Dobički:
- Sposobnost razlage uporabe umetne inteligence in zlitja večplastnih podatkov pri prospektivi mineralov
- Razumevanje, kako narediti bločni model in oceno stopnje z uporabo geostatistike (kriging, variogram) in strojnega učenja.
- Sposobnost testiranja rezultatov ocenjevanja vira z navzkrižno validacijo, klasifikacijsko zaupanje in standardi poročanja
Iskanje je stavna igra, pri kateri večmilijonske odločitve temeljijo na peščici vzorcev vrtin. Nahajališče mineralov (angleško ore deposit; akumulacija mineralov, bogata in dovolj velika za izkoriščanje) se skriva pod območjem sto kvadratnih kilometrov, ki ga »vidimo« le z redkimi vrtinami, geofizikalnimi sencami in površinskimi oznakami. Zato je raziskovanje mineralov eno najbolj vznemirljivih, a tudi najnevarnejših področij uporabe umetne inteligence: če se pravilno uporablja, pospeši ciljanje raziskovanja in iz redkih podatkov izvleče več pomena; Ob nepravilni uporabi za statistiko skriva neobstoječo snov in zavaja tako vlagatelje kot družbo.
V tej enoti bomo obravnavali dva glavna vidika raziskovanja z umetno inteligenco: ciljanje raziskovanja (možnosti rudnin; ocenjevanje iz večplastnih podatkov, na katerem območju je verjetno nahajališče) in oceno virov (izračun, s kakšno zanesljivostjo lahko rečemo, koliko kovine je v izvrtanem nahajališču). V obeh je AI močan iskalec vzorcev; A v obeh primerih je za končno številko odgovorna pristojna oseba, ki je podpisala mednarodne standarde poročanja.
Ciljanje na iskanje: združevanje večplastnih podatkov
Raziskovalni geolog ne gleda na eno samo vrsto podatkov, temveč na prekrivne plasti: geološko karto, strukturne konture (prelomi in gube), geofiziko (magnetno, gravitacijsko, upornost), geokemijo (vrednosti elementov vzorcev tal in potokov) in spremembe, preslikane z daljinskim zaznavanjem. Vsaka plast je šibek namig; Pravi signal je, kam kažeta skupaj. To se imenuje fuzija podatkov.
Umetna inteligenca tu opravlja dve nalogi. Najprej poravna na desetine slojev na isto koordinatno mrežo (edinstveno, dolgočasno, a k napakam nagnjeno opravilo) v eno samo analitično tabelo. Drugič, nauči se vzorca okoli znanih nahajališč in označi nova območja s podobnim podpisom (nadzorovano učenje). Toda tu obstaja kritična past: število znanih ležišč je pogosto zelo majhno (morda 5-10 ležišč na enem območju), zato si model zlahka zapomni in odpove na novih območjih. Zato rezultat ciljanja ni seznam "prepričan dragulj obstaja", temveč "prednostni vrstni red, ki ga je vredno preizkusiti z vrtanjem".
Koraki so običajno naslednji: (1) poravnajte in očistite plasti, (2) prevedite vsako plast v smiseln žeton na podlagi modela postelje (npr. »razdalja do križišča napak«, »magnetni visoki rob«), (3) trenirajte z znanimi posteljami ali težo s strokovnim pravilom, (4) izdelajte zemljevid verjetnosti, (5) preizkusite območja z največjo verjetnostjo na terenu in z nizkocenovnimi metodami.
Namig: Namesto da v model vnašate plasti, izpeljite geološko pomembne oznake (»magnetni obroč + argilična alteracija + prelomno presečišče za porfirni baker«). Kazalniki, ki so združljivi z modelom smeri, ustvarjajo veliko bolj robustne cilje kot slepa statistika.
Geostatistika in ocena virov: Variogram, Kriging in Block Model
Ko je nahajališče najdeno in izvrtano, se vprašanje spremeni: "Koliko kovine je tukaj in koliko ji lahko zaupamo?" Odgovor zahteva ekstrapolacijo iz vzorčenih vrtalnih točk na nevzorčeno količino kamnine. Standardno orodje za to je geostatistika.
Osnovni koncept je variogram: merilo prostorske kontinuitete, ki opisuje, kako se podobnosti ocen zmanjšujejo, ko se dva vzorca bolj oddaljujeta. Bližnji primeri so podobni, daljni so samostojni; Variogram kvantificira to "razpon podobnosti". Kriging je metoda tehtanega povprečja, ki uporablja to strukturo variograma za podajanje ocene, tako ocene kot negotovosti ocene, za vsak nevzorčen blok. Nanos je razdeljen na bloke s stranicami, izmerjenimi v metrih (model blokov), vsakemu bloku pa je dodeljena ocena in zaupanje.
Umetna inteligenca je tukaj v treh točkah. Pri modeliranju variogramov predlaga alternativne modele in ocenjuje prileganje. Metode strojnega učenja (npr. naključni gozd, gradientno povečanje) lahko poleg kriginga zajamejo tudi nelinearna razmerja ocen. In pospeši kodiranje, preverjanje in poročanje celotnega delovnega toka. Toda dve železni pravili ostajata nespremenjeni: negotovosti ocenjevanja ni mogoče nikoli skriti, končnega vira pa pristojna oseba razvrsti v razrede Measured/Indicated/Inferred v skladu z mednarodnimi standardi (javni, revizijski okviri poročanja o virih/zalogah, kot je JORC, NI 43-101, PERC).
Pozor: model strojnega učenja lahko "zgladi" prekinitve vrtanja in ustvari kontinuiteto, ki v resnici ne obstaja. Nekaj primerkov visoke kakovosti lahko nepošteno obogati (angleško razmazovanje) cel blok. Bistvenega pomena je omejitev visokih vrednosti (top-cut) in nadzor števila vzorcev na podlagi bloka; drugače bo tonaža nabreknila na papirju.
Trije mini kovčki: po številkah
1. primer – Določanje prednosti ciljanja. Raziskovalna ekipa je delala z omejenim proračunom za vrtanje na 380 km² velikem dovoljenem območju. Zemljevid verjetnosti, ki združuje sedem geofizikalnih/geokemijskih plasti, je označil le 6 % območja kot "visoko prednostno". Ekipa je prvih pet vaj usmerila v teh 6 %; v treh od njih našli pomembne bakrene preseke. Kritična točka: zemljevid ni "dokazal" rude, racionaliziral, kam usmeriti proračun za vrtanje, in zmanjšal število slepih poskusov.
Primer 2 – Zajetje razmazanosti. Na enem nahajališču zlata je imel prvi blokovni model napihnjene okoliške bloke zaradi vpliva enega samega nadvzorca 78 g/t, kar je precenilo vir za 14 %. Napoved je bila postavljena na realistično raven z najvišjo vrednostjo (zmanjšanje visoke vrednosti na statistični prag) in sosednjo kontrolo vzorca, uporabljeno v pregledu QA/QC. Razlika je neposredno vplivala na odločitev o večmilijonski naložbi.
Primer 3 – Klasifikacijska disciplina. Pri železarskem projektu je model pokazal napovedovanje celotnega nahajališča z visoko zanesljivostjo; vendar je bila gostota vrtanja na obrobnih območjih zelo redka. Pooblaščena oseba je redko vzorčeno količino izločila iz ekonomskega vrednotenja in jo znižala na »Ugotovljeno«. Tako se je poročilo izognilo pretiravanju pri javno objavljenih rezervah in ostalo v skladu s standardom.
Šibek poziv / močan poziv
Šibek poziv:
Analizirajte izkoristek vrtanja in povejte, koliko zlata je v nahajališču [preizkusna tabela]
Močan poziv:
Vaša vloga: Geostatistik virov. NAVEDI ŠTEVILKO VIR z naslednjimi podatki o preskusu spojine. Namesto tega: 1) Povzemite porazdelitev ocen; označite možne izstope in potrebo po vrhunskem rezu.2) Predlagajte, katere smeri variograma je treba preučiti za prostorsko kontinuiteto.3) Navedite, katera področja je mogoče klasificirati le kot "Izpuščena" zaradi nizke gostote vrtanja.4) Naštejte 4 vire negotovosti, ki bi lahko vplivale na rezultat. Podatki so anonimni; ni dejanskih koordinat/podjetja.
Zmogljiv poziv prepreči, da bi model proizvedel eno samo zavajajočo številko, in ga spremeni v pomočnika, ki organizira točno tista vprašanja, ki naj jih zastavi odgovorna oseba.
Štiri kopirane predloge
1) Izpeljava žetona za zlitje plasti:
Predlagajte pomembne označevalce iz naslednjih plasti, ki temeljijo na modelu raziskovanja porfirnega bakra: magnetni, gravitacijski, upornostni, geokemija tal (Cu-Mo-Au), sprememba. Za vsak marker: povezava do modela depozita, možen zavajajoč vir in način preverjanja na terenu. Dajanje natančnega cilja; Vzpostavite prednostno logiko.
2) Predhodni pregled QA/QC analize:
Preverite tabelo testov za naslednje: negativna/nemogoča vrednost, delež znakov pod mejo zaznavnosti, odstopanje enot (ppm/%/g-t), ponovni dogovor vzorca, premik slepega in standardnega vzorca. Preprosto navedite težave po drilling_id; ocena, popravek.
3) Osnutek interpretacije variograma:
Interpretirajte eksperimentalne rezultate variograma: razložite v preprostem jeziku, kaj pomenijo zrnca, obseg in prag; Ali obstajajo znaki anizotropije? Označite, katere odločitve zahtevajo odobritev geologa pred krigingom. Logika, ne koda.
4) Nadzor klasifikacije vira:
V blokovnem modelu so bili za vsak blok podani: varianca kriginga, število vzorcev, uporabljenih pri oceni, in razdalja do najbližje vrtine. Podajte RAZUMEN oris, kateri bloki najbolje ustrezajo razredu Izmerjeno/Prikazano/Ugotovljeno v skladu s standardno logiko. Končna razvrstitev pripada pooblaščeni osebi; navedite to.
Primerjava metod
Metoda
Kaj počne
močna točka
Glavno tveganje
Strokovno pravilo (utežena plast)
Razvršča cilje z informacijami
Deluje z malo podatkov, pregledno
strokovna pristranskost
Nadzorovano ciljanje na ML
Uči se iz znane postelje
Zajame kompleksen vzorec
Pomnjenje v nekaj primerih
kriging
Tenor napoveduje z negotovostjo
Standardno, revizijsko
Napaka variograma, razmaz
Ocena ocene ML
nelinearno razmerje
Prilagodljiv
Lahko skrije negotovost, pretirano prilagajanje
Simulacija (npr. SGS)
Ustvari verjetnostne scenarije
Vizualizira negotovost
Pretirana samozavest, če si jo napačno razlagamo
Nasvet: Ko ocenjujete vire, prosite za obseg in scenarij namesto za "eno najboljšo številko". Trije optimistični/pričakovani/previdni scenariji zagotavljajo veliko bolj pošteno osnovo za odločanje kot lažna gotovost, ki jo ustvarja ena sama številka.
Pogoste napake
- Zapomni si ML z malo znano posteljo. Model, naučen s petimi ležaji, je na novem področju nezanesljiv; si oglejte rezultat kot prednostni seznam, ne kot dokaz.
- Brez omejevanja ekstremnih vrednosti. En sam visok test, če vrhnji rez ni opravljen, bo nepošteno obogatil (razmazal) okoliške bloke in napihnil tonažo.
- Ne poročanje o negotovosti. Skrivanje Kriging variance in klasifikacije ter predstavitev posameznih številk je v nasprotju s standardi in integriteto.
- Preskok razvrščanja. Predstavitev redko vzorčene količine kot izmerjene ogroža ekonomsko presojo in zaupanje javnosti.
- Preskok QA/QC. Nobena ocena ni zanesljiva brez laboratorijskega spremljanja premika s slepimi in standardnimi vzorci.
Če povzamem
- Usmerjanje raziskovanja ustvarja prednost vrtanja prek večplastnega združevanja podatkov; Ne dokazuje rude, zmanjšuje slepo sojenje.
- Ocena virov z gotovostjo oceni stopnjo z uporabo variogramov in kriginga; Bločni model je zgrajen na tem.
- Strojno učenje je močno, vendar si zapomni majhne vzorce, razmaže izstopajoče vrednosti in lahko prikrije negotovost.
- Končni zvar je razvrščen in podpisan s strani pooblaščene usposobljene osebe v skladu s standardi, kot je JORC/NI 43-101.
- Vrednost ni v eni zavajajoči številki; Negotovost je v prioriteti, ki jo je mogoče preizkusiti, in razvrstitvi, ki je pošteno navedena.
Aplikacijska naloga
Prejmite anonimizirano tabelo testov spojin (ali reprezentativne vrednosti). Z zmogljivim pozivom vprašajte model za: potrebo po nadvrednosti/najvišjem rezu, smeri variograma in območja nizke gostote namesto izvorne številke. Nato naj predloga "nadzor klasifikacije vira" ustvari osnutek, kateri bloki bodo spadali v kateri razred zaupanja. Nazadnje opazujte, ali model poskuša podati eno samo tonažo in v enem stavku napišite, zakaj bi ga zavrnili.
kontrolni seznam
- [ ] Spoznal sem, da ciljanje raziskovanja ne dokazuje rude, ampak daje prednost vrtanju.
- [ ] Lahko razložim, kako variogram in kriging ocenjujeta oceno z negotovostjo.
- [ ] Zavedam se tveganja razmazanosti, zgornjega reza in precenjenosti in menim, da sta Q/QC obvezna.
- [ ] Razumem, da je vir po standardu razvrščen kot izmerjen/naveden/predviden in pripada pooblaščeni osebi.
- [ ] Sprejel sem disciplino, ki zahteva obsege negotovosti in scenarije namesto posameznih številk.