Fitimet:
- Aftësia për të shpjeguar përdorimin e AI dhe bashkimin e të dhënave me shumë shtresa në prospektivën e mineraleve
- Të kuptuarit se si të bëni vlerësimin e modelit të bllokut dhe notës duke përdorur gjeostatistikën (kriging, variogram) dhe mësimin e makinerive.
- Aftësia për të testuar rezultatet e vlerësimit të burimit me vlerësimin e kryqëzuar, besimin e klasifikimit dhe standardet e raportimit
Kërkimi është një lojë bastesh ku vendimet shumëmilionëshe bazohen në një pjesë të vogël të mostrave të stërvitjes. Një vendburim mineral (depozitim i xehes angleze; një akumulim mineral i pasur dhe mjaftueshëm i madh për t'u shfrytëzuar) fshihet nën një sipërfaqe prej qindra kilometrash katrorë dhe ne e "shohim" atë vetëm me shpime të rralla, hije gjeofizike dhe shenja sipërfaqësore. Kjo është arsyeja pse eksplorimi i mineraleve është një nga fushat më emocionuese, por edhe më të rrezikshme të aplikimit të AI: kur përdoret si duhet, ai përshpejton shënjestrimin e eksplorimit dhe nxjerr më shumë kuptim nga të dhënat e pakta; Kur përdoret gabimisht, fsheh një substancë që nuk ekziston pas statistikave dhe mashtron investitorët dhe shoqërinë.
Në këtë njësi, ne do të mbulojmë dy aspekte kryesore të inteligjencës artificiale të eksplorimit: shënjestrimin e eksplorimit (perspektiva minerale; vlerësimi nga të dhënat me shumë shtresa se cila zonë ka të ngjarë të ketë një depozitë) dhe vlerësimin e burimeve (duke llogaritur me çfarë besimi mund të themi se sa metal është në një depozitë të shpuar). Në të dyja, AI është një gjetës i fuqishëm i modeleve; Por në të dyja rastet, shifra përfundimtare është përgjegjësi e personit kompetent që ka nënshkruar standardet ndërkombëtare të raportimit.
Synimi i kërkimit: Fusion i të dhënave me shumë shtresa
Një gjeolog eksplorues nuk shikon një lloj të vetëm të dhënash, por në shtresat e mbivendosura: hartën gjeologjike, konturet strukturore (gabimet dhe palosjet), gjeofizikën (magnetike, gravitetin, rezistencën), gjeokiminë (vlerat e elementit të mostrës së tokës dhe rrjedhës) dhe ndryshimin e hartuar nga sensori në distancë. Çdo shtresë është një e dhënë e dobët; Sinjali i vërtetë është vendi ku ata tregojnë së bashku. Ky quhet bashkim i të dhënave.
Inteligjenca artificiale bën dy punë këtu. Së pari, ai rreshton dhjetëra shtresa në të njëjtin rrjet koordinativ (një detyrë e vetme, e lodhshme por e prirur ndaj gabimeve) në një tabelë të vetme analize. Së dyti, mëson modelin rreth depozitave të njohura dhe shënon zona të reja me një nënshkrim të ngjashëm (të mësuarit e mbikëqyrur). Por këtu ka një kurth kritik: numri i shtretërve të njohur është shpesh shumë i vogël (ndoshta 5-10 shtretër në një zonë), kështu që modeli memorizon lehtësisht dhe dështon në zona të reja. Kjo është arsyeja pse produkti i synimit nuk është një listë "ekziston i sigurt gur i çmuar", por një "rend prioritar që ia vlen të testohet me shpim".
Hapat janë zakonisht si më poshtë: (1) rreshtoni dhe pastroni shtresat, (2) përkthejeni secilën shtresë në shenjë kuptimplotë bazuar në modelin e shtratit (p.sh. "distanca deri në kryqëzimin e gabimit", "skaji i lartë magnetik"), (3) stërviteni me shtretër ose peshë të njohur me rregullin e ekspertëve, (4) prodhoni hartën e probabilitetit, (5) testoni zonat me probabilitet më të lartë në terren dhe me metodat më të ulëta në terren.
Këshillë: Në vend që të futni shtresa të papërpunuara në model, nxirrni shënues gjeologjikisht kuptimplotë ("unaza magnetike + ndryshimi argjilik + kryqëzimi i gabimeve për bakrin porfir"). Treguesit e pajtueshëm me modelin mbajtës prodhojnë objektiva shumë më të fortë se statistikat e verbër.
Gjeostatistika dhe vlerësimi i burimeve: Variogrami, Kriging dhe Modeli i Bllokut
Pasi të gjendet depozita dhe të shpohet, pyetja ndryshon: "Sa metal ka këtu dhe sa mund t'i besojmë?" Përgjigja kërkon një ekstrapolim nga pikat e mostrës së shpimit në vëllimin e shkëmbinjve pa mostër. Mjeti standard për këtë është gjeostatistika.
Koncepti bazë është variogrami: një masë e vazhdimësisë hapësinore që përshkruan se si zvogëlohen ngjashmëritë e notave ndërsa dy mostra largohen më tej. Shembujt e afërt janë të ngjashëm, ata të largët janë të pavarur; Variogrami përcakton sasinë e këtij "varg ngjashmërie". Kriging është një metodë mesatare e ponderuar që përdor këtë strukturë variogrami për të dhënë notën, si vlerësimin ashtu edhe pasigurinë e vlerësimit, për çdo bllok të pa kampionuar. Depozita ndahet në blloqe me anët e matura në metra (modeli i bllokut), dhe çdo blloku i caktohet një notë dhe besim.
Inteligjenca artificiale vjen në tre pika këtu. Në modelimin e variogramit, ai sugjeron modele alternative dhe vlerëson përshtatjen. Metodat e mësimit të makinerisë (p.sh. pylli i rastësishëm, rritja e gradientit) mund të kapin marrëdhënie jolineare të notave përveç krigingut. Dhe përshpejton kodimin, kontrollimin dhe raportimin e të gjithë rrjedhës së punës. Por dy rregulla të hekurta mbeten konstante: pasiguria e vlerësimit nuk mund të fshihet kurrë, dhe burimi përfundimtar renditet nga personi kompetent në klasa të matura/treguara/konkluduara sipas standardeve ndërkombëtare (kornizat publike, të auditueshme të raportimit të burimeve/rezervës, si JORC, NI 43-101, PERC).
Kujdes: Modeli i mësimit të makinerive mund të "zbusë" ndërprerjet e shpimit, duke krijuar vazhdimësi që nuk ekziston në realitet. Disa ekzemplarë të shkallës së lartë mund të pasurojnë në mënyrë të padrejtë (njollosjen në anglisht) një bllok të tërë. Kufizimi i vlerave të larta (prerje nga lart) dhe kontrolli i numrit të mostrave në baza bllok është thelbësor; përndryshe tonazhi do të fryhet në letër.
Tre Mini Rastet: Nga Numrat
Rasti 1 — Caktimi i prioriteteve. Një ekip eksplorimi po punonte me një buxhet të kufizuar shpimi në një zonë licence 380 km². Një hartë probabiliteti që bashkon shtatë shtresa gjeofizike/gjeokimike shënoi vetëm 6% të zonës si "përparësi të lartë". Ekipi drejtoi pesë stërvitjet e para në këtë 6%; gjetën kryqëzime të konsiderueshme prej bakri në tre prej tyre. Pika kritike: harta nuk e "provoi" mineralin, racionalizoi se ku të fokusohej buxheti i shpimit dhe uli numrin e provave të verbëra.
Rasti 2 - Kapja e njollosjes. Në një depozitë ari, modeli i parë i bllokut kishte fryrë blloqet përreth për shkak të ndikimit të një mbikampioni të vetëm prej 78 g/t, duke mbivlerësuar burimin me 14%. Parashikimi u soll në një nivel realist me prerjen e sipërme (duke ulur vlerën e lartë në pragun statistikor) dhe kontrollin e mostrës fqinje të aplikuar në rishikimin e QA/QC. Diferenca ndikoi drejtpërdrejt në një vendim investimi shumëmilionësh.
Rasti 3 — Disiplina e klasifikimit. Në një projekt hekuri, modeli tregoi duke parashikuar të gjithë depozitën me besim të lartë; megjithatë, dendësia e shpimit ishte shumë e rrallë në zonat margjinale. Personi i autorizuar e hoqi volumin me mostër të rrallë nga vlerësimi ekonomik, duke e ulur atë në "Inferred". Kështu, raporti shmangte ekzagjerimin në rezervat e shpalosura publikisht dhe qëndroi në përputhje me standardin.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
Analizoni rendimentin e shpimit dhe tregoni se sa ari ka në depozitë.[tabela e analizës]
Njoftim i fuqishëm:
Roli juaj: Gjeostatistician burimesh. JENI NJË NUMRI BURIMOR me të dhënat e mëposhtme të analizës së përbërjes. Në vend të kësaj: 1) Përmblidhni shpërndarjen e notave; shënoni pikat e jashtme të mundshme dhe nevojën për një prerje të sipërme.2) Sugjeroni se cilat drejtime variogrami duhet të shqyrtohen për vazhdimësinë hapësinore.3) Tregoni se cilat zona mund të klasifikohen vetëm si "Të anashkaluara" për shkak të densitetit të ulët të shpimit.4) Listoni 4 burime pasigurie që mund të ndikojnë në rezultat. Të dhënat janë anonime; nuk ka koordinata/kompani aktuale.
Prompti i fuqishëm e pengon modelin të prodhojë një numër të vetëm mashtrues dhe e kthen atë në një asistent që organizon saktësisht pyetjet që duhet të bëjë personi përgjegjës.
Katër modele të kopjueshme
1) Derivimi i tokenit për shkrirjen e shtresave:
Sugjeroni shënues kuptimplotë nga shtresat e mëposhtme bazuar në modelin e kërkimit të bakrit porfir: magnetik, graviteti, rezistenca, gjeokimia e tokës (Cu-Mo-Au), ndryshimi. Për çdo shënues: lidhje me modelin e depozitës, burimin e mundshëm mashtrues dhe metodën e verifikimit në terren. Dhënia e një objektivi të saktë; Vendosni logjikën e përparësisë.
2) Ekzaminimi paraprak i cilësisë së cilësisë/QC:
Kontrolloni tabelën e analizës për sa vijon: vlera negative/e pamundur, përqindja e shenjave nën kufirin e zbulimit, mospërputhja e njësisë (ppm/%/g-t), përsëritja e marrëveshjes së mostrës, zhvendosja e mostrës bosh dhe standarde. Thjesht rendisni problemet sipas drilling_id; vlerësim, korrigjim.
3) Drafti i interpretimit të variogramit:
Interpretoni rezultatet eksperimentale të variogramit: shpjegoni në gjuhë të thjeshtë se çfarë do të thotë nugget, varg dhe prag; A ka ndonjë shenjë anizotropie? Shënoni cilat vendime kërkojnë miratimin e gjeologut përpara kriging. Logjikë, jo kod.
4) Kontrolli i klasifikimit të burimit:
Në modelin e bllokut, për çdo bllok janë dhënë: varianca kriging, numri i mostrave të përdorura në vlerësim dhe distanca deri në pusin më të afërt. Jepni një skicë TË ARSYESHME se cilët blloqe përshtaten më mirë me klasën e matur/të shfaqur/inferuar sipas logjikës standarde. Klasifikimi përfundimtar i përket personit të autorizuar; deklaroni këtë.
Krahasimi i metodave
Metoda
Çfarë bën
pikë e fortë
Rreziku kryesor
Rregulli i ekspertit (shtresa e ponderuar)
Rendit objektivat me informacion
Punon me pak të dhëna, transparente
paragjykim ekspert
Synimi i ML i mbikëqyrur
Mëson nga shtrati i njohur
Kap model kompleks
Mësimi përmendësh në disa shembuj
kriging
Tenori parashikon me pasiguri
Standard, i auditueshëm
Gabim variogrami, njollosje
Vlerësimi i notës ML
marrëdhënie jolineare
Fleksibël
Mund të fshehë pasigurinë, mbi-përshtatjen
Simulimi (p.sh. SGS)
Gjeneron skenarë probabiliteti
Vizualizon pasigurinë
Vetëbesimi i tepërt nëse keqinterpretohet
Këshillë: Kur vlerësoni burimet, kërkoni një gamë dhe skenar dhe jo një "numër të vetëm më të mirë". Tre skenarë optimistë/të pritshëm/të kujdesshëm ofrojnë një bazë shumë më të ndershme për vendimmarrje sesa siguria e rreme e krijuar nga një numër i vetëm.
Gabimet e zakonshme
- Bërja e ML-së për të mësuar përmendësh me një shtrat pak të njohur. Një model i trajnuar me pesë kushineta nuk është i besueshëm në fushën e re; shikoni rezultatin si një listë prioritare, jo si provë.
- Duke mos kufizuar vlerat ekstreme. Një analizë e vetme e lartë, nëse nuk bëhet prerja e sipërme, do të pasurojë (njollosë) në mënyrë të padrejtë blloqet përreth dhe do të fryjë tonazhin.
- Mos raportimi i pasigurisë. Fshehja e variancës dhe klasifikimit të Kriging dhe paraqitja e shifrave të vetme është kundër standardeve dhe integritetit.
- Duke anashkaluar klasifikimin. Paraqitja e vëllimit të mostrës së rrallë si i matur komprometon gjykimin ekonomik dhe besimin e publikut.
- Duke anashkaluar QA/QC. Asnjë notë nuk është e besueshme pa monitorimin laboratorik të zhvendosjes me mostra të zbrazëta dhe standarde.
Në përmbledhje
- Synimi i eksplorimit gjeneron prioritet shpimi përmes bashkimit të të dhënave me shumë shtresa; Nuk provon mineralin, zvogëlon sprovën e verbër.
- Vlerësimi i burimeve vlerëson notën me siguri duke përdorur variogramë dhe kriging; Modeli i bllokut është ndërtuar mbi këtë.
- Mësimi i makinerisë është i fuqishëm, por mëson përmendësh mostra të vogla, njolloset me anët e jashtme dhe mund të fshehë pasigurinë.
- Saldimi përfundimtar klasifikohet dhe nënshkruhet nga një person i kualifikuar i autorizuar sipas standardeve të tilla si JORC/NI 43-101.
- Vlera nuk është në një numër mashtrues; Pasiguria është në një prioritet dhe klasifikim të testueshëm që raportohet sinqerisht.
Detyra e aplikimit
Merrni një tabelë anonime të analizës së përbërjes (ose vlera përfaqësuese). Me kërkesën e fuqishme, kërkoni nga modeli: nevojën për mbivlerë/prerje të lartë, drejtimet e variogramit dhe rajonet me densitet të ulët në vend të një figure burimi. Më pas bëni shabllonin "kontrolli i klasifikimit të burimit" të prodhojë një draft se cilët blloqe do të bien në cilën klasë besimi. Së fundi, vëzhgoni nëse modeli përpiqet të japë një shifër të vetme tonazhi dhe shkruani me një fjali pse duhet ta refuzoni atë.
listë kontrolli
- [ ] Kuptova se synimi i kërkimit nuk provon xehe, ai prodhon përparësi shpimi.
- [ ] Unë mund të shpjegoj se si variogrami dhe kriging vlerësojnë notën me pasiguri.
- [ ] Unë njoh rreziqet e njollosjes, prerjes së sipërme dhe mbivlerësimit dhe e konsideroj QA/QC të detyrueshme.
- [ ] Unë e kuptoj që burimi është klasifikuar si i matur/treguar/konkluduar nga standardi dhe i përket personit të autorizuar.
- [ ] Unë adoptova një disiplinë që kërkon vargje dhe skenarë pasigurie në vend të numrave të vetëm.