ਲਾਭ:
- ਖਣਿਜ ਸੰਭਾਵੀਤਾ ਵਿੱਚ ਏਆਈ ਅਤੇ ਮਲਟੀ-ਲੇਅਰ ਡੇਟਾ ਫਿਊਜ਼ਨ ਦੀ ਵਰਤੋਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਭੂ-ਵਿਗਿਆਨ (ਕ੍ਰਿਗਿੰਗ, ਵੈਰੀਓਗ੍ਰਾਮ) ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਬਲਾਕ ਮਾਡਲ ਅਤੇ ਗ੍ਰੇਡ ਅਨੁਮਾਨ ਕਿਵੇਂ ਬਣਾਉਣਾ ਹੈ ਨੂੰ ਸਮਝਣਾ।
- ਕਰਾਸ-ਪ੍ਰਮਾਣਿਕਤਾ, ਵਰਗੀਕਰਨ ਭਰੋਸੇ ਅਤੇ ਰਿਪੋਰਟਿੰਗ ਮਾਪਦੰਡਾਂ ਦੇ ਨਾਲ ਸਰੋਤ ਅਨੁਮਾਨ ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਪ੍ਰਾਸਪੈਕਟਿੰਗ ਇੱਕ ਸੱਟੇਬਾਜ਼ੀ ਦੀ ਖੇਡ ਹੈ ਜਿੱਥੇ ਮਲਟੀਮਿਲੀਅਨ ਡਾਲਰ ਦੇ ਫੈਸਲੇ ਮੁੱਠੀ ਭਰ ਡ੍ਰਿਲ ਨਮੂਨਿਆਂ 'ਤੇ ਅਧਾਰਤ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਖਣਿਜ ਭੰਡਾਰ (ਅੰਗਰੇਜ਼ੀ ਧਾਤੂ ਜਮ੍ਹਾ; ਇੱਕ ਖਣਿਜ ਭੰਡਾਰ ਭਰਪੂਰ ਅਤੇ ਸ਼ੋਸ਼ਣ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਵੱਡਾ) ਸੈਂਕੜੇ ਵਰਗ ਕਿਲੋਮੀਟਰ ਦੇ ਖੇਤਰ ਵਿੱਚ ਛੁਪਿਆ ਹੋਇਆ ਹੈ, ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਕਦੇ-ਕਦਾਈਂ ਡਰਿਲਿੰਗ, ਭੂ-ਭੌਤਿਕ ਪਰਛਾਵੇਂ ਅਤੇ ਸਤਹ ਮਾਰਕਰਾਂ ਨਾਲ "ਦੇਖਦੇ" ਹਾਂ। ਇਸ ਲਈ ਖਣਿਜ ਖੋਜ AI ਦੇ ਸਭ ਤੋਂ ਰੋਮਾਂਚਕ ਪਰ ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਐਪਲੀਕੇਸ਼ਨ ਖੇਤਰਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ: ਜਦੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਖੋਜ ਟੀਚੇ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ ਅਤੇ ਸਪਾਰਸ ਡੇਟਾ ਤੋਂ ਵਧੇਰੇ ਅਰਥ ਕੱਢਦਾ ਹੈ; ਜਦੋਂ ਗਲਤ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਅੰਕੜਿਆਂ ਦੇ ਪਿੱਛੇ ਇੱਕ ਗੈਰ-ਮੌਜੂਦ ਪਦਾਰਥ ਨੂੰ ਲੁਕਾਉਂਦਾ ਹੈ ਅਤੇ ਨਿਵੇਸ਼ਕਾਂ ਅਤੇ ਸਮਾਜ ਦੋਵਾਂ ਨੂੰ ਗੁੰਮਰਾਹ ਕਰਦਾ ਹੈ।
ਇਸ ਇਕਾਈ ਵਿੱਚ, ਅਸੀਂ ਖੋਜ ਦੇ ਦੋ ਮੁੱਖ ਨਕਲੀ ਖੁਫੀਆ ਪਹਿਲੂਆਂ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ: ਖੋਜ ਨਿਸ਼ਾਨਾ (ਖਣਿਜ ਸੰਭਾਵਨਾ; ਬਹੁ-ਪੱਧਰੀ ਡੇਟਾ ਤੋਂ ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਕਿ ਕਿਸ ਖੇਤਰ ਵਿੱਚ ਜਮ੍ਹਾਂ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ) ਅਤੇ ਸਰੋਤ ਅਨੁਮਾਨ (ਕਿਸੇ ਭਰੋਸੇ ਨਾਲ ਅਸੀਂ ਇਹ ਕਹਿ ਸਕਦੇ ਹਾਂ ਕਿ ਇੱਕ ਡ੍ਰਿਲਡ ਡਿਪਾਜ਼ਿਟ ਵਿੱਚ ਕਿੰਨੀ ਧਾਤ ਹੈ)। ਦੋਵਾਂ ਵਿੱਚ, AI ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪੈਟਰਨ ਖੋਜੀ ਹੈ; ਪਰ ਦੋਵਾਂ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਅੰਤਮ ਅੰਕੜਾ ਉਸ ਸਮਰੱਥ ਵਿਅਕਤੀ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ ਜਿਸ ਨੇ ਅੰਤਰਰਾਸ਼ਟਰੀ ਰਿਪੋਰਟਿੰਗ ਮਾਪਦੰਡਾਂ 'ਤੇ ਦਸਤਖਤ ਕੀਤੇ ਹਨ।
ਖੋਜ ਟੀਚਾ: ਮਲਟੀ-ਲੇਅਰਡ ਡੇਟਾ ਫਿਊਜ਼ਨ
ਇੱਕ ਖੋਜ ਭੂ-ਵਿਗਿਆਨੀ ਕਿਸੇ ਇੱਕ ਕਿਸਮ ਦੇ ਡੇਟਾ ਨੂੰ ਨਹੀਂ ਬਲਕਿ ਓਵਰਲੇਡ ਪਰਤਾਂ 'ਤੇ ਵੇਖਦਾ ਹੈ: ਭੂ-ਵਿਗਿਆਨਕ ਨਕਸ਼ੇ, ਢਾਂਚਾਗਤ ਰੂਪ (ਨੁਕਸ ਅਤੇ ਫੋਲਡ), ਭੂ-ਭੌਤਿਕ ਵਿਗਿਆਨ (ਚੁੰਬਕੀ, ਗੰਭੀਰਤਾ, ਪ੍ਰਤੀਰੋਧਕਤਾ), ਭੂ-ਰਸਾਇਣ (ਮਿੱਟੀ ਅਤੇ ਸਟ੍ਰੀਮ ਦੇ ਨਮੂਨੇ ਦੇ ਤੱਤ ਮੁੱਲ), ਅਤੇ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਦੁਆਰਾ ਮੈਪ ਕੀਤੇ ਗਏ ਬਦਲਾਅ। ਹਰ ਪਰਤ ਇੱਕ ਬੇਹੋਸ਼ ਸੁਰਾਗ ਹੈ; ਅਸਲ ਸੰਕੇਤ ਉਹ ਹੈ ਜਿੱਥੇ ਉਹ ਇਕੱਠੇ ਇਸ਼ਾਰਾ ਕਰਦੇ ਹਨ। ਇਸ ਨੂੰ ਡਾਟਾ ਫਿਊਜ਼ਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਥੇ ਦੋ ਕੰਮ ਕਰਦੀ ਹੈ। ਪਹਿਲਾਂ, ਇਹ ਇੱਕੋ ਵਿਸ਼ਲੇਸ਼ਣ ਸਾਰਣੀ ਵਿੱਚ ਦਰਜਨਾਂ ਲੇਅਰਾਂ ਨੂੰ ਇੱਕੋ ਕੋਆਰਡੀਨੇਟ ਗਰਿੱਡ (ਇੱਕ ਇਕਵਚਨ, ਥਕਾਵਟ ਵਾਲਾ ਪਰ ਗਲਤੀ-ਪ੍ਰਵਾਨ ਕਾਰਜ) ਉੱਤੇ ਅਲਾਈਨ ਕਰਦਾ ਹੈ। ਦੂਜਾ, ਇਹ ਜਾਣੇ-ਪਛਾਣੇ ਡਿਪਾਜ਼ਿਟ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਦੇ ਪੈਟਰਨ ਨੂੰ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਸਮਾਨ ਹਸਤਾਖਰ (ਨਿਗਰਾਨੀ ਕੀਤੀ ਸਿਖਲਾਈ) ਨਾਲ ਨਵੇਂ ਖੇਤਰਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰਦਾ ਹੈ। ਪਰ ਇੱਥੇ ਇੱਕ ਨਾਜ਼ੁਕ ਜਾਲ ਹੈ: ਜਾਣੇ-ਪਛਾਣੇ ਬਿਸਤਰੇ ਦੀ ਗਿਣਤੀ ਅਕਸਰ ਬਹੁਤ ਘੱਟ ਹੁੰਦੀ ਹੈ (ਸ਼ਾਇਦ ਇੱਕ ਖੇਤਰ ਵਿੱਚ 5-10 ਬਿਸਤਰੇ), ਇਸ ਲਈ ਮਾਡਲ ਆਸਾਨੀ ਨਾਲ ਯਾਦ ਕਰਦਾ ਹੈ ਅਤੇ ਨਵੇਂ ਖੇਤਰਾਂ ਵਿੱਚ ਅਸਫਲ ਹੋ ਜਾਂਦਾ ਹੈ. ਇਸ ਲਈ ਟਾਰਗੇਟਿੰਗ ਆਉਟਪੁੱਟ ਇੱਕ "ਯਕੀਨੀ ਰਤਨ ਮੌਜੂਦ ਹੈ" ਸੂਚੀ ਨਹੀਂ ਹੈ, ਪਰ "ਡਰਿਲਿੰਗ ਦੁਆਰਾ ਟੈਸਟ ਕਰਨ ਲਈ ਤਰਜੀਹੀ ਆਦੇਸ਼" ਹੈ।
ਪੜਾਅ ਆਮ ਤੌਰ 'ਤੇ ਇਸ ਤਰ੍ਹਾਂ ਹੁੰਦੇ ਹਨ: (1) ਲੇਅਰਾਂ ਨੂੰ ਇਕਸਾਰ ਅਤੇ ਸਾਫ਼ ਕਰੋ, (2) ਬੈੱਡ ਮਾਡਲ (ਉਦਾਹਰਨ ਲਈ, "ਫਾਲਟ ਇੰਟਰਸੈਕਸ਼ਨ ਦੀ ਦੂਰੀ", "ਚੁੰਬਕੀ ਉੱਚ ਕਿਨਾਰੇ"), (3) ਜਾਣੇ-ਪਛਾਣੇ ਬੈੱਡਾਂ ਵਾਲੀ ਰੇਲਗੱਡੀ ਜਾਂ ਮਾਹਰ ਨਿਯਮ ਦੇ ਨਾਲ ਭਾਰ, (4) ਸੰਭਾਵਨਾ ਦਾ ਨਕਸ਼ਾ ਤਿਆਰ ਕਰੋ, (5) ਸਭ ਤੋਂ ਘੱਟ ਸੰਭਾਵਨਾ ਵਾਲੇ ਖੇਤਰਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵੀ ਅਤੇ ਘੱਟ ਸੰਭਾਵਨਾ ਵਾਲੇ ਖੇਤਰਾਂ ਦੀ ਜਾਂਚ ਕਰੋ।
ਨੁਕਤਾ: ਮਾਡਲ ਵਿੱਚ ਪਰਤਾਂ ਨੂੰ ਕੱਚੀਆਂ ਫੀਡ ਕਰਨ ਦੀ ਬਜਾਏ, ਭੂ-ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਅਰਥਪੂਰਨ ਮਾਰਕਰ ("ਚੁੰਬਕੀ ਰਿੰਗ + ਆਰਜਿਲਿਕ ਪਰਿਵਰਤਨ + ਪੋਰਫਾਈਰੀ ਕਾਪਰ ਲਈ ਫਾਲਟ ਇੰਟਰਸੈਕਸ਼ਨ") ਪ੍ਰਾਪਤ ਕਰੋ। ਬੇਅਰਿੰਗ ਮਾਡਲ ਦੇ ਅਨੁਕੂਲ ਸੂਚਕ ਅੰਨ੍ਹੇ ਅੰਕੜਿਆਂ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮਜ਼ਬੂਤ ਟੀਚੇ ਪੈਦਾ ਕਰਦੇ ਹਨ।
ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਅਤੇ ਸਰੋਤ ਅਨੁਮਾਨ: ਵੈਰੀਓਗਰਾਮ, ਕ੍ਰਿਗਿੰਗ ਅਤੇ ਬਲਾਕ ਮਾਡਲ
ਇੱਕ ਵਾਰ ਡਿਪਾਜ਼ਿਟ ਲੱਭੇ ਅਤੇ ਡ੍ਰਿਲ ਕੀਤੇ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਸਵਾਲ ਬਦਲ ਜਾਂਦਾ ਹੈ: "ਇੱਥੇ ਕਿੰਨੀ ਧਾਤੂ ਹੈ ਅਤੇ ਅਸੀਂ ਇਸ 'ਤੇ ਕਿੰਨਾ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹਾਂ?" ਜਵਾਬ ਲਈ ਨਮੂਨੇ ਵਾਲੇ ਡ੍ਰਿਲ ਪੁਆਇੰਟਾਂ ਤੋਂ ਲੈ ਕੇ ਨਮੂਨਾ ਰਹਿਤ ਚੱਟਾਨ ਦੀ ਮਾਤਰਾ ਤੱਕ ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਦਾ ਮਿਆਰੀ ਟੂਲ ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਹੈ।
ਮੂਲ ਸੰਕਲਪ ਵੈਰੀਓਗ੍ਰਾਮ ਹੈ: ਸਥਾਨਿਕ ਨਿਰੰਤਰਤਾ ਦਾ ਇੱਕ ਮਾਪ ਜੋ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਗ੍ਰੇਡ ਸਮਾਨਤਾਵਾਂ ਘਟਦੀਆਂ ਹਨ ਕਿਉਂਕਿ ਦੋ ਨਮੂਨੇ ਹੋਰ ਵੱਖ ਹੋ ਜਾਂਦੇ ਹਨ। ਨੇੜੇ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਸਮਾਨ ਹਨ, ਦੂਰ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਸੁਤੰਤਰ ਹਨ; ਵੇਰੀਓਗ੍ਰਾਮ ਇਸ "ਸਮਾਨਤਾ ਰੇਂਜ" ਨੂੰ ਮਾਪਦਾ ਹੈ। ਕ੍ਰਿਗਿੰਗ ਇੱਕ ਵਜ਼ਨਦਾਰ ਔਸਤ ਵਿਧੀ ਹੈ ਜੋ ਹਰੇਕ ਨਮੂਨਾ ਰਹਿਤ ਬਲਾਕ ਲਈ ਗ੍ਰੇਡ ਦੇਣ ਲਈ ਇਸ ਵੇਰੀਓਗ੍ਰਾਮ ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ, ਅੰਦਾਜ਼ਾ ਅਤੇ ਅਨੁਮਾਨ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਦੋਵੇਂ। ਡਿਪਾਜ਼ਿਟ ਨੂੰ ਮੀਟਰਾਂ (ਬਲਾਕ ਮਾਡਲ) ਵਿੱਚ ਮਾਪਣ ਵਾਲੇ ਪਾਸਿਆਂ ਦੇ ਨਾਲ ਬਲਾਕਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ, ਅਤੇ ਹਰੇਕ ਬਲਾਕ ਨੂੰ ਇੱਕ ਗ੍ਰੇਡ ਅਤੇ ਵਿਸ਼ਵਾਸ ਦਿੱਤਾ ਗਿਆ ਹੈ।
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਥੇ ਤਿੰਨ ਪੁਆਇੰਟਾਂ 'ਤੇ ਆਉਂਦੀ ਹੈ। ਵੇਰੀਓਗ੍ਰਾਮ ਮਾਡਲਿੰਗ ਵਿੱਚ, ਇਹ ਵਿਕਲਪਕ ਮਾਡਲਾਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਅਤੇ ਫਿੱਟ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿਧੀਆਂ (ਜਿਵੇਂ ਕਿ ਬੇਤਰਤੀਬ ਜੰਗਲ, ਗਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ) ਕ੍ਰਿਗਿੰਗ ਤੋਂ ਇਲਾਵਾ ਗੈਰ-ਰੇਖਿਕ ਗ੍ਰੇਡ ਸਬੰਧਾਂ ਨੂੰ ਹਾਸਲ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਅਤੇ ਇਹ ਪੂਰੇ ਵਰਕਫਲੋ ਦੀ ਕੋਡਿੰਗ, ਜਾਂਚ ਅਤੇ ਰਿਪੋਰਟਿੰਗ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਪਰ ਦੋ ਲੋਹੇ ਦੇ ਨਿਯਮ ਸਥਿਰ ਰਹਿੰਦੇ ਹਨ: ਅਨੁਮਾਨ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਕਦੇ ਵੀ ਲੁਕਾਇਆ ਨਹੀਂ ਜਾ ਸਕਦਾ, ਅਤੇ ਅੰਤਮ ਸਰੋਤ ਨੂੰ ਸਮਰੱਥ ਵਿਅਕਤੀ ਦੁਆਰਾ ਅੰਤਰਰਾਸ਼ਟਰੀ ਮਾਪਦੰਡਾਂ (ਸੰਸਾਧਨ/ਰਿਜ਼ਰਵ ਰਿਪੋਰਟਿੰਗ ਦੇ ਜਨਤਕ, ਆਡਿਟ ਕਰਨ ਯੋਗ ਫਰੇਮਵਰਕ, ਜਿਵੇਂ ਕਿ JORC, NI 43-101,) ਦੇ ਅਨੁਸਾਰ ਮਾਪਿਆ / ਸੰਕੇਤ / ਅਨੁਮਾਨਿਤ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਛਾਂਟਿਆ ਜਾਂਦਾ ਹੈ।
ਸਾਵਧਾਨ: ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲ "ਸਮੂਥ" ਡ੍ਰਿਲਿੰਗ ਬ੍ਰੇਕ ਹੋ ਸਕਦਾ ਹੈ, ਨਿਰੰਤਰਤਾ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੈ। ਕੁਝ ਉੱਚ-ਦਰਜੇ ਦੇ ਨਮੂਨੇ ਇੱਕ ਪੂਰੇ ਬਲਾਕ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ (ਅੰਗਰੇਜ਼ੀ ਸਮੀਅਰਿੰਗ) ਅਮੀਰ ਬਣਾ ਸਕਦੇ ਹਨ। ਉੱਚ ਮੁੱਲਾਂ (ਟੌਪ-ਕੱਟ) ਨੂੰ ਸੀਮਤ ਕਰਨਾ ਅਤੇ ਬਲਾਕ ਆਧਾਰ 'ਤੇ ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ; ਨਹੀਂ ਤਾਂ ਟਨਜ ਕਾਗਜ਼ 'ਤੇ ਸੁੱਜ ਜਾਵੇਗਾ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ
ਕੇਸ 1 — ਟਾਰਗੇਟਿੰਗ ਤਰਜੀਹ। ਇੱਕ ਖੋਜ ਟੀਮ ਇੱਕ 380 km² ਲਾਇਸੈਂਸ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਸੀਮਤ ਡਰਿਲਿੰਗ ਬਜਟ ਨਾਲ ਕੰਮ ਕਰ ਰਹੀ ਸੀ। ਸੱਤ ਭੂ-ਭੌਤਿਕ/ਭੂ-ਰਸਾਇਣ ਪਰਤਾਂ ਨੂੰ ਜੋੜਨ ਵਾਲਾ ਇੱਕ ਸੰਭਾਵੀ ਨਕਸ਼ਾ ਖੇਤਰ ਦੇ ਸਿਰਫ 6% ਨੂੰ "ਉੱਚ ਤਰਜੀਹ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰਦਾ ਹੈ। ਟੀਮ ਨੇ ਇਸ 6% ਵਿੱਚ ਪਹਿਲੇ ਪੰਜ ਅਭਿਆਸਾਂ ਨੂੰ ਨਿਰਦੇਸ਼ਿਤ ਕੀਤਾ; ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਤਿੰਨ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਤਾਂਬੇ ਦੇ ਇੰਟਰਸੈਕਸ਼ਨ ਮਿਲੇ ਹਨ। ਨਾਜ਼ੁਕ ਬਿੰਦੂ: ਨਕਸ਼ੇ ਨੇ ਧਾਤ ਨੂੰ "ਸਾਬਤ" ਨਹੀਂ ਕੀਤਾ, ਤਰਕਸੰਗਤ ਕੀਤਾ ਕਿ ਡਿਰਲ ਬਜਟ ਨੂੰ ਕਿੱਥੇ ਫੋਕਸ ਕਰਨਾ ਹੈ ਅਤੇ ਅੰਨ੍ਹੇ ਅਜ਼ਮਾਇਸ਼ਾਂ ਦੀ ਗਿਣਤੀ ਘਟਾ ਦਿੱਤੀ ਗਈ ਹੈ।
ਕੇਸ 2 - ਸਮੀਅਰਿੰਗ ਦਾ ਕੈਪਚਰ। ਇੱਕ ਗੋਲਡ ਡਿਪਾਜ਼ਿਟ 'ਤੇ, ਪਹਿਲੇ ਬਲਾਕ ਮਾਡਲ ਨੇ 78 g/t ਦੇ ਇੱਕ ਸਿੰਗਲ ਓਵਰਸੈਂਪਲ ਦੇ ਪ੍ਰਭਾਵ ਕਾਰਨ ਆਲੇ ਦੁਆਲੇ ਦੇ ਬਲਾਕਾਂ ਨੂੰ ਵਧਾ ਦਿੱਤਾ ਸੀ, ਸਰੋਤ ਨੂੰ 14% ਤੱਕ ਵਧਾ ਦਿੱਤਾ ਸੀ। QA/QC ਸਮੀਖਿਆ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਗਏ ਪੂਰਵ-ਅਨੁਮਾਨ ਨੂੰ ਸਿਖਰ-ਕਟ (ਸੰਖਿਆਤਮਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੱਕ ਉੱਚ ਮੁੱਲ ਨੂੰ ਘਟਾਉਣਾ) ਅਤੇ ਗੁਆਂਢੀ ਨਮੂਨਾ ਨਿਯੰਤਰਣ ਦੇ ਨਾਲ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਪੱਧਰ 'ਤੇ ਲਿਆਂਦਾ ਗਿਆ ਸੀ। ਅੰਤਰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਮਲਟੀਮਿਲੀਅਨ ਡਾਲਰ ਦੇ ਨਿਵੇਸ਼ ਫੈਸਲੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ।
ਕੇਸ 3 - ਵਰਗੀਕਰਨ ਅਨੁਸ਼ਾਸਨ। ਇੱਕ ਲੋਹੇ ਦੇ ਪ੍ਰੋਜੈਕਟ 'ਤੇ, ਮਾਡਲ ਨੇ ਉੱਚ ਭਰੋਸੇ ਨਾਲ ਪੂਰੇ ਡਿਪਾਜ਼ਿਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ; ਹਾਲਾਂਕਿ, ਸੀਮਾਂਤ ਖੇਤਰਾਂ ਵਿੱਚ ਡ੍ਰਿਲਿੰਗ ਘਣਤਾ ਬਹੁਤ ਘੱਟ ਸੀ। ਅਧਿਕਾਰਤ ਵਿਅਕਤੀ ਨੇ ਆਰਥਿਕ ਮੁਲਾਂਕਣ ਤੋਂ ਬਹੁਤ ਘੱਟ ਨਮੂਨੇ ਵਾਲੇ ਵਾਲੀਅਮ ਨੂੰ ਹਟਾ ਦਿੱਤਾ, ਇਸਨੂੰ "ਅੰਦਾਜ਼ਾ" ਵਿੱਚ ਘਟਾ ਦਿੱਤਾ। ਇਸ ਤਰ੍ਹਾਂ, ਰਿਪੋਰਟ ਜਨਤਕ ਤੌਰ 'ਤੇ ਪ੍ਰਗਟ ਕੀਤੇ ਭੰਡਾਰਾਂ ਵਿੱਚ ਅਤਿਕਥਨੀ ਤੋਂ ਬਚਦੀ ਹੈ ਅਤੇ ਮਿਆਰ ਦੇ ਅਨੁਸਾਰ ਬਣੀ ਰਹਿੰਦੀ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਡ੍ਰਿਲਿੰਗ ਉਪਜ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ ਅਤੇ ਦੱਸੋ ਕਿ ਜਮ੍ਹਾਂ ਵਿੱਚ ਕਿੰਨਾ ਸੋਨਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸਰੋਤ ਭੂ-ਵਿਗਿਆਨਕ। ਹੇਠਾਂ ਦਿੱਤੇ ਮਿਸ਼ਰਿਤ ਪਰਖ ਡੇਟਾ ਦੇ ਨਾਲ ਇੱਕ ਸਰੋਤ ਨੰਬਰ ਦਿਓ। ਇਸਦੀ ਬਜਾਏ: 1) ਗ੍ਰੇਡ ਵੰਡ ਨੂੰ ਸੰਖੇਪ ਕਰੋ; ਸੰਭਾਵੀ ਆਊਟਲੀਅਰਾਂ ਅਤੇ ਸਿਖਰ-ਕਟ ਦੀ ਲੋੜ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ। 2) ਸੁਝਾਓ ਕਿ ਸਥਾਨਿਕ ਨਿਰੰਤਰਤਾ ਲਈ ਕਿਹੜੇ ਵੇਰੀਓਗ੍ਰਾਮ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। 3) ਦੱਸੋ ਕਿ ਕਿਹੜੇ ਖੇਤਰਾਂ ਨੂੰ ਘੱਟ ਡ੍ਰਿਲਿੰਗ ਘਣਤਾ ਦੇ ਕਾਰਨ ਸਿਰਫ਼ "ਛੱਡਿਆ" ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। 4) ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ 4 ਸਰੋਤਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜੋ ਨਤੀਜੇ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦੇ ਹਨ। ਡੇਟਾ ਅਗਿਆਤ ਹੈ; ਕੋਈ ਅਸਲ ਕੋਆਰਡੀਨੇਟ/ਕੰਪਨੀ ਨਹੀਂ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਮਾਡਲ ਨੂੰ ਇੱਕ ਧੋਖੇਬਾਜ਼ ਨੰਬਰ ਪੈਦਾ ਕਰਨ ਤੋਂ ਰੋਕਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਸਹਾਇਕ ਵਿੱਚ ਬਦਲਦਾ ਹੈ ਜੋ ਬਿਲਕੁਲ ਉਹਨਾਂ ਸਵਾਲਾਂ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਦਾ ਹੈ ਜੋ ਇੰਚਾਰਜ ਵਿਅਕਤੀ ਨੂੰ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ
1) ਲੇਅਰ ਫਿਊਜ਼ਨ ਲਈ ਟੋਕਨ ਡੈਰੀਵੇਸ਼ਨ:
ਪੋਰਫਾਇਰੀ ਕਾਪਰ ਐਕਸਪਲੋਰੇਸ਼ਨ ਮਾਡਲ ਦੇ ਆਧਾਰ 'ਤੇ ਹੇਠ ਲਿਖੀਆਂ ਪਰਤਾਂ ਤੋਂ ਅਰਥਪੂਰਨ ਮਾਰਕਰਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ: ਚੁੰਬਕੀ, ਗੰਭੀਰਤਾ, ਪ੍ਰਤੀਰੋਧਕਤਾ, ਮਿੱਟੀ ਦੀ ਭੂ-ਰਸਾਇਣ (Cu-Mo-Au), ਤਬਦੀਲੀ। ਹਰੇਕ ਮਾਰਕਰ ਲਈ: ਡਿਪਾਜ਼ਿਟ ਮਾਡਲ, ਸੰਭਵ ਗੁੰਮਰਾਹਕੁੰਨ ਸਰੋਤ, ਅਤੇ ਫੀਲਡ ਪੁਸ਼ਟੀਕਰਨ ਵਿਧੀ ਨਾਲ ਲਿੰਕ ਕਰੋ। ਇੱਕ ਸਟੀਕ ਟੀਚਾ ਦੇਣਾ; ਤਰਜੀਹੀ ਤਰਕ ਸਥਾਪਿਤ ਕਰੋ।
2) ਅਸੇ QA/QC ਪ੍ਰੀ-ਸਕ੍ਰੀਨਿੰਗ:
ਨਿਮਨਲਿਖਤ ਲਈ ਪਰਖ ਸਾਰਣੀ ਦੀ ਜਾਂਚ ਕਰੋ: ਨਕਾਰਾਤਮਕ/ਅਸੰਭਵ ਮੁੱਲ, ਖੋਜ ਸੀਮਾ ਤੋਂ ਹੇਠਾਂ ਸੰਕੇਤਾਂ ਦਾ ਅਨੁਪਾਤ, ਇਕਾਈ ਅੰਤਰ (ppm/%/g-t), ਨਮੂਨਾ ਸਮਝੌਤਾ ਦੁਹਰਾਓ, ਖਾਲੀ ਅਤੇ ਮਿਆਰੀ ਨਮੂਨਾ ਡ੍ਰਾਈਫਟ। ਸਿਰਫ਼ drilling_id ਦੁਆਰਾ ਮੁੱਦਿਆਂ ਦੀ ਸੂਚੀ ਬਣਾਓ; ਮੁਲਾਂਕਣ, ਸੁਧਾਰ।
3) ਵੈਰੀਓਗਰਾਮ ਵਿਆਖਿਆ ਦਾ ਖਰੜਾ:
ਪ੍ਰਯੋਗਾਤਮਕ ਵੇਰੀਓਗ੍ਰਾਮ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰੋ: ਸਾਦੀ ਭਾਸ਼ਾ ਵਿੱਚ ਸਮਝਾਓ ਕਿ ਨਗਟ, ਰੇਂਜ ਅਤੇ ਸਿਲ ਦਾ ਕੀ ਅਰਥ ਹੈ; ਕੀ ਐਨੀਸੋਟ੍ਰੋਪੀ ਦੇ ਕੋਈ ਸੰਕੇਤ ਹਨ? ਮਾਰਕ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਕਿਹੜੇ ਫੈਸਲਿਆਂ ਲਈ ਭੂ-ਵਿਗਿਆਨੀ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਤਰਕ, ਕੋਡ ਨਹੀਂ।
4) ਸਰੋਤ ਵਰਗੀਕਰਣ ਨਿਯੰਤਰਣ:
ਬਲਾਕ ਮਾਡਲ ਵਿੱਚ, ਹਰੇਕ ਬਲਾਕ ਲਈ: ਕਰਿਗਿੰਗ ਵੇਰੀਐਂਸ, ਅੰਦਾਜ਼ੇ ਵਿੱਚ ਵਰਤੇ ਗਏ ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਨਜ਼ਦੀਕੀ ਬੋਰਹੋਲ ਦੀ ਦੂਰੀ ਦਿੱਤੀ ਗਈ ਸੀ। ਇੱਕ ਵਾਜਬ ਰੂਪਰੇਖਾ ਦਿਓ ਕਿ ਕਿਹੜੇ ਬਲਾਕ ਮਿਆਰੀ ਤਰਕ ਦੇ ਅਨੁਸਾਰ ਮਾਪੇ/ਪ੍ਰਦਰਸ਼ਿਤ/ਅਨੁਮਾਨਿਤ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਫਿੱਟ ਹਨ। ਅੰਤਮ ਵਰਗੀਕਰਨ ਅਧਿਕਾਰਤ ਵਿਅਕਤੀ ਨਾਲ ਸਬੰਧਤ ਹੈ; ਇਸ ਨੂੰ ਬਿਆਨ.
ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ
ਵਿਧੀ
ਕੀ ਕਰਦਾ ਹੈ
ਮਜ਼ਬੂਤ ਬਿੰਦੂ
ਮੁੱਖ ਜੋਖਮ
ਮਾਹਰ ਨਿਯਮ (ਵਜ਼ਨ ਵਾਲੀ ਪਰਤ)
ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ ਟੀਚਿਆਂ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕਰਦਾ ਹੈ
ਬਹੁਤ ਘੱਟ ਡੇਟਾ, ਪਾਰਦਰਸ਼ੀ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ
ਮਾਹਰ ਪੱਖਪਾਤ
ML ਟਾਰਗਿਟਿੰਗ ਦੀ ਨਿਗਰਾਨੀ ਕੀਤੀ
ਜਾਣੇ ਬਿਸਤਰੇ ਤੋਂ ਸਿੱਖਦਾ ਹੈ
ਗੁੰਝਲਦਾਰ ਪੈਟਰਨ ਕੈਪਚਰ ਕਰਦਾ ਹੈ
ਕੁਝ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਯਾਦ
ਕਰਿਗਿੰਗ
ਟੈਨੋਰ ਅਨਿਸ਼ਚਿਤਤਾ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ
ਮਿਆਰੀ, ਲੇਖਾ-ਜੋਖਾ
ਵੈਰੀਓਗਰਾਮ ਗਲਤੀ, ਸਮੀਅਰਿੰਗ
ML ਗ੍ਰੇਡ ਅਨੁਮਾਨ
ਗੈਰ-ਰੇਖਿਕ ਸਬੰਧ
ਲਚਕੀਲਾ
ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਛੁਪਾ ਸਕਦਾ ਹੈ, ਜ਼ਿਆਦਾ ਅਨੁਕੂਲਤਾ
ਸਿਮੂਲੇਸ਼ਨ (ਉਦਾਹਰਨ ਲਈ SGS)
ਸੰਭਾਵੀ ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕਰਦਾ ਹੈ
ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਕਲਪਨਾ ਕਰਦਾ ਹੈ
ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਤਮਵਿਸ਼ਵਾਸ ਜੇਕਰ ਗਲਤ ਵਿਆਖਿਆ ਕੀਤੀ ਗਈ ਹੈ
ਨੁਕਤਾ: ਸਰੋਤਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵੇਲੇ, "ਇੱਕੋ ਵਧੀਆ ਨੰਬਰ" ਦੀ ਬਜਾਏ ਇੱਕ ਰੇਂਜ ਅਤੇ ਦ੍ਰਿਸ਼ ਦੀ ਮੰਗ ਕਰੋ। ਤਿੰਨ ਆਸ਼ਾਵਾਦੀ/ਉਮੀਦ ਕੀਤੇ/ਸਾਵਧਾਨ ਦ੍ਰਿਸ਼ ਇੱਕ ਸਿੰਗਲ ਸੰਖਿਆ ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਝੂਠੀ ਨਿਸ਼ਚਤਤਾ ਨਾਲੋਂ ਫੈਸਲੇ ਲੈਣ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਇਮਾਨਦਾਰ ਆਧਾਰ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।
ਆਮ ਗਲਤੀਆਂ
- ਐੱਮ.ਐੱਲ. ਨੂੰ ਥੋੜ੍ਹੇ ਜਿਹੇ ਜਾਣੇ-ਪਛਾਣੇ ਬਿਸਤਰੇ ਨਾਲ ਯਾਦ ਕਰਨਾ। ਪੰਜ ਬੇਅਰਿੰਗਾਂ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਇੱਕ ਮਾਡਲ ਨਵੇਂ ਖੇਤਰ ਵਿੱਚ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ; ਆਉਟਪੁੱਟ ਨੂੰ ਤਰਜੀਹੀ ਸੂਚੀ ਵਜੋਂ ਵੇਖੋ, ਸਬੂਤ ਵਜੋਂ ਨਹੀਂ।
- ਅਤਿਅੰਤ ਮੁੱਲਾਂ ਨੂੰ ਸੀਮਤ ਨਹੀਂ ਕਰਨਾ। ਇੱਕ ਉੱਚੀ ਪਰਖ, ਜੇਕਰ ਚੋਟੀ-ਕਟਿੰਗ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ, ਤਾਂ ਆਲੇ ਦੁਆਲੇ ਦੇ ਬਲਾਕਾਂ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਅਮੀਰ (ਸਮੀਅਰ) ਕਰ ਦੇਵੇਗਾ ਅਤੇ ਟਨੇਜ ਨੂੰ ਵਧਾ ਦੇਵੇਗਾ।
- ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਰਿਪੋਰਟ ਨਹੀਂ ਕਰ ਰਿਹਾ। ਕ੍ਰਿਗਿੰਗ ਪਰਿਵਰਤਨ ਅਤੇ ਵਰਗੀਕਰਨ ਨੂੰ ਛੁਪਾਉਣਾ ਅਤੇ ਇਕਹਿਰੇ ਅੰਕੜੇ ਪੇਸ਼ ਕਰਨਾ ਮਿਆਰਾਂ ਅਤੇ ਇਕਸਾਰਤਾ ਦੇ ਵਿਰੁੱਧ ਹੈ।
- ਵਰਗੀਕਰਨ ਛੱਡਣਾ। ਮਾਪਿਆ ਦੇ ਤੌਰ 'ਤੇ ਬਹੁਤ ਘੱਟ ਨਮੂਨੇ ਦੀ ਮਾਤਰਾ ਨੂੰ ਪੇਸ਼ ਕਰਨਾ ਆਰਥਿਕ ਨਿਰਣੇ ਅਤੇ ਜਨਤਾ ਦੇ ਵਿਸ਼ਵਾਸ ਨਾਲ ਸਮਝੌਤਾ ਕਰਦਾ ਹੈ।
- QA/QC ਛੱਡਣਾ। ਖਾਲੀ ਅਤੇ ਮਿਆਰੀ ਨਮੂਨਿਆਂ ਦੇ ਨਾਲ ਵਹਿਣ ਦੀ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਨਿਗਰਾਨੀ ਤੋਂ ਬਿਨਾਂ ਕੋਈ ਗ੍ਰੇਡ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ।
ਸਾਰੰਸ਼ ਵਿੱਚ
- ਖੋਜ ਨਿਸ਼ਾਨਾ ਮਲਟੀ-ਲੇਅਰਡ ਡੇਟਾ ਫਿਊਜ਼ਨ ਦੁਆਰਾ ਡ੍ਰਿਲਿੰਗ ਤਰਜੀਹ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਇਹ ਧਾਤੂ ਨੂੰ ਸਾਬਤ ਨਹੀਂ ਕਰਦਾ, ਇਹ ਅੰਨ੍ਹੇ ਮੁਕੱਦਮੇ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ.
- ਸਰੋਤ ਅਨੁਮਾਨ ਵੈਰੀਓਗ੍ਰਾਮ ਅਤੇ ਕ੍ਰਿਗਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਨਿਸ਼ਚਤਤਾ ਨਾਲ ਗ੍ਰੇਡ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ; ਬਲਾਕ ਮਾਡਲ ਇਸ 'ਤੇ ਬਣਾਇਆ ਗਿਆ ਹੈ.
- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਪਰ ਇਹ ਛੋਟੇ ਨਮੂਨਿਆਂ ਨੂੰ ਯਾਦ ਰੱਖਦੀ ਹੈ, ਆਊਟਲੀਅਰਾਂ 'ਤੇ ਸਮੀਅਰ ਕਰਦੀ ਹੈ, ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਲੁਕਾ ਸਕਦੀ ਹੈ।
- ਅੰਤਮ ਵੇਲਡ ਨੂੰ JORC/NI 43-101 ਵਰਗੇ ਮਾਪਦੰਡਾਂ ਦੇ ਅਨੁਸਾਰ ਇੱਕ ਅਧਿਕਾਰਤ ਯੋਗ ਵਿਅਕਤੀ ਦੁਆਰਾ ਵਰਗੀਕ੍ਰਿਤ ਅਤੇ ਦਸਤਖਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
- ਮੁੱਲ ਇੱਕ ਧੋਖੇਬਾਜ਼ ਨੰਬਰ ਵਿੱਚ ਨਹੀਂ ਹੈ; ਅਨਿਸ਼ਚਿਤਤਾ ਇੱਕ ਟੈਸਟਯੋਗ ਤਰਜੀਹ ਅਤੇ ਵਰਗੀਕਰਨ ਵਿੱਚ ਹੈ ਜੋ ਇਮਾਨਦਾਰੀ ਨਾਲ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਅਗਿਆਤ ਮਿਸ਼ਰਿਤ ਪਰਖ ਸਾਰਣੀ (ਜਾਂ ਪ੍ਰਤੀਨਿਧੀ ਮੁੱਲ) ਪ੍ਰਾਪਤ ਕਰੋ। ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਦੇ ਨਾਲ, ਮਾਡਲ ਨੂੰ ਇਹਨਾਂ ਲਈ ਪੁੱਛੋ: ਸਰੋਤ ਚਿੱਤਰ ਦੀ ਬਜਾਏ ਓਵਰਵੈਲਿਊ/ਟੌਪ-ਕਟ ਲੋੜ, ਵੇਰੀਓਗ੍ਰਾਮ ਦਿਸ਼ਾਵਾਂ ਅਤੇ ਘੱਟ ਘਣਤਾ ਵਾਲੇ ਖੇਤਰ। ਫਿਰ "ਸਰੋਤ ਵਰਗੀਕਰਨ ਨਿਯੰਤਰਣ" ਟੈਂਪਲੇਟ ਨੂੰ ਇੱਕ ਡਰਾਫਟ ਤਿਆਰ ਕਰਨ ਲਈ ਕਹੋ ਕਿ ਕਿਹੜੇ ਬਲਾਕ ਕਿਸ ਟਰੱਸਟ ਕਲਾਸ ਵਿੱਚ ਆਉਣਗੇ। ਅੰਤ ਵਿੱਚ, ਵੇਖੋ ਕਿ ਕੀ ਮਾਡਲ ਇੱਕ ਸਿੰਗਲ ਟਨੇਜ ਚਿੱਤਰ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਵਾਕ ਵਿੱਚ ਲਿਖੋ ਕਿ ਤੁਹਾਨੂੰ ਇਸਨੂੰ ਕਿਉਂ ਰੱਦ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਨੂੰ ਅਹਿਸਾਸ ਹੋਇਆ ਕਿ ਖੋਜ ਨਿਸ਼ਾਨਾ ਧਾਤੂ ਨੂੰ ਸਾਬਤ ਨਹੀਂ ਕਰਦਾ, ਇਹ ਡ੍ਰਿਲਿੰਗ ਤਰਜੀਹ ਪੈਦਾ ਕਰਦਾ ਹੈ।
- [ ] ਮੈਂ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹਾਂ ਕਿ ਕਿਵੇਂ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ ਵੇਰੀਓਗ੍ਰਾਮ ਅਤੇ ਕ੍ਰਿਗਿੰਗ ਅਨੁਮਾਨ ਗ੍ਰੇਡ ਹਨ।
- [ ] ਮੈਂ ਗੰਧਲਾ ਕਰਨ, ਟਾਪ-ਕਟ ਅਤੇ ਓਵਰਵੈਲਿਊ ਦੇ ਜੋਖਮਾਂ ਨੂੰ ਪਛਾਣਦਾ ਹਾਂ ਅਤੇ QA/QC ਨੂੰ ਲਾਜ਼ਮੀ ਮੰਨਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਸਮਝਦਾ/ਸਮਝਦੀ ਹਾਂ ਕਿ ਸਰੋਤ ਨੂੰ ਮਾਪਿਆ/ਸੰਕੇਤ/ਅਨੁਮਾਨਿਤ ਦੇ ਤੌਰ ਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਇਹ ਅਧਿਕਾਰਤ ਵਿਅਕਤੀ ਦਾ ਹੈ।
- [ ] ਮੈਂ ਇੱਕ ਅਨੁਸ਼ਾਸਨ ਅਪਣਾਇਆ ਹੈ ਜਿਸ ਲਈ ਸਿੰਗਲ ਸੰਖਿਆਵਾਂ ਦੀ ਬਜਾਏ ਅਨਿਸ਼ਚਿਤਤਾ ਰੇਂਜਾਂ ਅਤੇ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।