ਰਿਜ਼ਰਵ/ਸਰੋਤ ਅਨੁਮਾਨ ਅਤੇ ਜੀਓਸਟੈਟਿਕਸ

ਲਾਭ:

• AI ਅਤੇ ਪ੍ਰਸ਼ਨ ਧਾਰਨਾਵਾਂ ਦੇ ਨਾਲ ਕੰਪੋਜ਼ਿਟਿੰਗ, ਵੇਰੀਓਗ੍ਰਾਮ ਅਤੇ ਕ੍ਰਿਗਿੰਗ ਵਰਗੇ ਭੂ-ਸੰਖਿਆਤਮਕ ਕਦਮਾਂ ਨੂੰ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ
• ਏਆਈ ਸਹਾਇਤਾ ਨਾਲ ਬਲਾਕ ਮਾਡਲ, ਗ੍ਰੇਡ-ਟਨੇਜ ਕਰਵ ਅਤੇ ਸਰੋਤ ਵਰਗੀਕਰਣ (ਮਾਪਿਆ/ਪ੍ਰਦਰਸ਼ਿਤ/ਐਕਸਟ੍ਰੈਕਟਡ) ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਸੁਤੰਤਰ ਗਣਨਾ, ਅੰਤਰ-ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਯੋਗ ਵਿਅਕਤੀ (CP/QP) ਨਿਰਣੇ ਦੁਆਰਾ AI ਦੁਆਰਾ ਨਿਰਮਿਤ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਮੁੱਲਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਇੱਕ ਮਾਈਨਿੰਗ ਕੰਪਨੀ ਲਈ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸੰਖਿਆ ਇਹ ਹੈ ਕਿ ਜ਼ਮੀਨਦੋਜ਼ ਧਾਤੂ ਦਾ ਕਿੰਨਾ ਅਤੇ ਕਿਸ ਗ੍ਰੇਡ ਦਾ ਹੈ। ਇਹ ਨੰਬਰ; ਇਹ ਨਿਵੇਸ਼ ਦੇ ਫੈਸਲੇ, ਸਟਾਕ ਮਾਰਕੀਟ ਮੁੱਲ, ਬੈਂਕ ਵਿੱਤ ਅਤੇ ਭੱਠੀ ਦੇ ਜੀਵਨ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਪਰ ਕੋਈ ਵੀ ਸਾਰੇ ਪਦਾਰਥ ਨੂੰ ਇੱਕ ਇੱਕ ਕਰਕੇ ਨਹੀਂ ਮਾਪ ਸਕਦਾ; ਸਿਰਫ਼ ਸਪਾਰਸ ਡ੍ਰਿਲਿੰਗ ਪੁਆਇੰਟਾਂ ਦਾ ਨਮੂਨਾ ਲਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਅੰਤਰਾਲਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਜਾਂਦਾ ਹੈ। ਉਹ ਅਨੁਸ਼ਾਸਨ ਜੋ ਇਸ ਪੂਰਵ-ਅਨੁਮਾਨ ਨੂੰ ਵਿਗਿਆਨਕ ਆਧਾਰ 'ਤੇ ਰੱਖਦਾ ਹੈ, ਨੂੰ ਭੂ-ਵਿਗਿਆਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਮਾਡਲਾਂ ਨੂੰ ਇੱਕ ਦੂਜੇ ਨਾਲ ਮਿਲਦੇ-ਜੁਲਦੇ ਸਥਾਨਿਕ (ਸਪੇਸ ਵਿੱਚ ਟਿਕਾਣੇ ਦੇ ਆਧਾਰ 'ਤੇ) ਡੇਟਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਹਾਸ਼ੀਏ ਦੇ ਨਾਲ ਨਾ ਮਾਪੇ ਬਿੰਦੂਆਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ। AI; ਇਹ ਇਸ ਪ੍ਰਕਿਰਿਆ ਦੇ ਕੋਡ, ਦ੍ਰਿਸ਼ ਦੀ ਤੁਲਨਾ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਭਾਗਾਂ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਤਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਸਮਰੱਥ ਵਿਅਕਤੀ (JORC ਵਿੱਚ ਸਮਰੱਥ ਵਿਅਕਤੀ / CP, NI 43-101 ਵਿੱਚ ਯੋਗ ਵਿਅਕਤੀ / QP) ਦਾ ਫੈਸਲਾ ਹੈ ਕਿ ਕਿਹੜਾ ਮਾਡਲ ਵੈਧ ਹੈ, ਕਿਹੜੀ ਧਾਰਨਾ ਸਵੀਕਾਰਯੋਗ ਹੈ ਅਤੇ ਸਰੋਤ ਨੂੰ ਕਿਵੇਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾਵੇਗਾ।

ਸਰੋਤ ਅਤੇ ਰਿਜ਼ਰਵ: ਨਾਜ਼ੁਕ ਅੰਤਰ

ਆਓ ਪਹਿਲਾਂ ਦੋ ਸ਼ਬਦਾਂ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰੀਏ। ਖਣਿਜ ਸਰੋਤ: ਧਾਤੂ ਜੋ ਕਿ ਭੂ-ਵਿਗਿਆਨਕ ਜਾਣਕਾਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਆਰਥਿਕ ਤੌਰ 'ਤੇ ਕੱਢਿਆ ਜਾ ਸਕਦਾ ਹੈ; ਉਹਨਾਂ ਨੂੰ ਭਰੋਸੇ ਦੇ ਪੱਧਰ ਦੇ ਅਨੁਸਾਰ ਅਨੁਮਾਨਿਤ, ਸੰਕੇਤ ਅਤੇ ਮਾਪਿਆ ਗਿਆ ਹੈ। ਮਿਨਰਲ ਰਿਜ਼ਰਵ (ਰਿਜ਼ਰਵ): ਸਰੋਤ ਦਾ ਉਹ ਹਿੱਸਾ ਜੋ ਅਸਲ ਵਿੱਚ ਤਕਨੀਕੀ ਅਤੇ ਆਰਥਿਕ ਕੰਮ (ਮਾਈਨਿੰਗ ਵਿਧੀ, ਸਹੂਲਤ ਕੁਸ਼ਲਤਾ, ਲਾਗਤ, ਧਾਤੂ ਦੀ ਕੀਮਤ) ਦੁਆਰਾ ਲਾਭਦਾਇਕ ਢੰਗ ਨਾਲ ਕੱਢਿਆ ਜਾ ਸਕਦਾ ਹੈ; ਉਹਨਾਂ ਨੂੰ ਸੰਭਾਵੀ ਅਤੇ ਸਾਬਤ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ। ਸਰੋਤ ਭੂ-ਵਿਗਿਆਨਕ ਹੈ, ਰਿਜ਼ਰਵ ਆਰਥਿਕ ਹੈ. AI ਇਹਨਾਂ ਪਰਿਭਾਸ਼ਾਵਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਇਹ ਫੈਸਲਾ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਨੰਬਰ ਕਿਸ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਆਉਂਦਾ ਹੈ; ਇਹ ਡੇਟਾ ਦੀ ਘਣਤਾ ਅਤੇ ਨਿਰੰਤਰਤਾ ਭਰੋਸੇ ਨੂੰ ਦੇਖਦੇ ਹੋਏ ਸਮਰੱਥ ਵਿਅਕਤੀ ਦਾ ਨਿਰਣਾ ਹੈ।

ਕਦਮ-ਦਰ-ਕਦਮ: ਜੀਓਸਟੈਟਿਕਲ ਵਰਕਫਲੋ ਅਤੇ ਏਆਈ ਦੀ ਜਗ੍ਹਾ

1. ਕੰਪੋਜ਼ਿਟਿੰਗ। ਵੱਖ-ਵੱਖ ਆਕਾਰਾਂ ਦੇ ਪਰਖ ਅੰਤਰਾਲਾਂ ਨੂੰ ਬਰਾਬਰ ਲੰਬਾਈ ਵਿੱਚ ਲਿਆਉਣਾ (ਜਿਵੇਂ ਕਿ 1 ਮੀਟਰ ਜਾਂ 2 ਮੀਟਰ)। AI: ਕੋਡ ਲਿਖਦਾ ਹੈ, ਇਕਾਈ ਅਤੇ ਵਜ਼ਨ ਔਸਤ ਤਰਕ ਸਥਾਪਤ ਕਰਦਾ ਹੈ; ਤੁਸੀਂ ਨਤੀਜੇ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੇ ਹੋ.
2. ਅੰਕੜਾ ਸਮੀਖਿਆ. ਗ੍ਰੇਡ ਵੰਡ, ਆਊਟਲੀਅਰ, ਕੈਪਿੰਗ (ਟੌਪ-ਕੱਟ: ਬਹੁਤ ਉੱਚੇ ਗ੍ਰੇਡਾਂ ਨੂੰ ਸੀਮਤ ਕਰਨਾ)। AI: ਹਿਸਟੋਗ੍ਰਾਮ/ਸਾਰ ਅੰਕੜਾ ਕੋਡ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਭੂ-ਵਿਗਿਆਨੀ ਕੈਪਿੰਗ ਦਾ ਫੈਸਲਾ ਕਰਦਾ ਹੈ।
3. ਵੈਰੀਓਗਰਾਮ ਵਿਸ਼ਲੇਸ਼ਣ. ਮਾਡਲਿੰਗ ਸਥਾਨਿਕ ਨਿਰੰਤਰਤਾ: ਕਿਵੇਂ ਸਮਾਨਤਾ ਘਟਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਬਿੰਦੂ ਹੋਰ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ। ਰੇਂਜ, ਸਿਲ ਅਤੇ ਨਗਟ ਪੈਰਾਮੀਟਰ। AI: ਵੇਰੀਓਗ੍ਰਾਮ ਦੀ ਧਾਰਨਾ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਇੱਕ ਕੋਡ ਪਿੰਜਰ ਦਿੰਦਾ ਹੈ; ਭੂ-ਵਿਗਿਆਨਕ ਮਾਡਲ ਫਿੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ।
4. ਭਵਿੱਖਬਾਣੀ (ਕ੍ਰਿਗਿੰਗ/ਆਈਡੀਡਬਲਯੂ/ਸਿਮੂਲੇਸ਼ਨ)। ਬਲਾਕ ਮਾਡਲ ਦੇ ਹਰੇਕ ਬਲਾਕ ਨੂੰ ਗ੍ਰੇਡ ਨਿਰਧਾਰਤ ਕਰਨਾ। ਕ੍ਰਿਗਿੰਗ ਵੈਰੀਓਗ੍ਰਾਮ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਵਜ਼ਨਦਾਰ ਅਨੁਮਾਨ ਵਿਧੀ ਹੈ। AI: ਵਿਧੀ ਦੇ ਅੰਤਰ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਕੋਡ ਬਣਾਉਂਦਾ ਹੈ; ਮਾਹਰ ਪੈਰਾਮੀਟਰ ਚੁਣਦਾ ਹੈ.
5. ਪੁਸ਼ਟੀਕਰਨ। ਅੰਤਰ-ਪ੍ਰਮਾਣਿਕਤਾ, ਪੂਰਵ-ਅਨੁਮਾਨ ਤੋਂ ਨਮੂਨਾ ਤੁਲਨਾ, ਵਿਜ਼ੂਅਲ ਨਿਰੀਖਣ, ਸਮੂਥਿੰਗ ਨਿਯੰਤਰਣ। AI: ਪ੍ਰਮਾਣਿਕਤਾ ਗ੍ਰਾਫ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਮਾਹਰ ਟਿੱਪਣੀ ਕਰਦਾ ਹੈ.
6. ਵਰਗੀਕਰਨ ਅਤੇ ਰਿਪੋਰਟਿੰਗ. ਸਰੋਤ/ਰਿਜ਼ਰਵ ਕਲਾਸਾਂ, ਗ੍ਰੇਡ-ਟਨੇਜ ਕਰਵ, JORC/UMREK ਅਨੁਕੂਲਤਾ। AI: ਡਰਾਫਟ ਟੈਕਸਟ ਅਤੇ ਟੇਬਲ; ਦਸਤਖਤ ਅਧਿਕਾਰਤ ਵਿਅਕਤੀ ਦੇ ਹਨ।

ਸੁਝਾਅ: ਏਆਈ ਨੂੰ ਇਹ ਨਾ ਕਹੋ ਕਿ "ਤੁਸੀਂ ਵੈਰੀਓਗ੍ਰਾਮ ਪੈਰਾਮੀਟਰ ਚੁਣਦੇ ਹੋ"। ਰੇਂਜ ਅਤੇ ਨਗਟ ਪ੍ਰਭਾਵ ਧਾਤ ਦੇ ਸਰੀਰ ਦੇ ਭੂ-ਵਿਗਿਆਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ; ਗਲਤ ਚੋਣ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਰਿਜ਼ਰਵ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ ਜਾਂ ਸੁੰਗੜਦੀ ਹੈ। ਕੋਡ ਅਤੇ ਦ੍ਰਿਸ਼ ਜਨਰੇਟਰ ਵਜੋਂ AI ਦੀ ਵਰਤੋਂ ਕਰੋ, ਫੈਸਲਾ ਭੂ-ਵਿਗਿਆਨਕ 'ਤੇ ਛੱਡੋ।

ਗ੍ਰੇਡ-ਟਨੇਜ ਕਰਵ ਅਤੇ ਆਰਥਿਕ ਸੀਮਾ ਗ੍ਰੇਡ (ਕਟ-ਆਫ)

ਕੱਟ-ਆਫ ਗ੍ਰੇਡ ਉਹ ਥ੍ਰੈਸ਼ਹੋਲਡ ਹੈ ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਬਲਾਕ ਨੂੰ ਧਾਤ ਜਾਂ ਜੰਗਾਲ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ; ਧਾਤ ਦੀ ਕੀਮਤ ਲਾਗਤ ਅਤੇ ਪੌਦੇ ਦੀ ਕੁਸ਼ਲਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਜਿਵੇਂ ਕਿ ਸੀਮਾ ਗ੍ਰੇਡ ਬਦਲਦਾ ਹੈ, ਰਿਜ਼ਰਵ ਦਾ ਟਨੇਜ ਅਤੇ ਔਸਤ ਗ੍ਰੇਡ ਬਦਲਦਾ ਹੈ; ਇਹ ਰਿਸ਼ਤਾ ਗ੍ਰੇਡ-ਟਨੇਜ ਕਰਵ ਦੁਆਰਾ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। AI ਕੋਡ ਲਿਖ ਸਕਦਾ ਹੈ ਜੋ ਇਸ ਵਕਰ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਤੁਲਨਾ ਕਰਦਾ ਹੈ (ਵੱਖ-ਵੱਖ ਕੱਟ-ਆਫ, ਵੱਖ-ਵੱਖ ਧਾਤ ਦੀ ਕੀਮਤ)। ਪਰ ਲਾਗਤ ਅਤੇ ਕੀਮਤ ਦੀ ਧਾਰਨਾ ਜਿਸ 'ਤੇ ਕੱਟ-ਆਫ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਇੱਕ ਆਰਥਿਕ ਫੈਸਲਾ ਹੁੰਦਾ ਹੈ ਅਤੇ ਤਕਨੀਕੀ ਟੀਮ ਅਤੇ ਪ੍ਰਬੰਧਨ ਦੁਆਰਾ ਇਕੱਠੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਕੈਪਿੰਗ ਲਾਪਰਵਾਹੀ। ਇੱਕ ਸੋਨੇ ਦੇ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ, ਕਈ ਡ੍ਰਿਲੰਗਾਂ 120 g/t ਦੇ ਅਸਧਾਰਨ ਤੌਰ 'ਤੇ ਉੱਚ ਗ੍ਰੇਡ ਦਿੰਦੀਆਂ ਹਨ। ਟੀਮ ਉਹਨਾਂ ਨੂੰ ਕੈਪਿੰਗ ਤੋਂ ਬਿਨਾਂ ਕ੍ਰਿਗ ਕਰਦੀ ਹੈ; ਔਸਤ ਗ੍ਰੇਡ 2.4 g/t ਹੈ। AI ਕ੍ਰਾਸ-ਪ੍ਰਮਾਣਿਤ ਹੈ; ਅਨੁਮਾਨਾਂ ਨੂੰ ਅਸਲ ਵਿੱਚ ਬਹੁਤ ਘੱਟ ਡ੍ਰਿਲਿੰਗ ਦੁਆਰਾ ਵਧਾਇਆ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਕੁਝ ਬਲਾਕ ਬਹੁਤ ਉੱਚੇ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਢੁਕਵੀਂ ਕੈਪਿੰਗ (ਜਿਵੇਂ ਕਿ 30 g/t) ਤੋਂ ਬਾਅਦ ਔਸਤ ਘਟ ਕੇ 1.7 g/t ਹੋ ਜਾਂਦਾ ਹੈ। ਅੰਤਰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਪ੍ਰੋਜੈਕਟ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਬਦਲਦਾ ਹੈ। AI ਨੇ ਗਣਨਾ ਅਤੇ ਚਾਰਟ ਤਿਆਰ ਕੀਤਾ; ਕੈਪਿੰਗ ਪੱਧਰ ਦਾ ਫੈਸਲਾ ਭੂ-ਵਿਗਿਆਨ ਵਿਗਿਆਨੀ ਦੁਆਰਾ ਕੀਤਾ ਗਿਆ ਸੀ।

ਕੇਸ 2 — ਗਲਤ ਰੇਂਜ। ਜੇਕਰ ਇੱਕ ਕਾਪਰ ਪੋਰਫਾਇਰੀ ਵਿੱਚ ਵੈਰੀਓਗ੍ਰਾਮ ਰੇਂਜ ਅਸਲ ਵਿੱਚ 150 ਮੀਟਰ ਹੈ ਪਰ ਮਾਡਲ ਨੂੰ 400 ਮੀਟਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਪਾਰਸ ਡ੍ਰਿਲਿੰਗ ਖੇਤਰ ਬਹੁਤ "ਭਰੋਸੇਯੋਗ" ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ ਅਤੇ ਬਲਾਕ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਨੁਮਾਨਿਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਸੰਕੇਤਕ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਸ਼ਿਫਟ ਹੋ ਜਾਣਗੇ। ਇਹ ਇੱਕ ਆਡਿਟ ਵਿੱਚ ਖੋਜਿਆ ਗਿਆ ਹੈ ਅਤੇ ਸਰੋਤ ਦੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸੇ ਨੂੰ ਇੱਕ ਨਿਮਨ ਟਰੱਸਟ ਕਲਾਸ ਵਿੱਚ ਘਟਾ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਏਆਈ ਨੇ ਵੈਰੀਓਗ੍ਰਾਮ ਕੋਡ ਤਿਆਰ ਕੀਤਾ ਸੀ, ਪਰ ਗਲਤੀ ਨੂੰ ਵਧਾਇਆ ਗਿਆ ਸੀ ਕਿਉਂਕਿ ਕਿਸੇ ਮਾਹਰ ਦੁਆਰਾ ਰੇਂਜ ਦੀ ਸਮੀਖਿਆ ਨਹੀਂ ਕੀਤੀ ਗਈ ਸੀ; ਸਬਕ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ ਮਾਡਲ ਫਿੱਟ ਇੱਕ ਮਾਹਰ ਦੁਆਰਾ ਤਸਦੀਕ ਕੀਤਾ ਗਿਆ ਹੈ.

ਕੇਸ 3 - ਸਹੀ ਦ੍ਰਿਸ਼ ਦੀ ਤੁਲਨਾ। ਇੱਕ ਆਇਰਨ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ, ਟੀਮ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਕੱਟ-ਆਫਾਂ (20%, 25%, 30% Fe) ਲਈ ਗ੍ਰੇਡ-ਟਨੇਜ ਨਤੀਜੇ ਦੇਖਣਾ ਚਾਹੁੰਦੀ ਹੈ। ਉਹ AI ਨੂੰ ਪਾਈਥਨ ਸਕ੍ਰਿਪਟ ਲਿਖਦੇ ਹਨ ਜੋ ਪੁੰਜ/ਆਵਾਜ਼/ਘਣਤਾ ਤਰਕ ਅਤੇ ਗ੍ਰੇਡ-ਟਨੇਜ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਉਹਨਾਂ ਦੇ ਆਪਣੇ ਬਲਾਕ ਮਾਡਲ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਸਕਿੰਟਾਂ ਵਿੱਚ ਸਕਰਿਪਟ ਟੇਬਲ 3 ਦ੍ਰਿਸ਼। ਟੀਮ ਇੱਕ ਬਲਾਕ 'ਤੇ ਹੱਥਾਂ ਨਾਲ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਦੀ ਹੈ ਅਤੇ ਇੱਕ ਸਪਸ਼ਟ ਤੁਲਨਾ ਚਾਰਟ ਦੇ ਨਾਲ ਫੈਸਲੇ ਦੀ ਮੀਟਿੰਗ ਵਿੱਚ ਜਾਂਦੀ ਹੈ। ਏਆਈ ਨੇ ਇੱਥੇ ਦੁਹਰਾਉਣ ਵਾਲੀ ਗਣਨਾ ਨੂੰ ਤੇਜ਼ ਕੀਤਾ ਹੈ; ਡੇਟਾ ਅਤੇ ਫੈਸਲਾ ਟੀਮ ਦਾ ਸੀ।

ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ

ਰਚਨਾ ਕੋਡ "ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਭੂ-ਵਿਗਿਆਨ ਸਹਾਇਕ ਹੋ। ਪਾਇਥਨ + ਪਾਂਡਾ ਦੇ ਨਾਲ ਇੱਕ ਫੰਕਸ਼ਨ ਲਿਖੋ ਜੋ ਅੰਤਰਾਲ ਤੋਂ ਅੰਤਰਾਲ ਅਸੇ ਡੇਟਾ ਨੂੰ ਫਿਕਸਡ [1 ਮੀਟਰ] ਕੰਪੋਜ਼ਿਟ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਨਿਯਮ: ਅੰਤਰਾਲ ਦੀ ਲੰਬਾਈ ਦੁਆਰਾ ਗ੍ਰੇਡ ਦੀ ਔਸਤ ਵਜ਼ਨ; ਛੱਡੋ ਅਤੇ ਗਾਇਬ/ਖਾਲੀ ਹੋਣ ਦੀ ਰਿਪੋਰਟ ਕਰੋ; ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ 'ਤੇ ਆਈਡੀ ਦੇ ਅਧਾਰ 'ਤੇ ਇਕਾਈ ਨੂੰ ਵੱਖ ਕਰੋ। ਇੱਕ ਟਿੱਪਣੀ ਲਾਈਨ ਦੇ ਨਾਲ ਵਾਪਸ ਕਰੋ ਕਿ ਨਤੀਜੇ ਵਿੱਚ ਕਿੰਨੇ ਅੰਤਰਾਲ ਛੱਡੇ ਗਏ ਸਨ।"

VARIOGRAM CONCEPT + CODE "ਵੈਰੀਓਗ੍ਰਾਮ ਕੀ ਹੈ: ਨਗਟ, ਸਿਲ ਅਤੇ ਰੇਂਜ ਦੇ ਸੰਕਲਪਾਂ ਨੂੰ ਸਰਲ ਭਾਸ਼ਾ ਵਿੱਚ ਸਮਝਾਓ। ਫਿਰ ਇੱਕ ਦਿਸ਼ਾ ਵਿੱਚ ਪ੍ਰਯੋਗਾਤਮਕ ਵੇਰੀਓਗ੍ਰਾਮ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਇੱਕ ਗੋਲਾਕਾਰ ਮਾਡਲ ਫਿਟਿੰਗ ਰੈਂਕ ਕੋਡ ਸਕੈਲੇਟਨ ਦਿਓ। ਇੱਕ ਚੇਤਾਵਨੀ ਨੋਟ ਸ਼ਾਮਲ ਕਰੋ: ਰੇਂਜ ਅਤੇ ਨਗੇਟ ਨੂੰ NDOOT ਦੇ ਇਹਨਾਂ ਮੁੱਲਾਂ ਦੇ ਅਨੁਸਾਰ ਮਾਹਰਤਾ ਨਾਲ ਚੁਣਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।"

ਗ੍ਰੇਡ-ਟੌਨੇਜ ਦ੍ਰਿਸ਼ "ਬਲਾਕ ਮਾਡਲ ਉਪਜ ਵਿੱਚ ਹੇਠਾਂ ਦਿੱਤੇ ਕਾਲਮ ਸ਼ਾਮਲ ਹਨ: [x,y,z, ਗ੍ਰੇਡ, ਬਲਾਕਵੋਲਿਊਮ, ਘਣਤਾ]। ਇੱਕ ਸਕ੍ਰਿਪਟ ਲਿਖੋ ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਕੱਟ-ਆਫ ਮੁੱਲਾਂ [0.3; 0.4] ਅਤੇ ਅੰਤਰ-ਪ੍ਰੀਡਨਿਟੀ 5 ਲਈ ਹਰੇਕ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਕੁੱਲ ਟਨੇਜ ਅਤੇ ਔਸਤ ਗ੍ਰੇਡ ਦੀ ਗਣਨਾ ਕਰਦੀ ਹੈ। ਧਾਰਨਾ ਇੱਕ ਤੁਲਨਾ ਸਾਰਣੀ ਦੇ ਰੂਪ ਵਿੱਚ ਨਤੀਜਾ ਵਾਪਸ ਕਰੋ।"

ਕ੍ਰਾਸ-ਪ੍ਰਮਾਣਿਕਤਾ ਟਿੱਪਣੀ "ਹੇਠਾਂ ਕਰੌਸ-ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਨਤੀਜੇ ਹਨ (ਅਸਲ ਬਨਾਮ ਪੂਰਵ-ਅਨੁਮਾਨ)। ਇਸ 'ਤੇ ਟਿੱਪਣੀ ਕਰੋ: ਕੀ ਇੱਥੇ ਯੋਜਨਾਬੱਧ ਪੱਖਪਾਤ ਹੈ, ਕੀ ਭਵਿੱਖਬਾਣੀਆਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਨ, ਕਿਸ ਗ੍ਰੇਡ ਰੇਂਜ ਵਿੱਚ ਭਟਕਣਾ ਵੱਡੀ ਹੈ? ਕੋਈ ਪੱਕਾ ਫੈਸਲਾ ਨਾ ਲਓ; ਸੁਝਾਅ ਦਿਓ ਕਿ ਭੂ-ਵਿਗਿਆਨਕ ਨੂੰ ਕਿਹੜੇ ਪੈਰਾਮੀਟਰ ਦੀ ਸਮੀਖਿਆ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ: [ਪਾਸਟੇ]."

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ ਰਿਜ਼ਰਵ ਦੀ ਗਣਨਾ ਕਰੋ।"

ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ: "ਭੂਮਿਕਾ: ਤੁਸੀਂ ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਸਹਾਇਕ ਹੋ। ਮੈਂ ਤੁਹਾਨੂੰ ਆਪਣਾ ਖੁਦ ਦਾ ਬਲਾਕ ਮਾਡਲ ਅਤੇ ਵੇਰੀਓਗ੍ਰਾਮ ਪੈਰਾਮੀਟਰ ਦੇਵਾਂਗਾ। ਵਿਆਖਿਆ ਕੀਤੀਆਂ ਇਕਾਈਆਂ ਅਤੇ ਧਾਰਨਾਵਾਂ ਦੇ ਨਾਲ ਇੱਕ ਪਾਈਥਨ ਪ੍ਰਵਾਹ ਸੈਟ ਅਪ ਕਰੋ ਜੋ ਕਿ ਕ੍ਰਿਗਿੰਗ ਅਨੁਮਾਨ + ਕਰਾਸ-ਵੈਧੀਕਰਨ + ਗ੍ਰੇਡ-ਟਨੇਜ ਕਰਵ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਪੈਰਾਮੀਟਰ; ਨਤੀਜੇ ਦੀ ਵਰਤੋਂ ਕਰੋ ਅਤੇ ਅੰਤ ਵਿੱਚ ਪ੍ਰਵਾਨਿਤ ਨਤੀਜੇ ਦੀ ਚੋਣ ਨਾ ਕਰੋ ਅਤੇ ਨਤੀਜੇ ਦੀ ਚੋਣ ਕਰੋ। JORC/UMREK ਦੇ ਅਨੁਸਾਰ ਯੋਗ ਵਿਅਕਤੀ (CP/QP)।"

ਤੁਲਨਾ ਸਾਰਣੀ: ਵਿਧੀ ਅਤੇ AI ਭੂਮਿਕਾ

ਕਦਮ

ਮਕਸਦ

AI ਭੂਮਿਕਾ

ਮਾਹਰ ਨਿਰਣਾ

ਕੰਪੋਜ਼ਿਟਿੰਗ

ਬਰਾਬਰ ਸਮਰਥਨ ਲੰਬਾਈ

ਕੋਡ + ਕੰਟਰੋਲ

ਮਿਸ਼ਰਿਤ ਆਕਾਰ

ਕੈਪਿੰਗ

ਬਾਹਰੀ ਸੀਮਾ

ਗ੍ਰਾਫ/ਅੰਕੜੇ

ਕੈਪ ਪੱਧਰ

ਵੇਰੀਓਗਰਾਮ

ਸਥਾਨਿਕ ਨਿਰੰਤਰਤਾ

ਸੰਕਲਪ + ਕੋਡ

ਰੇਂਜ/ਨਗਟ ਚੋਣ

ਕਰਿਗਿੰਗ

ਬਲਾਕ ਪੂਰਵ-ਅਨੁਮਾਨ

ਕੋਡ + ਸਟ੍ਰੀਮ

ਪੈਰਾਮੀਟਰ + ਵਿਧੀ

ਵਰਗੀਕਰਨ

ਭਰੋਸੇ ਦਾ ਪੱਧਰ

ਡਰਾਫਟ ਟੈਕਸਟ

JORC/UMREK ਨਿਰਣਾ

ਆਮ ਗਲਤੀਆਂ

• ਕੈਪਿੰਗ ਛੱਡਣਾ। ਕੁਝ ਬੋਨਾਂਜ਼ਾ ਮੁੱਲ ਔਸਤ ਅਤੇ ਰਿਜ਼ਰਵ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ।
• AI ਦੁਆਰਾ ਚੁਣੇ ਗਏ ਵੈਰੀਓਗ੍ਰਾਮ ਪੈਰਾਮੀਟਰ ਹੋਣ। ਰੇਂਜ/ਨਗਟ ਭੂ-ਵਿਗਿਆਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ; ਗਲਤ ਚੋਣ ਯੋਜਨਾਬੱਧ ਤਰੀਕੇ ਨਾਲ ਰਿਜ਼ਰਵ ਵਿੱਚ ਵਿਘਨ ਪਾਉਂਦੀ ਹੈ।
• ਭੰਡਾਰਾਂ ਨਾਲ ਉਲਝਣ ਵਾਲੇ ਸਰੋਤ। ਸਰੋਤ ਭੂ-ਵਿਗਿਆਨਕ ਹੈ, ਰਿਜ਼ਰਵ ਆਰਥਿਕ ਹੈ; ਕਲਾਸਾਂ ਬਦਲਣਯੋਗ ਨਹੀਂ ਹਨ।
• ਸਮੂਥਿੰਗ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਕ੍ਰਿਗਿੰਗ ਟੈਨਰ ਨੂੰ ਜ਼ਿਆਦਾ ਨਰਮ ਕਰ ਸਕਦੀ ਹੈ; ਇਹ ਉੱਚ ਮਿਆਦ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਅਤੇ ਘੱਟ ਮਿਆਦ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ।
• ਯੋਗ ਵਿਅਕਤੀ ਦੀ ਪ੍ਰਵਾਨਗੀ ਤੋਂ ਬਿਨਾਂ ਵਰਗੀਕਰਨ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ। JORC/UMREK ਕੇਵਲ ਇੱਕ ਅਧਿਕਾਰਤ ਵਿਅਕਤੀ ਦੇ ਦਸਤਖਤ ਨਾਲ ਵੈਧ ਹੈ।

ਧਿਆਨ ਦਿਓ: ਰਿਜ਼ਰਵ ਨੰਬਰ ਇੱਕ ਅਧਿਕਾਰਤ ਘੋਸ਼ਣਾ ਹੈ ਜੋ ਸਟਾਕ ਐਕਸਚੇਂਜ, ਬੈਂਕ ਅਤੇ ਨਿਵੇਸ਼ਕ ਨੂੰ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। AI ਦੁਆਰਾ ਪੈਦਾ ਕੀਤਾ ਕੋਈ ਵੀ ਵਿਚਕਾਰਲਾ ਨਤੀਜਾ ਇੱਕ ਸਮਰੱਥ ਵਿਅਕਤੀ (CP/QP) ਦੇ ਸੁਤੰਤਰ ਮੁਲਾਂਕਣ ਅਤੇ ਦਸਤਖਤ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਅਧਿਕਾਰਤ ਰਿਜ਼ਰਵ/ਸਰੋਤ ਘੋਸ਼ਣਾ ਨਹੀਂ ਬਣ ਸਕਦਾ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਸਪਾਰਸ ਡ੍ਰਿਲਿੰਗ ਤੋਂ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ ਪੂਰੇ ਧਾਤੂ ਦੇ ਸਰੀਰ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦਾ ਅਨੁਸ਼ਾਸਨ ਹੈ: ਕੰਪੋਜ਼ਿਟਿੰਗ, ਕੈਪਿੰਗ, ਵੇਰੀਓਗ੍ਰਾਮ, ਕ੍ਰਿਗਿੰਗ, ਤਸਦੀਕ ਅਤੇ ਵਰਗੀਕਰਨ। ਇਸ ਸਟ੍ਰੀਮ ਵਿੱਚ, ਏਆਈ ਕੋਡਿੰਗ, ਦ੍ਰਿਸ਼ ਦੀ ਤੁਲਨਾ, ਗ੍ਰੇਡ-ਟਨੇਜ ਗਣਨਾ ਅਤੇ ਤਸਦੀਕ ਗ੍ਰਾਫਿਕਸ ਵਿੱਚ ਮਜ਼ਬੂਤ ​​ਹੈ। ਪਰ ਵੇਰੀਓਗ੍ਰਾਮ ਮਾਪਦੰਡ, ਕੈਪਿੰਗ ਪੱਧਰ ਅਤੇ ਸਰੋਤ/ਰਿਜ਼ਰਵ ਵਰਗੀਕਰਨ ਮਾਹਰ ਫੈਸਲੇ ਹਨ ਅਤੇ ਅਧਿਕਾਰਤ ਘੋਸ਼ਣਾ ਲਈ ਸਮਰੱਥ ਵਿਅਕਤੀ ਦੇ ਦਸਤਖਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਸਰੋਤ ਭੂ-ਵਿਗਿਆਨਕ ਹੈ, ਰਿਜ਼ਰਵ ਆਰਥਿਕ ਹੈ; ਇਸ ਭੇਦ ਨੂੰ ਕਦੇ ਵੀ ਧੁੰਦਲਾ ਨਾ ਕਰੋ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਨਮੂਨੇ (ਜਾਂ ਤੁਹਾਡੇ ਆਪਣੇ) ਸੰਯੁਕਤ ਗ੍ਰੇਡ ਡੇਟਾ ਦੇ ਨਾਲ "ਗਰੇਡ-ਟਨੇਜ ਦ੍ਰਿਸ਼" ਟੈਮਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਕੱਟ-ਆਫਾਂ ਲਈ ਟਨੇਜ ਅਤੇ ਔਸਤ ਗ੍ਰੇਡ ਟੇਬਲ ਤਿਆਰ ਕਰੋ। ਫਿਰ AI ਨੂੰ “ਕ੍ਰਾਸ-ਵੈਲੀਡੇਸ਼ਨ ਇੰਟਰਪ੍ਰੀਟੇਸ਼ਨ” ਟੈਂਪਲੇਟ ਦੇ ਨਾਲ ਇੱਕ ਕ੍ਰਾਈਗਿੰਗ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰੋ ਅਤੇ ਸੂਚੀ ਬਣਾਓ ਕਿ ਕਿਹੜੇ ਮਾਪਦੰਡਾਂ ਨੂੰ ਮਾਹਰ ਸਮੀਖਿਆ ਦੀ ਲੋੜ ਹੈ। ਅੰਤ ਵਿੱਚ, AI ਨੂੰ ਤੁਹਾਡੇ ਆਪਣੇ ਸ਼ਬਦਾਂ ਵਿੱਚ ਸਰੋਤ ਅਤੇ ਰਿਜ਼ਰਵ ਅਤੇ ਵਰਗੀਕਰਨ ਭਰੋਸੇ ਦੇ ਪੱਧਰਾਂ ਵਿੱਚ ਅੰਤਰ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਕਹੋ ਅਤੇ ਅਧਿਕਾਰਤ ਕੋਡ ਪਰਿਭਾਸ਼ਾ ਦੇ ਵਿਰੁੱਧ ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਜਾਂਚ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਸੰਯੁਕਤ ਆਕਾਰ ਅਤੇ ਇਕਾਈ ਧਾਰਨਾਵਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕੀਤਾ, ਮੈਂ ਇਸਨੂੰ AI 'ਤੇ ਨਹੀਂ ਛੱਡਿਆ।
• ਭੂ-ਵਿਗਿਆਨੀ/ਭੂ-ਵਿਗਿਆਨੀ ਵਿਗਿਆਨੀ ਨੇ ਅਤਿ ਮੁੱਲਾਂ ਲਈ ਕੈਪਿੰਗ ਦਾ ਫੈਸਲਾ ਲਿਆ।
• ਵੈਰੀਓਗ੍ਰਾਮ ਰੇਂਜ ਅਤੇ ਨਗਟ ਵੈਲਯੂ ਮਾਹਰ ਦੁਆਰਾ ਸਮੀਖਿਆ ਕੀਤੀ ਗਈ।
• [ ] ਮੈਂ ਕਰਾਸ-ਵੈਧੀਕਰਨ ਅਤੇ ਵਿਜ਼ੂਅਲ ਨਿਰੀਖਣ ਦੇ ਨਾਲ ਕ੍ਰਿਗਿੰਗ ਨਤੀਜੇ ਦੀ ਜਾਂਚ ਕੀਤੀ।
• [ ] ਮੈਂ ਸਰੋਤ ਅਤੇ ਰਿਜ਼ਰਵ ਕਲਾਸਾਂ ਦੀ ਸਹੀ ਅਤੇ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਵਰਤੋਂ ਕੀਤੀ।
• [ ] ਮੈਂ ਰਿਪੋਰਟ ਵਿੱਚ ਨੋਟ ਕੀਤਾ ਹੈ ਕਿ ਅਧਿਕਾਰਤ ਘੋਸ਼ਣਾ ਲਈ ਸਮਰੱਥ ਵਿਅਕਤੀ (CP/QP) ਦੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਲੋੜ ਹੈ।