Добици:
- Способност да се објасни употреба вештачке интелигенције и вишеслојне фузије података у перспективи минерала
- Разумевање како направити блок модел и процену оцена коришћењем геостатистике (кригинг, вариограм) и машинског учења.
- Способност тестирања исхода процене извора са унакрсном провером, поузданошћу класификације и стандардима извештавања
Проспецтинг је игра клађења у којој се одлуке вредне више милиона долара заснивају на неколико узорака бушења. Лежиште минерала (енгл. руде депосит; минерална акумулација довољно богата и велика да се може експлоатисати) крије се испод површине од стотине квадратних километара, а „видимо“ га само ретким бушотинама, геофизичким сенкама и површинским ознакама. Зато је истраживање минерала једна од најузбудљивијих, али и најопаснијих области примене вештачке интелигенције: када се правилно користи, убрзава циљање истраживања и извлачи више значења из оскудних података; Када се користи погрешно, скрива непостојећу супстанцу иза статистике и обмањује и инвеститоре и друштво.
У овој јединици ћемо покрити два главна аспекта истраживања вештачке интелигенције: циљање истраживања (перспективност минерала; процена на основу вишеслојних података која област ће вероватно имати лежиште) и процена ресурса (израчунавање са којом поузданошћу можемо рећи колико је метала у избушеном лежишту). У оба случаја, АИ је моћан проналазач образаца; Али у оба случаја, коначна цифра је одговорност компетентне особе која је потписала међународне стандарде извештавања.
Циљање претраге: вишеслојна фузија података
Геолог истраживања не гледа на једну врсту података, већ на слојеве који се преклапају: геолошка карта, контуре структуре (расједи и набори), геофизика (магнетна, гравитација, отпорност), геохемија (вредности елемената узорка тла и тока) и измене мапиране даљинским испитивањем. Сваки слој је слаб траг; Прави сигнал је тамо где показују заједно. Ово се зове фузија података.
Вештачка интелигенција овде ради два посла. Прво, он поравнава десетине слојева на истој координатној мрежи (један, досадан, али подложан грешкама задатак) у једну табелу за анализу. Друго, учи образац око познатих лежишта и означава нове области сличним потписом (учење под надзором). Али овде постоји критична замка: број познатих кревета је често веома мали (можда 5-10 кревета у једној области), тако да модел лако памти и не успева у новим областима. Зато излаз циљања није листа „сигуран драгуљ постоји“, већ „приоритетни редослед вредан тестирања бушењем“.
Кораци су обично следећи: (1) поравнајте и очистите слојеве, (2) преведите сваки слој у смислен токен заснован на моделу лежишта (нпр. „удаљеност до раскрснице“, „магнетна висока ивица“), (3) тренирајте са познатим слојевима или тежином помоћу експертског правила, (4) направите мапу вероватноће, (5) тестирајте области највеће вероватноће на терену и методе ниске вероватноће.
Савет: Уместо да сирове слојеве уносите у модел, изведите геолошки значајне маркере („магнетни прстен + аргилна измена + раседна раскрсница за порфирни бакар“). Индикатори компатибилни са моделом лежишта производе много робусније циљеве од слепих статистика.
Геостатистика и процена ресурса: Вариограм, Кригинг и Блок модел
Када се лежиште пронађе и избуши, питање се мења: „Колико метала има овде и колико му можемо веровати?“ Одговор захтева екстраполацију са узоркованих тачака бушотине на неузорковану запремину стене. Стандардни алат за ово је геостатистика.
Основни концепт је вариограм: мера просторног континуитета која описује како се сличности оцена смањују како се два узорка даље удаљавају. Оближњи примери су слични, удаљени су независни; Вариограм квантификује овај "опсег сличности". Кригинг је пондерисана просечна метода која користи ову структуру вариограма да би дала оцену, и процену и несигурност процене, за сваки неузорковани блок. Депозит је подељен на блокове са страницама мереним у метрима (блоковни модел), а сваком блоку се додељује оцена и поверење.
Вештачка интелигенција овде долази у три тачке. У моделирању вариограма, предлаже алтернативне моделе и процењује уклапање. Методе машинског учења (нпр. случајна шума, повећање градијента) могу да схвате нелинеарне односе оцена поред кригинга. И убрзава кодирање, проверу и извештавање о целом току посла. Али два гвоздена правила остају константна: несигурност процене никада не може бити сакривена, а коначан ресурс је сортиран од стране компетентне особе у класе Меасуред/Индицатед/Инферред у складу са међународним стандардима (јавни оквири извештавања о ресурсима/резервама који се могу ревидирати, као што су ЈОРЦ, НИ 43-101, ПЕРЦ).
Опрез: Модел машинског учења може да "изглади" прекиде бушења, стварајући континуитет који у стварности не постоји. Неколико примерака високог квалитета може неправедно обогатити (енглеско размазивање) цео блок. Ограничавање високих вредности (топ-цут) и контрола броја узорака на бази блокова је од суштинског значаја; иначе ће тонажа набубрити на папиру.
Три мини случаја: према бројевима
Случај 1 — Одређивање приоритета циљања. Истраживачки тим је радио са ограниченим буџетом за бушење у лиценцном подручју од 380 км². Мапа вероватноће која спаја седам геофизичких/геохемијских слојева означила је само 6% подручја као „високи приоритет“. Тим је усмерио првих пет вежби на ових 6%; у три од њих нашао значајне бакарне раскрснице. Критична тачка: мапа није „доказала” руду, рационализовала је где да се фокусира буџет за бушење и смањила број слепих испитивања.
Случај 2 — Снимање мрља. На једном налазишту злата, модел првог блока је надувао околне блокове због утицаја једног прекомерног узорка од 78 г/т, прецењујући ресурс за 14%. Предвиђање је доведено на реалистичан ниво са горњим резом (смањење високе вредности на статистички праг) и контролом суседног узорка примењеном у КА/КЦ прегледу. Разлика је директно утицала на вишемилионску инвестициону одлуку.
Случај 3 — Класификациона дисциплина. На пројекту од гвожђа, модел је показао предвиђање читавог депозита са високим поверењем; међутим, густина бушења је била веома ретка у рубним областима. Овлашћено лице је уклонило ретко узорковану количину из економске процене, снизивши је на „Претпостављено“. Тако је извештај избегао претеривање у јавно објављеним резервама и остао у складу са стандардом.
Слаба порука / јака промпт
Слабо обавештење:
Анализирајте принос бушења и реците колико злата има у лежишту.[табела за испитивање]
Снажан упит:
Ваша улога: Геостатичар ресурса. ДАЈТЕ БРОЈ ИЗВОРА са следећим подацима о тесту једињења. Уместо тога: 1) Сумирајте расподелу оцена; означите могуће изузетке и потребу за врхом.2) Предложите које правце вариограма треба испитати ради просторног континуитета.3) Наведите које области могу бити класификоване само као „Изостављене“ због мале густине бушења.4) Наведите 4 извора несигурности који би могли да утичу на резултат. Подаци су анонимни; нема стварних координата/компаније.
Моћни промпт спречава модел да произведе један обмањујући број и претвара га у помоћника који организује тачно питања која одговорна особа треба да постави.
Четири шаблона за копирање
1) Извођење токена за фузију слојева:
Предложите значајне маркере из следећих слојева на основу модела истраживања порфирног бакра: магнет, гравитација, отпорност, геохемија тла (Цу-Мо-Ау), измена. За сваки маркер: линк до модела депозита, могући извор који доводи у заблуду и метод верификације на терену. Давање прецизног циља; Успоставите логику приоритета.
2) Претходни скрининг КА/КЦ теста:
Проверите табелу теста за следеће: негативна/немогућа вредност, пропорција знакова испод границе детекције, одступање јединица (ппм/%/г-т), слагање поновљених узорака, одступање празног и стандардног узорка. Само наведите проблеме помоћу дриллинг_ид; процена, исправка.
3) Нацрт тумачења вариограма:
Тумачите резултате експерименталног вариограма: објасните једноставним језиком шта значе грумен, опсег и праг; Има ли знакова анизотропије? Означите које одлуке захтевају одобрење геолога пре кригинга. Логика, а не код.
4) Контрола класификације извора:
У блок моделу, за сваки блок су дати: кригинг варијанса, број узорака коришћених у процени и удаљеност до најближе бушотине. Дајте РАЗУМАН преглед који блокови најбоље одговарају класи Меасуред/Дисплаиед/Инферред према стандардној логици. Коначна класификација припада овлашћеном лицу; навести ово.
Поређење метода
Метод
Шта ради
јака тачка
Главни ризик
Правило стручњака (пондерисани слој)
Сортира мете са информацијама
Ради са мало података, транспарентно
стручна пристрасност
Циљање МЛ под надзором
Учи из познатог кревета
Снима сложени образац
Учење напамет у неколико примера
кригинг
Тенор предвиђа са неизвесношћу
Стандардно, подложно ревизији
Грешка вариограма, размазивање
Процена оцене МЛ
нелинеарни однос
Флексибилно
Може сакрити несигурност, претерану адаптацију
Симулација (нпр. СГС)
Генерише сценарије вероватноће
Визуелизира неизвесност
Претерано самопоуздање ако се погрешно протумачи
Савет: Када процењујете ресурсе, тражите опсег и сценарио, а не „један најбољи број“. Три оптимистична/очекивана/опрезна сценарија пружају много поштенију основу за доношење одлука од лажне сигурности коју ствара један број.
Уобичајене грешке
- Прављење МЛ меморије са мало познатим креветом. Модел обучен са пет лежајева је непоуздан у новом пољу; посматрајте резултат као листу приоритета, а не као доказ.
- Не ограничавајући екстремне вредности. Један високи тест, ако се не изврши врхунско сечење, неправедно ће обогатити (размазати) околне блокове и надувати тонажу.
- Не извештавање о неизвесности. Скривање Кригинг варијансе и класификације и представљање појединачних цифара противно је стандардима и интегритету.
- Прескакање класификације. Представљање ретко узоркованог обима као Измерено доводи у питање економску процену и поверење јавности.
- Прескакање КА/КЦ. Ниједна оцена није поуздана без лабораторијског праћења одступања са слепим и стандардним узорцима.
Укратко
- Циљање истраживања генерише приоритет бушења кроз вишеслојну фузију података; Не доказује руду, смањује слепо суђење.
- Процена процене ресурса се са сигурношћу оцењује коришћењем вариограма и кригинга; Блок модел је изграђен на овоме.
- Машинско учење је моћно, али памти мале узорке, размазује изузетне вредности и може сакрити несигурност.
- Завршни завар је класификован и потписан од стране овлашћене квалификоване особе према стандардима као што је ЈОРЦ/НИ 43-101.
- Вредност није у једном варљивом броју; Неизвесност је у проверљивом приоритету и класификацији о којој се искрено извештава.
Задатак апликације
Примите анонимизовану табелу за испитивање једињења (или репрезентативне вредности). Уз моћну промпту, тражите од модела: прекомерну/највишу потребу, правце вариограма и регионе ниске густине уместо изворне бројке. Затим нека шаблон „контрола класификације извора“ произведе нацрт који ће блокови спадати у коју класу поверења. На крају, посматрајте да ли модел покушава да да једну цифру тонаже и у једној реченици напишите зашто бисте је требали одбити.
контролна листа
- [ ] Схватио сам да циљање истраживања не доказује руду, оно производи приоритет бушења.
- [ ] Могу да објасним како вариограм и кригинг процењују оцену са несигурношћу.
- [ ] Препознајем ризике замагљивања, резања и прецењивања и сматрам да су КА/КЦ обавезни.
- [ ] Разумем да је ресурс класификован као Измерен/Индициран/Изведен према стандарду и да припада овлашћеном лицу.
- [ ] Усвојио сам дисциплину која захтева опсеге несигурности и сценарије уместо појединачних бројева.