Zyski:
- Umiejętność zrozumienia potencjalnych korekt przetwarzania w terenie (Bouguer, land, log, IGRF) i wrażliwości parametrów separacji regionalnej i pozostałości oraz przetestowania jej przy różnych separacjach
- Umiejętność prawidłowej interpretacji lokalizacji źródła z uwzględnieniem niepewności głębokości i amplitudy oraz efektu szerokości magnetycznej (redukcja do bieguna)
- Możliwość wzajemnej weryfikacji interpretacji potencjalnego pola z alternatywnymi scenariuszami i danymi sejsmicznymi/odwiertami bez blokowania interpretacji potencjalnego pola w jednym modelu
Metoda sejsmiczna jest droga i nie wszędzie można ją zastosować. W tym miejscu wchodzą w grę potencjalne metody pola — grawitacyjne i magnetyczne: stosunkowo niedrogie metody, które szybko skanują duże obszary i ujawniają szorstką strukturę basenów i złóż rud. Metoda grawitacyjna mierzy bardzo małe zmiany grawitacyjne wywołane różnicami gęstości pod ziemią; Metoda magnetyczna mierzy zmiany pola wynikające z różnic w namagnesowaniu (podatności magnetycznej) skał. W tej części wyjaśnimy, w jaki sposób sztuczna inteligencja (AI) przyspiesza przetwarzanie tych dwóch metod: rozróżniania anomalii i szacowania głębokości; Zobaczymy, dlaczego silna niepewność nieodłącznie związana z potencjalnymi polami wymaga stosowania sztucznej inteligencji ze szczególną ostrożnością.
Charakter potencjalnych danych terenowych
Zacznijmy od słownika. Anomalia, odchylenie od oczekiwanej wartości regionalnej; Inaczej mówiąc, jest to sygnatura interesującej nas konstrukcji podziemnej. W przypadku grawitacji surowy pomiar podlega wielu poprawkom: korekcie swobodnego powietrza (efekt wzniesienia), korekcie Bouguera (wpływ górotworu pomiędzy pomiarem a odniesieniem) oraz korekcie terenu (wpływ topografii). Powstała anomalia Bouguera odzwierciedla różnice w gęstości podpowierzchniowej. W przypadku magnesów odejmuje się zmienność dzienną i pole główne (IGRF), aby otrzymać anomalię magnetyczną.
Głównym wyzwaniem związanym z polami potencjalnymi jest niepewność głębokości i amplitudy: małe i płytkie źródło oraz duże i głębokie źródło mogą powodować prawie taką samą anomalię powierzchniową. Jest to potencjalny stan pola polisemii w badaniach sejsmicznych, a sztuczna inteligencja go nie eliminuje – po prostu go przyspiesza. Dlatego w komentarzach zawsze pytam „ile różnych modeli wyjaśnia tę anomalię?” zadawane jest pytanie.
AI w przetwarzaniu i separacji pól
Sercem potencjalnego przetwarzania pola jest separacja regionalno-resztkowa: oddzielenie powoli zmieniającego się komponentu regionalnego od szerokich, głębokich źródeł i komponentu resztkowego od płytkich, lokalnych źródeł. Klasyczne metody to filtry dopasowujące wielomianowe lub filtry długości fali; Podejścia oparte na sztucznej inteligencji mogą uelastycznić to rozróżnienie, ucząc się na przykładach. Dodatkowo funkcje oparte na pochodnych — pochodne poziome/pionowe, sygnał analityczny, kąt pochylenia — podkreślają krawędzie źródła; Sztuczna inteligencja może łączyć te atrybuty i automatycznie oznaczać kandydatów na przewagę i zasoby.
Istnieje ryzyko, że parametr filtra (długość fali odcięcia) całkowicie zmieni interpretację. Te same dane dają zupełnie inne mapy resztowe z różnymi rozróżnieniami. Nawet jeśli sztuczna inteligencja zasugeruje separację, ekspert sprawdza, czy separacja ta jest odpowiednia dla docelowej głębokości.
Wskazówka: Nie ustalaj rozróżnienia na pozostałości regionalne za pomocą jednego parametru. Wygeneruj trzy lub cztery mapy rezydualne z różnymi długościami fal odcięcia i sprawdź, czy docelowa anomalia wygląda spójnie na wszystkich z nich. Anomalia, która pojawia się tylko w jednym rozróżnieniu, jest często artefaktem parametru.
Szacowanie głębokości i automatyzacja
Metody takie jak dekonwolucja Eulera i dekonwolucja Wernera służą do szacowania głębokości źródła w potencjalnych obszarach; szacują one lokalizację źródła i głębokość na podstawie gradientów anomalii. Sztuczna inteligencja może przyspieszyć te przewidywania i stworzyć czystszą „chmurę głębi”, grupując tysiące rozwiązań. Metody te są jednak bardzo wrażliwe na dane wejściowe, takie jak wskaźnik strukturalny – założenie definiujące geometrię źródła; Fałszywe założenie systematycznie daje fałszywą głębię. Mapa głębokości stworzona przez sztuczną inteligencję jest zawsze sprawdzana pod kątem wiarygodności geologicznej i, jeśli to możliwe, studni sejsmicznej.
Przestroga: Ze względu na wpływ polaryzacji i szerokości geograficznej danych magnetycznych, anomalia może nie znajdować się bezpośrednio nad źródłem. Na półkuli północnej anomalia może przesunąć się na południe od źródła. Nie akceptuj „centrum zasobów” oznaczonego przez AI, gdzie nie ma redukcji do bieguna.
Interpretacja zintegrowana z sejsmiką
Same pola potencjalne mają słabą rozdzielczość; Ich prawdziwa siła wyłania się we wspólnej interpretacji. Grawitacja określa głębokość basenu, magnetyzm określa topografię podstawy, a siły sejsmiczne dają delikatną strukturę. Sztuczna inteligencja pomaga połączyć te różne warstwy danych we wspólny model (fuzja danych); ale komponowanie odbywa się pod nadzorem eksperta, biorąc pod uwagę rozdzielczość i niepewność każdej metody.
trzy mini etui
Przypadek 1 — Zwężenie krawędzi basenu. W projekcie geotermalnym konieczne było znalezienie krawędzi basenu (stopnia uskoku) na podstawie danych grawitacyjnych. Wykrywanie krawędzi wspomagane sztuczną inteligencją (kąt nachylenia + sygnał analityczny) wyznaczyło 12 potencjalnych linii krawędzi. Zespół zbadał je za pomocą studni magnetycznych i dwóch istniejących odwiertów; 5 było zgodnych ze stopniem uskoku piwnicy, 7 było wywołanych hałasem. Zweryfikowana krawędź przesunęła lokalizację odwiertu o 800 m.
Przypadek 2 — błąd efektu szerokości geograficznej. Podczas poszukiwań minerałów jako bezpośredni cel wierceń wybrano centrum anomalii magnetycznej. Pierwsza studnia okazała się pusta. Później, po zredukowaniu do bieguna, zdano sobie sprawę, że prawdziwe źródło znajdowało się 300 m na północ od centrum anomalii: efekt szerokości geograficznej został zignorowany. Drugi szyb znalazł złoże rudy.
Przypadek 3 — Duch zależny od parametrów. Jeden zespół dostrzegł wyraźną „wbudowaną strukturę” na mapie resztkowej utworzonej przez pojedynczą długość fali odcięcia. Kiedy mapę odtworzono z różnymi wartościami odcięcia, struktura została utracona: był to artefakt parametru rozróżnienia między regionem a pozostałością, a nie prawdziwe źródło.
Cztery szablony do kopiowania
1) Kontrola korekcji obróbki:
Twoja rola: specjalista ds. obróbki grawitacyjnej/magnetycznej. Wydajność: [grawitacja terenu, nierówny teren]. Wymień mnie w kolejności poprawek, które muszę zastosować (wolne powietrze, Bouguer, teren; codziennie +IGRF przy odbiorze). Przy każdej korekcie wpisz w komentarzu typowy błąd i jego skutek, jeśli został pominięty.
2) Testowanie dyskryminacji regionalnej:
Wykonuję dyskryminację regionalno-resztkową, moja docelowa głębokość wynosi ~[X] km. Jak wybrać długość fali odcięcia? Podaj mi procedurę porównywania map resztowych utworzonych z różnymi wartościami odcięcia: jak rozróżnić, która anomalia jest rzeczywista, a która jest artefaktem parametrów?
3) Kontrola szacowania głębokości:
Głębokość oszacowałem za pomocą dekonwolucji Eulera. Wyjaśnij, jak mój wybór indeksu strukturalnego wpływa na wynik. Jak mogę porównać rozkłady głębokości uzyskane przy użyciu różnych wskaźników i potwierdzić je pod względem wiarygodności geologicznej i sejsmiczności?
4) Korekta pozycji spawania magnetycznego:
Zanim uczynisz środek mojej anomalii magnetycznej celem wierceń, wyjaśnij efekt szerokości geograficznej i potrzebę zredukowania go do bieguna. Jak uwzględnić przesunięcie pomiędzy rzeczywistą lokalizacją źródła a centrum anomalii? Opowiedz mi krok po kroku.
Słaba zachęta/silna zachęta
Słaba zachęta:
Powiedz mi, gdzie jest ruda na tej mapie grawitacyjnej.
Sam potencjalny obszar nie wskazuje rudy; Sztuczna inteligencja ukrywa niepewność i wytwarza jednopunktową fałszywą pewność.
Potężny monit:
Twoja rola: potencjalny komentator terenowy. Kontekst: mapa anomalii Bouguera, docelowa ruda siarczkowa, obecne dwa odwierty. Zadanie: (1) oznaczyć granice potencjalnych zasobów za pomocą atrybutów wykrywania krawędzi; (2) podać co najmniej dwa scenariusze gęstości i głębokości dla każdego kandydata, płytki-mały i głęboki-duży; (3) Powiedz mi, jakie dodatkowe dane (magnetyczne, sejsmiczne, studnia) zalecasz, aby oddzielić te scenariusze. Nie podawaj jednej dokładnej lokalizacji zasobu.
Scenariusze niepewności i żądania dotyczące różnych danych sprawiają, że potencjalna interpretacja pola jest uczciwa i możliwa do obrony.
Porównanie metod
funkcja
grawitacja
magnetyczny
Wkład AI
Różnica, którą mierzy
gęstość
namagnesowanie
Łączenie atrybutów
typowy cel
basen, sól, ruda
Podłoże, ruda
Oznaczenie krawędzi/spoiny
Główna niepewność
Głębokość-amplituda
Efekt szerokości geograficznej/bieguna
zawęzić niepewność
krytyczna korekta
Bouguer, ląduj
Codziennie, IGRF, RTP
automatyka, kontrola
Typowe błędy
- Jedyną różnicą jest to, że teraz możesz zaufać mapie. Nie deklaruj konstrukcji bez przetestowania anomalii przy różnych wartościach odcięcia.
- Ominięcie efektu szerokości geograficznej. Centrum anomalii magnetycznej nie znajduje się bezpośrednio nad źródłem.
- Dowolny wybór wskaźnika strukturalnego. Głębokość Eulera jest bardzo wrażliwa na to założenie.
- Uznanie samego potencjalnego obszaru za ostateczne. Niska rozdzielczość; Połącz z sejsmicznym/studnią.
- Zdecydowanie się na jeden model, który ukrywa niepewność. Pamiętaj, aby tworzyć scenariusze płytkie i małe oraz głębokie i duże.
Podsumowując
Metody grawitacyjne i magnetyczne umożliwiają tanie skanowanie dużych obszarów i pozwalają uzyskać przybliżony zarys basenu i struktury rudy; Sztuczna inteligencja przyspiesza renderowanie, oznaczanie krawędzi/źródła i szacowanie głębokości. Jednak niepewność głębokości i amplitudy, efekt szerokości geograficznej i wrażliwość parametrów nieodłącznie związane z polami potencjalnymi sprawiają, że dane wyjściowe AI są niezwykle delikatne. Prawidłowe użycie: generowanie wielu scenariuszy, testowanie z różnymi parametrami, obserwowanie fizyki, takiej jak redukcja do bieguna i łączenie z badaniami sejsmicznymi/odwiertem. Ostateczna interpretacja należy do biegłego, który nie kryje niepewności.
Zadanie aplikacji
Wybierz anomalię grawitacyjną lub magnetyczną (rzeczywistą lub próbkę). Utwórz procedurę porównawczą dla różnych długości fali odcięcia za pomocą szablonu „Test dyskryminacji pozostałości regionalnych”. Jeśli jest magnetyczny, oceń wpływ szerokości geograficznej za pomocą szablonu „Korekta lokalizacji źródła magnetycznego”. Zapisz co najmniej dwa różne scenariusze podpowierzchniowe wyjaśniające anomalię i dodatkowe dane umożliwiające ich rozróżnienie.
lista kontrolna
- [ ] Zastosowałem wszystkie poprawki renderowania (Bouguer/teren lub log/IGRF).
- [ ] Testowałem rozróżnienie regionalno-resztowe z różnymi parametrami.
- [ ] Wziąłem pod uwagę efekt szerokości geograficznej/redukcję do bieguna w magnetyce.
- [ ] Stworzyłem co najmniej dwa scenariusze głębokości i amplitudy dla tej anomalii.
- [ ] Potwierdziłem wynik metodą sejsmiczną/odwiertem/inną metodą.