Прибуток:
- Здатність пояснити використання штучного інтелекту та злиття багаторівневих даних у розвідці корисних копалин
- Розуміння того, як створити блочну модель і оцінити оцінку за допомогою геостатистики (крігінг, варіограма) і машинного навчання.
- Можливість тестувати результати оцінки джерела за допомогою перехресної перевірки, достовірності класифікації та стандартів звітності
Розвідка — це гра зі ставками, у якій багатомільйонні рішення приймаються на основі кількох зразків свердла. Родовище корисних копалин (англ. ore deposit; скупчення корисних копалин, багате і досить велике для експлуатації) приховано під площею в сотні квадратних кілометрів, і ми «бачимо» його лише за допомогою рідкісних бурінь, геофізичних тіней і поверхневих маркерів. Ось чому розвідка корисних копалин є однією з найцікавіших, але водночас і найнебезпечніших сфер застосування штучного інтелекту: при правильному використанні він пришвидшує визначення цілей розвідки та витягує більше сенсу з розріджених даних; При неправильному використанні він приховує за статистикою неіснуючу сутність і вводить в оману як інвесторів, так і суспільство.
У цьому розділі ми розглянемо два основні аспекти розвідки за допомогою штучного інтелекту: орієнтування на розвідку (перспективність корисних копалин; оцінка на основі багаторівневих даних, на якій території, ймовірно, є поклади) і оцінка ресурсів (обчислення, з якою впевненістю ми можемо сказати, скільки металу міститься в розбураному родовищі). В обох випадках ШІ є потужним інструментом пошуку шаблонів; Але в обох випадках за остаточну цифру відповідає компетентна особа, яка підписала міжнародні стандарти звітності.
Націлювання на пошук: об’єднання багаторівневих даних
Геолог-розвідник розглядає не один тип даних, а накладені шари: геологічну карту, структурні контури (розломи та складки), геофізику (магнітні, гравітаційні, питомий опір), геохімію (значення елементів проб ґрунту та потоку) та зміни, нанесені на карту за допомогою дистанційного зондування. Кожен шар є слабкою підказкою; Справжній сигнал полягає в тому, куди вони вказують разом. Це називається злиттям даних.
Штучний інтелект тут виконує дві роботи. По-перше, він вирівнює десятки шарів на одній координатній сітці (особливе, виснажливе, але схильне до помилок завдання) у єдину таблицю аналізу. По-друге, він вивчає шаблон навколо відомих родовищ і позначає нові області подібним підписом (контрольоване навчання). Але тут криється критична пастка: кількість відомих ліжок часто дуже мала (можливо, 5-10 ліжок в одній зоні), тому модель легко запам’ятовує і провалюється на нових ділянках. Ось чому результати націлювання — це не список «впевнений, що дорогоцінний камінь існує», а «порядок пріоритетів, який варто перевірити шляхом буріння».
Зазвичай кроки такі: (1) вирівняйте та очистіть шари, (2) переведіть кожен шар у значущий маркер на основі моделі шару (наприклад, «відстань до перетину розломів», «магнітний верхній край»), (3) навчіть відомі шари або вагу з експертним правилом, (4) створіть карту ймовірностей, (5) перевірте області найвищої ймовірності в полі та за допомогою недорогих методів.
Порада. Замість того, щоб подавати шари в необробленому вигляді в модель, виведіть геологічно значущі маркери («магнітне кільце + аргіліти + перетин розломів для порфірової міді»). Індикатори, сумісні з моделлю пеленга, дають набагато більш надійні цілі, ніж сліпа статистика.
Геостатистика та оцінка ресурсів: варіограма, крігінг та блочна модель
Коли родовище знайдено та пробурено, питання змінюється: «Скільки тут металу і скільки ми можемо йому довіряти?» Відповідь потребує екстраполяції відібраних точок буріння до об’єму породи без зразків. Стандартним інструментом для цього є геостатистика.
Основним поняттям є варіограма: міра просторової безперервності, яка описує, як подібність оцінок зменшується, коли два зразки віддаляються один від одного. Ближні приклади схожі, віддалені – самостійні; Варіограма кількісно визначає цей «діапазон подібності». Кригінг — це метод середньозваженого значення, який використовує цю структуру варіограми для визначення оцінки, як оцінки, так і невизначеності оцінки, для кожного блоку без вибірки. Поклад розділений на блоки зі сторонами, виміряними в метрах (модель блоку), і кожному блоку присвоєно ступінь і надійність.
Штучний інтелект займає тут три позиції. У варіограмному моделюванні він пропонує альтернативні моделі та оцінює відповідність. Методи машинного навчання (наприклад, випадковий ліс, посилення градієнта) можуть фіксувати нелінійні співвідношення оцінок на додаток до крігінгу. І це прискорює кодування, перевірку та звітування всього робочого процесу. Але два залізних правила залишаються незмінними: невизначеність оцінки ніколи не може бути прихована, а остаточний ресурс сортується компетентною особою на класи «Виміряні/Позначені/Припущені» згідно з міжнародними стандартами (публічні, підлягаючі аудиту системи звітності про ресурси/запаси, такі як JORC, NI 43-101, PERC).
Застереження: модель машинного навчання може «згладжувати» розриви свердління, створюючи безперервність, якої насправді не існує. Кілька зразків високого ґатунку можуть несправедливо збагатити (англ. розмазування) цілий блок. Обмеження високих значень (верхній зріз) і контроль кількості зразків на блочній основі є важливими; інакше тоннаж розбухне на папері.
Три міні-кейси: у цифрах
Випадок 1 — Пріоритезація націлювання. Розвідувальна група працювала з обмеженим бюджетом буріння на ліцензійній ділянці площею 380 км². Карта ймовірностей, що об’єднує сім геофізичних/геохімічних шарів, позначила лише 6% території як «високопріоритетну». Команда спрямувала перші п'ять тренувань на ці 6%; знайшли значні мідні перетини в трьох з них. Критичний момент: карта не «доводила» руду, раціонально визначила, куди зосередити бюджет буріння, і зменшила кількість сліпих випробувань.
Випадок 2 — Зйомка розмазування. На одному родовищі золота перша блокова модель мала завищені розміри навколишніх блоків через вплив однієї надлишкової проби 78 г/т, переоцінивши ресурс на 14%. Прогноз було доведено до реалістичного рівня за допомогою верхнього зрізу (зменшення високого значення до статистичного порогу) і контролю сусідньої вибірки, застосованого в огляді QA/QC. Різниця безпосередньо вплинула на рішення про багатомільйонну інвестицію.
Кейс 3 — Класифікаційна дисципліна. На залізному проекті модель показала прогнозування всього родовища з високою впевненістю; однак щільність буріння була дуже рідкою в крайових областях. Уповноважена особа вилучила розріджений об’єм з економічної оцінки, знизивши його до «Виявленого». Таким чином, звіт уникнув перебільшень у публічно оприлюднених запасах і залишився у відповідності до стандарту.
Слабка підказка / Сильна підказка
Слабка підказка:
Проаналізуйте продуктивність буріння та скажіть, скільки золота в родовищі [таблиця аналізів]
Потужна підказка:
Ваша роль: геостатистик ресурсів. УКАЖІТЬ НОМЕР ДЖЕРЕЛА з наступними даними аналізу сполуки. Замість цього: 1) Підсумуйте розподіл оцінок; позначте можливі викиди та потребу у верхній вирізці. 2) Запропонуйте, які напрямки варіограми слід вивчити для просторової безперервності. 3) Вкажіть, які області можна класифікувати лише як «Пропущені» через низьку щільність буріння. 4) Перелічіть 4 джерела невизначеності, які можуть вплинути на результат. Дані анонімні; без актуальних координат/компанії.
Потужна підказка запобігає створенню моделі єдиного оманливого числа та перетворює її на помічника, який організовує саме ті запитання, які має поставити відповідальна особа.
Чотири шаблони, які можна копіювати
1) Виведення маркерів для злиття шарів:
Запропонуйте значущі маркери з наступних шарів на основі моделі дослідження міді-порфіру: магнітний, гравітаційний, питомий опір, геохімія ґрунту (Cu-Mo-Au), зміна. Для кожного маркера: посилання на модель депозиту, можливе оманливе джерело та метод перевірки поля. Визначення точної мети; Встановіть логіку пріоритетів.
2) Попередній аналіз QA/QC:
Перевірте таблицю аналізу на наступне: негативне/неможливе значення, частка ознак нижче межі виявлення, розбіжність одиниць (ppm/%/g-t), згода повторного зразка, дрейф порожнього та стандартного зразків. Просто перелічіть проблеми за drilling_id; оцінка, корекція.
3) Проект інтерпретації варіограмми:
Інтерпретувати результати експериментальної варіограми: пояснити простою мовою, що означають самородок, діапазон і порог; Чи є ознаки анізотропії? Позначте, які рішення вимагають схвалення геолога перед крігінгом. Логіка, а не код.
4) Контроль класифікації джерел:
У блочній моделі для кожного блоку надано дисперсію крігінгу, кількість зразків, використаних для оцінки, і відстань до найближчої свердловини. Дайте РОЗУМНУ схему того, які блоки найкраще відповідають класу вимірюваних/відображених/виявлених відповідно до стандартної логіки. Остаточна класифікація належить уповноваженій особі; стверджуйте це.
Порівняння методів
метод
Що робить
сильна сторона
Основний ризик
Експертне правило (зважений шар)
Сортує цілі з інформацією
Працює з невеликою кількістю даних, прозоро
експертна упередженість
Контрольоване націлювання на ML
Вчиться зі знайомої постелі
Захоплює складний малюнок
Заучування в кількох прикладах
крігінг
Tenor прогнозує з непевністю
Стандартний, перевірений
Помилка варіограми, змазаність
Оцінка оцінки ML
нелінійна залежність
гнучкий
Може приховувати невпевненість, надмірну пристосованість
Симуляція (наприклад, SGS)
Генерує ймовірнісні сценарії
Візуалізує невизначеність
Надмірна самовпевненість у разі неправильного тлумачення
Порада: під час оцінки ресурсів запитуйте діапазон і сценарій, а не «єдине найкраще число». Три оптимістичні/очікувані/обережні сценарії забезпечують набагато більш чесну основу для прийняття рішень, ніж помилкова впевненість, створена одним числом.
Поширені помилки
- Змусити ML запам'ятати за допомогою маловідомого ліжка. Модель, навчена п'ятьма підшипниками, ненадійна в новому полі; розглядати результат як список пріоритетів, а не як доказ.
- Без обмеження екстремальних значень. Одна висока проба, якщо верхнє зрізання не зроблено, несправедливо збагатить (розмаже) навколишні блоки та збільшить тоннаж.
- Не повідомляє про невизначеність. Приховування дисперсії та класифікації Крігінга та представлення окремих цифр суперечить стандартам і чесності.
- Пропуск класифікації. Представлення рідкісного вибіркового обсягу як виміряного компромісу з економічним судженням і суспільною довірою.
- Пропуск QA/QC. Жодна оцінка не є надійною без лабораторного моніторингу дрейфу за допомогою холостих і стандартних зразків.
Підсумовуючи
- Націлювання на розвідку генерує пріоритет буріння через злиття багаторівневих даних; Це не доводить руду, це зменшує сліпий суд.
- Оцінка ресурсу оцінює ступінь з упевненістю, використовуючи варіограми та крігінг; На цьому побудована блокова модель.
- Машинне навчання є потужним, але воно запам’ятовує невеликі зразки, змазує викиди та може приховати невизначеність.
- Остаточний зварний шов класифікується та підписується уповноваженою кваліфікованою особою відповідно до таких стандартів, як JORC/NI 43-101.
- Значення не в одному оманливому числі; Невизначеність полягає в перевіреному пріоритеті та класифікації, які чесно повідомляються.
Аплікаційне завдання
Отримайте анонімну таблицю аналізу сполук (або репрезентативні значення). За допомогою потужної підказки запитайте у моделі: потребу перевищення/верхнього розрізу, напрямки варіограми та області низької щільності замість вихідної цифри. Потім попросіть шаблон «керування класифікацією джерела» створити чернетку того, які блоки належатимуть до якого класу довіри. Нарешті, спостерігайте, чи намагається модель надати одну цифру тоннажу, і напишіть одним реченням, чому ви повинні її відхилити.
контрольний список
- [ ] Я зрозумів, що орієнтування на розвідку не підтверджує наявність руди, воно створює пріоритет буріння.
- [ ] Я можу пояснити, як варіограма та крігінг оцінюють оцінку з невизначеністю.
- [ ] Я усвідомлюю ризики змазування, надрізу та завищення вартості та вважаю QA/QC обов’язковим.
- [ ] Я розумію, що ресурс класифікується як вимірюваний/зазначений/передбачуваний стандартом і належить уповноваженій особі.
- [ ] Я прийняв дисципліну, яка вимагає діапазонів невизначеності та сценаріїв замість окремих чисел.