Zyski:
- Umiejętność wyjaśnienia zastosowania sztucznej inteligencji i wielowarstwowej fuzji danych w prospektywizmie minerałów
- Zrozumienie sposobu tworzenia modelu blokowego i szacowania stopnia z wykorzystaniem geostatystyki (kriging, wariogram) i uczenia maszynowego.
- Możliwość testowania wyników estymacji źródła za pomocą walidacji krzyżowej, pewności klasyfikacji i standardów raportowania
Poszukiwanie to gra polegająca na zakładach, w której wielomilionowe decyzje podejmowane są na podstawie kilku próbek odwiertów. Złoże minerałów (angielskie złoże rud; nagromadzenie minerałów bogate i duże, aby można je było eksploatować) ukryte jest pod powierzchnią setek kilometrów kwadratowych, a „widzimy” je jedynie dzięki nielicznym odwiertom, cieniom geofizycznym i znakom powierzchniowym. Właśnie dlatego eksploracja minerałów jest jednym z najbardziej ekscytujących, ale także najniebezpieczniejszych obszarów zastosowań sztucznej inteligencji: prawidłowo zastosowana przyspiesza ukierunkowanie poszukiwań i wydobywa większe znaczenie z nielicznych danych; Niewłaściwie użyte ukrywa nieistniejącą substancję za statystykami i wprowadza w błąd zarówno inwestorów, jak i społeczeństwo.
W tej części omówimy dwa główne aspekty eksploracji oparte na sztucznej inteligencji: ukierunkowanie poszukiwań (prospektywność minerałów; szacowanie na podstawie danych wielowarstwowych, na którym obszarze prawdopodobnie znajdują się złoża) oraz szacowanie zasobów (obliczanie, z jaką pewnością możemy określić, ile metalu znajduje się w wywierconym złożu). W obu przypadkach sztuczna inteligencja jest potężną wyszukiwarką wzorców; Jednak w obu przypadkach za ostateczną kwotę odpowiada kompetentna osoba, która podpisała międzynarodowe standardy raportowania.
Kierowanie na wyszukiwanie: wielowarstwowa fuzja danych
Geolog eksploracyjny nie patrzy na pojedynczy typ danych, ale na nakładające się na siebie warstwy: mapę geologiczną, kontury strukturalne (uskoki i fałdy), geofizykę (magnetyczną, grawitację, oporność), geochemię (wartości pierwiastków próbki gleby i strumienia) oraz zmiany odwzorowane za pomocą teledetekcji. Każda warstwa jest słabą wskazówką; Prawdziwym sygnałem jest miejsce, w którym wskazują razem. Nazywa się to fuzją danych.
Sztuczna inteligencja spełnia tutaj dwa zadania. Po pierwsze, wyrównuje dziesiątki warstw w tej samej siatce współrzędnych (pojedyncze, żmudne, ale podatne na błędy zadanie) w jedną tabelę analityczną. Po drugie, uczy się wzorców wokół znanych złóż i oznacza nowe obszary podobną sygnaturą (uczenie nadzorowane). Istnieje jednak krytyczna pułapka: liczba znanych łóżek jest często bardzo mała (może 5–10 łóżek w jednym obszarze), więc model łatwo zapamiętuje i zawodzi w nowych obszarach. Dlatego też wynikiem targetowania nie jest lista „na pewno istnieje klejnot”, ale „porządek priorytetowy wart przetestowania poprzez drążenie”.
Etapy są zazwyczaj następujące: (1) wyrównywanie i czyszczenie warstw, (2) tłumaczenie każdej warstwy na znaczący token w oparciu o model złoża (np. „odległość do przecięcia uskoku”, „wysoka krawędź magnetyczna”), (3) trenowanie ze znanymi pokładami lub wagą za pomocą reguły eksperckiej, (4) tworzenie mapy prawdopodobieństwa, (5) testowanie obszarów o największym prawdopodobieństwie w terenie i przy użyciu tanich metod.
Wskazówka: Zamiast wprowadzać surowe warstwy do modelu, wyprowadź znaczniki znaczące geologicznie („pierścień magnetyczny + przekształcenie argilowe + przecięcie uskoków dla miedzi porfirowej”). Wskaźniki kompatybilne z modelem łożyska dają znacznie solidniejsze cele niż ślepe statystyki.
Geostatystyka i szacowanie zasobów: wariogram, kriging i model blokowy
Po odnalezieniu i odwierceniu złoża zmienia się pytanie: „Ile tu jest metalu i na ile możemy mu ufać?” Odpowiedź wymaga ekstrapolacji z pobranych próbek punktów wiertniczych na niepobraną objętość skały. Standardowym narzędziem do tego celu jest geostatystyka.
Podstawową koncepcją jest wariogram: miara ciągłości przestrzennej opisująca, jak podobieństwo stopni maleje w miarę oddalania się dwóch próbek. Bliskie przykłady są podobne, odległe są niezależne; Wariogram określa ilościowo ten „zakres podobieństwa”. Kriging to metoda średniej ważonej, która wykorzystuje tę strukturę wariogramu do określenia oceny, zarówno oszacowania, jak i niepewności oszacowania, dla każdego niepróbkowanego bloku. Złoże podzielone jest na bloki o bokach mierzonych w metrach (model blokowy), a każdemu blokowi przypisany jest stopień i pewność.
Sztuczna inteligencja pojawia się tutaj w trzech punktach. W modelowaniu wariogramów sugeruje alternatywne modele i ocenia dopasowanie. Metody uczenia maszynowego (np. losowy las, wzmacnianie gradientu) mogą oprócz krigingu wychwytywać nieliniowe zależności stopni. Przyspiesza także kodowanie, sprawdzanie i raportowanie całego przepływu pracy. Jednak dwie żelazne zasady pozostają niezmienne: niepewności szacunków nigdy nie można ukryć, a ostateczne zasoby są sortowane przez kompetentną osobę na klasy Zmierzone/Wskazane/Wywnioskowane zgodnie z międzynarodowymi standardami (publiczne, podlegające audytowi ramy raportowania zasobów/rezerw, takie jak JORC, NI 43-101, PERC).
Uwaga: Model uczenia maszynowego może „wygładzić” przerwy w wierceniu, tworząc ciągłość, która w rzeczywistości nie istnieje. Kilka okazów wysokiej klasy może nieuczciwie wzbogacić (rozmazanie angielskie) cały blok. Niezbędne jest ograniczenie wysokich wartości (top-cut) i kontrolowanie liczby próbek w bloku; w przeciwnym razie tonaż spęcznieje na papierze.
Trzy mini etui: w liczbach
Przypadek 1 – Ukierunkowanie na priorytety. Zespół poszukiwawczy pracował przy ograniczonym budżecie na wiercenia na obszarze koncesji o powierzchni 380 km². Mapa prawdopodobieństwa łącząca siedem warstw geofizycznych/geochemicznych oznaczyła jedynie 6% obszaru jako „wysoki priorytet”. Zespół skierował pierwsze pięć ćwiczeń na te 6%; w trzech z nich znaleziono znaczące skrzyżowania miedzi. Punkt krytyczny: mapa nie „udowodniła” rudy, racjonalizowała, na czym skoncentrować budżet wiertniczy i zmniejszyła liczbę ślepych prób.
Przypadek 2 — Uchwycenie rozmazywania. W przypadku jednego złoża złota pierwszy model blokowy zawyżył otaczające bloki w wyniku wpływu pojedynczej nadpróbki o masie 78 g/t, przeszacowując zasób o 14%. Prognozę sprowadzono do poziomu realistycznego dzięki zastosowaniu kontroli odgórnej (obniżającej wysoką wartość do progu statystycznego) i próbki sąsiadującej w przeglądzie QA/QC. Różnica bezpośrednio wpłynęła na wielomilionową decyzję inwestycyjną.
Przypadek 3 — Dyscyplina klasyfikacyjna. W przypadku projektu żelaza model wykazał przewidywanie całego złoża z dużą pewnością; jednakże gęstość wierceń była bardzo niewielka na obszarach marginalnych. Upoważniona osoba usunęła z oceny ekonomicznej wolumen słabo pobrany, obniżając jego ocenę do „Wywnioskowana”. Tym samym raport uniknął przesady w zakresie publicznie ujawnianych rezerw i pozostał w zgodzie ze standardem.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Przeanalizuj uzysk wierceń i powiedz, ile złota znajduje się w złożu. [tabela próbna]
Potężny monit:
Twoja rola: Geostatysta zasobów. PODAJ NUMER ŹRÓDŁOWY z następującymi danymi testu związku. Zamiast tego: 1) Podsumuj rozkład ocen; zaznacz możliwe wartości odstające i potrzebę wykonania cięcia od góry.2) Zasugeruj, które kierunki wariogramu należy zbadać pod kątem ciągłości przestrzennej.3) Wskaż, które obszary można sklasyfikować jedynie jako „Pominięte” ze względu na małą gęstość wierceń.4) Wymień 4 źródła niepewności, które mogą mieć wpływ na wynik. Dane są anonimowe; brak aktualnych współrzędnych/firmy.
Potężny monit uniemożliwia modelowi wygenerowanie jednej zwodniczej liczby i zamienia go w asystenta, który dokładnie porządkuje pytania, które powinna zadać osoba odpowiedzialna.
Cztery szablony do kopiowania
1) Wyprowadzenie tokenu dla fuzji warstw:
Zaproponuj znaczące markery z następujących warstw w oparciu o model eksploracji miedzi porfirowej: magnetyczne, grawitacyjne, rezystywności, geochemii gleby (Cu-Mo-Au), zmiany. Dla każdego znacznika: link do modelu depozytu, możliwe źródło wprowadzające w błąd i metoda weryfikacji terenowej. Podawanie precyzyjnego celu; Ustal logikę priorytetów.
2) Wstępna kontrola jakości testu QA/QC:
Sprawdź w tabeli testów następujące elementy: wartość ujemna/niemożliwa, proporcja znaków poniżej granicy wykrywalności, rozbieżność jednostek (ppm/%/g-t), zgodność powtórzeń próbek, dryf próbki ślepej i standardowej. Po prostu wypisz problemy za pomocą wiercenia_id; ocena, korekta.
3) Projekt interpretacji wariogramu:
Interpretuj wyniki eksperymentalnego wariogramu: wyjaśnij prostym językiem, co oznaczają samorodek, zasięg i próg; Czy są jakieś oznaki anizotropii? Zaznacz, które decyzje wymagają zgody geologa przed krigingiem. Logika, nie kod.
4) Kontrola klasyfikacji źródła:
W modelu blokowym dla każdego bloku podano: wariancję kriginga, liczbę próbek wykorzystanych do estymacji oraz odległość do najbliższego otworu wiertniczego. Podaj ROZSĄDNY zarys, które bloki najlepiej pasują do klasy Zmierzone/Wyświetlone/Wywnioskowane, zgodnie ze standardową logiką. Ostateczna klasyfikacja należy do osoby upoważnionej; to stwierdzić.
Porównanie metod
Metoda
Co robi
mocny punkt
Główne ryzyko
Reguła ekspercka (warstwa ważona)
Sortuje cele na podstawie informacji
Działa z małą ilością danych, jest przejrzysty
stronniczość ekspertów
Nadzorowane kierowanie ML
Uczy się ze znanego łóżka
Przechwytuje złożony wzór
Zapamiętywanie na kilku przykładach
kriging
Tenor przepowiada z niepewnością
Standardowe, podlegające audytowi
Błąd wariogramu, rozmazanie
Ocena stopnia ML
zależność nieliniowa
Elastyczny
Potrafi ukryć niepewność, nadmierne przystosowanie
Symulacja (np. SGS)
Generuje scenariusze prawdopodobieństwa
Wizualizuje niepewność
Nadmierna pewność siebie w przypadku błędnej interpretacji
Wskazówka: szacując zasoby, pytaj o zakres i scenariusz, a nie o „jedną najlepszą liczbę”. Trzy optymistyczne/oczekiwane/ostrożne scenariusze zapewniają znacznie bardziej uczciwą podstawę do podejmowania decyzji niż fałszywa pewność stworzona przez pojedynczą liczbę.
Typowe błędy
- Spraw, aby ML zapamiętywał za pomocą mało znanego łóżka. Model wyszkolony z pięcioma łożyskami jest zawodny w nowej dziedzinie; postrzegaj wyniki jako listę priorytetów, a nie jako dowód.
- Nie ograniczając wartości ekstremalnych. Pojedyncza wysoka próba, jeśli nie zostanie wykonane górne cięcie, niesprawiedliwie wzbogaci (rozmazuje) otaczające bloki i zawyży tonaż.
- Nie zgłaszam niepewności. Ukrywanie rozbieżności i klasyfikacji Krigingu oraz przedstawianie pojedynczych liczb jest sprzeczne ze standardami i uczciwością.
- Pomijanie klasyfikacji. Prezentowanie wolumenu słabo próbkowanego jako Zmierzone podważa ocenę ekonomiczną i zaufanie społeczne.
- Pomijanie kontroli jakości. Żaden gatunek nie jest niezawodny bez laboratoryjnego monitorowania dryftu przy użyciu próbek ślepych i standardowych.
Podsumowując
- Ukierunkowanie na poszukiwania generuje priorytet wierceń poprzez wielowarstwową fuzję danych; To nie dowodzi rudy, ogranicza ślepą próbę.
- Szacowanie zasobów szacuje stopień z pewnością przy użyciu wariogramów i krigingu; Na tym opiera się model blokowy.
- Uczenie maszynowe ma ogromne możliwości, ale zapamiętuje małe próbki, rozmazuje wartości odstające i może ukryć niepewność.
- Ostateczna spoina jest klasyfikowana i podpisana przez upoważnioną wykwalifikowaną osobę zgodnie z normami takimi jak JORC/NI 43-101.
- Wartość nie jest zawarta w jednej zwodniczej liczbie; Niepewność ma możliwy do przetestowania priorytet i klasyfikację, która jest uczciwie zgłaszana.
Zadanie aplikacji
Otrzymaj anonimową tabelę testów związków (lub reprezentatywne wartości). Za pomocą potężnego podpowiedzi poproś model o: potrzebę przewartościowania/wycięcia od góry, kierunki wariogramu i obszary o niskim zagęszczeniu zamiast figury źródłowej. Następnie poproś szablon „kontrola klasyfikacji źródła” o utworzenie wersji roboczej bloków, które będą należeć do której klasy zaufania. Na koniec zaobserwuj, czy model stara się podać jedną wartość tonażu i napisz w jednym zdaniu, dlaczego powinieneś to odrzucić.
lista kontrolna
- [ ] Zdałem sobie sprawę, że ukierunkowanie na poszukiwania nie oznacza wydobycia rudy, lecz priorytet wierceń.
- [ ] Potrafię wyjaśnić, w jaki sposób wariogram i kriging szacują ocenę z niepewnością.
- [ ] Zdaję sobie sprawę z ryzyka rozmazywania, zawyżania wartości i zawyżania wartości i uważam, że kontrola jakości/kontrola jakości jest obowiązkowa.
- [ ] Rozumiem, że zasób jest klasyfikowany przez normę jako zmierzony/wskazany/wywnioskowany i należy do upoważnionej osoby.
- [ ] Przyjąłem dyscyplinę, która wymaga zakresów niepewności i scenariuszy zamiast pojedynczych liczb.