கனிம ஆய்வு, தாது மாடலிங் மற்றும் வள மதிப்பீடு

ஆதாயங்கள்:

• கனிம நிகழ்நிலையில் AI மற்றும் பல அடுக்கு தரவு இணைவின் பயன்பாட்டை விளக்கும் திறன்
• புவிசார் புள்ளியியல் (கிரிகிங், வேரியோகிராம்) மற்றும் இயந்திர கற்றலைப் பயன்படுத்தி பிளாக் மாடல் மற்றும் கிரேடு மதிப்பீட்டை எவ்வாறு உருவாக்குவது என்பதைப் புரிந்துகொள்வது.
• குறுக்கு சரிபார்ப்பு, வகைப்படுத்தல் நம்பிக்கை மற்றும் அறிக்கையிடல் தரங்களுடன் மூல மதிப்பீட்டு வெளியீடுகளை சோதிக்கும் திறன்

ப்ராஸ்பெக்டிங் என்பது ஒரு சில துரப்பண மாதிரிகளின் அடிப்படையில் பல மில்லியன் டாலர் முடிவுகள் எடுக்கப்படும் ஒரு பந்தய விளையாட்டு ஆகும். ஒரு கனிம வைப்பு (ஆங்கில தாது வைப்பு; ஒரு கனிமக் குவிப்பு வளமான மற்றும் சுரண்டுவதற்கு போதுமான அளவு) நூற்றுக்கணக்கான சதுர கிலோமீட்டர் பரப்பளவில் மறைந்துள்ளது, மேலும் நாம் அதை அரிதாக துளையிடுதல்கள், புவி இயற்பியல் நிழல்கள் மற்றும் மேற்பரப்பு குறிப்பான்களுடன் மட்டுமே "பார்க்கிறோம்". அதனால்தான் கனிம ஆய்வு AI இன் மிகவும் உற்சாகமான ஆனால் மிகவும் ஆபத்தான பயன்பாட்டுப் பகுதிகளில் ஒன்றாகும்: சரியாகப் பயன்படுத்தினால், அது ஆய்வு இலக்கை விரைவுபடுத்துகிறது மற்றும் அரிதான தரவுகளிலிருந்து அதிக அர்த்தத்தைப் பிரித்தெடுக்கிறது; தவறாகப் பயன்படுத்தினால், அது புள்ளி விவரங்களுக்குப் பின்னால் இல்லாத பொருளை மறைத்து முதலீட்டாளர்களையும் சமூகத்தையும் தவறாக வழிநடத்துகிறது.

இந்த அலகில், ஆய்வின் இரண்டு முக்கிய செயற்கை நுண்ணறிவு அம்சங்களை நாங்கள் உள்ளடக்குவோம்: ஆய்வு இலக்கு (கனிம வாய்ப்பு; பல அடுக்கு தரவுகளிலிருந்து எந்த பகுதியில் வைப்புத்தொகை இருக்கக்கூடும் என்று மதிப்பிடுதல்) மற்றும் ஆதார மதிப்பீடு (துளையிடப்பட்ட வைப்புத்தொகையில் எவ்வளவு உலோகம் உள்ளது என்பதை எந்த நம்பிக்கையுடன் கணக்கிடுவது). இரண்டிலும், AI ஒரு சக்திவாய்ந்த பேட்டர்ன் ஃபைண்டர் ஆகும்; ஆனால் இரண்டு சந்தர்ப்பங்களிலும், சர்வதேச அறிக்கை தரநிலைகளில் கையெழுத்திட்ட திறமையான நபரின் இறுதி எண்ணிக்கை.

தேடல் இலக்கு: பல அடுக்கு தரவு இணைவு

புவியியல் வரைபடம், கட்டமைப்பு வரையறைகள் (தவறுகள் மற்றும் மடிப்புகள்), புவி இயற்பியல் (காந்தம், ஈர்ப்பு, மின்தடை), புவி வேதியியல் (மண் மற்றும் நீரோடை மாதிரி உறுப்பு மதிப்புகள்) மற்றும் தொலைநிலை உணர்திறன் மூலம் மேப் செய்யப்பட்ட மாற்றம்: ஒரு ஆய்வு புவியியலாளர் ஒரு வகை தரவுகளை அல்ல ஆனால் மேலடுக்கு அடுக்குகளில் பார்க்கிறார். ஒவ்வொரு அடுக்கும் ஒரு மங்கலான துப்பு; அவர்கள் ஒன்றாகச் சுட்டிக்காட்டுவதுதான் உண்மையான சமிக்ஞை. இது தரவு இணைவு எனப்படும்.

செயற்கை நுண்ணறிவு இங்கு இரண்டு வேலைகளை செய்கிறது. முதலாவதாக, இது டஜன் கணக்கான அடுக்குகளை ஒரே ஒருங்கிணைப்பு கட்டத்தில் (ஒரு ஒற்றை, கடினமான ஆனால் பிழை ஏற்படக்கூடிய பணி) ஒரு பகுப்பாய்வு அட்டவணையில் சீரமைக்கிறது. இரண்டாவதாக, இது அறியப்பட்ட வைப்புகளைச் சுற்றியுள்ள வடிவத்தைக் கற்றுக்கொள்கிறது மற்றும் புதிய பகுதிகளை ஒத்த கையொப்பத்துடன் (மேற்பார்வைக் கற்றல்) குறிக்கிறது. ஆனால் இங்கே ஒரு முக்கியமான பொறி உள்ளது: அறியப்பட்ட படுக்கைகளின் எண்ணிக்கை பெரும்பாலும் மிகச் சிறியதாக இருக்கும் (ஒரு பகுதியில் 5-10 படுக்கைகள் இருக்கலாம்), எனவே மாதிரி எளிதாக நினைவில் வைத்து புதிய பகுதிகளில் தோல்வியடைகிறது. அதனால்தான் இலக்கு வெளியீடு "நிச்சயமான ரத்தினம் உள்ளது" பட்டியல் அல்ல, மாறாக "துளையிடுவதன் மூலம் சோதிக்கத் தகுந்த முன்னுரிமை" ஆகும்.

படிகள் பொதுவாக பின்வருமாறு: (1) அடுக்குகளை சீரமைத்து சுத்தம் செய்தல், (2) படுக்கை மாதிரியின் அடிப்படையில் ஒவ்வொரு லேயரையும் அர்த்தமுள்ள டோக்கனாக மொழிபெயர்க்கவும் (எ.கா. “தவறான குறுக்குவெட்டுக்கான தூரம்”, “காந்த உயர் விளிம்பு”), (3) தெரிந்த படுக்கைகள் அல்லது எடையுடன் கூடிய ரயில், (4) நிகழ்தகவு வரைபடத்தை உருவாக்கவும், (5) நிகழ்தகவு வரைபடத்தை உருவாக்கவும், (5) புலத்தில் அதிக நிகழ்தகவு முறைகள்.

உதவிக்குறிப்பு: மாதிரியில் லேயர்களை பச்சையாக ஊட்டுவதற்குப் பதிலாக, புவியியல் ரீதியாக அர்த்தமுள்ள குறிப்பான்களைப் பெறவும் (“காந்த வளையம் + ஆர்கிலிக் மாற்றம் + போர்பிரி தாமிரத்திற்கான தவறு குறுக்குவெட்டு”). குருட்டு புள்ளிவிவரங்களை விட தாங்கி மாதிரியுடன் இணக்கமான குறிகாட்டிகள் மிகவும் வலுவான இலக்குகளை உருவாக்குகின்றன.

புவியியல் மற்றும் ஆதார மதிப்பீடு: வேரியோகிராம், கிரிகிங் மற்றும் பிளாக் மாடல்

வைப்பு கண்டுபிடிக்கப்பட்டு துளையிடப்பட்டவுடன், கேள்வி மாறுகிறது: "இங்கே எவ்வளவு உலோகம் உள்ளது, அதை நாம் எவ்வளவு நம்பலாம்?" பதிலுக்கு மாதிரி துரப்பணப் புள்ளிகளிலிருந்து மாதிரியற்ற பாறைத் தொகுதிக்கு எக்ஸ்ட்ராபோலேஷன் தேவைப்படுகிறது. இதற்கான நிலையான கருவி புவிசார் புள்ளியியல் ஆகும்.

அடிப்படைக் கருத்து வேரியோகிராம்: இரண்டு மாதிரிகள் மேலும் விலகிச் செல்லும்போது தர ஒற்றுமைகள் எவ்வாறு குறைகின்றன என்பதை விவரிக்கும் இடஞ்சார்ந்த தொடர்ச்சியின் அளவீடு. அருகிலுள்ள எடுத்துக்காட்டுகள் ஒத்தவை, தொலைதூரவை சுயாதீனமானவை; வேரியோகிராம் இந்த "ஒற்றுமை வரம்பை" அளவிடுகிறது. கிரிகிங் என்பது எடையிடப்பட்ட சராசரி முறையாகும், இது மாதிரியற்ற ஒவ்வொரு தொகுதிக்கும் மதிப்பீட்டின் மதிப்பீடு மற்றும் நிச்சயமற்ற தன்மை ஆகிய இரண்டையும் தருவதற்கு இந்த வேரியோகிராம் கட்டமைப்பைப் பயன்படுத்துகிறது. வைப்புத்தொகை மீட்டரில் அளவிடப்பட்ட பக்கங்களைக் கொண்ட தொகுதிகளாகப் பிரிக்கப்பட்டுள்ளது (பிளாக் மாடல்), மேலும் ஒவ்வொரு தொகுதிக்கும் ஒரு தரம் மற்றும் நம்பிக்கை ஒதுக்கப்படுகிறது.

செயற்கை நுண்ணறிவு மூன்று புள்ளிகளில் வருகிறது. வேரியோகிராம் மாடலிங்கில், இது மாற்று மாதிரிகளை பரிந்துரைக்கிறது மற்றும் பொருத்தத்தை மதிப்பிடுகிறது. இயந்திர கற்றல் முறைகள் (எ.கா. சீரற்ற காடு, சாய்வு அதிகரிப்பு) கிரிகிங்குடன் கூடுதலாக நேரியல் தர உறவுகளைப் பிடிக்க முடியும். மேலும் இது முழு பணிப்பாய்வுகளின் குறியீட்டு, சரிபார்ப்பு மற்றும் அறிக்கையிடலை விரைவுபடுத்துகிறது. ஆனால் இரண்டு இரும்பு விதிகள் மாறாமல் உள்ளன: மதிப்பீட்டின் நிச்சயமற்ற தன்மையை ஒருபோதும் மறைக்க முடியாது, மேலும் இறுதி ஆதாரமானது சர்வதேச தரநிலைகளின்படி (JORC, NI 43-101, PERC போன்ற வளங்கள்/இருப்பு அறிக்கையின் பொது, தணிக்கை கட்டமைப்புகள்) அளவிடப்பட்ட/குறிக்கப்பட்ட/ஊகிக்கப்பட்ட வகுப்புகளாக தகுதியான நபரால் வரிசைப்படுத்தப்படும்.

எச்சரிக்கை: இயந்திரக் கற்றல் மாதிரியானது துளையிடல் இடைவெளிகளை "மென்மையாக்கலாம்", உண்மையில் இல்லாத தொடர்ச்சியை உருவாக்குகிறது. ஒரு சில உயர்தர மாதிரிகள் ஒரு முழு தொகுதியையும் நியாயமற்ற முறையில் வளப்படுத்தலாம் (ஆங்கில ஸ்மியர்). உயர் மதிப்புகளைக் கட்டுப்படுத்துதல் (டாப்-கட்) மற்றும் தொகுதி அடிப்படையில் மாதிரிகளின் எண்ணிக்கையைக் கட்டுப்படுத்துவது அவசியம்; இல்லையெனில் காகிதத்தில் டன்னேஜ் வீங்கும்.

மூன்று சிறிய வழக்குகள்: எண்கள் மூலம்

வழக்கு 1 - இலக்கு முன்னுரிமை. ஒரு ஆய்வுக் குழு 380 கிமீ² உரிமப் பகுதியில் வரையறுக்கப்பட்ட துளையிடல் பட்ஜெட்டில் பணிபுரிந்தது. ஏழு புவி இயற்பியல்/புவி வேதியியல் அடுக்குகளை இணைக்கும் நிகழ்தகவு வரைபடம் 6% பகுதியை மட்டுமே "அதிக முன்னுரிமை" எனக் குறித்தது. குழு முதல் ஐந்து பயிற்சிகளை இந்த 6%க்குள் செலுத்தியது; அவற்றில் மூன்றில் குறிப்பிடத்தக்க செப்பு வெட்டுக்களைக் கண்டறிந்தது. முக்கியமான புள்ளி: வரைபடம் தாதுவை "நிரூபிக்கவில்லை", துளையிடும் பட்ஜெட்டில் எங்கு கவனம் செலுத்துவது மற்றும் குருட்டு சோதனைகளின் எண்ணிக்கையை குறைத்தது.

வழக்கு 2 - ஸ்மியரிங் பிடிப்பு. ஒரு தங்க வைப்புத்தொகையில், முதல் தொகுதி மாதிரியானது 78 g/t என்ற ஒற்றை மிகை மாதிரியின் தாக்கத்தின் காரணமாக சுற்றியுள்ள தொகுதிகளை உயர்த்தியது, வளத்தை 14% அதிகமாக மதிப்பிடுகிறது. QA/QC மதிப்பாய்வில் பயன்படுத்தப்பட்ட டாப்-கட் (புள்ளிவிவர வரம்பிற்கு அதிக மதிப்பைக் குறைத்தல்) மற்றும் அண்டை மாதிரிக் கட்டுப்பாட்டுடன் கணிப்பு யதார்த்தமான நிலைக்குக் கொண்டுவரப்பட்டது. இந்த வேறுபாடு பல மில்லியன் டாலர் முதலீட்டு முடிவை நேரடியாக பாதித்தது.

வழக்கு 3 - வகைப்படுத்தல் ஒழுக்கம். ஒரு இரும்பு திட்டத்தில், முழு வைப்புத்தொகையையும் அதிக நம்பிக்கையுடன் முன்னறிவிப்பதை மாதிரி காட்டியது; இருப்பினும், விளிம்புப் பகுதிகளில் துளையிடல் அடர்த்தி மிகவும் குறைவாகவே இருந்தது. அங்கீகரிக்கப்பட்ட நபர் பொருளாதார மதிப்பீட்டில் இருந்து குறைவான மாதிரி அளவை அகற்றி, அதை "ஊகிக்கப்பட்டது" என்று தரமிறக்கினார். எனவே, அறிக்கையானது பொதுவில் வெளியிடப்பட்ட இருப்புகளில் மிகைப்படுத்தப்படுவதைத் தவிர்த்து, தரநிலைக்கு ஏற்ப இருந்தது.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

பலவீனமான உடனடி:

துளையிடல் விளைச்சலைப் பகுப்பாய்வு செய்து, வைப்புத் தொகையில் எவ்வளவு தங்கம் உள்ளது என்பதைக் கூறவும்.

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: வள புவியியல் நிபுணர். பின்வரும் கூட்டு மதிப்பீட்டுத் தரவுகளுடன் ஒரு ஆதார எண்ணைக் கொடுங்கள். மாறாக:1) தர விநியோகத்தை சுருக்கவும்; சாத்தியமான வெளிப்புறங்கள் மற்றும் மேல் வெட்டுக்கான தேவையைக் குறிக்கவும்.2) இடஞ்சார்ந்த தொடர்ச்சிக்கு எந்தெந்த வேரியோகிராம் திசைகள் ஆராயப்பட வேண்டும் என்பதைப் பரிந்துரைக்கவும்.3) குறைந்த துளையிடல் அடர்த்தியின் காரணமாக "தவிர்க்கப்பட்ட" பகுதிகளை மட்டுமே வகைப்படுத்த முடியும் என்பதைக் குறிப்பிடவும்.4) முடிவைப் பாதிக்கக்கூடிய 4 நிச்சயமற்ற ஆதாரங்களை பட்டியலிடவும்.தரவு அநாமதேயமானது; உண்மையான ஒருங்கிணைப்புகள்/நிறுவனம் இல்லை.

சக்திவாய்ந்த ப்ராம்ட், மாடலை ஒரு ஏமாற்றும் எண்ணை உருவாக்குவதைத் தடுக்கிறது மற்றும் பொறுப்பாளர் கேட்க வேண்டிய கேள்விகளை சரியாக ஒழுங்கமைக்கும் உதவியாளராக மாற்றுகிறது.

நான்கு நகலெடுக்கக்கூடிய டெம்ப்ளேட்கள்

1) அடுக்கு இணைவுக்கான டோக்கன் வழித்தோன்றல்:

போர்பிரி செப்பு ஆய்வு மாதிரியின் அடிப்படையில் பின்வரும் அடுக்குகளிலிருந்து அர்த்தமுள்ள குறிப்பான்களைப் பரிந்துரைக்கவும்: காந்தம், ஈர்ப்பு, எதிர்ப்புத் திறன், மண் புவி வேதியியல் (Cu-Mo-Au), மாற்றம். ஒவ்வொரு மார்க்கருக்கும்: டெபாசிட் மாதிரிக்கான இணைப்பு, தவறாக வழிநடத்தக்கூடிய ஆதாரம் மற்றும் புல சரிபார்ப்பு முறை. ஒரு துல்லியமான இலக்கை வழங்குதல்; முன்னுரிமை தர்க்கத்தை நிறுவவும்.

2) மதிப்பாய்வு QA/QC ப்ரீ-ஸ்கிரீனிங்:

பின்வருவனவற்றிற்கான மதிப்பீட்டு அட்டவணையைச் சரிபார்க்கவும்: எதிர்மறை/சாத்தியமற்ற மதிப்பு, கண்டறிதல் வரம்புக்குக் கீழே உள்ள அறிகுறிகளின் விகிதம், அலகு முரண்பாடு (பிபிஎம்/%/ஜி-டி), மீண்டும் மாதிரி ஒப்பந்தம், வெற்று மற்றும் நிலையான மாதிரி சறுக்கல். drilling_id மூலம் சிக்கல்களை பட்டியலிடுங்கள்; மதிப்பீடு, திருத்தம்.

3) வேரியோகிராம் விளக்க வரைவு:

சோதனை வேரியோகிராம் முடிவுகளை விளக்கவும்: nugget, range மற்றும் sill என்றால் என்ன என்பதை எளிய மொழியில் விளக்கவும்; அனிசோட்ரோபியின் அறிகுறிகள் ஏதேனும் உள்ளதா? கிரிகிங்கிற்கு முன் எந்தெந்த முடிவுகளுக்கு புவியியலாளரின் அனுமதி தேவை என்பதைக் குறிக்கவும். தர்க்கம், குறியீடு அல்ல.

4) மூல வகைப்பாடு கட்டுப்பாடு:

தொகுதி மாதிரியில், ஒவ்வொரு தொகுதிக்கும்: கிரைஜிங் மாறுபாடு, மதிப்பீட்டில் பயன்படுத்தப்படும் மாதிரிகளின் எண்ணிக்கை மற்றும் அருகிலுள்ள ஆழ்துளை கிணற்றுக்கான தூரம் ஆகியவை கொடுக்கப்பட்டுள்ளன. நிலையான தர்க்கத்தின்படி அளவிடப்பட்ட/காட்சிப்படுத்தப்பட்ட/ஊகிக்கப்பட்ட வகுப்பிற்கு எந்தத் தொகுதிகள் மிகவும் பொருத்தமானவை என்பதன் நியாயமான அவுட்லைனைக் கொடுங்கள். இறுதி வகைப்பாடு அங்கீகரிக்கப்பட்ட நபருக்கு சொந்தமானது; இதைக் கூறவும்.

முறைகளின் ஒப்பீடு

முறை

என்ன செய்கிறது

வலுவான புள்ளி

முக்கிய ஆபத்து

நிபுணர் விதி (எடையிடப்பட்ட அடுக்கு)

தகவல்களுடன் இலக்குகளை வரிசைப்படுத்துகிறது

சிறிய தரவுகளுடன் வேலை செய்கிறது, வெளிப்படையானது

நிபுணர் சார்பு

கண்காணிக்கப்படும் ML இலக்கு

தெரிந்த படுக்கையில் இருந்து கற்றுக்கொள்கிறது

சிக்கலான வடிவத்தைப் பிடிக்கிறது

சில உதாரணங்களில் மனப்பாடம்

கிரிகிங்

டெனர் நிச்சயமற்ற தன்மையுடன் கணிக்கிறார்

தரநிலை, தணிக்கை செய்யக்கூடியது

வேரியோகிராம் பிழை, ஸ்மியர்

எம்எல் தர மதிப்பீடு

நேரியல் அல்லாத உறவு

நெகிழ்வான

நிச்சயமற்ற தன்மை, அதிகப்படியான தழுவல் ஆகியவற்றை மறைக்க முடியும்

உருவகப்படுத்துதல் (எ.கா. SGS)

நிகழ்தகவு காட்சிகளை உருவாக்குகிறது

நிச்சயமற்ற தன்மையைக் காட்சிப்படுத்துகிறது

தவறாகப் புரிந்து கொண்டால் அதீத நம்பிக்கை

உதவிக்குறிப்பு: ஆதாரங்களை மதிப்பிடும்போது, "ஒற்றை சிறந்த எண்ணை" விட வரம்பையும் காட்சியையும் கேட்கவும். மூன்று நம்பிக்கையான/எதிர்பார்க்கப்படும்/எச்சரிக்கையான காட்சிகள் ஒற்றை எண்ணால் உருவாக்கப்பட்ட தவறான உறுதியை விட முடிவெடுப்பதற்கு மிகவும் நேர்மையான அடிப்படையை வழங்குகின்றன.

பொதுவான தவறுகள்

• அதிகம் அறியப்படாத படுக்கையுடன் ML-ஐ மனப்பாடம் செய்யச் செய்தல். ஐந்து தாங்கு உருளைகளுடன் பயிற்சியளிக்கப்பட்ட ஒரு மாதிரி புதிய துறையில் நம்பகத்தன்மையற்றது; வெளியீட்டை ஒரு முன்னுரிமைப் பட்டியலாகப் பார்க்கவும், ஆதாரமாக அல்ல.
• தீவிர மதிப்புகளை கட்டுப்படுத்தவில்லை. ஒரு உயர் மதிப்பீடு, மேல்-வெட்டுதல் செய்யப்படாவிட்டால், சுற்றியுள்ள தொகுதிகளை நியாயமற்ற முறையில் செழுமைப்படுத்தி (ஸ்மியர்) டன்னேஜை உயர்த்தும்.
• நிச்சயமற்ற தன்மையைப் புகாரளிக்கவில்லை. கிரிகிங் மாறுபாடு மற்றும் வகைப்படுத்தலை மறைத்து, ஒற்றை புள்ளிவிவரங்களை வழங்குவது தரநிலைகள் மற்றும் நேர்மைக்கு எதிரானது.
• வகைப்பாட்டைத் தவிர்க்கிறது. அளவீடு செய்யப்பட்ட அளவீடுகளின் மாதிரி அளவை வழங்குவது பொருளாதாரத் தீர்ப்பையும் பொதுமக்களின் நம்பிக்கையையும் சமரசம் செய்கிறது.
• QA/QC ஐத் தவிர்க்கிறது. வெற்று மற்றும் நிலையான மாதிரிகள் கொண்ட சறுக்கல் ஆய்வக கண்காணிப்பு இல்லாமல் எந்த தரமும் நம்பகமானதாக இருக்காது.

சுருக்கமாக

• ஆய்வு இலக்கு பல அடுக்கு தரவு இணைவு மூலம் துளையிடல் முன்னுரிமையை உருவாக்குகிறது; இது தாதுவை நிரூபிக்கவில்லை, குருட்டு சோதனையை குறைக்கிறது.
• வேரியோகிராம்கள் மற்றும் கிரிகிங்கைப் பயன்படுத்தி ஆதார மதிப்பீடு தரத்தை உறுதியாக மதிப்பிடுகிறது; தொகுதி மாதிரி இதில் கட்டப்பட்டுள்ளது.
• இயந்திரக் கற்றல் சக்தி வாய்ந்தது, ஆனால் அது சிறிய மாதிரிகளை மனப்பாடம் செய்கிறது, வெளிப்புறங்களில் தடவி, நிச்சயமற்ற தன்மையை மறைக்க முடியும்.
• இறுதி பற்றவைப்பு JORC/NI 43-101 போன்ற தரநிலைகளின்படி அங்கீகரிக்கப்பட்ட தகுதியுள்ள நபரால் வகைப்படுத்தப்பட்டு கையொப்பமிடப்படுகிறது.
• மதிப்பு ஒரு ஏமாற்றும் எண்ணில் இல்லை; நிச்சயமற்ற தன்மை சோதனைக்குரிய முன்னுரிமை மற்றும் வகைப்படுத்தலில் உள்ளது, அது நேர்மையாகப் புகாரளிக்கப்படுகிறது.

விண்ணப்ப பணி

அநாமதேய கலவை மதிப்பீட்டு அட்டவணையைப் பெறவும் (அல்லது பிரதிநிதி மதிப்புகள்). சக்திவாய்ந்த ப்ராம்ட் மூலம், மாதிரியைக் கேட்கவும்: அதிக மதிப்பு/மேல்-வெட்டு தேவை, வேரியோகிராம் திசைகள் மற்றும் மூல உருவத்திற்கு பதிலாக குறைந்த அடர்த்தி பகுதிகள். பின்னர் "மூல வகைப்பாடு கட்டுப்பாடு" டெம்ப்ளேட் எந்த நம்பிக்கை வகுப்பில் எந்த தொகுதிகள் விழும் என்பதற்கான வரைவை உருவாக்க வேண்டும். இறுதியாக, மாடல் ஒற்றை டன்னேஜ் உருவத்தைக் கொடுக்க முயற்சிக்கிறதா என்பதைக் கவனித்து, அதை ஏன் நிராகரிக்க வேண்டும் என்பதை ஒரே வாக்கியத்தில் எழுதவும்.

சரிபார்ப்பு பட்டியல்

• [ ] ஆய்வு இலக்கு தாதுவை நிரூபிக்காது, அது துளையிடுதலுக்கு முன்னுரிமை அளிக்கிறது என்பதை நான் உணர்ந்தேன்.
• [ ] நிச்சயமற்ற தன்மையுடன் variogram மற்றும் kriging தரத்தை எவ்வாறு மதிப்பிட முடியும் என்பதை என்னால் விளக்க முடியும்.
• [ ] ஸ்மியர், டாப்-கட் மற்றும் அதிக மதிப்பின் அபாயங்களை நான் அங்கீகரிக்கிறேன் மற்றும் QA/QC கட்டாயமாக கருதுகிறேன்.
• [ ] ஆதாரமானது தரநிலையின்படி அளவிடப்பட்டது/குறிப்பிடப்பட்டது/ஊகிக்கப்பட்டது என வகைப்படுத்தப்பட்டுள்ளது மற்றும் அங்கீகரிக்கப்பட்ட நபருக்கு சொந்தமானது என்பதை நான் புரிந்துகொள்கிறேன்.
• ஒற்றை எண்களுக்குப் பதிலாக நிச்சயமற்ற வரம்புகள் மற்றும் காட்சிகள் தேவைப்படும் ஒரு ஒழுங்குமுறையை நான் ஏற்றுக்கொண்டேன்.