Mga nadagdag:
- Kakayahang ipaliwanag ang paggamit ng AI at multi-layer data fusion sa mineral prospectivity
- Pag-unawa kung paano gumawa ng block model at grade estimation gamit ang geostatistics (kriging, variogram) at machine learning.
- Kakayahang subukan ang mga output ng pagtatantya ng pinagmulan na may cross-validation, kumpiyansa sa pag-uuri at mga pamantayan sa pag-uulat
Ang Prospecting ay isang laro sa pagtaya kung saan ang mga multimillion-dollar na desisyon ay nakabatay sa ilang mga sample ng drill. Ang isang deposito ng mineral (Ingles ore deposito; isang akumulasyon ng mineral na mayaman at sapat na malaki upang mapagsamantalahan) ay nakatago sa ilalim ng isang lugar na daan-daang kilometro kuwadrado, at "nakikita" lamang natin ito sa mga madalang na pagbabarena, geophysical shadow at mga marker sa ibabaw. Iyon ang dahilan kung bakit ang paggalugad ng mineral ay isa sa mga pinakakapana-panabik ngunit pinaka-mapanganib din na mga lugar ng aplikasyon ng AI: kapag ginamit nang tama, pinapabilis nito ang pag-target sa paggalugad at nakakakuha ng higit na kahulugan mula sa kalat-kalat na data; Kapag ginamit nang hindi tama, nagtatago ito ng hindi umiiral na substansiya sa likod ng mga istatistika at nililinlang ang mga mamumuhunan at lipunan.
Sa unit na ito, sasakupin natin ang dalawang pangunahing aspeto ng artificial intelligence ng paggalugad: pag-target sa paggalugad (prospectivity ng mineral; pagtatantya mula sa multi-layered na data kung aling lugar ang malamang na may deposito) at pagtatantya ng mapagkukunan (kinakalkula nang may kumpiyansa ang masasabi natin kung gaano karaming metal ang nasa drilled deposit). Sa pareho, ang AI ay isang malakas na tagahanap ng pattern; Ngunit sa parehong mga kaso, ang pangwakas na bilang ay ang responsibilidad ng karampatang tao na pumirma sa internasyonal na mga pamantayan sa pag-uulat.
Pag-target sa Paghahanap: Multi-Layered Data Fusion
Ang isang exploration geologist ay hindi tumitingin sa iisang uri ng data ngunit sa mga naka-overlay na layer: geological na mapa, mga structural contour (faults at folds), geophysics (magnetic, gravity, resistivity), geochemistry (soil at stream sample element values), at pagbabagong nakamapa ng remote sensing. Ang bawat layer ay isang malabong bakas; Ang tunay na senyales ay kung saan sila tumuturo nang magkasama. Ito ay tinatawag na data fusion.
Ang artificial intelligence ay gumagawa ng dalawang trabaho dito. Una, inihanay nito ang dose-dosenang mga layer sa parehong coordinate grid (isang singular, nakakapagod ngunit madaling gawin ng error) sa isang talahanayan ng pagsusuri. Pangalawa, natutunan nito ang pattern sa paligid ng mga kilalang deposito at nagmamarka ng mga bagong lugar na may katulad na lagda (pinamamahalaang pag-aaral). Ngunit mayroong isang kritikal na bitag dito: ang bilang ng mga kilalang kama ay madalas na napakaliit (marahil 5-10 kama sa isang lugar), kaya ang modelo ay madaling kabisaduhin at nabigo sa mga bagong lugar. Iyon ang dahilan kung bakit ang output sa pag-target ay hindi isang listahan ng "siguradong umiiral na hiyas", ngunit isang "priyoridad na order na nagkakahalaga ng pagsubok sa pamamagitan ng pagbabarena."
Ang mga hakbang ay karaniwang ang mga sumusunod: (1) ihanay at linisin ang mga layer, (2) isalin ang bawat layer sa makabuluhang token batay sa modelo ng kama (hal. "distansya sa fault intersection", "magnetic high edge"), (3) tren na may alam na mga kama o timbang na may panuntunan ng eksperto, (4) gumawa ng mapa ng probabilidad, (5) subukan ang mga lugar na may pinakamataas na posibilidad sa field at may mababang gastos na mga lugar.
Tip: Sa halip na magpakain ng mga layer nang hilaw sa modelo, kumuha ng mga geolohikal na makabuluhang marker ("magnetic ring + argillic alteration + fault intersection para sa porphyry copper"). Ang mga tagapagpahiwatig na katugma sa modelo ng tindig ay gumagawa ng mas matatag na mga target kaysa sa mga bulag na istatistika.
Geostatistics at Resource Estimation: Variogram, Kriging at Block Model
Kapag ang deposito ay natagpuan at na-drill, ang tanong ay nagbabago: "Gaano karaming metal ang naririto at gaano natin ito mapagkakatiwalaan?" Ang sagot ay nangangailangan ng extrapolation mula sa mga naka-sample na drill point hanggang sa hindi na-sample na dami ng bato. Ang karaniwang tool para dito ay geostatistics.
Ang pangunahing konsepto ay ang variogram: isang sukatan ng spatial na pagpapatuloy na naglalarawan kung paano bumababa ang pagkakatulad ng grado habang ang dalawang sample ay naghihiwalay pa. Ang mga kalapit na halimbawa ay magkatulad, ang mga malalayong halimbawa ay independyente; Ang variogram ay binibilang ang "similarity range" na ito. Ang Kriging ay isang weighted average na paraan na gumagamit ng istraktura ng variogram na ito upang ibigay ang grado, ang pagtatantya at ang kawalan ng katiyakan ng pagtatantya, para sa bawat hindi naka-sample na bloke. Ang deposito ay nahahati sa mga bloke na may mga gilid na sinusukat sa metro (modelo ng bloke), at ang bawat bloke ay bibigyan ng grado at kumpiyansa.
Ang artificial intelligence ay pumapasok sa tatlong punto dito. Sa pagmomodelo ng variogram, nagmumungkahi ito ng mga alternatibong modelo at sinusuri ang akma. Ang mga pamamaraan ng machine learning (hal. random na kagubatan, gradient boosting) ay maaaring makakuha ng mga nonlinear grade na relasyon bilang karagdagan sa kriging. At pinapabilis nito ang coding, pagsuri at pag-uulat ng buong daloy ng trabaho. Ngunit ang dalawang bakal na panuntunan ay nananatiling pare-pareho: ang kawalan ng katiyakan sa pagtatantya ay hindi kailanman maitatago, at ang panghuling mapagkukunan ay pinagbubukod-bukod ng karampatang tao sa mga klaseng Measured/Indicated/Inferred ayon sa mga internasyonal na pamantayan (pampubliko, naa-audit na mga balangkas ng pag-uulat ng mapagkukunan/reserba, gaya ng JORC, NI 43-101, PERC).
Babala: Ang modelo ng machine learning ay maaaring "makinis" na mga pagbabarena, na lumilikha ng pagpapatuloy na hindi umiiral sa katotohanan. Ang ilang mga high-grade specimen ay maaaring hindi patas na magpayaman (English smearing) ng isang buong bloke. Ang paglilimita sa matataas na halaga (top-cut) at pagkontrol sa bilang ng mga sample sa isang block na batayan ay mahalaga; kung hindi, ang tonela ay lumobo sa papel.
Tatlong Mini Cases: By the Numbers
Kaso 1 — Pag-target sa priyoridad. Ang isang exploration team ay nagtatrabaho nang may limitadong badyet sa pagbabarena sa isang 380 km² na lugar ng lisensya. Ang isang mapa ng posibilidad na pinagsama ang pitong geophysical/geochemistry layer ay minarkahan lamang ang 6% ng lugar bilang "mataas na priyoridad." Itinuro ng koponan ang unang limang drills sa 6% na ito; nakakita ng makabuluhang mga interseksyon ng tanso sa tatlo sa mga ito. Ang kritikal na punto: ang mapa ay hindi "patunayan" ang mineral, rationalized kung saan itutuon ang pagbabarena badyet at binawasan ang bilang ng mga bulag na pagsubok.
Kaso 2 — Pagkuha ng Pahid. Sa isang deposito ng ginto, ang unang modelo ng bloke ay napalaki ang mga nakapalibot na bloke dahil sa epekto ng isang oversample na 78 g/t, na labis na tinantya ang mapagkukunan ng 14%. Ang hula ay dinala sa isang makatotohanang antas na may top-cut (pagbabawas ng mataas na halaga sa statistical threshold) at kalapit na sample control na inilapat sa QA/QC review. Ang pagkakaiba ay direktang nakaapekto sa isang multimillion-dollar na desisyon sa pamumuhunan.
Kaso 3 — Disiplina sa pag-uuri. Sa isang proyektong bakal, ipinakita ng modelo ang paghula sa buong deposito na may mataas na kumpiyansa; gayunpaman, ang density ng pagbabarena ay napakakalat sa mga marginal na lugar. Inalis ng awtorisadong tao ang kaunting sample na volume mula sa economic evaluation, at ibinaba ito sa "Inferred". Kaya, ang ulat ay nag-iwas sa pagmamalabis sa mga reserbang ibinunyag sa publiko at nanatiling naaayon sa pamantayan.
Mahina Prompt / Malakas na Prompt
Mahinang prompt:
Suriin ang ani ng pagbabarena at sabihin kung magkano ang ginto sa deposito.[assay table]
Napakahusay na prompt:
Ang iyong tungkulin: Resource geostatistician. MAGBIGAY NG SOURCE NUMBER na may sumusunod na data ng compound assay. Sa halip:1) Ibuod ang pamamahagi ng grado; markahan ang mga posibleng outlier at ang pangangailangan para sa isang top-cut.2) Magmungkahi kung aling mga direksyon ng variogram ang dapat suriin para sa spatial na pagpapatuloy.3) Ipahiwatig kung aling mga lugar ang maaari lamang iuri bilang "Inalis" dahil sa mababang density ng pagbabarena.4) Maglista ng 4 na pinagmumulan ng kawalan ng katiyakan na maaaring makaapekto sa resulta. Ang data ay hindi nakikilala; walang aktwal na coordinate/kumpanya.
Pinipigilan ng malakas na prompt ang modelo mula sa paggawa ng isang solong mapanlinlang na numero at ginagawa itong isang katulong na eksaktong nag-aayos ng mga tanong na dapat itanong ng taong kinauukulan.
Apat na Nakokopyang Template
1) Derivation ng token para sa layer fusion:
Magmungkahi ng mga makabuluhang marker mula sa mga sumusunod na layer batay sa porphyry copper exploration model: magnetic, gravity, resistivity, soil geochemistry (Cu-Mo-Au), alteration. Para sa bawat marker: link sa modelo ng deposito, posibleng mapanlinlang na pinagmulan, at paraan ng pag-verify ng field. Pagbibigay ng isang tiyak na target; Magtatag ng priority logic.
2) Assay QA/QC pre-screening:
Suriin ang talahanayan ng assay para sa mga sumusunod: negatibo/imposibleng halaga, proporsyon ng mga palatandaan na mas mababa sa limitasyon ng pagtuklas, pagkakaiba ng unit (ppm/%/g-t), ulitin ang sample na kasunduan, blangko at karaniwang sample drift. Ilista lamang ang mga isyu sa pamamagitan ng drilling_id; pagtatasa, pagwawasto.
3) draft ng interpretasyon ng Variogram:
Bigyang-kahulugan ang mga resulta ng eksperimentong variogram: ipaliwanag sa simpleng wika kung ano ang ibig sabihin ng nugget, range at sill; Mayroon bang anumang mga palatandaan ng anisotropy? Markahan kung aling mga desisyon ang nangangailangan ng pag-apruba ng geologist bago kriging. Logic, hindi code.
4) Kontrol sa pag-uuri ng pinagmulan:
Sa modelo ng bloke, para sa bawat bloke: kriging variance, ang bilang ng mga sample na ginamit sa pagtatantya at distansya sa pinakamalapit na borehole ay ibinigay. Magbigay ng makatwirang outline kung aling mga bloke ang pinakaangkop sa Measured/Displayed/Inferred class ayon sa karaniwang logic. Ang huling pag-uuri ay pagmamay-ari ng awtorisadong tao; sabihin ito.
Paghahambing ng mga Paraan
Pamamaraan
Ano ang ginagawa
malakas na punto
Pangunahing panganib
Panuntunan ng dalubhasa (weighted layer)
Pag-uri-uriin ang mga target na may impormasyon
Gumagana sa maliit na data, transparent
bias ng eksperto
Pinangangasiwaan ang pag-target sa ML
Natututo mula sa kilalang kama
Kinukuha ang kumplikadong pattern
Memorization sa ilang mga halimbawa
kriging
Nanghuhula ang Tenor nang walang katiyakan
Standard, naa-audit
Variogram error, pahid
pagtatantya ng grado ng ML
nonlinear na relasyon
Flexible
Maaaring itago ang kawalan ng katiyakan, labis na pag-aangkop
Simulation (hal. SGS)
Bumubuo ng mga senaryo ng posibilidad
Nakikita ang kawalan ng katiyakan
Overconfidence kung mali ang interpretasyon
Tip: Kapag tinatantya ang mga mapagkukunan, humingi ng hanay at senaryo sa halip na isang "isang pinakamahusay na numero." Ang tatlong optimistiko/inaasahan/maingat na mga senaryo ay nagbibigay ng mas matapat na batayan para sa paggawa ng desisyon kaysa sa maling katiyakan na nilikha ng isang numero.
Mga karaniwang pagkakamali
- Ginagawang kabisado ang ML gamit ang isang hindi kilalang kama. Ang isang modelo na sinanay na may limang bearings ay hindi maaasahan sa bagong larangan; tingnan ang output bilang isang listahan ng priyoridad, hindi bilang ebidensya.
- Hindi nililimitahan ang mga matinding halaga. Ang isang solong mataas na assay, kung ang top-cutting ay hindi ginawa, ay hindi patas na magpapayaman (magpapahid) sa mga nakapaligid na bloke at magpapalaki ng tonelada.
- Hindi nag-uulat ng kawalan ng katiyakan. Ang pagtatago ng pagkakaiba at pag-uuri ng Kriging at pagpapakita ng mga solong numero ay labag sa mga pamantayan at integridad.
- Nilaktawan ang pag-uuri. Ang pagpapakita ng kaunting sample na volume bilang Measured ay nakompromiso ang pang-ekonomiyang paghatol at kumpiyansa ng publiko.
- Nilaktawan ang QA/QC. Walang grade na maaasahan nang walang pagsubaybay sa laboratoryo ng drift na may blangko at karaniwang mga sample.
Sa buod
- Ang pag-target sa pag-explore ay bumubuo ng priyoridad sa pagbabarena sa pamamagitan ng multi-layered data fusion; Hindi nito pinatutunayan ang mineral, binabawasan nito ang bulag na pagsubok.
- Tinatantya ng pagtatantya ng mapagkukunan ang grado nang may katiyakan gamit ang mga variogram at kriging; Ang modelo ng bloke ay binuo dito.
- Makapangyarihan ang pag-aaral ng makina, ngunit kabisado nito ang maliliit na sample, naninira sa mga outlier, at maaaring magtago ng kawalan ng katiyakan.
- Ang panghuling weld ay inuri at pinirmahan ng isang awtorisadong kwalipikadong tao ayon sa mga pamantayan tulad ng JORC/NI 43-101.
- Ang halaga ay wala sa isang mapanlinlang na numero; Ang kawalan ng katiyakan ay nasa isang masusubok na priyoridad at pag-uuri na matapat na iniulat.
Gawain ng aplikasyon
Makatanggap ng isang hindi kilalang compound assay table (o mga kinatawan na halaga). Gamit ang malakas na prompt, tanungin ang modelo para sa: overvalue/top-cut na pangangailangan, mga direksyon ng variogram at mga low density na rehiyon sa halip na isang source figure. Pagkatapos, ipagawa sa template na "kontrol ng pag-uuri ng pinagmulan" ang isang draft kung aling mga bloke ang mahuhulog sa kung aling klase ng tiwala. Panghuli, obserbahan kung ang modelo ay sumusubok na magbigay ng isang solong tonnage figure at isulat sa isang pangungusap kung bakit mo ito dapat tanggihan.
checklist
- [ ] Napagtanto ko na ang pag-target sa pagsaliksik ay hindi nagpapatunay ng mineral, ito ay gumagawa ng priyoridad sa pagbabarena.
- [ ] Maaari kong ipaliwanag kung paano tinantiya ng variogram at kriging ang grado nang walang katiyakan.
- [ ] Kinikilala ko ang mga panganib ng pamumura, top-cut at labis na halaga at isinasaalang-alang ang QA/QC na sapilitan.
- [ ] Nauunawaan ko na ang mapagkukunan ay inuri bilang Sinukat/Ipinahiwatig/Itinuro ng pamantayan at pagmamay-ari ng awtorisadong tao.
- [ ] Nagpatibay ako ng isang disiplina na nangangailangan ng mga saklaw ng kawalan ng katiyakan at mga sitwasyon sa halip na mga solong numero.