Câștiguri:
- Abilitatea de a explica utilizarea IA și a fuziunii de date multi-strat în prospectivitatea mineralelor
- Înțelegerea modului de realizare a unui model de bloc și a estimării gradului folosind geostatistica (kriging, variogramă) și învățarea automată.
- Abilitatea de a testa rezultatele estimărilor sursei cu validare încrucișată, încredere în clasificare și standarde de raportare
Prospecția este un joc de pariuri în care deciziile de milioane de dolari se bazează pe o mână de mostre de foraj. Un zăcământ de minerale (zăcământ de minereu englez; o acumulare de minerale suficient de bogată și de mare pentru a fi exploatată) este ascuns sub o suprafață de sute de kilometri pătrați și îl „vedem” doar cu foraje rare, umbre geofizice și markeri de suprafață. De aceea, explorarea minerală este una dintre cele mai interesante, dar și cele mai periculoase domenii de aplicare ale AI: atunci când este utilizată corect, accelerează țintirea explorării și extrage mai mult sens din datele rare; Când este folosit incorect, ascunde o substanță inexistentă în spatele statisticilor și induce în eroare atât investitorii, cât și societatea.
În această unitate, vom acoperi două aspecte majore ale explorării de inteligență artificială: țintirea explorării (prospectivitate minerală; estimarea din date cu mai multe straturi care zonă este probabil să aibă un zăcământ) și estimarea resurselor (calculând cu ce încredere putem spune cât metal este într-un zăcământ forat). În ambele, AI este un instrument de căutare puternic de modele; Dar, în ambele cazuri, cifra finală este responsabilitatea persoanei competente care a semnat standarde internaționale de raportare.
Direcționarea căutării: Fuziunea de date cu mai multe straturi
Un geolog de explorare nu se uită la un singur tip de date, ci la straturi suprapuse: hartă geologică, contururi structurale (deficiențe și pliuri), geofizică (magnetică, gravitațională, rezistivitate), geochimie (valori ale elementelor de eșantion de sol și curs de apă) și alterarea cartografiată prin teledetecție. Fiecare strat este un indiciu vag; Semnalul real este locul în care se îndreaptă împreună. Aceasta se numește fuziunea datelor.
Inteligența artificială face două sarcini aici. În primul rând, aliniază zeci de straturi pe aceeași grilă de coordonate (o sarcină singulară, plictisitoare, dar predispusă la erori) într-un singur tabel de analiză. În al doilea rând, învață modelul din jurul depozitelor cunoscute și marchează noi zone cu o semnătură similară (învățare supravegheată). Dar aici există o capcană critică: numărul de paturi cunoscute este adesea foarte mic (poate 5-10 paturi într-o zonă), astfel încât modelul memorează cu ușurință și eșuează în zone noi. De aceea, rezultatul de direcționare nu este o listă „sigur că există o bijuterie”, ci o „ordine prioritară care merită testată prin forare”.
Pașii sunt de obicei următorii: (1) aliniați și curățați straturile, (2) traduceți fiecare strat într-un simbol semnificativ bazat pe modelul de pat (de exemplu, „distanță până la intersecția defecțiunii”, „marginea superioară magnetică”), (3) antrenați cu paturi cunoscute sau greutate cu regulile experților, (4) produceți harta probabilității, (5) testați zonele cu cea mai mare probabilitate în domeniu și cu metode cu costuri reduse.
Sfat: În loc să introduceți straturi brute în model, obțineți markeri semnificativi din punct de vedere geologic („inel magnetic + alterare argilică + intersecție defect pentru cuprul porfir”). Indicatorii compatibili cu modelul rulmentului produc ținte mult mai robuste decât statisticile oarbe.
Geostatistică și estimarea resurselor: Variogramă, Kriging și Block Model
Odată ce depozitul este găsit și forat, întrebarea se schimbă: „Cât metal este aici și cât de mult putem avea încredere în el?” Răspunsul necesită o extrapolare de la punctele de foraj eșantionate la volumul de rocă neeșantionat. Instrumentul standard pentru aceasta este geostatistica.
Conceptul de bază este variograma: o măsură a continuității spațiale care descrie modul în care similitudinile de grad scad pe măsură ce două eșantioane se depărtează mai mult. Exemplele din apropiere sunt similare, cele îndepărtate sunt independente; Variograma cuantifică această „gamă de similaritate”. Kriging este o metodă medie ponderată care utilizează această structură variogramă pentru a da nota, atât estimarea, cât și incertitudinea estimării, pentru fiecare bloc neeșantionat. Depozitul este împărțit în blocuri cu laturile măsurate în metri (model bloc), iar fiecărui bloc i se atribuie o notă și încredere.
Inteligența artificială intervine în trei puncte aici. În modelarea variogramelor, sugerează modele alternative și evaluează potrivirea. Metodele de învățare automată (de exemplu, pădure aleatoare, creșterea gradientului) pot capta relații neliniare de grad pe lângă kriging. Și accelerează codarea, verificarea și raportarea întregului flux de lucru. Dar două reguli de fier rămân constante: incertitudinea de estimare nu poate fi niciodată ascunsă, iar resursa finală este sortată de persoana competentă în clase Măsurat/Indicat/Dedus conform standardelor internaționale (cadre publice, auditabile de raportare a resurselor/rezervelor, cum ar fi JORC, NI 43-101, PERC).
Atenție: modelul de învățare automată poate „netezi” rupturile de foraj, creând o continuitate care nu există în realitate. Câteva exemplare de calitate înaltă pot îmbogăți în mod nedrept (pătajare în engleză) un întreg bloc. Limitarea valorilor ridicate (top-cut) și controlul numărului de probe pe bază de bloc este esențială; altfel tonajul se va umfla pe hârtie.
Trei mini carcase: după cifre
Cazul 1 — Prioritizarea direcționării. O echipă de explorare lucra cu un buget limitat de foraj într-o zonă autorizată de 380 km². O hartă de probabilitate care fuzionează șapte straturi geofizice/geochimice a marcat doar 6% din zonă drept „prioritate ridicată”. Echipa a direcționat primele cinci exerciții în acest 6%; au găsit intersecții semnificative de cupru în trei dintre ele. Punctul critic: harta nu a „dovedit” minereul, a raționalizat unde să se concentreze bugetul de foraj și a redus numărul de încercări oarbe.
Cazul 2 – Captura de pete. La un zăcământ de aur, primul model de bloc a umflat blocurile din jur datorită impactului unui singur supraeșantion de 78 g/t, supraestimând resursa cu 14%. Predicția a fost adusă la un nivel realist cu top-cut (reducerea valorii ridicate la pragul statistic) și controlul eșantionului învecinat aplicat în revizuirea QA/QC. Diferența a afectat direct o decizie de investiție de milioane de dolari.
Cazul 3 — Disciplina de clasificare. Pe un proiect de fier, modelul a arătat că se prevedea întregul zăcământ cu mare încredere; cu toate acestea, densitatea de foraj a fost foarte redusă în zonele marginale. Persoana autorizată a scos din evaluarea economică volumul slab eșantionat, retrogradându-l la „Dedus”. Astfel, raportul a evitat exagerarea în rezervele făcute publice și a rămas în conformitate cu standardul.
Solicitare slabă / Solicitare puternică
Prompt slab:
Analizați randamentul de foraj și spuneți cât aur este în zăcământ.[tabel de analiză]
Solicitare puternică:
Rolul dvs.: Geostatistician de resurse. DAȚI UN NUMĂR DE SURSA cu următoarele date de analiză a compusului. În schimb: 1) Rezumați distribuția notelor; marcați posibilele valori aberante și necesitatea unei tăieturi de sus.2) Sugerați ce direcții variogramelor ar trebui examinate pentru continuitatea spațială.3) Indicați care zone pot fi clasificate doar ca „Omise” din cauza densității scăzute de foraj.4) Listați 4 surse de incertitudine care ar putea afecta rezultatul.Datele sunt anonime; fără coordonate/companie reală.
Promptul puternic împiedică modelul să producă un singur număr înșelător și îl transformă într-un asistent care organizează exact întrebările pe care responsabilul ar trebui să le pună.
Patru șabloane copiabile
1) Derivarea simbolului pentru fuziunea stratului:
Sugerați markeri semnificativi din următoarele straturi pe baza modelului de explorare a cuprului porfir: magnetic, gravitațional, rezistivitate, geochimia solului (Cu-Mo-Au), alterare. Pentru fiecare marker: link către modelul de depozit, posibilă sursă înșelătoare și metoda de verificare pe teren. Oferirea unui obiectiv precis; Stabiliți logica priorităților.
2) Testul QA/QC pre-screening:
Verificați tabelul de analiză pentru următoarele: valoare negativă/imposibilă, proporția semnelor sub limita de detecție, discrepanța unității (ppm/%/g-t), acordul de repetare a probei, devierea eșantionului martor și standard. Doar enumerați problemele prin drilling_id; apreciere, corectare.
3) Proiect de interpretare variogramă:
Interpretați rezultatele experimentale ale variogramelor: explicați în limbaj simplu ce înseamnă nugget, range și prag; Există semne de anizotropie? Marcați ce decizii necesită aprobarea geologului înainte de kriging. Logica, nu cod.
4) Controlul clasificării sursei:
În modelul bloc, pentru fiecare bloc au fost date variația kriging-ului, numărul de probe utilizate în estimare și distanța până la cea mai apropiată foraj. Oferiți o schiță RAZIONALĂ a blocurilor care se potrivesc cel mai bine cu clasa Măsurată/Afișată/Dedusă conform logicii standard. Clasificarea finală aparține persoanei autorizate; afirma asta.
Compararea metodelor
Metoda
Ce face
punct forte
Riscul principal
Regula expert (strat ponderat)
Sortează ținte cu informații
Funcționează cu puține date, transparent
părtinire expertă
Direcționare ML supravegheată
Învață din patul cunoscut
Captează un model complex
Memorare în câteva exemple
kriging
Tenor prezice cu incertitudine
Standard, auditabil
Eroare de variogramă, pete
Estimarea notei ML
relație neliniară
Flexibil
Poate ascunde incertitudinea, supraadaptarea
Simulare (de exemplu, SGS)
Generează scenarii probabilistice
Vizualizează incertitudinea
Exces de încredere dacă este interpretat greșit
Sfat: atunci când estimați resursele, solicitați un interval și un scenariu mai degrabă decât un „cel mai bun număr unic”. Trei scenarii optimiste/așteptate/prevăzute oferă o bază mult mai onesta pentru luarea deciziilor decât falsa certitudine creată de un singur număr.
Greșeli comune
- Făcând ML să memoreze cu un pat puțin cunoscut. Un model antrenat cu cinci rulmenți nu este de încredere în noul domeniu; vedeți rezultatul ca pe o listă prioritară, nu ca o dovadă.
- Nu limitează valorile extreme. Un singur test ridicat, dacă nu se efectuează tăierea superioară, va îmbogăți (unge) blocurile din jur și va umfla tonaj.
- Nu raportează incertitudinea. Ascunderea variației și clasificării Kriging și prezentarea cifrelor unice este împotriva standardelor și integrității.
- Omiterea clasificării. Prezentarea volumului slab eșantionat ca măsurat compromite raționamentul economic și încrederea publicului.
- Omiterea QA/QC. Nici un grad nu este de încredere fără monitorizarea de laborator a derivei cu probe martor și standard.
În concluzie
- Direcționarea explorării generează prioritate de foraj prin fuziunea datelor pe mai multe straturi; Nu dovedește minereul, reduce încercarea oarbă.
- Estimarea resurselor estimează gradul cu certitudine folosind variograme și kriging; Modelul bloc este construit pe aceasta.
- Învățarea automată este puternică, dar memorează eșantioane mici, dezvăluie valorile aberante și poate ascunde incertitudinea.
- Sudura finală este clasificată și semnată de o persoană calificată autorizată conform standardelor precum JORC/NI 43-101.
- Valoarea nu este într-un număr înșelător; Incertitudinea se află într-o prioritate testabilă și o clasificare care este raportată sincer.
Sarcina de aplicare
Primiți un tabel de analiză a compusului anonim (sau valori reprezentative). Cu ajutorul promptului puternic, cereți modelului: nevoie de supraevaluare/top-cut, direcții variograme și regiuni cu densitate scăzută în loc de o cifră sursă. Apoi, șablonul „controlul clasificării sursei” să producă o schiță a blocurilor care vor intra în ce clasă de încredere. În cele din urmă, observați dacă modelul încearcă să ofere o singură cifră de tonaj și scrieți într-o singură propoziție de ce ar trebui să-l respingeți.
lista de verificare
- [ ] Mi-am dat seama că țintirea explorării nu dovedește minereu, ea produce prioritate de foraj.
- [ ] Pot explica modul în care variograma și krigingul estimează gradul cu incertitudine.
- [ ] Recunosc riscurile de decolorare, de top-cut și de supraevaluare și consider că QA/QC este obligatoriu.
- [ ] Înțeleg că resursa este clasificată ca Măsurată/Indicată/Dedusă de standard și aparține persoanei autorizate.
- [ ] Am adoptat o disciplină care necesită intervale de incertitudine și scenarii în loc de numere simple.