Mga nadagdag:
- Kakayahang bumuo ng mga geostatistical na hakbang tulad ng compositing, variogram at kriging na may AI at mga pagpapalagay ng tanong
- Kakayahang mag-interpret ng block model, grade-tonnage curve at resource classification (sinusukat/ipinakita/na-extract) na may suporta sa AI
- Kakayahang subukan ang mga halaga ng hula at kawalan ng katiyakan na ginawa ng AI sa pamamagitan ng independiyenteng pagkalkula, cross-validation at qualified person (CP/QP) na paghatol
Ang pinakamahalagang numero para sa isang kumpanya ng pagmimina ay kung magkano at kung anong grado ng mineral ang nasa ilalim ng lupa. Ang numerong ito; Tinutukoy nito ang desisyon sa pamumuhunan, halaga ng stock market, financing ng bangko at ang buhay ng pugon. Ngunit walang sinuman ang makakasukat ng lahat ng sangkap nang paisa-isa; tanging mga kalat-kalat na punto ng pagbabarena ang nasasampol at tinatantya ang mga pagitan. Ang disiplina na naglalagay ng hulang ito sa isang siyentipikong batayan ay tinatawag na geostatistics. Ang geostatistics ay nagmomodelo kung gaano kapareho ang spatial (batay sa lokasyon sa espasyo) na data sa isa't isa at tinatantya ang mga hindi nasusukat na punto na may margin ng kawalan ng katiyakan. AI; Ito ay isang makapangyarihang tulong sa code, paghahambing ng senaryo at pagtatasa ng kawalan ng katiyakan sa mga bahagi ng prosesong ito. Gayunpaman, ito ay ang desisyon ng karampatang tao (Competent Person / CP sa JORC, Qualified Person / QP sa NI 43-101) kung aling modelo ang wasto, kung aling palagay ang katanggap-tanggap at kung paano iuuri ang mapagkukunan.
Resource at reserba: kritikal na pagkakaiba
Linawin muna natin ang dalawang termino. Yamang Mineral: Ore na maaaring makuha nang matipid batay sa heolohikal na impormasyon; Ang mga ito ay inuri bilang hinuha, ipinahiwatig at sinusukat ayon sa antas ng kumpiyansa. Reserba ng Mineral (reserba): ang bahagi ng pinagkukunang-yaman na talagang maaaring kumita sa pamamagitan ng teknikal at pang-ekonomiyang gawain (paraan ng pagmimina, kahusayan sa pasilidad, gastos, presyo ng metal); Ang mga ito ay inuri bilang malamang at napatunayan. Ang mapagkukunan ay geological, ang reserba ay pang-ekonomiya. Maaaring ipaliwanag ng AI ang mga kahulugang ito, ngunit hindi ito makapagpasya kung saang klase papabilang ang isang numero; Ito ang paghatol ng karampatang tao na tumitingin sa density ng data at kumpiyansa sa pagpapatuloy.
Hakbang-hakbang: geostatistical na daloy ng trabaho at ang lugar ng AI
- Pag-composite. Ang pagdadala ng mga pagitan ng assay ng iba't ibang laki sa pantay na haba (hal. 1 m o 2 m). AI: nagsusulat ng code, nagtatatag ng unit at weighted average na lohika; Kinokontrol mo ang resulta.
- Pagsusuri ng istatistika. Pamamahagi ng grado, outlier, capping (top-cut: nililimitahan ang napakataas na grado). AI: bumubuo ng histogram/summary statistics code; Ang geologist ang gumagawa ng desisyon sa paglalagay.
- Pagsusuri ng Variogram. Pagmomodelo ng spatial na pagpapatuloy: kung paano bumababa ang pagkakatulad habang ang mga punto ay naghihiwalay pa. Mga parameter ng range, sill at nugget. AI: nagpapaliwanag ng konsepto ng variogram, nagbibigay ng code skeleton; Bine-verify ng geostatistician ang model fit.
- Paghuhula (kriging/IDW/simulation). Pagtatalaga ng mga marka sa bawat bloke ng block model. Ang Kriging ay isang weighted estimation method batay sa variogram. AI: nagpapaliwanag ng mga pagkakaiba sa pamamaraan, bumubuo ng code; Pinipili ng eksperto ang mga parameter.
- Pagpapatunay. Cross-validation, paghahambing ng prediction-to-sample, visual inspection, smoothing control. AI: bumubuo ng mga validation graph; Ang eksperto ay gumagawa ng komento.
- Pag-uuri at pag-uulat. Resource/reserve classes, grade-tonnage curve, JORC/UMREK compatibility. AI: draft na teksto at talahanayan; Ang pirma ay pag-aari ng awtorisadong tao.
Tip: Huwag sabihin sa AI "you choose the variogram parameters". Ang saklaw at epekto ng nugget ay nakasalalay sa heolohiya ng katawan ng mineral; ang maling pagpili ay sistematikong nagpapalaki o nagpapaliit sa reserba. Gamitin ang AI bilang code at scenario generator, ipaubaya ang desisyon sa geostatistician.
Grade-tonnage curve at economic limit grade (cut-off)
Ang cut-off grade ay ang threshold na tumutukoy kung ang isang bloke ay itinuturing na ore o kalawang; ang presyo ng metal ay depende sa gastos at kahusayan ng halaman. Habang nagbabago ang limitasyon ng grado, nagbabago ang tonelada at average na grado ng reserba; Ang ugnayang ito ay ipinapakita ng grade-tonnage curve. Ang AI ay maaaring magsulat ng code na kinakalkula ang curve na ito at mabilis na ihambing ang mga sitwasyon (iba't ibang cut-off, ibang presyo ng metal). Ngunit ang pag-aakala ng gastos at presyo kung saan tinutukoy ang cut-off ay isang pang-ekonomiyang desisyon at ginawang magkasama ng technical team at management.
tatlong mini case
Kaso 1 — Pagtatapon ng kapabayaan. Sa isang proyektong ginto, ang ilang mga pagbabarena ay nagbubunga ng napakataas na grado na 120 g/t. Ang koponan krigs ang mga ito nang walang takip; Ang average na grado ay 2.4 g/t. Ang AI ay cross-validated; Ang mga pagtatantya ay aktwal na pinalaki ng napakaliit na pagbabarena, na may ilang mga bloke na itinalaga nang napakataas. Pagkatapos ng naaangkop na capping (hal. 30 g/t) bumababa ang average sa 1.7 g/t. Ang pagkakaiba ay direktang nagbabago sa pagiging posible ng proyekto. Ginawa ng AI ang pagkalkula at tsart; Ang desisyon sa antas ng capping ay ginawa ng geostatistician.
Kaso 2 — Maling saklaw. Kung ang hanay ng variogram sa isang tansong porphyry ay aktwal na 150 m ngunit ang modelo ay itinuturing na 400 m, ang mga kalat-kalat na lugar ng pagbabarena ay lilitaw na masyadong "maaasahan" at ang mga bloke na dapat ituring na inferred ay lilipat sa ipinahiwatig na klase. Natukoy ito sa isang pag-audit at ang malaking bahagi ng mapagkukunan ay na-downgrade sa isang mababang uri ng tiwala. Ang AI ay nakabuo ng variogram code, ngunit ang error ay pinalaki dahil ang hanay ay hindi nasuri ng isang eksperto; Ang aralin ay upang matiyak na ang pagkakaangkop ng modelo ay napatunayan ng isang dalubhasa.
Kaso 3 — Tamang paghahambing ng senaryo. Sa isang proyektong bakal, gustong makita ng team ang mga resulta ng grade-tonnage para sa tatlong magkakaibang cut-off (20%, 25%, 30% Fe). Sumulat sila ng script ng Python sa AI na gumagawa ng mass/volume/density logic at pagkalkula ng grade-tonnage, gamit ang sarili nilang data ng block model. Mga talahanayan ng script ng 3 sitwasyon sa mga segundo. Ang koponan ay nagpapatunay ng mga resulta sa pamamagitan ng kamay sa isang bloke at lumalakad sa pulong ng desisyon na may malinaw na tsart ng paghahambing. Pinabilis ng AI ang umuulit na pagkalkula dito; Ang data at desisyon ay pag-aari ng koponan.
Nakokopya na mga template ng prompt
COMPOSITION CODE "Tungkulin: Isa kang katulong sa geostatistics. Sumulat ng isang function na may Python + pandas na nagko-convert mula-sa-interval na data ng assay sa FIXED [1 m] composites. Mga Panuntunan: WEIGHTLY average ang grado ayon sa haba ng interval; laktawan at iulat ang mga nawawala/walang laman na pagitan; iproseso nang hiwalay batay sa hole ID. Isulat ang panimulang linya ng pag-ikli sa pagitan ng yunit sa paglagay ng komento. resulta."
VARIOGRAM CONCEPT + CODE "Ano ang variogram: ipaliwanag ang mga konsepto ng nugget, sill at range sa simpleng wika. Pagkatapos ay kalkulahin ang eksperimental na variogram sa isang direksyon at magbigay ng spherical model fitting rank code skeleton. Magdagdag ng WARNING note: range at nugget ay dapat na ekspertong pumili ayon sa geology ng ore; HUWAG PILIIN ang mga halagang ito."
GRADE-TONNAGE SCENARIO "Ang block model yield ay naglalaman ng mga sumusunod na column: [x,y,z, grade, blockvolume, density]. Sumulat ng script na kinakalkula ang kabuuang tonelada at average na grado sa bawat senaryo para sa mga sumusunod na cut-off values [0.3; 0.4; 0.5]. Tahasang bigyang-kahulugan ang density ng paghahambing at ibalik ang resulta bilang talahanayan."
CROSS-VALIDATION COMMENT "Below are the kriging cross-validation results (actual vs prediction). Comment on: mayroon bang systematic bias, oversmoothing ba ang predictions, sa anong grade range ang deviation malaki? HUWAG gumawa ng matatag na desisyon; imungkahi kung aling parameter ang dapat suriin ng geostatistician. Data: [i-paste]."
Mahinang prompt / Malakas na prompt
WEAK PROMPT: "Kalkulahin ang reserba para sa proyektong ito."
MALAKAS NA PROMPT: "Tungkulin: Ikaw ang geostatistics assistant. Ibibigay ko sa iyo ang sarili kong block model at variogram na mga parameter. Mag-set up ng Python flow na may mga interpreted units at mga pagpapalagay na gumagawa ng kriging estimation + cross-validation + grade-tonnage curve. PUMILI ng mga parameter; gamitin ang sa akin. Gumawa ng tala sa dulo ng ulat at naaprubahan ng P na tao ang dapat na nauuri ayon sa Q/Q na mga resulta. JORC/UMREK."
Talahanayan ng paghahambing: pamamaraan at papel ng AI
hakbang
Layunin
tungkulin ng AI
Paghuhusga ng dalubhasa
Pag-composite
Pantay na haba ng suporta
Code + kontrol
Composite size
Pagta-cap
Outlier na limitasyon
Graph/istatistika
Antas ng takip
variogram
spatial na pagpapatuloy
Konsepto + code
Pagpili ng hanay/nugget
kriging
I-block ang hula
Code + stream
Parameter + pamamaraan
Pag-uuri
Antas ng tiwala
draft na teksto
JORC/UMREK paghatol
Mga karaniwang pagkakamali
- Nilaktawan ang capping. Ang ilang mga bonanza ay nagpapalaki sa average na halaga at nakareserba.
- Ang pagkakaroon ng mga variogram na parameter na pinili ng AI. Ang saklaw/nugget ay depende sa heolohiya; Ang maling pagpili ay sistematikong nakakagambala sa reserba.
- Nakalilito ang mga mapagkukunan sa mga reserba. Ang mapagkukunan ay geological, ang reserba ay pang-ekonomiya; Ang mga klase ay hindi mapapalitan.
- Hindi pinapansin ang pagpapakinis. Maaaring lumambot nang labis ang tenor ng Kriging; Binabawasan nito ang mataas na tenor at pinalalaki ang mababang tenor.
- Pag-uulat ng klasipikasyon nang walang pag-apruba ng karampatang tao. Ang JORC/UMREK ay may bisa lamang sa pirma ng isang awtorisadong tao.
Pansin: Ang reserbang numero ay isang opisyal na deklarasyon na isiniwalat sa stock exchange, bangko at mamumuhunan. Walang intermediate na resulta na ginawa ng AI ang maaaring maging opisyal na reserba/resource declaration nang walang independiyenteng pagsusuri at pirma ng isang karampatang tao (CP/QP).
Sa buod
Ang geostatistics ay ang disiplina ng pagtantya sa buong katawan ng mineral na may kawalang-katiyakan mula sa kalat-kalat na pagbabarena: compositing, capping, variogram, kriging, verification at classification. Sa stream na ito, malakas ang AI sa coding, paghahambing ng senaryo, pagkalkula ng grade-tonnage at verification graphics. Ngunit ang mga parameter ng variogram, capping level at resource/reserve classification ay mga desisyon ng eksperto at ang opisyal na deklarasyon ay nangangailangan ng lagda ng karampatang tao. Ang mapagkukunan ay geological, ang reserba ay pang-ekonomiya; Huwag kailanman malabo ang pagkakaibang ito.
Gawain ng aplikasyon
Gumawa ng tonnage at average na mga talahanayan ng grado para sa tatlong magkakaibang cut-off gamit ang template na "Grade-tonnage scenario" na may sample (o sarili mong) pinagsama-samang grade data. Pagkatapos ay ipakahulugan sa AI ang isang kriging na resulta gamit ang template na “Cross-validation interpretation” at ilista kung aling mga parameter ang nangangailangan ng pagsusuri ng eksperto. Panghuli, ipapaliwanag sa AI ang pagkakaiba sa pagitan ng mapagkukunan at reserba at mga antas ng kumpiyansa sa pag-uuri sa iyong sariling mga salita at suriin ang katumpakan nito laban sa opisyal na kahulugan ng code.
checklist
- [ ] Tinukoy ko ang composite size at unit assumptions, hindi ko ito iniwan sa AI.
- [ ] Ginawa ng geologist/geostatistician ang capping decision para sa mga extreme value.
- [ ] Sinuri ng eksperto ang hanay ng Variogram at halaga ng nugget.
- [ ] Sinubukan ko ang resulta ng Kriging gamit ang cross-validation at visual inspection.
- [ ] Gumamit ako ng mga resource at reserve class nang tama at hiwalay.
- [ ] Nabanggit ko sa ulat na ang pag-apruba ng karampatang tao (CP/QP) ay kinakailangan para sa opisyal na deklarasyon.