การสำรวจแร่ การสร้างแบบจำลองแร่ และการประมาณค่าทรัพยากร

กำไร:

• ความสามารถในการอธิบายการใช้ AI และการรวมข้อมูลหลายชั้นในโอกาสแร่
• ทำความเข้าใจวิธีการสร้างแบบจำลองบล็อกและการประมาณเกรดโดยใช้ธรณีสถิติ (ครีกิง วาริโอแกรม) และการเรียนรู้ของเครื่อง
• ความสามารถในการทดสอบเอาท์พุตการประมาณแหล่งที่มาด้วยการตรวจสอบข้าม ความเชื่อมั่นในการจำแนกประเภท และมาตรฐานการรายงาน

การสำรวจแร่เป็นเกมการเดิมพันที่การตัดสินใจมูลค่าหลายล้านดอลลาร์ขึ้นอยู่กับตัวอย่างการเจาะจำนวนหนึ่ง แหล่งแร่ (แหล่งแร่อังกฤษ การสะสมแร่ที่อุดมสมบูรณ์และใหญ่พอที่จะใช้ประโยชน์ได้) ถูกซ่อนอยู่ใต้พื้นที่หลายร้อยตารางกิโลเมตร และเรา "เห็น" มันเฉพาะเมื่อมีการขุดเจาะไม่บ่อยนัก เงาทางธรณีฟิสิกส์ และเครื่องหมายพื้นผิวเท่านั้น นั่นเป็นเหตุผลที่การสำรวจแร่เป็นหนึ่งในแอปพลิเคชันที่น่าตื่นเต้นที่สุดแต่ยังอันตรายที่สุดของ AI เมื่อใช้อย่างถูกต้อง จะช่วยเร่งการกำหนดเป้าหมายการสำรวจและดึงความหมายเพิ่มเติมจากข้อมูลที่กระจัดกระจาย เมื่อใช้ไม่ถูกต้องจะซ่อนเนื้อหาที่ไม่มีอยู่จริงไว้เบื้องหลังสถิติ และทำให้ทั้งนักลงทุนและสังคมเข้าใจผิด

ในหน่วยนี้ เราจะกล่าวถึงการสำรวจด้านปัญญาประดิษฐ์ที่สำคัญสองด้าน ได้แก่ การกำหนดเป้าหมายการสำรวจ (โอกาสมีแร่ธาตุ การประมาณจากข้อมูลหลายชั้นซึ่งพื้นที่มีแนวโน้มที่จะมีแหล่งสะสม) และการประมาณค่าทรัพยากร (คำนวณด้วยความมั่นใจว่าเราสามารถบอกได้ว่ามีโลหะอยู่ในแหล่งสะสมที่เจาะมากแค่ไหน) ในทั้งสองกรณี AI เป็นตัวค้นหารูปแบบที่ทรงพลัง แต่ในทั้งสองกรณี ตัวเลขสุดท้ายเป็นความรับผิดชอบของผู้มีอำนาจซึ่งได้ลงนามในมาตรฐานการรายงานระหว่างประเทศ

การกำหนดเป้าหมายการค้นหา: ฟิวชั่นข้อมูลหลายชั้น

นักธรณีวิทยาสำรวจไม่ได้ดูข้อมูลประเภทเดียว แต่ดูที่เลเยอร์ที่ซ้อนทับกัน: แผนที่ทางธรณีวิทยา รูปทรงโครงสร้าง (รอยเลื่อนและรอยพับ) ธรณีฟิสิกส์ (แม่เหล็ก แรงโน้มถ่วง ความต้านทานไฟฟ้า) ธรณีเคมี (ค่าองค์ประกอบตัวอย่างดินและลำธาร) และการเปลี่ยนแปลงที่แมปโดยการสำรวจระยะไกล แต่ละชั้นเป็นเบาะแสอันเลือนลาง สัญญาณที่แท้จริงคือจุดที่พวกเขาชี้เข้าหากัน สิ่งนี้เรียกว่าการรวมข้อมูล

ปัญญาประดิษฐ์ทำหน้าที่สองอย่างที่นี่ ขั้นแรก จะจัดเลเยอร์หลายสิบเลเยอร์บนตารางพิกัดเดียวกัน (งานเอกพจน์ น่าเบื่อ แต่มีแนวโน้มที่จะเกิดข้อผิดพลาด) ลงในตารางการวิเคราะห์เดียว ประการที่สอง เรียนรู้รูปแบบของแหล่งสะสมที่รู้จักและทำเครื่องหมายพื้นที่ใหม่ด้วยลายเซ็นที่คล้ายกัน (การเรียนรู้ภายใต้การดูแล) แต่มีกับดักที่สำคัญอยู่ที่นี่: จำนวนเตียงที่รู้จักมักจะน้อยมาก (อาจมี 5-10 เตียงในพื้นที่หนึ่ง) ดังนั้นแบบจำลองจึงจดจำได้ง่ายและล้มเหลวในพื้นที่ใหม่ นั่นเป็นสาเหตุที่เอาต์พุตการกำหนดเป้าหมายไม่ใช่รายการ "แน่ใจว่ามีอัญมณีอยู่" แต่เป็น "ลำดับความสำคัญที่ควรค่าแก่การทดสอบโดยการเจาะ"

โดยทั่วไปขั้นตอนจะเป็นดังนี้: (1) จัดตำแหน่งและทำความสะอาดเลเยอร์ (2) แปลแต่ละเลเยอร์เป็นโทเค็นที่มีความหมายตามแบบจำลองเตียง (เช่น "ระยะทางถึงจุดตัดรอยเลื่อน" "ขอบแม่เหล็กสูง") (3) ฝึกด้วยเตียงที่รู้จักหรือน้ำหนักด้วยกฎของผู้เชี่ยวชาญ (4) สร้างแผนที่ความน่าจะเป็น (5) ทดสอบพื้นที่ความน่าจะเป็นสูงสุดในสนามและด้วยวิธีที่มีต้นทุนต่ำ

เคล็ดลับ: แทนที่จะป้อนเลเยอร์ดิบเข้าไปในแบบจำลอง ให้หาเครื่องหมายที่มีความหมายทางธรณีวิทยา (“วงแหวนแม่เหล็ก + การเปลี่ยนแปลงอาร์จิลลิก + การแยกรอยเลื่อนสำหรับทองแดงพอร์ฟีรี”) ตัวบ่งชี้ที่เข้ากันได้กับรุ่นตลับลูกปืนจะให้เป้าหมายที่แข็งแกร่งมากกว่าสถิติที่ไม่เปิดเผย

ธรณีสถิติและการประมาณค่าทรัพยากร: วาริโอแกรม ไคริง และแบบจำลองบล็อก

เมื่อพบและเจาะสิ่งสะสมนี้แล้ว คำถามก็จะเปลี่ยนไป: “ที่นี่มีโลหะมากแค่ไหน และเราสามารถไว้วางใจได้มากแค่ไหน?” คำตอบจำเป็นต้องมีการประมาณค่าจากจุดเจาะตัวอย่างไปจนถึงปริมาตรหินที่ไม่ได้สุ่มตัวอย่าง เครื่องมือมาตรฐานสำหรับสิ่งนี้คือธรณีสถิติ

แนวคิดพื้นฐานคือวาริโอแกรม ซึ่งเป็นการวัดความต่อเนื่องเชิงพื้นที่ที่อธิบายว่าระดับความคล้ายคลึงกันลดลงอย่างไรเมื่อตัวอย่างสองตัวเคลื่อนตัวออกจากกันมากขึ้น ตัวอย่างใกล้เคียงจะคล้ายกัน ส่วนตัวอย่างที่อยู่ไกลจะเป็นอิสระจากกัน วาริโอแกรมจะวัดปริมาณ "ช่วงความคล้ายคลึง" นี้ Kriging เป็นวิธีการถัวเฉลี่ยถ่วงน้ำหนักที่ใช้โครงสร้างวาริโอแกรมนี้เพื่อให้เกรดทั้งค่าประมาณและความไม่แน่นอนของการประมาณการ สำหรับแต่ละบล็อกที่ไม่ได้สุ่มตัวอย่าง เงินฝากจะถูกแบ่งออกเป็นบล็อกโดยวัดด้านเป็นเมตร (โมเดลบล็อก) และแต่ละบล็อกจะถูกกำหนดเกรดและความมั่นใจ

ปัญญาประดิษฐ์เข้ามาสามจุดที่นี่ ในการสร้างแบบจำลองวาริโอแกรม จะแนะนำแบบจำลองทางเลือกและประเมินความเหมาะสม วิธีการเรียนรู้ของเครื่อง (เช่น ฟอเรสต์แบบสุ่ม การเร่งการไล่ระดับสี) สามารถบันทึกความสัมพันธ์ของเกรดที่ไม่เป็นเชิงเส้นได้ นอกเหนือจากการครีกิง และยังเร่งความเร็วในการเขียนโค้ด การตรวจสอบ และการรายงานขั้นตอนการทำงานทั้งหมดอีกด้วย แต่กฎเหล็กสองข้อยังคงที่: ความไม่แน่นอนของการประมาณค่าไม่สามารถซ่อนไว้ได้ และทรัพยากรสุดท้ายจะถูกจัดเรียงตามบุคคลที่มีความสามารถเป็นประเภทที่วัด/บ่งชี้/อนุมาน ตามมาตรฐานสากล (กรอบการทำงานสาธารณะที่สามารถตรวจสอบได้ของการรายงานทรัพยากร/ทรัพยากรสำรอง เช่น JORC, NI 43-101, PERC)

ข้อควรระวัง: โมเดลแมชชีนเลิร์นนิงอาจทำให้การเจาะเจาะ "ราบรื่น" สร้างความต่อเนื่องที่ไม่มีอยู่จริง ตัวอย่างคุณภาพสูงเพียงไม่กี่ชิ้นสามารถทำให้บล็อกทั้งหมดสมบูรณ์ (การละเลงภาษาอังกฤษ) อย่างไม่ยุติธรรม การจำกัดค่าที่สูง (การตัดด้านบน) และการควบคุมจำนวนตัวอย่างแบบบล็อกถือเป็นสิ่งสำคัญ มิฉะนั้นระวางน้ำหนักจะบวมบนกระดาษ

คดีเล็กๆ สามคดี: ตามตัวเลข

กรณีที่ 1 — การจัดลำดับความสำคัญของการกำหนดเป้าหมาย ทีมสำรวจกำลังทำงานโดยใช้งบประมาณการขุดเจาะที่จำกัดในพื้นที่ใบอนุญาต 380 ตารางกิโลเมตร แผนที่ความน่าจะเป็นที่รวมชั้นธรณีฟิสิกส์/ธรณีเคมีเจ็ดชั้นเข้าด้วยกัน มีเพียง 6% ของพื้นที่ที่มี "ลำดับความสำคัญสูง" ทีมงานสั่งการฝึกซ้อมห้าครั้งแรกในส่วนนี้ 6%; พบจุดตัดทองแดงที่สำคัญในสามจุดนั้น จุดวิกฤติ: แผนที่ไม่ได้ "พิสูจน์" แร่ โดยหาเหตุผลเข้าข้างตนเองว่าจะมุ่งเน้นไปที่งบประมาณการขุดเจาะและลดจำนวนการทดลองแบบปกปิด

กรณีที่ 2 — การจับภาพรอยเปื้อน ในการฝากทองคำหนึ่งครั้ง บล็อกแบบจำลองแรกทำให้บล็อกโดยรอบสูงเกินจริง เนื่องจากผลกระทบของการสุ่มตัวอย่างเกินครั้งเดียวที่ 78 g/t ซึ่งทำให้ประเมินทรัพยากรสูงเกินไป 14% การทำนายถูกนำมาสู่ระดับที่สมจริงด้วยการตัดด้านบน (การลดค่าที่สูงจนถึงเกณฑ์ทางสถิติ) และการควบคุมตัวอย่างที่อยู่ใกล้เคียงที่ใช้ในการตรวจสอบ QA/QC ความแตกต่างส่งผลโดยตรงต่อการตัดสินใจลงทุนมูลค่าหลายล้านดอลลาร์

กรณีที่ 3 — วินัยในการจำแนกประเภท ในโครงการเหล็ก แบบจำลองนี้ทำนายปริมาณเงินฝากทั้งหมดด้วยความมั่นใจสูง อย่างไรก็ตามความหนาแน่นของการขุดเจาะยังเบาบางมากในพื้นที่ชายขอบ ผู้มีอำนาจได้ลบปริมาตรตัวอย่างกระจัดกระจายออกจากการประเมินทางเศรษฐศาสตร์ และปรับลดระดับเป็น "อนุมาน" ดังนั้นรายงานดังกล่าวจึงหลีกเลี่ยงการพูดเกินจริงในเรื่องปริมาณสำรองที่เปิดเผยต่อสาธารณะและยังคงเป็นไปตามมาตรฐาน

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

พรอมต์ที่อ่อนแอ:

วิเคราะห์ผลผลิตการขุดเจาะและบอกว่ามีทองคำอยู่ในเงินฝากจำนวนเท่าใด[ตารางการทดสอบ]

พรอมต์อันทรงพลัง:

บทบาทของคุณ: นักธรณีสถิติทรัพยากร ให้หมายเลขแหล่งที่มาพร้อมกับข้อมูลการทดสอบสารประกอบต่อไปนี้ แทน:1) สรุปการกระจายเกรด ทำเครื่องหมายค่าผิดปกติที่เป็นไปได้และความจำเป็นในการตัดด้านบน 2) แนะนำว่าควรตรวจสอบทิศทางของวาริโอแกรมใดเพื่อความต่อเนื่องเชิงพื้นที่ 3) ระบุว่าพื้นที่ใดที่สามารถจัดประเภทเป็น "ละเว้น" ได้เนื่องจากความหนาแน่นของการเจาะต่ำ 4) ระบุแหล่งที่มา 4 ประการของความไม่แน่นอนที่อาจส่งผลต่อผลลัพธ์ ข้อมูลไม่ระบุชื่อ ไม่มีพิกัด/บริษัทที่แท้จริง

ข้อความแจ้งที่มีประสิทธิภาพช่วยป้องกันไม่ให้โมเดลสร้างหมายเลขหลอกลวงเพียงหมายเลขเดียว และเปลี่ยนให้เป็นผู้ช่วยที่จัดการคำถามที่บุคคลที่รับผิดชอบควรถาม

เทมเพลตที่คัดลอกได้สี่แบบ

1) การได้มาของโทเค็นสำหรับการรวมเลเยอร์:

แนะนำเครื่องหมายที่มีความหมายจากเลเยอร์ต่อไปนี้โดยอิงตามแบบจำลองการสำรวจทองแดงพอร์ฟีรี: แม่เหล็ก แรงโน้มถ่วง ความต้านทานไฟฟ้า ธรณีเคมีของดิน (Cu-Mo-Au) การเปลี่ยนแปลง สำหรับเครื่องหมายแต่ละตัว: ลิงก์ไปยังรูปแบบเงินฝาก แหล่งที่มาที่ทำให้เข้าใจผิดที่เป็นไปได้ และวิธีการตรวจสอบภาคสนาม ให้เป้าหมายที่ชัดเจน สร้างตรรกะลำดับความสำคัญ

2) การตรวจคัดกรอง QA/QC ล่วงหน้า:

ตรวจสอบตารางการทดสอบเพื่อดูสิ่งต่อไปนี้: ค่าลบ/เป็นไปไม่ได้ สัดส่วนของสัญญาณต่ำกว่าขีดจำกัดการตรวจจับ ความคลาดเคลื่อนของหน่วย (ppm/%/g-t) ข้อตกลงตัวอย่างซ้ำ การเบี่ยงเบนของตัวอย่างเปล่าและมาตรฐาน เพียงแสดงรายการปัญหาโดยเจาะing_id; การประเมินการแก้ไข

3) ร่างการตีความ Variogram:

ตีความผลลัพธ์ของวาริโอแกรมการทดลอง: อธิบายด้วยภาษาธรรมดาว่านักเก็ต พิสัย และธรณีหมายถึงอะไร มีอาการของแอนไอโซโทรปีหรือไม่? ทำเครื่องหมายว่าการตัดสินใจใดต้องได้รับการอนุมัติจากนักธรณีวิทยาก่อนที่จะทำไครกิ้ง ลอจิก ไม่ใช่โค้ด

4) การควบคุมการจำแนกแหล่งที่มา:

ในแบบจำลองบล็อก สำหรับแต่ละบล็อก: ความแปรปรวนครีกกิ้ง จำนวนตัวอย่างที่ใช้ในการประมาณค่าและระยะห่างไปยังหลุมเจาะที่ใกล้ที่สุด ให้โครงร่างที่สมเหตุสมผลว่าบล็อกใดเหมาะสมที่สุดกับคลาสที่วัด/แสดง/อนุมานตามตรรกะมาตรฐาน การจำแนกขั้นสุดท้ายเป็นของผู้มีอำนาจ ระบุสิ่งนี้

การเปรียบเทียบวิธีการ

วิธีการ

ทำอะไร

จุดแข็ง

ความเสี่ยงหลัก

กฎผู้เชี่ยวชาญ (ชั้นถ่วงน้ำหนัก)

จัดเรียงเป้าหมายด้วยข้อมูล

ทำงานได้โดยใช้ข้อมูลน้อย โปร่งใส

อคติของผู้เชี่ยวชาญ

การกำหนดเป้าหมาย ML ภายใต้การดูแล

เรียนรู้จากเตียงที่รู้จัก

จับภาพรูปแบบที่ซับซ้อน

การท่องจำในตัวอย่างบางส่วน

กริ๊ง

เทเนอร์ทำนายด้วยความไม่แน่นอน

มีมาตรฐาน ตรวจสอบได้

ข้อผิดพลาดของ Variogram รอยเปื้อน

การประมาณเกรด ML

ความสัมพันธ์แบบไม่เชิงเส้น

มีความยืดหยุ่น

สามารถซ่อนความไม่แน่นอน การปรับตัวมากเกินไป

การจำลอง (เช่น SGS)

สร้างสถานการณ์ความน่าจะเป็น

มองเห็นความไม่แน่นอน

มั่นใจมากเกินไปหากตีความผิด

เคล็ดลับ: เมื่อจะประมาณทรัพยากร ให้ถามช่วงและสถานการณ์มากกว่า "ตัวเลขที่ดีที่สุดเพียงตัวเดียว" สถานการณ์ในแง่ดี/คาดหวัง/ระมัดระวังสามสถานการณ์ให้พื้นฐานการตัดสินใจที่ตรงไปตรงมามากกว่าความแน่นอนที่ผิดพลาดซึ่งสร้างขึ้นจากตัวเลขเพียงตัวเดียว

ข้อผิดพลาดทั่วไป

• ทำให้ ML ท่องจำด้วยเตียงที่น้อยคนรู้จัก แบบจำลองที่ฝึกด้วยตลับลูกปืนห้าตัวนั้นไม่น่าเชื่อถือในสาขาใหม่ มองผลลัพธ์เป็นรายการลำดับความสำคัญ ไม่ใช่เป็นหลักฐาน
• ไม่จำกัดค่าสุดขีด การทดสอบที่สูงเพียงครั้งเดียว หากไม่ทำการตัดด้านบน จะทำให้บล็อกโดยรอบเพิ่มขึ้น (เปื้อน) และทำให้น้ำหนักเพิ่มขึ้นอย่างไม่ยุติธรรม
• ไม่รายงานความไม่แน่นอน การซ่อนความแปรปรวนและการจำแนกประเภทของ Kriging และการนำเสนอตัวเลขเดี่ยวนั้นขัดต่อมาตรฐานและความสมบูรณ์
• ข้ามการจำแนกประเภท การนำเสนอปริมาณตัวอย่างกระจัดกระจายในขณะที่วัดผลจะกระทบต่อการตัดสินทางเศรษฐกิจและความเชื่อมั่นของสาธารณชน
• ข้าม QA/QC ไม่มีเกรดใดที่เชื่อถือได้หากไม่มีการตรวจสอบการดริฟท์ในห้องปฏิบัติการด้วยตัวอย่างเปล่าและตัวอย่างมาตรฐาน

โดยสรุป

• การกำหนดเป้าหมายในการสำรวจจะสร้างลำดับความสำคัญในการเจาะผ่านการรวมข้อมูลหลายชั้น มันไม่ได้พิสูจน์แร่ แต่ช่วยลดการทดลองแบบปกปิด
• การประมาณค่าทรัพยากรจะประเมินเกรดด้วยความมั่นใจโดยใช้วาริโอแกรมและ kriging โมเดลบล็อกนี้สร้างขึ้นจากสิ่งนี้
• แมชชีนเลิร์นนิงมีประสิทธิภาพมาก แต่จะจดจำตัวอย่างเล็กๆ ละเลงค่าผิดปกติ และสามารถซ่อนความไม่แน่นอนได้
• การเชื่อมขั้นสุดท้ายได้รับการจำแนกและลงนามโดยผู้มีคุณสมบัติเหมาะสมที่ได้รับอนุญาตตามมาตรฐาน เช่น JORC/NI 43-101
• ค่านี้ไม่ได้เป็นตัวเลขหลอกลวงเพียงตัวเดียว ความไม่แน่นอนนี้อยู่ในลำดับความสำคัญที่ทดสอบได้และการจำแนกประเภทซึ่งมีการรายงานอย่างตรงไปตรงมา

งานสมัคร

รับตารางการทดสอบสารประกอบที่ไม่ระบุชื่อ (หรือค่าตัวแทน) ด้วยข้อความแจ้งที่มีประสิทธิภาพ ให้ถามแบบจำลองสำหรับ: ความต้องการค่าเกิน/ความต้องการด้านบน ทิศทางของกราฟวาริโอแกรม และบริเวณที่มีความหนาแน่นต่ำ แทนที่จะเป็นตัวเลขแหล่งที่มา จากนั้นให้เทมเพลต "การควบคุมการจำแนกแหล่งที่มา" สร้างแบบร่างว่าบล็อกใดจะตกอยู่ในคลาสที่เชื่อถือได้ สุดท้าย ให้สังเกตว่าแบบจำลองพยายามที่จะให้น้ำหนักเพียงตัวเดียวหรือไม่ และเขียนในประโยคเดียวว่าทำไมคุณจึงควรปฏิเสธมัน

รายการตรวจสอบ

• [ ] ฉันรู้ว่าการกำหนดเป้าหมายการสำรวจไม่ได้พิสูจน์แร่ แต่สร้างลำดับความสำคัญในการขุดเจาะ
• [ ] ฉันสามารถอธิบายได้ว่า variogram และ kriging ประมาณเกรดด้วยความไม่แน่นอนได้อย่างไร
• [ ] ฉันตระหนักถึงความเสี่ยงของรอยเปื้อน การตัดด้านบน และมูลค่าที่สูงเกินไป และพิจารณาว่าจำเป็นต้องมี QA/QC
• [ ] ฉันเข้าใจว่าทรัพยากรถูกจัดประเภทเป็นวัด/ระบุ/อนุมานตามมาตรฐานและเป็นของบุคคลที่ได้รับอนุญาต
• [ ] ฉันปรับใช้วินัยที่ต้องใช้ช่วงและสถานการณ์ความไม่แน่นอนแทนการใช้ตัวเลขตัวเดียว