Kazanimlar:
- Maden yatağı arama hedeflemesinde (mineral prospectivity) AI ve çok katmanlı veri füzyonunun kullanımını açıklayabilme
- Jeoistatistik (kriging, variogram) ve makine öğrenmesiyle blok model ve tenör kestiriminin nasıl yapıldığını kavrayabilme
- Kaynak kestirim çıktılarını çapraz doğrulama, sınıflandırma güveni ve raporlama standartlarıyla sınayabilme
Maden arama, milyonlarca dolarlık kararların bir avuç sondaj örneğine dayandığı bir bahis oyunudur. Bir maden yatağı (İngilizce ore deposit; işletilecek kadar zengin ve büyük bir mineral birikimi), yüzlerce kilometrekarelik bir alanın altında saklıdır ve biz onu ancak seyrek sondajlarla, jeofizik gölgelerle ve yüzey belirteçleriyle "görürüz". İşte bu yüzden maden arama, yapay zekanın en heyecan verici ama aynı zamanda en tehlikeli uygulama alanlarından biridir: doğru kullanıldığında keşif hedeflemesini hızlandırır ve seyrek veriden daha çok anlam çıkarır; yanlış kullanıldığında ise var olmayan bir cevheri istatistiğin arkasına gizleyip yatırımcıyı da toplumu da yanıltır.
Bu ünitede aramanın iki büyük yapay zeka cephesini ele alacağız: arama hedeflemesi (mineral prospectivity; hangi alanda yatak olma olasılığının yüksek olduğunu çok katmanlı veriden kestirmek) ve kaynak kestirimi (resource estimation; sondajlanmış bir yatakta ne kadar metal olduğunu, hangi güvenle söyleyebileceğimizi hesaplamak). Her ikisinde de yapay zeka güçlü bir örüntü bulucudur; ama her ikisinde de nihai rakam, uluslararası raporlama standartlarına imza atan yetkili nitelikli kişinin (İngilizce Competent/Qualified Person) sorumluluğundadır.
Arama Hedeflemesi: Çok Katmanlı Veri Füzyonu
Bir arama jeoloğu, tek bir veri türüne değil, üst üste bindirilmiş katmanlara bakar: jeolojik harita, yapısal hatlar (fay ve kıvrımlar), jeofizik (manyetik, gravite, özdirenç), jeokimya (toprak ve dere örneği element değerleri) ve uzaktan algılamayla haritalanmış alterasyon. Her katman zayıf bir ipucudur; asıl sinyal bunların birlikte işaret ettiği yerdedir. Buna veri füzyonu denir.
Yapay zeka burada iki iş yapar. Birincisi, onlarca katmanı aynı koordinat ızgarasına hizalayıp (bu tekil, sıkıcı ama hataya açık iş) tek bir analiz tablosuna dönüştürür. İkincisi, bilinen yatakların çevresindeki örüntüyü öğrenip benzer imzayı taşıyan yeni alanları işaretler (denetimli öğrenme). Ama burada kritik bir tuzak vardır: bilinen yatak sayısı genelde çok azdır (bir bölgede belki 5-10 yatak), bu yüzden model kolayca ezberler ve yeni alanlarda çuvallar. Bu yüzden hedefleme çıktısı bir "kesin cevher var" listesi değil, "sondajla sınanmaya değer öncelik sırası"dır.
Adımlar tipik olarak şöyledir: (1) katmanları hizala ve temizle, (2) her katmanı yatak modeline göre anlamlı belirtece çevir (ör. "fay kesişimine uzaklık", "manyetik yüksek kenarı"), (3) bilinen yataklarla eğit veya uzman kuralıyla ağırlıklandır, (4) olasılık haritası üret, (5) en yüksek olasılıklı alanları sahada ve düşük maliyetli yöntemlerle sına.
İpucu: Modele katmanları ham vermek yerine, jeolojik olarak anlamlı belirteçler türetin ("porfiri bakır için manyetik halka + arjilik alterasyon + fay kesişimi"). Yatak modeliyle uyumlu belirteçler, kör istatistikten çok daha sağlam hedefler üretir.
Jeoistatistik ve Kaynak Kestirimi: Variogram, Kriging ve Blok Model
Yatak bulunup sondajlandığında soru değişir: "Burada ne kadar metal var ve buna ne kadar güvenebiliriz?" Cevap, örneklenmiş sondaj noktalarından örneklenmemiş kaya hacmine bir tahmin yürütmeyi gerektirir. Bunun standart aracı jeoistatistiktir.
Temel kavram variogram'dır: iki örnek birbirinden uzaklaştıkça tenör benzerliklerinin nasıl azaldığını tanımlayan mekansal süreklilik ölçüsü. Yakın örnekler benzer, uzaktakiler bağımsızdır; variogram bu "benzerlik menzilini" (range) sayısallaştırır. Kriging, bu variogram yapısını kullanarak her örneklenmemiş blok için tenörü, hem tahmini hem de tahminin belirsizliğini birlikte veren bir ağırlıklı ortalama yöntemidir. Yatak, kenarları metrelerle ölçülen bloklara bölünür (blok model) ve her bloğa bir tenör ve güven atanır.
Yapay zeka burada üç noktada girer. Variogram modellemesinde alternatif model önerir ve uyumu değerlendirir. Makine öğrenmesi yöntemleri (ör. rastgele orman, gradyan artırma) doğrusal olmayan tenör ilişkilerini kriging'e ek olarak yakalayabilir. Ve tüm iş akışının kodunu, kontrolünü ve raporunu hızlandırır. Ama iki demir kural değişmez: tahmin belirsizliği asla saklanamaz ve nihai kaynak, uluslararası standartlara (JORC, NI 43-101, PERC gibi; kaynak/rezerv raporlamasının kamuya açık, denetlenebilir çerçeveleri) göre Ölçülen / Gösterilen / Çıkarılan (Measured/Indicated/Inferred) sınıflarına yetkili kişi tarafından ayrılır.
Dikkat: Makine öğrenmesi modeli, sondaj aralarını "yumuşatarak" gerçekte olmayan bir süreklilik yaratabilir. Yüksek tenörlü birkaç örnek, tüm bir bloğu haksız yere zenginleştirebilir (İngilizce smearing). Yüksek değerlerin sınırlanması (top-cut) ve blok bazında örnek sayısı kontrolü şarttır; aksi halde tonaj kağıt üstünde şişer.
Üç Mini Vaka: Rakamlarla
Vaka 1 — Hedefleme önceliklendirmesi. Bir arama ekibi 380 km²'lik ruhsat alanında sınırlı sondaj bütçesiyle çalışıyordu. Yedi jeofizik/jeokimya katmanını füzyonlayan bir olasılık haritası, alanın yalnızca %6'sını "yüksek öncelik" işaretledi. Ekip ilk beş sondajı bu %6'ya yönlendirdi; üçünde anlamlı bakır kesişimi buldu. Kritik nokta: harita cevheri "kanıtlamadı", sondaj bütçesinin nereye odaklanacağını akılcılaştırdı ve kör deneme sayısını azalttı.
Vaka 2 — Smearing'in yakalanması. Bir altın yatağında ilk blok model, 78 g/t'lik tek bir aşırı örneğin etkisiyle çevresindeki blokları şişirmiş ve kaynağı gerçekte olduğundan %14 fazla göstermişti. QA/QC incelemesinde uygulanan top-cut (yüksek değeri istatistiksel eşiğe indirme) ve komşu örnek kontrolüyle tahmin gerçekçi seviyeye çekildi. Fark, milyonlarca dolarlık bir yatırım kararını doğrudan etkiliyordu.
Vaka 3 — Sınıflandırma disiplini. Bir demir projesinde model tüm yatağı yüksek güvenle tahmin ediyor göstermişti; ancak sondaj yoğunluğu kenar bölgelerde çok seyrekti. Yetkili kişi, seyrek örneklenmiş hacmi "Çıkarılan" (Inferred) sınıfına indirerek ekonomik değerlendirmeden çıkardı. Böylece rapor, kamuya açıklanan rezervde abartıdan kaçınmış ve standartla uyumlu kalmış oldu.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Sondaj verimi analiz et ve yatakta ne kadar altın olduğunu söyle.[assay tablosu]
Güçlü prompt:
Rolün: Kaynak jeoistatistikçisi. Aşağıdaki bileşik assay verisiyleBİR KAYNAK RAKAMI VERME. Bunun yerine:1) Tenör dağılımını özetle; olası aşırı değerleri (outlier) ve top-cut gerekliliğini işaretle.2) Mekansal süreklilik için hangi variogram yönlerinin incelenmesi gerektiğini öner.3) Hangi bölgelerin sondaj yoğunluğu düşük olduğu için ancak "Çıkarılan" sınıfına girebileceğini belirt.4) Sonucu etkileyebilecek 4 belirsizlik kaynağını listele.Veri anonimdir; gerçek koordinat/şirket yok.
Güçlü prompt, modeli tek bir kandırıcı rakam üretmekten alıkoyar ve onu tam da yetkili kişinin sorması gereken soruları düzenleyen bir asistana dönüştürür.
Dört Kopyalanabilir Şablon
1) Katman füzyonu için belirteç türetme:
Porfiri bakır arama modeline göre aşağıdaki katmanlardan anlamlı belirteçleröner: manyetik, gravite, özdirenç, toprak jeokimyası (Cu-Mo-Au), alterasyon.Her belirteç için: yatak modeliyle bağı, olası yanıltıcı kaynak, ve arazidoğrulama yöntemi. Kesin hedef verme; öncelik mantığı kur.
2) Assay QA/QC ön taraması:
Assay tablosunu şu açılardan denetle: negatif/imkansız değer, tespit sınırıaltı işaretlerin oranı, birim tutarsızlığı (ppm/%/g-t), tekrar örnek uyumu,kör ve standart örnek kayması. Sadece sorunları sondaj_id ile listele; değersilme, düzeltme.
3) Variogram yorum taslağı:
Deneysel variogram sonuçlarını yorumla: nugget, range ve sill'in neanlattığını sade dille açıkla; anizotropi (yöne bağlı süreklilik) belirtisivar mı? Kriging öncesi hangi kararların jeolog onayı gerektirdiğini işaretle.Kod değil, mantık.
4) Kaynak sınıflandırma kontrolü:
Blok modelde her blok için: kriging varyansı, tahminde kullanılan örneksayısı ve en yakın sondaja uzaklık verildi. Standart mantığına göre hangiblokların Ölçülen/Gösterilen/Çıkarılan sınıfına daha uygun olduğuna dairGEREKÇELİ bir taslak ver. Nihai sınıflandırma yetkili kişiye aittir; bunu belirt.
Yöntemlerin Karşılaştırması
Yöntem
Ne yapar
Güçlü yanı
Ana risk
Uzman kural (ağırlıklı katman)
Bilgiyle hedef sıralar
Az veriyle çalışır, şeffaf
Uzman önyargısı
Denetimli ML hedefleme
Bilinen yataktan öğrenir
Karmaşık örüntü yakalar
Az örnekte ezber
Kriging
Belirsizlikle tenör kestirir
Standart, denetlenebilir
Variogram hatası, smearing
ML tenör tahmini
Doğrusal olmayan ilişki
Esnek
Belirsizliği gizleyebilir, aşırı uyum
Simülasyon (ör. SGS)
Olasılık senaryoları üretir
Belirsizliği görselleştirir
Yanlış yorumlanırsa fazla güven
İpucu: Kaynak kestiriminde "tek en iyi rakam" yerine bir aralık ve senaryo isteyin. İyimser/beklenen/ihtiyatlı üç senaryo, tek bir sayının yarattığı sahte kesinlikten çok daha dürüst bir karar zemini kurar.
Sık yapılan hatalar
- Az bilinen yatakla ML'i ezberletmek. Beş yatakla eğitilen bir model yeni alanda güvenilmezdir; çıktıyı öncelik listesi olarak görün, kanıt olarak değil.
- Aşırı değerleri sınırlamamak. Tek bir yüksek assay, top-cut yapılmazsa çevre blokları haksız zenginleştirir (smearing) ve tonajı şişirir.
- Belirsizliği raporlamamak. Kriging varyansını ve sınıflandırmayı gizleyip tek rakam sunmak, standartlara ve dürüstlüğe aykırıdır.
- Sınıflandırmayı atlamak. Seyrek örneklenmiş hacmi Ölçülen gibi göstermek, ekonomik kararı ve kamu güvenini tehlikeye atar.
- QA/QC'yi es geçmek. Kör ve standart örneklerle laboratuvar kaymasını denetlemeden hiçbir tenör güvenilir değildir.
Özetle
- Arama hedeflemesi çok katmanlı veri füzyonuyla sondaj önceliği üretir; cevheri kanıtlamaz, kör denemeyi azaltır.
- Kaynak kestirimi variogram ve kriging ile tenörü belirsilikle birlikte tahmin eder; blok model bunun üzerine kurulur.
- Makine öğrenmesi güçlüdür ama az örnekte ezberler, aşırı değerlerde smearing yapar ve belirsizliği gizleyebilir.
- Nihai kaynak, JORC/NI 43-101 gibi standartlara göre yetkili nitelikli kişi tarafından sınıflandırılır ve imzalanır.
- Değer, tek kandırıcı bir rakamda değil; belirsizliği dürüstçe raporlanan, sınanabilir bir öncelik ve sınıflandırmadadır.
Uygulama görevi
Anonimleştirilmiş bir bileşik assay tablosu (veya temsili değerler) alın. Güçlü prompt ile modelden bir kaynak rakamı yerine: aşırı değer/top-cut ihtiyacı, variogram yönleri ve düşük yoğunluklu bölgeleri isteyin. Ardından "kaynak sınıflandırma kontrolü" şablonuyla hangi blokların hangi güven sınıfına gireceğine dair bir taslak ürettirin. Son olarak modelin tek bir tonaj rakamı vermeye çalışıp çalışmadığını gözleyin ve bunu neden reddetmeniz gerektiğini bir cümleyle yazın.
Kontrol listesi
- [ ] Arama hedeflemesinin cevheri kanıtlamadığını, sondaj önceliği ürettiğini kavradım.
- [ ] Variogram ve kriging'in tenörü belirsizlikle birlikte nasıl kestirdiğini açıklayabiliyorum.
- [ ] Smearing, top-cut ve aşırı değer risklerini tanıyıp QA/QC'yi zorunlu görüyorum.
- [ ] Kaynağın Ölçülen/Gösterilen/Çıkarılan olarak standartla sınıflandırıldığını ve yetkili kişiye ait olduğunu biliyorum.
- [ ] Tek rakam yerine belirsizlik aralığı ve senaryo isteyen bir disiplin benimsedim.