లాభాలు:
- మినరల్ ప్రాస్పెక్టివిటీలో AI మరియు బహుళ-పొర డేటా కలయికను వివరించే సామర్థ్యం
- జియోస్టాటిస్టిక్స్ (క్రిగింగ్, వేరియోగ్రామ్) మరియు మెషిన్ లెర్నింగ్ ఉపయోగించి బ్లాక్ మోడల్ మరియు గ్రేడ్ అంచనాను ఎలా తయారు చేయాలో అర్థం చేసుకోవడం.
- క్రాస్ ధ్రువీకరణ, వర్గీకరణ విశ్వాసం మరియు రిపోర్టింగ్ ప్రమాణాలతో మూలాధార అంచనా అవుట్పుట్లను పరీక్షించగల సామర్థ్యం
ప్రోస్పెక్టింగ్ అనేది బెట్టింగ్ గేమ్, ఇక్కడ కొన్ని డ్రిల్ నమూనాల ఆధారంగా బహుళ-మిలియన్ డాలర్ల నిర్ణయాలు ఉంటాయి. ఖనిజ నిక్షేపం (ఇంగ్లీష్ ధాతువు నిక్షేపం; ఖనిజ సంచితం సమృద్ధిగా మరియు దోపిడీకి తగినట్లుగా పెద్దది) వందల చదరపు కిలోమీటర్ల విస్తీర్ణంలో దాచబడింది మరియు మేము దానిని అరుదుగా డ్రిల్లింగ్లు, జియోఫిజికల్ షాడోలు మరియు ఉపరితల గుర్తులతో మాత్రమే "చూస్తాము". అందుకే ఖనిజ అన్వేషణ అనేది AI యొక్క అత్యంత ఉత్తేజకరమైన మరియు అత్యంత ప్రమాదకరమైన అనువర్తన ప్రాంతాలలో ఒకటి: సరిగ్గా ఉపయోగించినప్పుడు, ఇది అన్వేషణ లక్ష్యాన్ని వేగవంతం చేస్తుంది మరియు అరుదైన డేటా నుండి మరింత అర్థాన్ని సంగ్రహిస్తుంది; తప్పుగా ఉపయోగించినప్పుడు, ఇది గణాంకాల వెనుక ఉనికిలో లేని పదార్థాన్ని దాచిపెడుతుంది మరియు పెట్టుబడిదారులను మరియు సమాజాన్ని తప్పుదారి పట్టిస్తుంది.
ఈ యూనిట్లో, అన్వేషణకు సంబంధించిన రెండు ప్రధాన కృత్రిమ మేధస్సు అంశాలను మేము కవర్ చేస్తాము: అన్వేషణ లక్ష్యం (ఖనిజ ప్రాస్పెక్టివిటీ; బహుళ-లేయర్డ్ డేటా నుండి ఏ ప్రాంతంలో డిపాజిట్ ఉండే అవకాశం ఉందో అంచనా వేయడం) మరియు వనరుల అంచనా (డ్రిల్ చేసిన డిపాజిట్లో ఎంత మెటల్ ఉందో మనం ఏ నమ్మకంతో చెప్పగలమో లెక్కించడం). రెండింటిలోనూ, AI ఒక శక్తివంతమైన నమూనా ఫైండర్; కానీ రెండు సందర్భాల్లో, అంతర్జాతీయ రిపోర్టింగ్ ప్రమాణాలపై సంతకం చేసిన సమర్థ వ్యక్తి యొక్క తుది వ్యక్తి బాధ్యత.
శోధన లక్ష్యం: బహుళ-లేయర్డ్ డేటా ఫ్యూజన్
అన్వేషణ భూవిజ్ఞాన శాస్త్రవేత్త ఒకే రకమైన డేటాను కాకుండా అతివ్యాప్తి చేసిన పొరలను చూస్తారు: జియోలాజికల్ మ్యాప్, స్ట్రక్చరల్ ఆకృతులు (ఫాల్ట్లు మరియు ఫోల్డ్లు), జియోఫిజిక్స్ (మాగ్నెటిక్, గ్రావిటీ, రెసిస్టివిటీ), జియోకెమిస్ట్రీ (నేల మరియు ప్రవాహ నమూనా మూలకం విలువలు) మరియు రిమోట్ సెన్సింగ్ ద్వారా మ్యాప్ చేయబడిన మార్పు. ప్రతి పొర ఒక మందమైన క్లూ; అసలు సంకేతం ఏమిటంటే అవి ఎక్కడ కలిసి ఉంటాయి. దీనినే డేటా ఫ్యూజన్ అంటారు.
ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ఇక్కడ రెండు పనులు చేస్తుంది. మొదట, ఇది డజన్ల కొద్దీ లేయర్లను ఒకే కోఆర్డినేట్ గ్రిడ్లో (ఏకవచనం, దుర్భరమైన కానీ లోపం సంభవించే పని) ఒకే విశ్లేషణ పట్టికగా సమలేఖనం చేస్తుంది. రెండవది, ఇది తెలిసిన డిపాజిట్ల చుట్టూ ఉన్న నమూనాను నేర్చుకుంటుంది మరియు అదే సంతకంతో (పర్యవేక్షించబడిన అభ్యాసం) కొత్త ప్రాంతాలను సూచిస్తుంది. కానీ ఇక్కడ ఒక క్లిష్టమైన ఉచ్చు ఉంది: తెలిసిన పడకల సంఖ్య తరచుగా చాలా తక్కువగా ఉంటుంది (బహుశా ఒక ప్రాంతంలో 5-10 పడకలు), కాబట్టి మోడల్ సులభంగా గుర్తుంచుకుంటుంది మరియు కొత్త ప్రాంతాల్లో విఫలమవుతుంది. అందుకే టార్గెటింగ్ అవుట్పుట్ అనేది "ఖచ్చితంగా రత్నం ఉంది" జాబితా కాదు, కానీ "డ్రిల్లింగ్ ద్వారా పరీక్షించదగిన ప్రాధాన్యతా క్రమం".
దశలు సాధారణంగా క్రింది విధంగా ఉంటాయి: (1) లేయర్లను సమలేఖనం చేయడం మరియు శుభ్రపరచడం, (2) బెడ్ మోడల్ ఆధారంగా ప్రతి లేయర్ను అర్ధవంతమైన టోకెన్గా అనువదించండి (ఉదా. “ఫాల్ట్ ఖండనకు దూరం”, “మాగ్నెటిక్ హై ఎడ్జ్”), (3) తెలిసిన బెడ్లు లేదా బరువుతో కూడిన రైలు, నిపుణుల నియమంతో, (4) సంభావ్యత మ్యాప్ను రూపొందించండి, (5) ఫీల్డ్లో అత్యధిక సంభావ్యత పద్ధతులను పరీక్షించండి.
చిట్కా: మోడల్లో లేయర్లను పచ్చిగా ఫీడ్ చేయడానికి బదులుగా, భౌగోళికంగా అర్థవంతమైన మార్కర్లను పొందండి (“మాగ్నెటిక్ రింగ్ + ఆర్గిలిక్ మార్పు + పోర్ఫిరీ కాపర్ కోసం ఫాల్ట్ ఇంటర్సెక్షన్”). బేరింగ్ మోడల్కు అనుకూలమైన సూచికలు బ్లైండ్ గణాంకాల కంటే చాలా బలమైన లక్ష్యాలను ఉత్పత్తి చేస్తాయి.
జియోస్టాటిస్టిక్స్ మరియు రిసోర్స్ ఎస్టిమేషన్: వేరియోగ్రామ్, క్రిగింగ్ మరియు బ్లాక్ మోడల్
డిపాజిట్ కనుగొని, డ్రిల్లింగ్ చేసిన తర్వాత, ప్రశ్న మారుతుంది: "ఇక్కడ ఎంత మెటల్ ఉంది మరియు మనం దానిని ఎంతవరకు విశ్వసించగలం?" సమాధానానికి మాదిరి డ్రిల్ పాయింట్ల నుండి నమూనా లేని రాక్ వాల్యూమ్కు ఎక్స్ట్రాపోలేషన్ అవసరం. దీనికి ప్రామాణిక సాధనం జియోస్టాటిస్టిక్స్.
ప్రాథమిక భావన వేరియోగ్రామ్: ప్రాదేశిక కొనసాగింపు యొక్క కొలత, ఇది రెండు నమూనాలు మరింత దూరంగా కదులుతున్నప్పుడు గ్రేడ్ సారూప్యతలు ఎలా తగ్గుతాయో వివరిస్తుంది. సమీప ఉదాహరణలు సారూప్యమైనవి, సుదూరమైనవి స్వతంత్రమైనవి; వేరియోగ్రామ్ ఈ "సారూప్యత పరిధి"ని గణిస్తుంది. క్రిగింగ్ అనేది వెయిటెడ్ యావరేజ్ పద్దతి, ఇది ప్రతి నమూనా లేని బ్లాక్కు గ్రేడ్ను, అంచనా మరియు అంచనా యొక్క అనిశ్చితి రెండింటినీ అందించడానికి ఈ వేరియోగ్రామ్ నిర్మాణాన్ని ఉపయోగిస్తుంది. డిపాజిట్ అనేది మీటర్లలో (బ్లాక్ మోడల్) కొలవబడిన భుజాలతో బ్లాక్లుగా విభజించబడింది మరియు ప్రతి బ్లాక్కు ఒక గ్రేడ్ మరియు విశ్వాసం కేటాయించబడుతుంది.
ఇక్కడ మూడు పాయింట్లలో కృత్రిమ మేధస్సు వస్తుంది. వేరియోగ్రామ్ మోడలింగ్లో, ఇది ప్రత్యామ్నాయ నమూనాలను సూచిస్తుంది మరియు సరిపోతుందని అంచనా వేస్తుంది. మెషిన్ లెర్నింగ్ పద్ధతులు (ఉదా. రాండమ్ ఫారెస్ట్, గ్రేడియంట్ బూస్టింగ్) క్రిగింగ్తో పాటు నాన్లీనియర్ గ్రేడ్ సంబంధాలను క్యాప్చర్ చేయగలవు. మరియు ఇది మొత్తం వర్క్ఫ్లో కోడింగ్, తనిఖీ మరియు రిపోర్టింగ్ను వేగవంతం చేస్తుంది. కానీ రెండు ఇనుప నియమాలు స్థిరంగా ఉంటాయి: అంచనా అనిశ్చితి ఎప్పటికీ దాచబడదు మరియు అంతిమ వనరు అంతర్జాతీయ ప్రమాణాల ప్రకారం (JORC, NI 43-101, PERC వంటి వనరు/రిజర్వ్ రిపోర్టింగ్ యొక్క పబ్లిక్, ఆడిట్ చేయగల ఫ్రేమ్వర్క్లు) ప్రకారం కొలవబడిన/సూచించబడిన/ఊహించబడిన తరగతులుగా క్రమబద్ధీకరించబడుతుంది.
హెచ్చరిక: మెషిన్ లెర్నింగ్ మోడల్ డ్రిల్లింగ్ బ్రేక్లను "సున్నితంగా" చేయవచ్చు, వాస్తవంలో లేని కొనసాగింపును సృష్టిస్తుంది. కొన్ని హై-గ్రేడ్ నమూనాలు అన్యాయంగా మొత్తం బ్లాక్ను మెరుగుపరుస్తాయి (ఇంగ్లీష్ స్మెరింగ్). అధిక విలువలను (టాప్-కట్) పరిమితం చేయడం మరియు బ్లాక్ ప్రాతిపదికన నమూనాల సంఖ్యను నియంత్రించడం అవసరం; లేకపోతే టన్ను కాగితంపై ఉబ్బుతుంది.
మూడు చిన్న కేసులు: సంఖ్యల వారీగా
కేస్ 1 - టార్గెటింగ్ ప్రాధాన్యత. 380 కిమీ² లైసెన్స్ ప్రాంతంలో పరిమిత డ్రిల్లింగ్ బడ్జెట్తో అన్వేషణ బృందం పని చేస్తోంది. ఏడు జియోఫిజికల్/జియోకెమిస్ట్రీ లేయర్లను కలిపే సంభావ్యత మ్యాప్ 6% ప్రాంతం మాత్రమే "అధిక ప్రాధాన్యత"గా గుర్తించబడింది. బృందం ఈ 6%లో మొదటి ఐదు కసరత్తులను నిర్దేశించింది; వాటిలో మూడింటిలో ముఖ్యమైన రాగి ఖండనలను కనుగొన్నారు. క్లిష్టమైన పాయింట్: మ్యాప్ ధాతువును "రుజువు" చేయలేదు, డ్రిల్లింగ్ బడ్జెట్ను ఎక్కడ కేంద్రీకరించాలో హేతుబద్ధీకరించబడింది మరియు బ్లైండ్ ట్రయల్స్ సంఖ్యను తగ్గించింది.
కేస్ 2 - స్మెరింగ్ క్యాప్చర్. ఒక బంగారు డిపాజిట్ వద్ద, మొదటి బ్లాక్ మోడల్ 78 g/t యొక్క ఒకే ఓవర్శాంపుల్ ప్రభావం కారణంగా చుట్టుపక్కల బ్లాక్లను పెంచింది, వనరును 14% ఎక్కువగా అంచనా వేసింది. QA/QC సమీక్షలో వర్తించే టాప్-కట్ (అధిక విలువను గణాంక థ్రెషోల్డ్కు తగ్గించడం) మరియు పొరుగున ఉన్న నమూనా నియంత్రణతో అంచనా వాస్తవిక స్థాయికి తీసుకురాబడింది. వ్యత్యాసం నేరుగా బహుళ-మిలియన్ డాలర్ల పెట్టుబడి నిర్ణయాన్ని ప్రభావితం చేసింది.
కేసు 3 - వర్గీకరణ క్రమశిక్షణ. ఇనుము ప్రాజెక్ట్లో, మోడల్ మొత్తం డిపాజిట్ను అధిక విశ్వాసంతో అంచనా వేసింది; అయినప్పటికీ, ఉపాంత ప్రాంతాలలో డ్రిల్లింగ్ సాంద్రత చాలా తక్కువగా ఉంది. అధీకృత వ్యక్తి ఆర్థిక మూల్యాంకనం నుండి తక్కువ శాంపిల్ వాల్యూమ్ను తీసివేసి, దానిని "అనుమానం"కి డౌన్గ్రేడ్ చేసారు. అందువల్ల, నివేదిక బహిరంగంగా వెల్లడించిన నిల్వలలో అతిశయోక్తిని నివారించింది మరియు ప్రమాణానికి అనుగుణంగా ఉంది.
బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్
బలహీనమైన ప్రాంప్ట్:
డ్రిల్లింగ్ దిగుబడిని విశ్లేషించి, డిపాజిట్లో బంగారం ఎంత ఉందో చెప్పండి.[అస్సే టేబుల్]
శక్తివంతమైన ప్రాంప్ట్:
మీ పాత్ర: రిసోర్స్ జియోస్టాటిస్టిషియన్. కింది సమ్మేళనం పరీక్ష డేటాతో మూలాధార సంఖ్యను ఇవ్వండి. బదులుగా:1) గ్రేడ్ పంపిణీని సంగ్రహించండి; సాధ్యమయ్యే అవుట్లయర్లను గుర్తించండి మరియు టాప్-కట్ యొక్క ఆవశ్యకతను గుర్తించండి.2) ప్రాదేశిక కొనసాగింపు కోసం ఏ వేరియోగ్రామ్ దిశలను పరిశీలించాలో సూచించండి.3) తక్కువ డ్రిల్లింగ్ సాంద్రత కారణంగా "విస్మరించబడిన" ప్రాంతాలను మాత్రమే వర్గీకరించవచ్చని సూచించండి.4) ఫలితాన్ని ప్రభావితం చేసే 4 అనిశ్చితి మూలాలను జాబితా చేయండి.డేటా అనామకమైనది; అసలు కోఆర్డినేట్లు/సంస్థలు లేవు.
శక్తివంతమైన ప్రాంప్ట్ మోడల్ను ఒకే మోసపూరిత సంఖ్యను ఉత్పత్తి చేయకుండా నిరోధిస్తుంది మరియు బాధ్యత వహించే వ్యక్తి అడగవలసిన ప్రశ్నలను సరిగ్గా నిర్వహించే సహాయకుడిగా మారుస్తుంది.
నాలుగు కాపీ చేయగల టెంప్లేట్లు
1) లేయర్ ఫ్యూజన్ కోసం టోకెన్ ఉత్పన్నం:
పోర్ఫిరీ కాపర్ అన్వేషణ నమూనా ఆధారంగా కింది పొరల నుండి అర్థవంతమైన మార్కర్లను సూచించండి: అయస్కాంత, గురుత్వాకర్షణ, రెసిస్టివిటీ, నేల భూ రసాయన శాస్త్రం (Cu-Mo-Au), మార్పు. ప్రతి మార్కర్ కోసం: డిపాజిట్ మోడల్కు లింక్, తప్పుదారి పట్టించే మూలం మరియు ఫీల్డ్ వెరిఫికేషన్ పద్ధతి. ఖచ్చితమైన లక్ష్యాన్ని అందించడం; ప్రాధాన్యత తర్కాన్ని ఏర్పాటు చేయండి.
2) పరీక్ష QA/QC ప్రీ-స్క్రీనింగ్:
కింది వాటి కోసం పరీక్ష పట్టికను తనిఖీ చేయండి: ప్రతికూల/అసాధ్యమైన విలువ, గుర్తింపు పరిమితి కంటే తక్కువ సంకేతాల నిష్పత్తి, యూనిట్ వ్యత్యాసం (ppm/%/g-t), పునరావృత నమూనా ఒప్పందం, ఖాళీ మరియు ప్రామాణిక నమూనా డ్రిఫ్ట్. drilling_id ద్వారా సమస్యలను జాబితా చేయండి; మూల్యాంకనం, దిద్దుబాటు.
3) వేరియోగ్రామ్ ఇంటర్ప్రెటేషన్ డ్రాఫ్ట్:
ప్రయోగాత్మక వేరియోగ్రామ్ ఫలితాలను వివరించండి: నగెట్, రేంజ్ మరియు సిల్ అంటే ఏమిటో సాదా భాషలో వివరించండి; అనిసోట్రోపి యొక్క ఏవైనా సంకేతాలు ఉన్నాయా? క్రిగింగ్కు ముందు ఏ నిర్ణయాలకు జియాలజిస్ట్ ఆమోదం అవసరమో గుర్తించండి. లాజిక్, కోడ్ కాదు.
4) మూల వర్గీకరణ నియంత్రణ:
బ్లాక్ మోడల్లో, ప్రతి బ్లాక్కు: క్రిగింగ్ వైవిధ్యం, అంచనాలో ఉపయోగించిన నమూనాల సంఖ్య మరియు సమీప బోర్హోల్కు దూరం ఇవ్వబడ్డాయి. ప్రామాణిక తర్కం ప్రకారం కొలవబడిన/ప్రదర్శించబడిన/ఊహించిన తరగతికి ఏ బ్లాక్లు ఉత్తమంగా సరిపోతాయో సహేతుకమైన రూపురేఖలను ఇవ్వండి. చివరి వర్గీకరణ అధీకృత వ్యక్తికి చెందినది; దీనిని పేర్కొనండి.
పద్ధతుల పోలిక
పద్ధతి
ఏమి చేస్తుంది
బలమైన పాయింట్
ప్రధాన ప్రమాదం
నిపుణుల నియమం (వెయిటెడ్ లేయర్)
సమాచారంతో లక్ష్యాలను క్రమబద్ధీకరిస్తుంది
తక్కువ డేటాతో, పారదర్శకంగా పని చేస్తుంది
నిపుణుల పక్షపాతం
ML లక్ష్యాన్ని పర్యవేక్షించారు
తెలిసిన మంచం నుండి నేర్చుకుంటుంది
సంక్లిష్ట నమూనాను సంగ్రహిస్తుంది
కొన్ని ఉదాహరణలలో జ్ఞాపకం
క్రిగింగ్
టేనార్ అనిశ్చితితో అంచనా వేస్తుంది
ప్రామాణికం, ఆడిట్ చేయదగినది
వేరియోగ్రామ్ లోపం, స్మెరింగ్
ML గ్రేడ్ అంచనా
నాన్ లీనియర్ సంబంధం
అనువైనది
అనిశ్చితి, అతి-అనుకూలతను దాచవచ్చు
అనుకరణ (ఉదా. SGS)
సంభావ్యత దృశ్యాలను రూపొందిస్తుంది
అనిశ్చితిని దృశ్యమానం చేస్తుంది
తప్పుగా అర్థం చేసుకుంటే అతి విశ్వాసం
చిట్కా: వనరులను అంచనా వేసేటప్పుడు, "ఒకే ఉత్తమ సంఖ్య" కాకుండా పరిధి మరియు దృశ్యం కోసం అడగండి. మూడు ఆశావాద/ఊహించిన/జాగ్రత్తతో కూడిన దృశ్యాలు ఒకే సంఖ్య ద్వారా సృష్టించబడిన తప్పుడు నిశ్చయత కంటే నిర్ణయాధికారం కోసం చాలా నిజాయితీగల ఆధారాన్ని అందిస్తాయి.
సాధారణ తప్పులు
- అంతగా తెలియని బెడ్తో MLని గుర్తుపెట్టుకునేలా చేయడం. ఐదు బేరింగ్లతో శిక్షణ పొందిన మోడల్ కొత్త రంగంలో నమ్మదగనిది; అవుట్పుట్ను సాక్ష్యంగా కాకుండా ప్రాధాన్యతా జాబితాగా చూడండి.
- విపరీతమైన విలువలను పరిమితం చేయడం లేదు. ఒక ఎత్తైన పరీక్ష, టాప్-కటింగ్ చేయకపోతే, అన్యాయంగా చుట్టుపక్కల బ్లాక్లను మెరుగుపరుస్తుంది (స్మెర్) మరియు టన్నేజీని పెంచుతుంది.
- అనిశ్చితిని నివేదించడం లేదు. క్రిగింగ్ వ్యత్యాసాన్ని మరియు వర్గీకరణను దాచడం మరియు ఒకే బొమ్మలను ప్రదర్శించడం ప్రమాణాలు మరియు సమగ్రతకు విరుద్ధం.
- వర్గీకరణను దాటవేయడం. తక్కువ నమూనా వాల్యూమ్ను మెజర్డ్గా ప్రదర్శించడం ఆర్థిక తీర్పు మరియు ప్రజల విశ్వాసాన్ని దెబ్బతీస్తుంది.
- QA/QCని దాటవేయడం. ఖాళీ మరియు ప్రామాణిక నమూనాలతో డ్రిఫ్ట్ యొక్క ప్రయోగశాల పర్యవేక్షణ లేకుండా ఏ గ్రేడ్ నమ్మదగినది కాదు.
సారాంశంలో
- అన్వేషణ లక్ష్యం బహుళ-లేయర్డ్ డేటా ఫ్యూజన్ ద్వారా డ్రిల్లింగ్ ప్రాధాన్యతను ఉత్పత్తి చేస్తుంది; ఇది ధాతువును నిరూపించదు, ఇది బ్లైండ్ విచారణను తగ్గిస్తుంది.
- వరియోగ్రామ్లు మరియు క్రిగింగ్ని ఉపయోగించి వనరుల అంచనా గ్రేడ్ను నిశ్చయంగా అంచనా వేస్తుంది; బ్లాక్ మోడల్ దీనిపై నిర్మించబడింది.
- మెషిన్ లెర్నింగ్ శక్తివంతమైనది, కానీ ఇది చిన్న నమూనాలను గుర్తుంచుకుంటుంది, అవుట్లయర్లను స్మెర్స్ చేస్తుంది మరియు అనిశ్చితిని దాచగలదు.
- చివరి వెల్డ్ JORC/NI 43-101 వంటి ప్రమాణాల ప్రకారం అధీకృత అర్హత కలిగిన వ్యక్తిచే వర్గీకరించబడింది మరియు సంతకం చేయబడింది.
- విలువ ఒక మోసపూరిత సంఖ్యలో లేదు; అనిశ్చితి అనేది పరీక్షించదగిన ప్రాధాన్యత మరియు వర్గీకరణలో ఉంది, అది నిజాయితీగా నివేదించబడింది.
అప్లికేషన్ టాస్క్
అనామక సమ్మేళనం పరీక్ష పట్టికను (లేదా ప్రతినిధి విలువలు) స్వీకరించండి. శక్తివంతమైన ప్రాంప్ట్తో, మోడల్ను దీని కోసం అడగండి: అధిక విలువ/టాప్-కట్ అవసరం, వేరియోగ్రామ్ దిశలు మరియు సోర్స్ ఫిగర్కు బదులుగా తక్కువ సాంద్రత ప్రాంతాలు. ఆపై "సోర్స్ వర్గీకరణ నియంత్రణ" టెంప్లేట్ ఏ బ్లాక్లు ఏ ట్రస్ట్ క్లాస్లోకి వస్తాయి అనే డ్రాఫ్ట్ను రూపొందించేలా చేయండి. చివరగా, మోడల్ సింగిల్ టన్నేజ్ ఫిగర్ ఇవ్వడానికి ప్రయత్నిస్తుందో లేదో గమనించండి మరియు మీరు దానిని ఎందుకు తిరస్కరించాలో ఒక వాక్యంలో వ్రాయండి.
చెక్లిస్ట్
- [ ] అన్వేషణ లక్ష్యం ధాతువును నిరూపించదని నేను గ్రహించాను, అది డ్రిల్లింగ్ ప్రాధాన్యతను ఉత్పత్తి చేస్తుంది.
- [ ] అనిశ్చితితో వేరియోగ్రామ్ మరియు క్రిగింగ్ గ్రేడ్ ఎలా అంచనా వేస్తుందో నేను వివరించగలను.
- [ ] నేను స్మెరింగ్, టాప్-కట్ మరియు ఓవర్ వాల్యూ యొక్క ప్రమాదాలను గుర్తించాను మరియు QA/QCని తప్పనిసరి పరిగణిస్తాను.
- [ ] వనరు ప్రమాణం ప్రకారం కొలవబడిన/సూచించబడిన/ఊహించబడినదిగా వర్గీకరించబడిందని మరియు అధీకృత వ్యక్తికి చెందినదని నేను అర్థం చేసుకున్నాను.
- [ ] నేను ఒకే సంఖ్యలకు బదులుగా అనిశ్చితి పరిధులు మరియు దృశ్యాలు అవసరమయ్యే క్రమశిక్షణను అనుసరించాను.