Vinster:
- Möjlighet att rengöra borrlogg, litologi och graderingsdata med AI-stöd och upptäcka inkonsekvenser och kodningsfel
- Förmåga att korrekt positionera AI som en förklassificerings- och hypotesgenerator vid tolkning av kärnfotografering och geologisk observation
- Förmåga att korsvalidera AI:s härledda litologi/ändringstolkning med geologobservation och laboratorieanalys
Grunden för varje gruvprojekt är de prover som tagits från underjorden. Det viktigaste av dessa exempel är borrkärnan (ett kontinuerligt prov som borrmaskinen extraherar ur berget i cylindrisk form). Geologen undersöker kärnan; Den registrerar bergarten (litologi), struktur, förändring (förändring av berget genom heta vatten och kemiska effekter) och mineralisering, och analyserar laboratorieprover för kvalitet. Resultatet är en enorm tabell registrerad meter för meter, kallad borrlogg. Det kan finnas hundratals borrningar och tiotusentals linjer i ett enda projekt. Rensa dessa data, kombinera dem, fånga inkonsekvenser och extrahera initiala tolkningar; Detta är ett område där AI verkligen accelererar, men varje steg måste verifieras med en geologs öga. I den här enheten lär du dig hur du rengör borr-/geologidata med AI, hur du förtolkar kärnbilden och hur du validerar resultaten.
Anatomi av borrdatatabeller
En borrdatauppsättning består vanligtvis av fyra tabeller, och att kombinera dem korrekt är halva jobbet:
- Krage: Startkoordinaten (X, Y, Z) och totalt djup för varje borrhål.
- Undersökning (avvikelse): Förändring i lutning (dip) och riktning (azimut) för borrningen längs djupet. Borrning går aldrig helt rakt.
- Litologi: Bergart och geologiska observationer över hela djupområdet (från-till).
- Analys: Laboratorieresultat över hela djupområdet (t.ex. Aug/t, Cu %).
Dessa tabeller måste följa regler som från < till, intervall får inte överlappa och koder måste vara konsekventa. I det verkliga livet finns det alltid fel i denna manuellt inmatade data: saknat intervall, överlappande intervall, enhetsförvirring (ppm och % blandning), olika stavningar av litologikoden (GRN, Grn, granit), koder som 999 eller -9 istället för ett nollvärde. AI är mycket kraftfull när det gäller att skanna och flagga sådana inkonsekvenser; Men du måste göra korrigeringen med geologens godkännande.
Steg för steg: borrdatarensning med AI
- Presentera data. Ge AI:n kolumnnamnen, enheterna och några exempelrader (anonymisera de faktiska koordinaterna). Beskriv tydligt vad som ska hända.
- Gör en lista med regler. Be AI om en lista över "vilka konsistensregler ska jag kontrollera för den här tabellen", lägg till dina egna regler ovanpå.
- Låt utföra en inkonsekvensskanning. Fråga bara AI om flaggning, inte autokorrigering. Be om motivering för varje tecken.
- Återgå till råkällan. Kontrollera varje markerad linje mot den ursprungliga borrhålsloggen eller laboratoriecertifikatet.
- Ta beslutet att fixa det. Geologen gör korrigeringen; AI föreslår bara.
Tips: Säg inte till AI:en "ge mig den korrigerade tabellen"; Säg "flagga misstänkta rader med anledning". I en autokorrigeringstabell är det nästan omöjligt att lägga märke till rader som tyst är skadade.
Kärnfoto och visuell tolkning
I moderna projekt fotograferas kärnlådor. Multi-modell AI-verktyg (modeller som också kan bearbeta bilder) kan ge en preliminär tolkning från dessa fotografier: färgförändring, möjlig frakturdensitet, förekomst av vener, möjliga förändringszoner. Detta är värdefullt som en preliminär screening som säger till geologen "titta noga här." Litologi och ändringsbeslut fattas dock aldrig från fotografier; Manuell undersökning av kärnan, hårdhetstest, sur reaktion och laboratorieanalys krävs. Det är ett allvarligt misstag för AI att dra slutsatsen att "det finns guld" från färgen; Guld är ofta osynligt för blotta ögat och kan endast identifieras genom analys.
tre minifodral
Fall 1 — Enhetsinterferensfångst. I ett projekt finns det 12 000 rader i analystabellen. Geologen introducerar tabellen för AI och säger: "Lista raderna med värden över 100 g/t i Au-kolumnen; dessa kan vara antingen äkta höggradig eller ppm/ppb-blandning." AI markerar 37 linjer. Geologen tittar på laboratoriecertifikat; Han finner att 34 faktiskt angavs som ppb (en per miljard) men ansågs felaktigt vara g/t, medan 3 var den riktiga bonanzan (mycket hög grad). Om dessa 34 rader inte korrigerades skulle medelbetyget höjas på konstgjord väg och reserven skulle överdrivas.
Fall 2 — Överlappande räckvidd. I en litologitabell överlappar några av från-till-intervallen: 45,0-52,0 m granit och 50,0-58,0 m skiffer definieras samtidigt. AI listar dessa överlappningar och visar totalt 19 rader med överlappning. Geologen vänder sig till den råa stocken; hittar och korrigerar en linjeförskjutning i datainmatning. Om överlappande intervall inte korrigerades skulle det förbli oklart vilken bergart som skulle tilldelas blockmodellen och tonnaget skulle beräknas felaktigt.
Fall 3 — Felaktig visuell slutledning (varning). En praktikant ger kärnfotot till AI och frågar: "Finns det någon malm i den här zonen?" AI ser rodnad och vener och säger "möjlig mineralisering är hög." Praktikanten bearbetar detta i loggen som "mineraliserat". Rödheten är järnoxidfärgning och innehåller inte ekonomisk malm. Laboratorieanalys finner betyget på spårnivåer. Lektion: betyg/malm kan inte bestämmas från bilden; AI-utgången är bara ett "granska" tecken, verifierat genom analys.
Kopierbara promptmallar
DRILL DATA KONSISTENSSCANNING "Roll: Du är en assisterande resurs-/databasgeolog. Nedan finns en [litologi/analys]-tabell fördelad från-till. Kolumner: [lista, med enheter]. Markera följande inkonsekvenser med RAD-nummer och orsak: från>=till, överlappande intervall, lucka, misstänkt enhetsförväxling av repeterad kod, annan kod, stavning av tom kod, kod (999/-9 RÄTTA INTE, markera bara Tabell: [klistra in]).
STANDARDISERING AV LITOLOGIKOD "Följande litologikoder skrevs in för hand och är inkonsekventa. Gruppera olika stavningar av samma bergart (t.ex. GRN/Grn/granit). Skriv en enda rekommenderad standardkod för varje grupp. I en tabell: [originalkoder] -> [rekommenderad standard]. Markera grupperna du är osäker på: låt dig [bestämma] separat.."
KÄRNFOTO FÖRSCANNING "Lista de visuella egenskaperna jag bör lägga märke till i detta kärnfoto: färgförändringszoner, möjlig sprick-/spricktäthet, synlig ven, eventuellt förändringsmärke. Skriv dessa som en HYPOTES; BESTÄM INTE om bergart eller berghalt. För varje funktion, ange vad geologen ska kontrollera i fält."
SAMMANFATTNING AV GEOLOGISK LOGG "Följande text är den geologiska loggen för en borrning. Förvandla den till en strukturerad sammanfattning med följande rubriker: dominanta litologier och djupområden, förändringszoner, strukturella anteckningar (fel/sprickor), mineraliseringsobservationer. Lägg inte till något som INTE finns i texten; markera tvetydiga stycken."
Svag prompt / Stark prompt
SVAG PROMPT: "Fixa dessa borrdata."
STARK UPPMÄRKNING: "Roll: Du är en assisterande databasgeolog. I analystabellen nedan, flagga ENDAST misstänkta rader (från>=till, ppm/% misstänkt förfalskning, negativt värde, 999 istället för tomt). Ange radnummer + orsak till varje flagga. DO INTE autokorrigera; jag kommer att kontrollera korrigeringen från kolumnen(rw certifikat),(HolmID),(To Columns(Raw certifikat),(HolmID), Au(g/t). Tabell: [klistra in]."
Den svaga prompten säger till AI:en "du bestämmer och ändrar"; Den kraftfulla prompten begränsar AI till märkning och överlåter korrigeringsbefogenheter till geologen.
Jämförelsetabell: Hur man använder AI i vilken verksamhet
Quest
AI:s roll
vems beslut
verifiering
Inkonsekvensmärkning
Kraftfull webbläsare
geolog fixar
Rålogg/certifikat
Sammanslagning av litologikod
Förslag
Geolog bekräftar
Kodordbok
Kärnfotokommentar
Förhandsscreening/hypotes
Geolog/laboratorium
Manuell inspektion + analys
Betyg/malmbeslut
Ej använd
laboratorium
Ackrediterad analys
Sammanfatta loggtext
konfigurator
geolog
Jämförelse med originaltext
Vanliga misstag
- Att ha AI "autokorrigera" tabellen. Du kanske inte märker tysta förvrängningar; bara markera det.
- Betyg/malmutvinning från kärnfoto. Guld är ofta osynligt för blotta ögat; Beslutet är din analys.
- Klistra in riktiga koordinater utan att anonymisera. Licens och koordinater är känsliga uppgifter.
- Jämför inte AI-sammanfattningen med den ursprungliga loggen. AI kan lägga till en observation som inte finns i texten (hallucination).
- Ignorerar enhetsfel. ppm/%/g/t/ppb blandning stör direkt reserven.
Observera: Ett enhetsfel i borrdata finns inte kvar på en enda rad; Compositing växer och sprider sig över hela prognosen och reserven. Flit i rengöringsfasen avgör tillförlitligheten för alla efterföljande konton.
Sammanfattningsvis
Borrning/geologidata består av fyra huvudtabeller (krage, undersökning, litologi, analys) och konsistensregler är avgörande. AI är ett kraftfullt hjälpmedel vid denna datainkonsekvensskanning, kodstandardisering, loggsammanfattning och förskanning av kärnfoto. Korrigeringsbeslutet tillhör dock geologen och betyget/malmbeslutet tillhör laboratoriet. Låt AI-märket inte redigera, verifiera varje märke från råkällan och sluta aldrig betyg från bilden.
Applikationsuppgift
Anonymisera en analystabell du har (eller ett prov) och ge den till AI med mallen "Borrdatakonsistensskanning". Importera de markerade raderna till en tabell; Överväg en "att kontrolleras från råkälla"-anteckning för varje. Skapa sedan kodordboken med mallen "Lithology code standardization" och notera separat vilka grupper som AI är osäker på. Slutligen, förskanna ett kärnfoto och skriv ner vad du ska kontrollera i fältet för varje hypotes som dyker upp.
checklista
- [ ] Jag anonymiserade den faktiska koordinat-/licensinformationen innan jag gav uppgifterna till AI.
- [ ] Jag bad AI om en motiverad markering, inte en rättelse.
- [ ] Jag kontrollerade varje rad markerad mot råloggen/labcertifikatet.
- [ ] Jag verifierade också volymens konsistens (g/t, %, ppm, ppb).
- [ ] Jag betraktade kärnbilden som en hypotes, jag fattade inget betygsbeslut.
- [ ] Jag jämförde AI-sammanfattningen med den ursprungliga loggtexten för att verifiera att ingen information lagts till.