Прибыль:
- Способность объяснить использование искусственного интеллекта и многоуровневого объединения данных при поиске полезных ископаемых.
- Понимание того, как построить блочную модель и оценить содержание с использованием геостатистики (кригинг, вариограмма) и машинного обучения.
- Возможность протестировать результаты оценки источника с помощью перекрестной проверки, достоверности классификации и стандартов отчетности.
Разведка – это игра со ставками, в которой решения на многомиллионные суммы принимаются на основе нескольких проб буровых скважин. Месторождение полезных ископаемых (английское месторождение руд; скопление полезных ископаемых, богатое и достаточно большое для того, чтобы его можно было эксплуатировать) скрыто под площадью в сотни квадратных километров, и мы «видим» его только с помощью нечастых бурений, геофизических теней и поверхностных маркеров. Вот почему разведка полезных ископаемых является одной из самых интересных, но в то же время и самых опасных областей применения ИИ: при правильном использовании она ускоряет определение целей разведки и извлекает больше пользы из скудных данных; При неправильном использовании он скрывает за статистикой несуществующую суть и вводит в заблуждение как инвесторов, так и общество.
В этом разделе мы рассмотрим два основных аспекта разведки с использованием искусственного интеллекта: определение целей разведки (перспективность полезных ископаемых; оценка на основе многоуровневых данных, в какой области, вероятно, есть месторождение) и оценка ресурсов (вычисление того, с какой уверенностью мы можем сказать, сколько металла находится в пробуренном месторождении). В обоих случаях ИИ является мощным средством поиска закономерностей; Но в обоих случаях за окончательную цифру отвечает компетентное лицо, подписавшее международные стандарты отчетности.
Таргетинг на поиск: многоуровневое объединение данных
Геолог-разведчик рассматривает не один тип данных, а наложенные друг на друга слои: геологическую карту, структурные контуры (разломы и складки), геофизику (магнитное, гравитационное, удельное сопротивление), геохимию (значения элементов проб почвы и ручьев) и изменения, нанесенные на карту с помощью дистанционного зондирования. Каждый слой — это слабая подсказка; Настоящий сигнал – это то, куда они указывают вместе. Это называется объединением данных.
Искусственный интеллект здесь выполняет две задачи. Во-первых, он выравнивает десятки слоев по одной координатной сетке (единственная, утомительная, но подверженная ошибкам задача) в единую таблицу анализа. Во-вторых, он изучает закономерности вокруг известных месторождений и отмечает новые области с аналогичной сигнатурой (контролируемое обучение). Но здесь есть серьезная ловушка: количество известных пластов часто очень мало (возможно, 5-10 пластов на одном участке), поэтому модель легко запоминается и дает сбой на новых участках. Вот почему результат таргетинга — это не список «наверное, жемчужина существует», а «приоритетный порядок, который стоит проверить путем бурения».
Обычно выполняются следующие шаги: (1) выравнивание и очистка слоев, (2) преобразование каждого слоя в значимый токен на основе модели пласта (например, «расстояние до пересечения разломов», «магнитный верхний край»), (3) обучение с известными слоями или взвешивание с помощью экспертного правила, (4) создание карты вероятности, (5) тестирование областей с наибольшей вероятностью в полевых условиях с использованием недорогих методов.
Совет: вместо того, чтобы загружать в модель необработанные слои, получите геологически значимые маркеры («магнитное кольцо + аргиллитовые изменения + пересечение разломов для медно-порфировых пород»). Индикаторы, совместимые с моделью направления, дают гораздо более надежные цели, чем слепая статистика.
Геостатистика и оценка ресурсов: вариограмма, кригинг и блочная модель
Как только месторождение найдено и разбурено, вопрос меняется: «Сколько здесь металла и насколько можно ему доверять?» Ответ требует экстраполяции от отобранных точек бурения к неотобранному объему породы. Стандартным инструментом для этого является геостатистика.
Основной концепцией является вариограмма: мера пространственной непрерывности, которая описывает, как сходство содержаний уменьшается по мере того, как два образца отдаляются друг от друга. Близкие примеры схожи, дальние независимы; Вариограмма количественно определяет этот «диапазон сходства». Кригинг – это метод средневзвешенного значения, который использует эту структуру вариограммы для определения оценки, как оценки, так и неопределенности оценки, для каждого невыбранного блока. Месторождение разделено на блоки, стороны которых измеряются в метрах (блочная модель), и каждому блоку присваивается класс и достоверность.
Искусственный интеллект здесь проявляется по трем пунктам. При моделировании вариограммы он предлагает альтернативные модели и оценивает их соответствие. Методы машинного обучения (например, случайный лес, повышение градиента) могут фиксировать нелинейные зависимости содержаний в дополнение к кригингу. И это ускоряет кодирование, проверку и отчетность по всему рабочему процессу. Но два железных правила остаются неизменными: неопределенность оценки никогда не может быть скрыта, а окончательный ресурс сортируется компетентным лицом по классам Измеренные/Индикативные/Предполагаемые в соответствии с международными стандартами (публичные, проверяемые системы отчетности о ресурсах/запасах, такие как JORC, NI 43-101, PERC).
Внимание: модель машинного обучения может «сглаживать» перерывы в бурении, создавая непрерывность, которой не существует в действительности. Несколько высокосортных экземпляров могут несправедливо обогатить (англ. размазать) целый блок. Ограничение высоких значений (top-cut) и контроль количества выборок на блочной основе имеют важное значение; иначе тоннаж раздуется на бумаге.
Три мини-кейса: в цифрах
Случай 1. Расстановка приоритетов таргетинга. Группа геологоразведочных работ работала с ограниченным бюджетом на бурение на лицензионном участке площадью 380 км². На карте вероятности, объединяющей семь геофизических и геохимических слоев, только 6% территории отмечено как «высокоприоритетное». Команда провела первые пять тренировок на эти 6%; обнаружили значительные медные пересечения в трех из них. Критический момент: карта не «доказывала» наличие руды, рационализировала, на чем сосредоточить бюджет на бурение, и сокращала количество слепых испытаний.
Случай 2 — Улавливание размазывания. На одном месторождении золота первая блочная модель привела к завышению окружающих блоков из-за воздействия единичной пробы в 78 г/т, что привело к завышению ресурса на 14%. Прогноз был доведен до реалистичного уровня с помощью верхнего сокращения (снижения высокого значения до статистического порога) и контроля соседней выборки, примененного в обзоре ОК/КК. Разница напрямую повлияла на многомиллионное инвестиционное решение.
Случай 3. Классификационная дисциплина. На проекте по добыче железа модель показала прогноз всего месторождения с высокой степенью достоверности; однако плотность бурения на окраинных участках была очень низкой. Уполномоченное лицо исключило из экономической оценки маловыборочный объем, понизив его до «Предполагаемого». Таким образом, в отчете удалось избежать преувеличения публично раскрываемых резервов и соответствовать стандарту.
Слабая подсказка/Сильная подсказка
Слабая подсказка:
Проанализируйте урожайность бурения и скажите, сколько золота находится в месторождении.[пробирная таблица]
Мощная подсказка:
Ваша роль: Ресурсный геостатистик. ДАЙТЕ НОМЕР ИСТОЧНИКА со следующими данными анализа соединений. Вместо этого: 1) Подведите итоги распределения оценок; отметьте возможные выбросы и необходимость верхнего среза. 2) Предложите, какие направления вариограммы следует изучить на предмет пространственной непрерывности. 3) Укажите, какие области можно отнести только к категории «Пропущенные» из-за низкой плотности бурения. 4) Перечислите 4 источника неопределенности, которые могут повлиять на результат. Данные анонимны; нет фактических координат/компании.
Мощная подсказка не позволяет модели выдать ни одного обманчивого числа и превращает ее в помощника, который организует именно те вопросы, которые должно задать ответственное лицо.
Четыре копируемых шаблона
1) Получение токена для слияния слоев:
Предложите значимые маркеры из следующих слоев на основе модели разведки меди-порфиров: магнитные, гравитационные, удельные, геохимические (Cu-Mo-Au), изменения. Для каждого маркера: ссылка на модель месторождения, возможный вводящий в заблуждение источник и метод проверки на местах. Постановка точной цели; Установите логику приоритетов.
2) Предварительный скрининг ОК/КК анализа:
Проверьте таблицу анализов на наличие следующего: отрицательное/невозможное значение, доля знаков ниже предела обнаружения, расхождение в единицах измерения (ppm/%/g-t), согласованность повторных проб, отклонение холостой и стандартной пробы. Просто перечислите проблемы посверливая_id; оценка, коррекция.
3) Проект интерпретации вариограммы:
Интерпретируйте результаты экспериментальной вариограммы: объясните простым языком, что означают самородок, диапазон и порог; Есть ли признаки анизотропии? Отметьте, какие решения требуют одобрения геолога перед кригингом. Логика, а не код.
4) Контроль классификации источников:
В блочной модели для каждого блока были указаны дисперсия кригинга, количество использованных при оценке образцов и расстояние до ближайшей скважины. Дайте РАЗУМНОЕ описание того, какие блоки лучше всего соответствуют классу «Измеряемое/Отображаемое/Выведенное» в соответствии со стандартной логикой. Окончательная классификация принадлежит уполномоченному лицу; заявите это.
Сравнение методов
Метод
Что значит
сильная сторона
Основной риск
Экспертное правило (взвешенный слой)
Сортирует цели по информации
Работает с небольшим количеством данных, прозрачно
экспертная предвзятость
Таргетинг на контролируемое отмывание денег
Учится на знакомой кровати
Сохраняет сложный узор
Запоминание на нескольких примерах
кригинг
Тенор предсказывает с неопределенностью
Стандартный, проверяемый
Ошибка вариограммы, размытие
Оценка класса ML
нелинейная связь
Гибкий
Может скрывать неуверенность, чрезмерную адаптацию
Моделирование (например, SGS)
Генерирует вероятностные сценарии
Визуализирует неопределенность
Чрезмерная самоуверенность, если ее неправильно истолковали
Совет: при оценке ресурсов запрашивайте диапазон и сценарий, а не «единственное лучшее число». Три оптимистичных/ожидаемых/осторожных сценария обеспечивают гораздо более честную основу для принятия решений, чем ложная уверенность, создаваемая одной цифрой.
Распространенные ошибки
- Заставляем ML запоминать с помощью малоизвестной кровати. Модель, обученная на пяти подшипниках, ненадежна в новой области; рассматривайте результаты как список приоритетов, а не как доказательство.
- Не ограничивая крайние значения. Одиночный высокий анализ, если не провести верхнюю обрезку, приведет к несправедливому обогащению (размазыванию) окружающих блоков и завышению тоннажа.
- Не сообщать о неопределенности. Сокрытие дисперсии и классификации Кригинга и представление отдельных цифр противоречит стандартам и честности.
- Пропуск классификации. Представление объемов с редкой выборкой как измеренных ставит под угрозу экономические суждения и общественное доверие.
- Пропуск ОК/КК. Ни одна оценка не будет надежной без лабораторного мониторинга дрейфа холостых и стандартных образцов.
В итоге
- Выбор целей для геологоразведочных работ обеспечивает приоритет бурения за счет многоуровневого объединения данных; Это не доказывает руду, это уменьшает слепое испытание.
- Оценки оценки ресурсов имеют достоверную классификацию с использованием вариограмм и кригинга; На этом построена блочная модель.
- Машинное обучение является мощным инструментом, но оно запоминает небольшие выборки, размазывает выбросы и может скрыть неопределенность.
- Окончательный сварной шов классифицируется и подписывается уполномоченным квалифицированным лицом в соответствии с такими стандартами, как JORC/NI 43-101.
- Ценность заключается не в одном обманчивом числе; Неопределенность заключается в проверяемом приоритете и классификации, о которой честно сообщается.
Задача приложения
Получите анонимную таблицу анализа соединений (или репрезентативные значения). Используя мощную подсказку, запросите у модели: необходимость завышения/максимального снижения, направления вариограммы и области низкой плотности вместо исходного значения. Затем шаблон «управление классификацией исходного кода» создаст проект того, какие блоки попадут в какой класс доверия. Наконец, посмотрите, пытается ли модель дать единую цифру тоннажа, и напишите в одном предложении, почему вам следует от нее отказаться.
контрольный список
- [ ] Я понял, что планирование геологоразведочных работ не доказывает наличие руды, оно обеспечивает приоритет бурения.
- [ ] Я могу объяснить, как вариограмма и кригинг оценивают содержание с неопределенностью.
- [ ] Я осознаю риски размазывания, завышения стоимости и завышения стоимости и считаю обеспечение/контроль качества обязательным.
- [ ] Я понимаю, что ресурс классифицируется как Измеренный/Индикационный/Предполагаемый стандартом и принадлежит уполномоченному лицу.
- [ ] Я принял дисциплину, которая требует диапазонов неопределенности и сценариев вместо отдельных чисел.