰ ਬਕਸਿਆਂ ਦੀ ਫੋਟੋ ਖਿੱਚੀ ਜਾਂਦੀ ਹੈ. ਮਲਟੀ-ਮਾਡਲ ਏਆਈ ਟੂਲਜ਼ (ਮਾਡਲ ਜੋ ਚਿੱਤਰਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵੀ ਕਰ ਸਕਦੇ ਹਨ) ਇਹਨਾਂ ਤਸਵੀਰਾਂ ਤੋਂ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਵਿਆਖਿਆ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ: ਰੰਗ ਬਦਲਣਾ, ਸੰਭਵ ਫ੍ਰੈਕਚਰ ਘਣਤਾ, ਨਾੜੀਆਂ ਦੀ ਮੌਜੂਦਗੀ, ਸੰਭਾਵੀ ਤਬਦੀਲੀ ਵਾਲੇ ਜ਼ੋਨ। ਇਹ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਸਕ੍ਰੀਨਿੰਗ ਦੇ ਰੂਪ ਵਿੱਚ ਕੀਮਤੀ ਹੈ ਜੋ ਭੂ-ਵਿਗਿਆਨੀ ਨੂੰ "ਇੱਥੇ ਧਿਆਨ ਨਾਲ ਦੇਖੋ।" ਹਾਲਾਂਕਿ, ਲਿਥੋਲੋਜੀ ਅਤੇ ਪਰਿਵਰਤਨ ਦੇ ਫੈਸਲੇ ਕਦੇ ਵੀ ਫੋਟੋਆਂ ਤੋਂ ਨਹੀਂ ਲਏ ਜਾਂਦੇ; ਕੋਰ ਦੀ ਹੱਥੀਂ ਜਾਂਚ, ਕਠੋਰਤਾ ਟੈਸਟ, ਐਸਿਡ ਪ੍ਰਤੀਕ੍ਰਿਆ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਏਆਈ ਲਈ ਰੰਗ ਤੋਂ "ਸੋਨਾ ਹੈ" ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਇੱਕ ਗੰਭੀਰ ਗਲਤੀ ਹੈ; ਸੋਨਾ ਅਕਸਰ ਨੰਗੀ ਅੱਖ ਲਈ ਅਦਿੱਖ ਹੁੰਦਾ ਹੈ ਅਤੇ ਸਿਰਫ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਪਛਾਣਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਯੂਨਿਟ ਦਖਲਅੰਦਾਜ਼ੀ ਕੈਪਚਰ। ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ, ਪਰਖ ਸਾਰਣੀ ਵਿੱਚ 12,000 ਕਤਾਰਾਂ ਹਨ। ਭੂ-ਵਿਗਿਆਨੀ AI ਨਾਲ ਸਾਰਣੀ ਦੀ ਜਾਣ-ਪਛਾਣ ਕਰਵਾਉਂਦਾ ਹੈ ਅਤੇ ਕਹਿੰਦਾ ਹੈ, "Au ਕਾਲਮ ਵਿੱਚ 100 g/t ਤੋਂ ਉੱਪਰ ਦੇ ਮੁੱਲਾਂ ਵਾਲੀਆਂ ਕਤਾਰਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ; ਇਹ ਜਾਂ ਤਾਂ ਸਹੀ ਉੱਚ ਗ੍ਰੇਡ ਜਾਂ ppm/ppb ਮਿਕਸਿੰਗ ਹੋ ਸਕਦੀਆਂ ਹਨ।" AI 37 ਲਾਈਨਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰਦਾ ਹੈ। ਭੂ-ਵਿਗਿਆਨੀ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਸਰਟੀਫਿਕੇਟਾਂ ਨੂੰ ਦੇਖਦਾ ਹੈ; ਉਸ ਨੇ ਪਾਇਆ ਕਿ 34 ਅਸਲ ਵਿੱਚ ppb (ਇੱਕ ਅਰਬ ਪ੍ਰਤੀ) ਵਜੋਂ ਦਰਜ ਕੀਤੇ ਗਏ ਸਨ ਪਰ ਗਲਤੀ ਨਾਲ g/t ਸਮਝੇ ਗਏ ਸਨ, ਜਦੋਂ ਕਿ 3 ਅਸਲ ਬੋਨਾਂਜ਼ਾ (ਬਹੁਤ ਉੱਚ ਦਰਜੇ) ਸਨ। ਜੇਕਰ ਇਹਨਾਂ 34 ਲਾਈਨਾਂ ਨੂੰ ਠੀਕ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਔਸਤ ਗ੍ਰੇਡ ਨਕਲੀ ਤੌਰ 'ਤੇ ਵਧਾਇਆ ਜਾਵੇਗਾ ਅਤੇ ਰਿਜ਼ਰਵ ਵਧਾ ਦਿੱਤਾ ਜਾਵੇਗਾ।

ਕੇਸ 2 — ਓਵਰਲੈਪਿੰਗ ਰੇਂਜ। ਇੱਕ ਲਿਥੋਲੋਜੀ ਟੇਬਲ ਵਿੱਚ, ਕੁਝ ਅੰਤਰਾਲ ਤੋਂ ਲੈ ਕੇ ਓਵਰਲੈਪ ਹੁੰਦੇ ਹਨ: 45.0-52.0 ਮੀਟਰ ਗ੍ਰੇਨਾਈਟ ਅਤੇ 50.0-58.0 ਮੀਟਰ ਸ਼ੈਲ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। AI ਇਹਨਾਂ ਓਵਰਲੈਪਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਦਾ ਹੈ ਅਤੇ ਓਵਰਲੈਪ ਦੀਆਂ ਕੁੱਲ 19 ਲਾਈਨਾਂ ਦਿਖਾਉਂਦਾ ਹੈ। ਭੂ-ਵਿਗਿਆਨੀ ਕੱਚੇ ਲੌਗ ਵੱਲ ਮੁੜਦਾ ਹੈ; ਡਾਟਾ ਐਂਟਰੀ ਵਿੱਚ ਇੱਕ ਲਾਈਨ ਸ਼ਿਫਟ ਲੱਭਦਾ ਅਤੇ ਠੀਕ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਓਵਰਲੈਪਿੰਗ ਅੰਤਰਾਲਾਂ ਨੂੰ ਠੀਕ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਇਹ ਅਸਪਸ਼ਟ ਰਹੇਗਾ ਕਿ ਬਲਾਕ ਮਾਡਲ ਨੂੰ ਕਿਹੜੀ ਚੱਟਾਨ ਦੀ ਕਿਸਮ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਵੇਗੀ ਅਤੇ ਟਨੇਜ ਦੀ ਗਲਤ ਗਣਨਾ ਕੀਤੀ ਜਾਵੇਗੀ।

ਕੇਸ 3 - ਗਲਤ ਦ੍ਰਿਸ਼ਟੀਗਤ ਅਨੁਮਾਨ (ਚੇਤਾਵਨੀ)। ਇੱਕ ਇੰਟਰਨ AI ਨੂੰ ਕੋਰ ਫੋਟੋ ਦਿੰਦਾ ਹੈ ਅਤੇ ਪੁੱਛਦਾ ਹੈ, "ਕੀ ਇਸ ਜ਼ੋਨ ਵਿੱਚ ਕੋਈ ਧਾਤ ਹੈ?" AI ਲਾਲੀ ਅਤੇ ਨਾੜੀਆਂ ਨੂੰ ਦੇਖਦਾ ਹੈ ਅਤੇ ਕਹਿੰਦਾ ਹੈ "ਸੰਭਾਵੀ ਖਣਿਜੀਕਰਨ ਉੱਚ ਹੈ।" ਇੰਟਰਨ ਇਸ ਨੂੰ "ਮਿਨਰਲਾਈਜ਼ਡ" ਵਜੋਂ ਲੌਗ ਵਿੱਚ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਲਾਲੀ ਆਇਰਨ ਆਕਸਾਈਡ ਦਾ ਧੱਬਾ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ ਆਰਥਿਕ ਧਾਤ ਨਹੀਂ ਹੈ; ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿਸ਼ਲੇਸ਼ਣ ਟਰੇਸ ਪੱਧਰਾਂ 'ਤੇ ਗ੍ਰੇਡ ਲੱਭਦਾ ਹੈ। ਪਾਠ: ਚਿੱਤਰ ਤੋਂ ਗ੍ਰੇਡ/ਓਰ ਨੂੰ ਨਿਰਧਾਰਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ; AI ਆਉਟਪੁੱਟ ਸਿਰਫ ਇੱਕ "ਪੜਤਾਲ" ਚਿੰਨ੍ਹ ਹੈ, ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ.

ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ

ਡ੍ਰਿਲ ਡੇਟਾ ਇਕਸਾਰਤਾ ਸਕੈਨਿੰਗ "ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਸਹਾਇਕ ਸਰੋਤ/ਡਾਟਾਬੇਸ ਭੂ-ਵਿਗਿਆਨੀ ਹੋ। ਹੇਠਾਂ ਇੱਕ [ਲਿਥੋਲੋਜੀ/ਅਸੈ] ਸਾਰਣੀ ਹੈ ਜੋ ਕਿ-ਤੋਂ-ਤੋਂ ਦੂਰ ਹੈ। ਕਾਲਮ: [ਸੂਚੀ, ਇਕਾਈਆਂ ਦੇ ਨਾਲ]। ਹੇਠ ਲਿਖੀਆਂ ਅਸੰਗਤਤਾਵਾਂ ਨੂੰ ROW ਨੰਬਰ ਅਤੇ ਕਾਰਨ ਦੇ ਨਾਲ ਚਿੰਨ੍ਹਿਤ ਕਰੋ: ਤੋਂ>=ਤੋਂ, ਓਵਰਲੈਪਿੰਗ ਰੇਂਜ, ਵੱਖ-ਵੱਖ ਕੋਡ, ਸਪੇਸਡ ਕੋਡ, ਸਪੇਸਡ ਗੈਪ- ਨੈਗੇਟਿਵ/ਆਊਟਲੀਅਰ, ਖਾਲੀ ਦੀ ਬਜਾਏ ਕੋਡ (999/-9) ਠੀਕ ਨਾ ਕਰੋ, ਸਿਰਫ਼ ਟੇਬਲ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ: [ਪੇਸਟ]।

ਲਿਥੋਲੋਜੀ ਕੋਡ ਸਟੈਂਡਰਡਾਈਜ਼ੇਸ਼ਨ "ਹੇਠ ਲਿਖੇ ਲਿਥੋਲੋਜੀ ਕੋਡ ਹੱਥਾਂ ਨਾਲ ਦਰਜ ਕੀਤੇ ਗਏ ਸਨ ਅਤੇ ਅਸੰਗਤ ਹਨ। ਇੱਕੋ ਚੱਟਾਨ ਦੀ ਕਿਸਮ ਦੇ ਵੱਖ-ਵੱਖ ਸਪੈਲਿੰਗਾਂ ਨੂੰ ਸਮੂਹ ਕਰੋ (ਜਿਵੇਂ ਕਿ GRN/Grn/granite)। ਹਰੇਕ ਸਮੂਹ ਲਈ ਇੱਕ ਸਿੰਗਲ ਸਿਫ਼ਾਰਿਸ਼ ਕੀਤਾ ਸਟੈਂਡਰਡ ਕੋਡ ਲਿਖੋ। ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ: [ਮੂਲ ਕੋਡ] -> [ਤੁਹਾਡੇ ਲਈ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਗਰੁੱਪਾਂ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਗਈ ਹੈ। ਕੋਡ: [ਪੇਸਟ]।"

ਕੋਰ ਫੋਟੋ ਪ੍ਰੀ-ਸਕੈਨਿੰਗ "ਇਸ ਕੋਰ ਫੋਟੋ ਵਿੱਚ ਮੈਨੂੰ ਧਿਆਨ ਦੇਣ ਵਾਲੀਆਂ ਵਿਜ਼ੂਅਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ: ਰੰਗ ਬਦਲਣ ਵਾਲੇ ਜ਼ੋਨ, ਸੰਭਾਵਿਤ ਫ੍ਰੈਕਚਰ/ਫ੍ਰੈਕਚਰ ਘਣਤਾ, ਦਿਖਾਈ ਦੇਣ ਵਾਲੀ ਨਾੜੀ, ਸੰਭਾਵੀ ਤਬਦੀਲੀ ਦੇ ਚਿੰਨ੍ਹ। ਇਹਨਾਂ ਨੂੰ ਇੱਕ ਹਾਈਪੋਥੀਸਿਸ ਦੇ ਤੌਰ ਤੇ ਲਿਖੋ; ਚੱਟਾਨ ਦੀ ਕਿਸਮ ਜਾਂ ਗ੍ਰੇਡ ਬਾਰੇ ਫੈਸਲਾ ਨਾ ਕਰੋ। ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਲਈ, ਫੀਲਡ ਵਿੱਚ ਕੀ ਪਤਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।

ਭੂ-ਵਿਗਿਆਨਕ ਲੌਗ ਸੰਖੇਪ "ਹੇਠਾਂ ਲਿਖਿਆ ਟੈਕਸਟ ਇੱਕ ਡ੍ਰਿਲੰਗ ਦਾ ਭੂ-ਵਿਗਿਆਨਕ ਲੌਗ ਹੈ। ਇਸਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਸਿਰਲੇਖਾਂ ਦੇ ਨਾਲ ਇੱਕ ਸੰਰਚਨਾਬੱਧ ਸੰਖੇਪ ਵਿੱਚ ਬਦਲੋ: ਪ੍ਰਮੁੱਖ ਲਿਥੋਲੋਜੀਜ਼ ਅਤੇ ਡੂੰਘਾਈ ਸੀਮਾਵਾਂ, ਪਰਿਵਰਤਨ ਜ਼ੋਨ, ਸਟ੍ਰਕਚਰਲ ਨੋਟਸ (ਨੁਕਸ/ਫ੍ਰੈਕਚਰ), ਖਣਿਜ ਨਿਰੀਖਣ। ਕਿਸੇ ਵੀ ਅਜਿਹੀ ਚੀਜ਼ ਵਿੱਚ ਨਾ ਜੋੜੋ ਜੋ n ਪਾਠ ਦੇ ਰੂਪ ਵਿੱਚ ਹੋਵੇ; 'ਅਸਪਸ਼ਟ' ਲਾਗ: [ਪੇਸਟ]।"

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਇਸ ਡ੍ਰਿਲਿੰਗ ਡੇਟਾ ਨੂੰ ਠੀਕ ਕਰੋ।"

ਮਜ਼ਬੂਤ ਸੰਕੇਤ: "ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਸਹਾਇਕ ਡੇਟਾਬੇਸ ਭੂ-ਵਿਗਿਆਨੀ ਹੋ। ਹੇਠਾਂ ਦਿੱਤੀ ਪਰਖ ਸਾਰਣੀ ਵਿੱਚ, ਸਿਰਫ਼ ਸ਼ੱਕੀ ਕਤਾਰਾਂ ਨੂੰ ਫਲੈਗ ਕਰੋ (ਤੋਂ>= ਤੋਂ, ppm/% ਸ਼ੱਕੀ ਮਿਲਾਵਟ, ਨਕਾਰਾਤਮਕ ਮੁੱਲ, ਖਾਲੀ ਦੀ ਬਜਾਏ 999)। ਹਰੇਕ ਝੰਡੇ ਲਈ ਕਤਾਰ ਨੰਬਰ + ਕਾਰਨ ਦਿਓ। ਸਵੈ-ਸੁਧਾਰ ਨਾ ਕਰੋ; ਮੈਂ ਕੋਲੋ ਆਈਡੀ ਸਰਟੀਫਿਕੇਟ ਦੀ ਜਾਂਚ ਕਰਾਂਗਾ। To(m), Au(g/t) ਸਾਰਣੀ: [ਪੇਸਟ]।"

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ AI ਨੂੰ ਦੱਸਦਾ ਹੈ "ਤੁਸੀਂ ਫੈਸਲਾ ਕਰੋ ਅਤੇ ਬਦਲੋ"; ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ AI ਨੂੰ ਮਾਰਕ ਕਰਨ ਲਈ ਸੀਮਿਤ ਕਰਦਾ ਹੈ, ਸੁਧਾਰ ਅਧਿਕਾਰ ਭੂ-ਵਿਗਿਆਨੀ ਨੂੰ ਛੱਡਦਾ ਹੈ।

ਤੁਲਨਾ ਸਾਰਣੀ: ਕਿਸ ਕਾਰੋਬਾਰ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਏ

ਖੋਜ

ਏਆਈ ਦੀ ਭੂਮਿਕਾ

ਜਿਸਦਾ ਫੈਸਲਾ

ਤਸਦੀਕ

ਅਸੰਗਤਤਾ ਮਾਰਕਿੰਗ

ਸ਼ਕਤੀਸ਼ਾਲੀ ਬਰਾਊਜ਼ਰ

ਭੂ-ਵਿਗਿਆਨੀ ਠੀਕ ਕਰਦਾ ਹੈ

ਕੱਚਾ ਲੌਗ/ਸਰਟੀਫਿਕੇਟ

ਲਿਥੋਲੋਜੀ ਕੋਡ ਨੂੰ ਮਿਲਾਉਣਾ

ਸੁਝਾਅ

ਭੂ-ਵਿਗਿਆਨੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ

ਕੋਡ ਡਿਕਸ਼ਨਰੀ

ਕੋਰ ਫੋਟੋ ਟਿੱਪਣੀ

ਪ੍ਰੀ-ਸਕ੍ਰੀਨਿੰਗ/ਕਲਪਨਾ

ਭੂ-ਵਿਗਿਆਨੀ/ਪ੍ਰਯੋਗਸ਼ਾਲਾ

ਦਸਤੀ ਨਿਰੀਖਣ + ਵਿਸ਼ਲੇਸ਼ਣ

ਗ੍ਰੇਡ/ਧਾਤੂ ਦਾ ਫੈਸਲਾ

ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ

ਪ੍ਰਯੋਗਸ਼ਾਲਾ

ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਵਿਸ਼ਲੇਸ਼ਣ

ਲੌਗ ਟੈਕਸਟ ਨੂੰ ਸੰਖੇਪ ਕਰੋ

ਸੰਰਚਨਾਕਾਰ

ਭੂ-ਵਿਗਿਆਨੀ

ਮੂਲ ਪਾਠ ਨਾਲ ਤੁਲਨਾ

ਆਮ ਗਲਤੀਆਂ

AI ਨਾਲ ਸਾਰਣੀ ਨੂੰ "ਆਟੋ-ਸੁਰੱਖਿਅਤ" ਕਰਨਾ। ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਚੁੱਪ ਵਿਗਾੜਾਂ ਵੱਲ ਧਿਆਨ ਨਾ ਦਿਓ; ਬਸ ਇਸ ਨੂੰ ਮਾਰਕ ਕਰੋ.
ਕੋਰ ਫੋਟੋ ਤੋਂ ਗ੍ਰੇਡ/ਓਰ ਕੱਢਣਾ। ਸੋਨਾ ਅਕਸਰ ਨੰਗੀ ਅੱਖ ਲਈ ਅਦਿੱਖ ਹੁੰਦਾ ਹੈ; ਫੈਸਲਾ ਤੁਹਾਡਾ ਵਿਸ਼ਲੇਸ਼ਣ ਹੈ।
ਅਗਿਆਤ ਕੀਤੇ ਬਿਨਾਂ ਅਸਲ ਕੋਆਰਡੀਨੇਟਸ ਨੂੰ ਪੇਸਟ ਕਰਨਾ। ਲਾਇਸੰਸ ਅਤੇ ਕੋਆਰਡੀਨੇਟ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਹਨ।
ਅਸਲ ਲੌਗ ਨਾਲ AI ਸੰਖੇਪ ਦੀ ਤੁਲਨਾ ਨਹੀਂ ਕਰਨਾ. AI ਇੱਕ ਨਿਰੀਖਣ ਜੋੜ ਸਕਦਾ ਹੈ ਜੋ ਟੈਕਸਟ ਵਿੱਚ ਨਹੀਂ ਹੈ (ਭਰਮ)।
ਇਕਾਈ ਦੇ ਮੇਲ ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ppm/%/g/t/ppb ਮਿਸ਼ਰਣ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਰਿਜ਼ਰਵ ਨੂੰ ਵਿਗਾੜਦਾ ਹੈ।

ਧਿਆਨ ਦਿਓ: ਡ੍ਰਿਲਿੰਗ ਡੇਟਾ ਵਿੱਚ ਇੱਕ ਯੂਨਿਟ ਦੀ ਗਲਤੀ ਇੱਕ ਲਾਈਨ ਵਿੱਚ ਨਹੀਂ ਰਹਿੰਦੀ; ਕੰਪੋਜ਼ਿਟਿੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਅਤੇ ਰਿਜ਼ਰਵ ਵਿੱਚ ਵਧਦੀ ਅਤੇ ਫੈਲਦੀ ਹੈ। ਸਫਾਈ ਦੇ ਪੜਾਅ ਵਿੱਚ ਲਗਨ ਸਾਰੇ ਅਗਲੇ ਖਾਤਿਆਂ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਡ੍ਰਿਲਿੰਗ/ਭੂ-ਵਿਗਿਆਨ ਡੇਟਾ ਵਿੱਚ ਚਾਰ ਮੁੱਖ ਸਾਰਣੀਆਂ (ਕਾਲਰ, ਸਰਵੇਖਣ, ਲਿਥੋਲੋਜੀ, ਪਰਖ) ਸ਼ਾਮਲ ਹਨ ਅਤੇ ਇਕਸਾਰਤਾ ਨਿਯਮ ਮਹੱਤਵਪੂਰਨ ਹਨ। AI ਇਸ ਡੇਟਾ ਅਸੰਗਤਤਾ ਸਕੈਨਿੰਗ, ਕੋਡ ਮਾਨਕੀਕਰਨ, ਲੌਗ ਸੰਖੇਪ ਅਤੇ ਕੋਰ ਫੋਟੋ ਪ੍ਰੀ-ਸਕੈਨਿੰਗ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਤਾ ਹੈ। ਹਾਲਾਂਕਿ, ਸੁਧਾਰ ਦਾ ਫੈਸਲਾ ਭੂ-ਵਿਗਿਆਨੀ ਦਾ ਹੈ, ਅਤੇ ਗ੍ਰੇਡ/ਓਰ ਦਾ ਫੈਸਲਾ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਨਾਲ ਸਬੰਧਤ ਹੈ। AI ਮਾਰਕ ਦਾ ਸੰਪਾਦਨ ਨਾ ਕਰੋ, ਕੱਚੇ ਸਰੋਤ ਤੋਂ ਹਰੇਕ ਨਿਸ਼ਾਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ, ਅਤੇ ਚਿੱਤਰ ਤੋਂ ਕਦੇ ਵੀ ਗ੍ਰੇਡ ਦਾ ਅੰਦਾਜ਼ਾ ਨਾ ਲਗਾਓ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਤੁਹਾਡੇ ਕੋਲ ਮੌਜੂਦ ਇੱਕ ਅਸੈਸ ਟੇਬਲ (ਜਾਂ ਇੱਕ ਨਮੂਨਾ) ਨੂੰ ਅਗਿਆਤ ਕਰੋ ਅਤੇ ਇਸਨੂੰ "ਡ੍ਰਿਲਿੰਗ ਡੇਟਾ ਇਕਸਾਰਤਾ ਸਕੈਨ" ਟੈਮਪਲੇਟ ਨਾਲ AI ਨੂੰ ਦਿਓ। ਨਿਸ਼ਾਨਬੱਧ ਕਤਾਰਾਂ ਨੂੰ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਆਯਾਤ ਕਰੋ; ਹਰੇਕ ਲਈ "ਕੱਚੇ ਸਰੋਤ ਤੋਂ ਜਾਂਚ ਕੀਤੀ ਜਾਣ ਵਾਲੀ" ਨੋਟ 'ਤੇ ਵਿਚਾਰ ਕਰੋ। ਫਿਰ "ਲਿਥੋਲੋਜੀ ਕੋਡ ਮਾਨਕੀਕਰਨ" ਟੈਂਪਲੇਟ ਨਾਲ ਕੋਡ ਡਿਕਸ਼ਨਰੀ ਬਣਾਓ ਅਤੇ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਉਹਨਾਂ ਸਮੂਹਾਂ ਨੂੰ ਨੋਟ ਕਰੋ ਜਿਨ੍ਹਾਂ ਬਾਰੇ AI ਅਨਿਸ਼ਚਿਤ ਹੈ। ਅੰਤ ਵਿੱਚ, ਇੱਕ ਕੋਰ ਫੋਟੋ ਨੂੰ ਪੂਰਵ-ਸਕੈਨ ਕਰੋ ਅਤੇ ਲਿਖੋ ਕਿ ਤੁਸੀਂ ਸਾਹਮਣੇ ਆਉਣ ਵਾਲੀ ਹਰੇਕ ਪਰਿਕਲਪਨਾ ਲਈ ਖੇਤਰ ਵਿੱਚ ਕੀ ਜਾਂਚ ਕਰੋਗੇ।

ਚੈੱਕਲਿਸਟ

[ ] ਮੈਂ AI ਨੂੰ ਡੇਟਾ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਅਸਲ ਕੋਆਰਡੀਨੇਟ/ਲਾਈਸੈਂਸ ਜਾਣਕਾਰੀ ਨੂੰ ਅਗਿਆਤ ਕੀਤਾ ਹੈ।
[ ] ਮੈਂ AI ਨੂੰ ਇੱਕ ਜਾਇਜ਼ ਮਾਰਕਿੰਗ ਲਈ ਕਿਹਾ, ਨਾ ਕਿ ਇੱਕ ਸੁਧਾਰ।
[ ] ਮੈਂ ਕੱਚੇ ਲੌਗ/ਲੈਬ ਸਰਟੀਫਿਕੇਟ ਦੇ ਵਿਰੁੱਧ ਚਿੰਨ੍ਹਿਤ ਹਰੇਕ ਲਾਈਨ ਦੀ ਜਾਂਚ ਕੀਤੀ।
[ ] ਮੈਂ ਵੌਲਯੂਮ ਇਕਸਾਰਤਾ (g/t, %, ppm, ppb) ਦੀ ਵੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
[ ] ਮੈਂ ਕੋਰ ਫੋਟੋ ਆਉਟਪੁੱਟ ਨੂੰ ਇੱਕ ਪਰਿਕਲਪਨਾ ਵਜੋਂ ਮੰਨਿਆ, ਮੈਂ ਇੱਕ ਗ੍ਰੇਡ ਦਾ ਫੈਸਲਾ ਨਹੀਂ ਕੀਤਾ।
[ ] ਮੈਂ ਇਹ ਤਸਦੀਕ ਕਰਨ ਲਈ ਕਿ ਇੱਥੇ ਕੋਈ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤੀ ਗਈ ਸੀ, AI ਸੰਖੇਪ ਦੀ ਅਸਲ ਲੌਗ ਟੈਕਸਟ ਨਾਲ ਤੁਲਨਾ ਕੀਤੀ।