zisky:
- Schopnosť vysvetliť použitie AI a viacvrstvovej dátovej fúzie v minerálnej perspektíve
- Pochopenie, ako vytvoriť blokový model a odhad známok pomocou geoštatistiky (kriging, variogram) a strojového učenia.
- Schopnosť testovať výstupy odhadu zdrojov pomocou krížovej validácie, spoľahlivosti klasifikácie a štandardov podávania správ
Prospecting je stávková hra, v ktorej sú rozhodnutia v hodnote niekoľkých miliónov dolárov založené na niekoľkých vzorkách cvičení. Ložisko nerastov (anglické ložisko rudy; nahromadenie nerastov bohaté a dostatočne veľké na to, aby sa dalo využiť) sa skrýva pod rozlohou stoviek kilometrov štvorcových a „vidíme“ ho len zriedkavými vrtmi, geofyzikálnymi tieňmi a povrchovými značkami. Preto je prieskum nerastov jednou z najzaujímavejších, ale aj najnebezpečnejších oblastí použitia AI: ak sa používa správne, zrýchľuje zacielenie prieskumu a získava väčší význam z riedkych údajov; Pri nesprávnom použití skrýva za štatistiky neexistujúcu podstatu a zavádza investorov aj spoločnosť.
V tejto časti sa budeme venovať dvom hlavným aspektom prieskumu umelej inteligencie: zacielenie prieskumu (perspektívnosť nerastov; odhad z viacvrstvových údajov, v ktorej oblasti sa pravdepodobne nachádza ložisko) a odhad zdrojov (výpočet s akou istotou môžeme povedať, koľko kovu je vo vyvŕtanom ložisku). V oboch je AI výkonným vyhľadávačom vzorov; Ale v oboch prípadoch za konečný údaj zodpovedá kompetentná osoba, ktorá podpísala medzinárodné štandardy výkazníctva.
Zacielenie na vyhľadávanie: Multi-Layered Data Fusion
Prieskumný geológ sa nepozerá na jeden typ údajov, ale na prekryté vrstvy: geologickú mapu, štrukturálne obrysy (zlomy a záhyby), geofyziku (magnetická, gravitačná, rezistivita), geochémiu (hodnoty prvkov vzoriek pôdy a potoka) a zmeny mapované diaľkovým prieskumom zeme. Každá vrstva je slabým vodítkom; Skutočný signál je tam, kde ukazujú spolu. Toto sa nazýva fúzia údajov.
Umelá inteligencia tu robí dve úlohy. Po prvé, zarovná desiatky vrstiev na rovnakú súradnicovú mriežku (ojedinelá, únavná, ale náchylná k chybám) do jednej analytickej tabuľky. Po druhé, naučí sa vzor okolo známych nánosov a označí nové oblasti podobným podpisom (učenie pod dohľadom). Je tu však kritická pasca: počet známych postelí je často veľmi malý (možno 5-10 postelí v jednej oblasti), takže model sa ľahko zapamätá a v nových oblastiach zlyhá. To je dôvod, prečo výstup zacielenia nie je zoznamom „určite drahokam existuje“, ale „prioritným príkazom, ktorý stojí za to otestovať vŕtaním“.
Kroky sú zvyčajne nasledovné: (1) zarovnanie a čistenie vrstiev, (2) preloženie každej vrstvy do zmysluplného tokenu na základe modelu lôžka (napr. „vzdialenosť k priesečníku chyby“, „magnetická horná hrana“), (3) trénovanie so známymi lôžkami alebo hmotnosťou s expertným pravidlom, (4) vytvorenie mapy pravdepodobnosti, (5) testovanie oblastí s najvyššou pravdepodobnosťou v teréne a nízkonákladovými metódami.
Tip: Namiesto privádzania vrstiev do modelu v surovom stave odvodzujte geologicky zmysluplné značky („magnetický prstenec + argilická alterácia + priesečník zlomu pre porfýrovú meď“). Ukazovatele kompatibilné s modelom ložiska vytvárajú oveľa robustnejšie ciele ako slepé štatistiky.
Geoštatistika a odhad zdrojov: Variogram, Kriging a Blokový model
Keď je ložisko nájdené a vyvŕtané, otázka sa zmení: „Koľko kovu je tu a ako veľmi mu môžeme dôverovať? Odpoveď vyžaduje extrapoláciu zo vzorkovaných vrtných bodov na objem bez vzorkovania horniny. Štandardným nástrojom na to je geoštatistika.
Základným konceptom je variogram: miera priestorovej kontinuity, ktorá opisuje, ako sa podobnosti stupňov znižujú, keď sa dve vzorky od seba vzďaľujú. Blízke príklady sú podobné, vzdialené sú nezávislé; Variogram kvantifikuje tento „rozsah podobnosti“. Kriging je metóda váženého priemeru, ktorá používa túto variogramovú štruktúru na určenie stupňa, odhadu aj neistoty odhadu, pre každý nevzorkovaný blok. Depozit je rozdelený na bloky so stranami meranými v metroch (blokový model) a každému bloku je priradený stupeň a spoľahlivosť.
Umelá inteligencia tu prichádza v troch bodoch. Pri modelovaní variogramov navrhuje alternatívne modely a vyhodnocuje zhodu. Metódy strojového učenia (napr. náhodný les, zosilnenie gradientu) dokážu okrem krigingu zachytiť aj nelineárne vzťahy. A urýchľuje kódovanie, kontrolu a reportovanie celého pracovného toku. Dve železné pravidlá však zostávajú nemenné: neistotu odhadu nemožno nikdy skryť a konečný zdroj triedi kompetentná osoba do tried meraných/indikovaných/odvodených podľa medzinárodných štandardov (verejné, auditovateľné rámce podávania správ o zdrojoch/rezervách, ako sú JORC, NI 43-101, PERC).
Upozornenie: Model strojového učenia môže „vyhladzovať“ prerušenia vŕtania, čím sa vytvorí kontinuita, ktorá v skutočnosti neexistuje. Niekoľko vzoriek vysokej kvality môže nespravodlivo obohatiť (anglické rozmazanie) celý blok. Obmedzenie vysokých hodnôt (top-cut) a riadenie počtu vzoriek na blokovej báze je nevyhnutné; inak tonáž nabobtná na papieri.
Tri mini prípady: Podľa čísel
Prípad 1 – Stanovenie priorít. Prieskumný tím pracoval s obmedzeným rozpočtom na vrty v licenčnej oblasti s rozlohou 380 km². Mapa pravdepodobnosti spájajúca sedem geofyzikálnych/geochemických vrstiev označila len 6 % oblasti za „vysokú prioritu“. Tím nasmeroval prvých päť cvičení do týchto 6 %; v troch z nich našli významné medené križovatky. Kritický bod: mapa „nepreukázala“ rudu, racionalizovala, kam zamerať rozpočet na vŕtanie a znížila počet pokusov naslepo.
Prípad 2 – Zachytenie rozmazania. Pri jednom ložisku zlata model prvého bloku nafúkol okolité bloky v dôsledku vplyvu jedinej nadvzorky 78 g/t, čím sa zdroj nadhodnotil o 14 %. Predpoveď bola privedená na realistickú úroveň pomocou najvyššieho zníženia (zníženie vysokej hodnoty na štatistický prah) a kontroly susednej vzorky pri kontrole QA/QC. Rozdiel priamo ovplyvnil mnohomiliónové investičné rozhodnutie.
Prípad 3 – Klasifikačná disciplína. Na železnom projekte model ukázal predpovedanie celého ložiska s vysokou spoľahlivosťou; hustota vrtov však bola v okrajových oblastiach veľmi nízka. Oprávnená osoba vyňala riedko odobratý objem z ekonomického hodnotenia a znížila ho na „Vyvodené“. Správa sa tak vyhla zveličovaniu verejne zverejnených rezerv a zostala v súlade s normou.
Slabá výzva / silná výzva
Slabá výzva:
Analyzujte výnos z vŕtania a povedzte, koľko zlata je v ložisku [testovacia tabuľka]
Výkonná výzva:
Vaša úloha: Geoštatistik zdrojov. UVEĎTE ZDROJOVÉ ČÍSLO s nasledujúcimi údajmi testu zlúčeniny. Namiesto toho: 1) Zhrňte rozdelenie známok; označte možné odľahlé hodnoty a potrebu horného rezu.2) Navrhnite, ktoré smery variogramov by sa mali preskúmať z hľadiska priestorovej kontinuity.3) Uveďte, ktoré oblasti možno klasifikovať len ako „vynechané“ z dôvodu nízkej hustoty vŕtania.4) Uveďte 4 zdroje neistoty, ktoré by mohli ovplyvniť výsledok.Údaje sú anonymné; žiadne skutočné súradnice/spoločnosť.
Výkonná výzva zabráni modelu vyprodukovať jediné klamlivé číslo a urobí z neho asistenta, ktorý zorganizuje presne tie otázky, ktoré by mal zodpovedný človek položiť.
Štyri kopírovateľné šablóny
1) Odvodenie tokenu pre fúziu vrstiev:
Navrhnite zmysluplné markery z nasledujúcich vrstiev na základe modelu prieskumu porfýrovej medi: magnetická, gravitačná, rezistivita, geochémia pôdy (Cu-Mo-Au), alterácia. Pre každý marker: odkaz na model vkladu, možný zavádzajúci zdroj a metódu overenia v teréne. Stanovenie presného cieľa; Vytvorte logiku priorít.
2) Predbežný skríning QA/QC testu:
V tabuľke testu skontrolujte nasledovné: negatívna/nemožná hodnota, podiel znakov pod detekčným limitom, jednotková diskrepancia (ppm/%/g-t), zhoda opakovanej vzorky, kolísanie slepej a štandardnej vzorky. Stačí uviesť problémy pomocou drilling_id; ocenenie, oprava.
3) Návrh interpretácie variogramov:
Interpretujte výsledky experimentálneho variogramu: vysvetlite zrozumiteľným jazykom, čo znamená nuget, rozsah a prah; Existujú nejaké známky anizotropie? Označte, ktoré rozhodnutia vyžadujú súhlas geológa pred krigingom. Logika, nie kód.
4) Kontrola klasifikácie zdroja:
V blokovom modeli boli pre každý blok uvedené: rozptyl krigingu, počet vzoriek použitých pri odhade a vzdialenosť k najbližšiemu vrtu. Uveďte ROZUMNÝ náčrt toho, ktoré bloky najlepšie zodpovedajú triede Merané/Zobrazované/Odvodené podľa štandardnej logiky. Konečná klasifikácia patrí oprávnenej osobe; uveďte toto.
Porovnanie metód
Metóda
Čo robí
silná stránka
Hlavné riziko
Odborné pravidlo (vážená vrstva)
Triedi ciele podľa informácií
Pracuje s malým množstvom údajov, transparentne
odborná zaujatosť
Zacielenie ML pod dohľadom
Učí sa zo známej postele
Zachytáva zložitý vzor
Zapamätanie v niekoľkých príkladoch
kriging
Tenor predpovedá s neistotou
Štandardné, overiteľné
Chyba variogramu, rozmazanie
Odhad stupňa ML
nelineárny vzťah
Flexibilné
Môže skrývať neistotu, prílišnú adaptáciu
Simulácia (napr. SGS)
Vytvára pravdepodobnostné scenáre
Vizualizuje neistotu
Prílišné sebavedomie, ak je nesprávne interpretované
Tip: Pri odhadovaní zdrojov sa pýtajte na rozsah a scenár, a nie na „jedno najlepšie číslo“. Tri optimistické/očakávané/opatrné scenáre poskytujú oveľa poctivejší základ pre rozhodovanie ako falošná istota vytvorená jediným číslom.
Časté chyby
- Urobiť ML zapamätať si s málo známou posteľou. Model cvičený s piatimi ložiskami je v novom poli nespoľahlivý; vnímajte výstup ako zoznam priorít, nie ako dôkaz.
- Neobmedzujúce extrémne hodnoty. Jediný vysoký test, ak sa nevykoná horné rezanie, nespravodlivo obohatí (rozmaže) okolité bloky a nafúkne tonáž.
- Nevykazovanie neistoty. Skrytie variácie Kriging a klasifikácie a prezentovanie jednotlivých čísel je proti štandardom a integrite.
- Preskakovanie klasifikácie. Prezentácia riedko vzorkovaného objemu ako meraného ohrozuje ekonomický úsudok a dôveru verejnosti.
- Preskakovanie QA/QC. Žiadna trieda nie je spoľahlivá bez laboratórneho monitorovania driftu pomocou slepých a štandardných vzoriek.
V súhrne
- Zacielenie na prieskum vytvára prioritu vŕtania prostredníctvom viacvrstvovej fúzie údajov; Nedokazuje rudu, znižuje slepú skúšku.
- Odhad zdrojov s istotou odhaduje stupeň pomocou variogramov a krigingu; Na tomto je postavený blokový model.
- Strojové učenie je výkonné, ale zapamätá si malé vzorky, rozmazáva odľahlé hodnoty a môže skryť neistotu.
- Finálny zvar je klasifikovaný a podpísaný oprávnenou kvalifikovanou osobou podľa noriem ako JORC/NI 43-101.
- Hodnota nie je v jednom klamlivom čísle; Neistota je v testovateľnej priorite a klasifikácii, ktorá sa čestne uvádza.
Aplikačná úloha
Získajte anonymizovanú tabuľku testovania zlúčenín (alebo reprezentatívne hodnoty). Pomocou výkonnej výzvy požiadajte model o: nadhodnotenú/top-cut potrebu, smery variogramov a oblasti s nízkou hustotou namiesto zdrojového údaja. Potom nechajte šablónu „kontrola klasifikácie zdroja“ vytvoriť návrh, ktoré bloky budú spadať do ktorej triedy dôveryhodnosti. Nakoniec sledujte, či sa model snaží uviesť jednotný tonážny údaj a jednou vetou napíšte, prečo by ste ho mali odmietnuť.
kontrolný zoznam
- [ ] Uvedomil som si, že zacielenie na prieskum nedokazuje rudu, ale dáva prednosť vŕtaniu.
- [ ] Viem vysvetliť, ako variogram a kriging odhadujú stupeň s neistotou.
- [ ] Uvedomujem si riziká rozmazania, top-cut a nadhodnotenia a považujem QA/QC za povinné.
- [ ] Beriem na vedomie, že zdroj je štandardom klasifikovaný ako meraný/indikovaný/odvodený a patrí oprávnenej osobe.
- [ ] Prijal som disciplínu, ktorá vyžaduje rozsahy neistoty a scenáre namiesto jednotlivých čísel.