Analýza ťažobných údajov pomocou Pythonu a hraníc AI

zisky:

• Schopnosť vytvárať skripty, ktoré čistia a vizualizujú vŕtanie, produkciu a monitorovanie údajov pomocou Pythonu, s podporou AI
• Schopnosť rozpoznať kvalitu údajov, riziká preučenia a extrapolácie pri vytváraní jednoduchých modelov predikcie a anomálií
• Schopnosť overiť kód a výsledok vygenerovaný AI pomocou riadenia jednotky, nezávislého výpočtu a technickej hodnovernosti

V každej jednotke tohto modulu ste videli, že AI je výkonná v kódovaní: čistenie vrtov, hmotnostná bilancia, kostra krigingu, súhrn vozového parku, analýza vibrácií, skenovanie prostredia. Táto posledná jednotka sa zameriava na Python, konkrétny nástroj pre tento kód, a správnu disciplínu pri generovaní kódu pomocou AI. Python sa stal de facto štandardom v analýze ťažobných údajov, pretože je zadarmo, má výkonné knižnice (pandy: tabuľková manipulácia s údajmi; numpy: numerický počet; matplotlib: vykresľovanie; scikit-learn: strojové učenie) a automatizuje opakujúce sa úlohy. AI znásobuje rýchlosť, akou tento kód píšete; ale kód, ktorý vytvára, nie je vždy správny. Ústredný princíp tejto jednotky: Nikdy nespúšťajte kód, ktorý AI zapíše, bez toho, aby ste si ho najskôr prečítali, overili jeho jednotku a otestovali ju s malým množstvom známych údajov. Kód môže v tichosti vyprodukovať nesprávny výsledok, ktorý sa môže zmeniť na zlé inžinierske rozhodnutie pri ťažbe.

Základný tok generovania kódu pomocou AI

Získanie kódu z AI je inžiniersky cyklus, nie konverzácia:

1. Jasne opíšte úlohu. Vstup (stĺpce, jednotky, riadok vzorky), požadovaný výstup a obmedzenia. Nejednoznačná požiadavka vytvára nejednoznačný kód.
2. Požiadajte, aby bol malý a čitateľný. Požiadajte o krok za krokom komentovaný kód namiesto jednej obrovskej funkcie.
3. Prečítajte si a pochopte. Pochopte, čo robí každý riadok; Nespúšťajte kód, ktorému nerozumiete.
4. Testujte s malými údajmi. Spustite ho manuálne s 5-10 riadkami, ktorých výsledky poznáte a overíte očakávaný výstup.
5. Okrajové prípady otázok. Prázdna bunka, záporná hodnota, miešanie jednotiek, opakujúci sa záznam Ako sa správa kód?
6. Škálujte a kontrolujte logiku. Spustite všetky údaje; Je výsledok technicky primeraný?

Tip: Najčastejšie chyby, ktoré zadávajú kód AI, sú tiché: nesprávny názov stĺpca, miešanie jednotiek (m vs ft, g/t vs ppm), ticho vynechané riadky (ako dropna), nesprávny priemer (obyčajný priemer, keď by sa mal vážiť). Tieto nespôsobujú chyby; Len produkuje nesprávne číslo. Takže „nedostal som chybu“ nikdy neznamená „správne“.

Typické úlohy Pythonu pri ťažbe

• Čistenie údajov: Zlúčenie tabuliek vŕtania/výroby/monitorovania, označovanie nekonzistentnosti, normalizácia jednotiek.
• Zhrnutie a vizualizácia: Histogram, časové rady, stupňovito-tonážna krivka, OEE grafy.
• Štatistika a geoštatistika: Súhrnná štatistika, korelácia, variogram/kriging (so špeciálnymi knižnicami).
• Detekcia anomálií: Zachytenie driftu založené na prahu alebo na jednoduchom modeli.
• Jednoduché predikčné modely: Napríklad vzťah medzi veľkosťou a výťažkom mletia s regresiou.

Pre väčšinu týchto úloh poskytuje AI vynikajúci štartovací kód. Existujú však dve úskalia: kvalita údajov a limity modelu. Poznanie oboch je kľúčom k bezpečnému používaniu kódu AI.

Modelové limity: preučenie a extrapolácia

Jednoduché prediktívne modely, ktoré AI ľahko vytvára, sú citlivé na dve hlavné riziká. Overfitting: Model si zapamätá tréningové dáta, ale na nových dátach funguje zle; Vytváranie zložitých modelov s malým množstvom údajov k tomu vyzýva. Extrapolácia: Model sa stáva nespoľahlivým, keď je nútený predpovedať v rozsahu mimo trénovacích údajov; Napríklad model získaný v rozsahu 0,3 až 0,8 g/t môže poskytnúť nezmyselné výsledky pre 5 g/t. AI za vás tieto riziká „spontánne“ neriadi; Je na vás, aby ste si kriticky prečítali model, urobili rozdiel medzi tréningom a testom, pozreli sa na interval spoľahlivosti a skontrolovali, či je predpoveď fyzicky hodnoverná. Bez ohľadu na to, ako presné sa číslo modelu javí, nemôže byť základom pre technické rozhodnutie mimo rozsahu údajov.

tri mini prípady

Prípad 1 – Tichá chyba hlasitosti. Inžinier chce kód, vďaka ktorému AI vypočíta priemernú známku z údajov testu. Kód funguje, výsledok je 2,1 g/t. Inžinier prečíta kód; Všimnite si, že priemer nie je vážený dĺžkou intervalu, ale berie sa ako priamy priemer. Vysoké známky v krátkych intervaloch nespravodlivo priberali. Pri prechode na vážený priemer hodnota klesá na 1,7 g/t. Kód nevykazoval žiadne chyby; čítanie zachytilo chybu.

Prípad 2 – Tiché vypadávanie linky. V súhrnnom kóde výroby AI vyčistila riadky s chýbajúcimi hodnotami pomocou dropna. Kód beží hladko, ale celková tonáž je podhodnotená, pretože niektoré platné riadky boli úplne vypustené z dôvodu jedného prázdneho stĺpca. Keď inžinier porovná počet riadkov medzi vstupom a výstupom, vidí rozdiel a opraví logiku čistenia. Ponaučenie: vždy porovnajte počet vstupných a výstupných riadkov.

Prípad 3 – Extrapolačná pasca. Tím aplikuje regresný model naučený v rozsahu nízkeho stupňa na oblasť vysokého stupňa; Model poskytuje absurdne vysoký odhad výnosu. Našťastie inžinier odmietne výsledok s tým, že „táto oblasť je ďaleko mimo rozsahu, ktorý vidí model“ a požaduje metalurgické testovanie. Ponaučenie: poznať rozsah údajov, pre ktoré je model platný; Nepoužívajte odhad mimo štátu.

Kopírovateľné šablóny výziev

ZABEZPEČENÝ KÓD ČISTENIA ÚDAJOV "Rola: Ste asistent analytika údajov v jazyku Python. Napíšte kód s pandami, ktoré vyčistia nasledujúcu tabuľku. Stĺpce a jednotky: [zoznam]. Pravidlá: (1) vytlačte počet riadkov PRED a PO vypustení riadkov; (2) nahláste, ktoré riadky boli vypustené a prečo; (3) namiesto toho použite konverziu priemernej jednotky komentára so 4 potrebnými vysvetlením. riadok."

ŽIADOSŤ O PRESKÚMANIE KÓDU"Vysvetlite nasledujúci kód Pythonu riadok po riadku a poukázajte na nasledujúce rizikové body: nesprávny predpoklad názvu stĺpca, zámena jednotiek, tichý pokles riadku, chyba plochá/vážená priemerná chyba, správanie okrajových písmen (null/negative). NEOPRAVUJTE kód, len uveďte riziká. Kód: [prilepiť]."

NASTAVENIE TESTU S MALÝMI ÚDAJMI "Pre túto funkciu ručne vytvorte malé testovacie údaje (5-6 riadkov), z ktorých poznám výsledok a očakávaný výstup; napíšte testovací blok, ktorý skontroluje, či funkcia s týmito údajmi funguje správne. Otestujte aj extrémne prípady (prázdna bunka, zápor, extrémna hodnota jednotky). Funkcia: [prilepiť]."

JEDNODUCHÝ MODEL + UPOZORNENIE NA HRANICE"Nastavte jednoduchú regresiu pre [x -> y] s nasledujúcimi údajmi. Rozlišujte medzi tréningom/testovaním, nahláste chybovú metriku a jasne uveďte rozsah x, pre ktorý je model PLATNÝ. Upozornite, ak sa predpovede robia MIMO tento rozsah. Komentujte riziko pretrénovania a riedke údaje:[paste údajov]."

Slabá výzva / Silná výzva

SLABÁ VÝZVA: "Vypočítajte priemernú známku z týchto údajov."

SILNÁ VÝZVA: "Rola: Ste asistent jazyka Python. Stĺpce: ID diery, Od (m), Do (m), Au (g/t). Vypočítajte VÁŽENÝ priemerný stupeň s dĺžkou intervalu. Kód: (1) vytlačte počet vstupných/výstupných riadkov; (2) nahláste nulové/záporné hodnoty pred ich vypustením; (3) Údaje môžem tiež potvrdiť, aby som mohol jednotku manuálne zobraziť: [prilepiť]."

Porovnávacia tabuľka: riziko a preventívne opatrenia

Riziko

symptóm

preventívne opatrenie

Rušenie jednotky

Rozumné, ale nesprávne číslo

Komentujte jednotku v kóde, skontrolujte ju

Tichý výpadok linky

Celkom chýba

Porovnajte počet vstupných/výstupných riadkov

Obyčajný verzus vážený priemer

nesprávny priemer

Overte váženie

preučenie

Zlé testovacie údaje

Oddelenie školenia/testovania, jednoducho

extrapolácia

Nezmyselné hádanie mimo dosahu

Obmedzte platný rozsah

Časté chyby

• Spustenie kódu bez jeho prečítania. „Neobsahuje žiadne chyby“ neznamená, že je to pravda.
• Netestuje sa s malými údajmi. Dôvera bez overiteľného príkladu je falošná.
• Neporovnávanie počtu vstupných/výstupných liniek. Takto unikajú tiché straty.
• Ignorovanie modelového radu. Odhady extrapolácie sú nespoľahlivé.
• Dôverovať kráse grafu. Štýlový graf môže skrývať nesprávne číslo.

Upozornenie: Ak kód AI prejde do inžinierskeho účtu, tento kód je rovnako zodpovedný ako účet. Kdekoľvek sa výsledkom stane rozhodnutie o ťažbe, spustite kód a jeho výstup prostredníctvom nezávislej logickej kontroly a porovnania s druhou metódou, ak je to možné.

V súhrne

Python je de facto nástroj na analýzu ťažobných údajov a AI výrazne zvyšuje rýchlosť, akou ich píšete. Ale kód AI môže obsahovať tiché chyby (zámena jednotiek, vypadávanie riadkov, nesprávne priemerovanie) a modelové pasce (preučenie, extrapolácia). Bezpečný tok: popíšte jasne, požadujte malé a čitateľné, čítajte a pochopte, testujte s malými známymi údajmi, hraničné prípady dotazov, škálovanie a kontrolu logiky. Výstup modelu nemôže byť základom pre rozhodnutie mimo rozsahu údajov; a každý kód nesie toľko zodpovednosti ako účet, ak sa zmení na rozhodnutie o ťažbe.

Aplikačná úloha

Na získanie kódu od AI použite šablónu „Kód na dezinfekciu bezpečných údajov“ s úlohou spriemerovania známok alebo súhrnu produkcie. Nechajte kód zbaviť rizika pomocou šablóny „Žiadosť o kontrolu kódu“. Potom pomocou šablóny „Test setup with small data“ manuálne vytvorte množinu údajov, ktorej výsledky poznáte, a overte kód. Nakoniec pre jednoduchý vzťah nastavte model so šablónou „Jednoduchý model + upozornenie na limit“ a otestujte, či dáva varovanie, keď prekročí platný rozsah.

kontrolný zoznam

• [ ] Prečítal som si kód AI a rozumel som každému riadku, nespúšťal som to naslepo.
• [ ] Testoval som to s malými, manuálne overiteľnými údajmi.
• [ ] Porovnal som počet vstupných a výstupných riadkov.
• [ ] Overil som konzistenciu a váhu jednotiek.
• [ ] Obmedzil som platný rozsah údajov modelu, aby som sa vyhol extrapolácii.
• [ ] Výsledok, ktorý sa zmenil na rozhodnutie, som skontroloval metódou nezávislej logiky/sekundy.

Modulová skúška

1. Stážista sa spýta chatovacieho nástroja AI na priemernú kvalitu rudného telesa a výslednú hodnotu '1,8 g/t zlata' zapíše priamo do správy o rezervách. V čom spočíva zásadná chyba tohto prístupu?

• A) Hodnota stupňa musí pochádzať z vlastných údajov o vŕtaní/analýze projektu a overenej prognózy; Číslo vygenerované AI môže byť výmysel bez zdrojov ✔
• B) AI mala byť žiadaná v unciach namiesto v gramoch
• C) Hodnota je správna, namiesto čiarky mala byť použitá bodka
• D) Stačí položiť AI tú istú otázku trikrát a vziať priemer

Vysvetlenie: Jazykový model nepozná údaje o vŕtaní vášho projektu; produkuje číslo, ktoré sa zdá byť najpravdepodobnejšie (halucinácie). Stupeň vychádza iba z vlastných zložených údajov o vrtoch a geoštatistického odhadu; Výstup AI nie je možné zahrnúť do správy bez súhlasu kompetentnej osoby.

2. Čo umožňuje „klasifikácia založená na riziku“ pri používaní AI v banskom inžinierstve?

• A) Znížte cenu nástroja AI
• B) Určte úlohu AI a povinnú hĺbku overenia podľa úrovne rizika úlohy ✔
• C) Výzvy by mali byť napísané kratšie
• D) Automaticky delegovať všetky rozhodnutia na AI

Vysvetlenie: Nie každá misia je na rovnakej úrovni rizika. Klasifikácia úlohy ako nízka/stredná/vysoká/kritická určuje, ktorý výstup možno voľne použiť a ktorý vyžaduje štandardné overenie a overenie v teréne a schválenie kompetentným technikom.

3. Čo znamená „variogramový“ model v geoštatistike?

• A) Spotreba paliva zariadenia
• B) Zmena ceny kovu v čase
• C) Priestorová kontinuita v závislosti od vzdialenosti; ✔ ako sa podobnosť znižuje, keď sa body vzďaľujú
• D) Frekvencia vibrácií vytvorená tryskaním

Popis: Variogram popisuje, ako sa vzájomná podobnosť vzoriek znižuje (priestorová kontinuita) so zväčšujúcou sa vzdialenosťou medzi dvoma bodmi. Kriging používa tento model na odhadnutie nemeraných bodov s určitou mierou neistoty.

4. Aký je najlepší prístup, keď umelá inteligencia vopred klasifikuje litológiu z fotografie vrtného jadra?

• A) Spracovanie typu horniny daného AI priamo do vrtného kmeňa
• B) Kopírovanie textu AI do správy bez preskúmania fotografie
• C) Zrušenie pozorovania geológa a spoliehanie sa výlučne na AI
• D) Považujte výstup za predbežnú predpoveď/hypotézu a overte ju geológovým pozorovaním a laboratórnou analýzou ✔

Popis: AI dokáže z obrázka vygenerovať zoznam predpovedí a pozornosti; Konečné rozhodnutie o litológii/zmene je však urobené pozorovaním a laboratórnym rozborom geológa. Výstup AI je začiatok, hypotéza, ktorú treba overiť.

5. Čo znamená „pomer odstraňovania“ pri plánovaní otvorených jám?

• A) Množstvo hrdze (odpadová hornina), ktoré je potrebné odstrániť, aby ste dosiahli jednu jednotku rudy ✔
• B) Percento kovu v rude
• C) Denný počet jázd kamiónov
• D) Množstvo trhaviny použité pri odstreloch

Popis: Rýchlosť skrášľovania je množstvo odpadu (striž/odpad), ktoré sa musí odstrániť, aby sa získala jedna jednotka rudy. Konečný limit jamy a hospodárnosť do značnej miery závisia od tohto pomeru; Aj keď AI generuje scenáre, rozhodnutie o hraniciach je na kompetentnom inžinierovi.

6. Čo to znamená v prediktívnej údržbe, keď AI nájde „anomálie“ v údajoch o vibráciách a teplote?

• A) Dôkaz, že zariadenie definitívne zlyhalo
• B) Upozornenie, že údaje sa odchyľujú od normálu; Nejde o definitívnu diagnózu poruchy, ale o príznak, ktorý je potrebné potvrdiť fyzikálnym vyšetrením ✔
• C) Nariadte, aby sa zariadenie automaticky zastavilo
• D) Zaručiť, že údaje boli zaznamenané nesprávne

Vysvetlenie: Anomália je odchýlka údajov od normálneho správania a môže naznačovať poruchu; ale nie je to definitívna diagnóza. Rozhodnutie o zastavení zariadenia alebo výmene dielov sa prijíma po fyzickej prehliadke tímu údržby a so súhlasom vedúceho prevádzky.

7. Čo je nevyhnutné pre bezpečnosť pri použití AI v konštrukcii vrtného tryskania?

• A) Implementácia odporúčania AI priamo v teréne
• B) Vynechanie merania vibrácií
• C) Overenie návrhu navrhnutého AI s meraním v teréne, regulačným limitom a schválením autorizovaného odborníka na trhacie práce ✔
• D) Stanovenie množstva výbušnín s maximom daným AI

Popis: Trhacie práce; Prináša vážne bezpečnostné a regulačné riziká, ako sú vibrácie, nárazy vzduchu a odletujúce kamene. AI môže vytvoriť návrhový náčrt a odporúčanie parametrov; Konečný návrh však musí prejsť meraním v teréne, regulačnými limitmi a schválením autorizovaného odborníka na trhacie práce (rozbuška/zodpovedný).

8. Aký je typický vzťah medzi „výťažnosťou“ a „stupňou koncentrátu“ pri spracovaní nerastov a na čo by mala AI pamätať pri interpretácii tohto?

• A) Dvaja sa vždy zväčšujú spolu
• B) Nie je medzi nimi žiadny vzťah
• C) Vzťah je konštantný a rovnaký vo všetkých zariadeniach
• D) Zvyčajne existuje reverzný zostatok (výnos klesá so zvyšovaním stupňa); skutočné hodnoty musia byť overené metalurgickým testovaním a hmotnostnou bilanciou ✔

Vysvetlenie: Vo všeobecnosti, keď sa snažíme získať vyššiu koncentrovanú triedu, výnos klesá (rovnováha medzi triedou a výnosom). AI môže vysvetliť tento trend, ale skutočné prevádzkové hodnoty musia byť potvrdené metalurgickým testovaním a hmotnostnou bilanciou; všeobecný trend nenahrádza realitu špecifickú pre lokalitu.

9. Aké je najvhodnejšie využitie analýzy údajov o skorom neúspechu/nehode s AI v oblasti bezpečnosti práce?

• A) Klasifikujte záznamy voľného textu a extrahujte vzory opakujúcich sa rizík; Nechajte rozhodnutie na odborníkovi na BOZP ✔
• B) Automaticky určiť vinníka nehôd
• C) Delegovanie príkazov na zastavenie práce na AI
• D) Archivácia takmer nezistených záznamov bez ich kontroly

Popis: AI dokáže klasifikovať veľké množstvo záznamov voľného textu a rýchlo extrahovať opakujúce sa vzory a rizikové stavy. Rozhodnutie o zastavení diela, evakuácii priestoru alebo základnej príčiny sa však prijíma v rámci experta BOZP a legislatívy; Výstup AI je vstup, nie rozhodnutie.

10. Prečo je „zrýchlenie rýchlosti deformácie“ kritickým znakom v údajoch radaru/hranolu pri monitorovaní svahov?

• A) Určite to naznačuje, že meracie zariadenie je poškodené.
• B) Môže ohlasovať postupnú porážku; Rozhodnutie o včasnom varovaní a evakuácii patrí geotechnikovi ✔
• C) Ukazuje, že svah je úplne bezpečný
• D) Má význam iba vtedy, keď sú zrážky a možno ho ignorovať

Vysvetlenie: Pred poruchami svahu sa zvyčajne pozoruje postupné zvyšovanie rýchlosti deformácie (zrýchlenie); Môže to byť znak progresívneho zlyhania. Umelá inteligencia môže zvýrazniť trend, ale rozhodnutie o evakuácii/včasnom varovaní sa prijíma na základe analýzy a protokolu geotechnického inžiniera.

11. Aká je pri monitorovaní životného prostredia najpresnejšia odpoveď na znak „prekročenia“, ktorý AI nájde v časovom rade kvality vody?

• A) Oznamovanie výstupu AI priamo vládnej agentúre
• B) Ignorujte varovanie a pokračujte v sledovaní
• C) Overte pomocou akreditovaného laboratórneho výsledku, regulačného limitu a hodnotenia environmentálneho inžiniera ✔
• D) Spoliehanie sa len na AI a zrušenie laboratórnej analýzy

Popis: AI môže včas signalizovať možné porušenie; Oficiálne rozhodnutie o zhode však robí akreditovaná laboratórna analýza, limitné hodnoty v legislatíve a hodnotenie environmentálneho inžiniera. Výstup AI je skríningové upozornenie, nie právne/technické rozhodnutie.

12. Aký je najspoľahlivejší spôsob, ako sa vyhnúť vymyslenej (halucinačnej) referencii, keď požiadate AI o číslo klauzuly normy, ako je JORC alebo NI 43-101?

• A) Spoliehanie sa na číslo položky dané AI
• B) Znova položiť tú istú otázku inými slovami
• C) Pozeranie sa na blogový príspevok namiesto štandardu
• D) Otvorenie a potvrdenie každej referencie na článok z aktuálneho oficiálneho textu normy a získanie súhlasu od kompetentnej osoby ✔

Vysvetlenie: Hoci jazykový model pozná názov normy správne, môže spôsobiť halucinácie čísla článku a textu. Každý odkaz na látku musí byť otvorený a potvrdený z aktuálneho oficiálneho textu normy a konečná zhoda musí byť potvrdená kompetentnou osobou (CP/QP).

13. Aká je najdôležitejšia kontrola pred spustením skriptu analýzy Pythonu napísaného AI?

• A) Čítanie kódu a overenie zhody jednotiek/stĺpcov, testovanie s malými známymi údajmi a kontrola hodnovernosti výsledku ✔
• B) Spustenie kódu priamo na celý súbor údajov bez jeho čítania
• C) Stačí vidieť, že tam nie je chyba a akceptovať výsledok
• D) Spoliehanie sa na to, že grafika výstupu bude vyzerať pekne.

Popis: Kód AI môže miešať jednotky, nesprávne predpokladať názvy stĺpcov alebo ticho vynechávať riadky. Je nevyhnutné prečítať si kód, overiť zhodu objemu a stĺpca, otestovať s malým množstvom známych údajov a skontrolovať, či je výsledok technicky primeraný.

14. Aké je najlepšie správanie z hľadiska ochrany osobných údajov pri poskytovaní ťažobných údajov cloudovému nástroju AI?

• A) Prilepenie všetkých nespracovaných údajov tak, ako sú
• B) Anonymizovať kontext a vyčistiť citlivé údaje o rezervách/koordinácii/výrobe a používať firemný nástroj, ktorý je v súlade so zásadami ✔
• C) Za predpokladu, že poskytnutie skutočných súradníc je nevyhnutné pre kvalitu výsledku
• D) Ignorovanie zásad ochrany osobných údajov vôbec

Vysvetlenie: Číselné údaje o rezervách, informácie o licenciách/koordinátoch a výrobné údaje sú citlivé z hľadiska obchodného tajomstva a legislatívy. Je potrebné anonymizovať kontext, vyčistiť skutočné súradnice a mená, zvoliť korporátny/privacy garantujúci nástroj a dodržiavať firemnú politiku.