Lợi nhuận:
- Khả năng hiểu các hiệu chỉnh xử lý hiện trường tiềm năng (Bouguer, land, log, IGRF) và độ nhạy tham số của việc phân tách dư lượng khu vực và kiểm tra nó với các phân tách khác nhau
- Khả năng diễn giải chính xác vị trí nguồn, có tính đến độ không đảm bảo về biên độ độ sâu và hiệu ứng vĩ độ từ trường (giảm về cực)
- Khả năng xác thực chéo việc giải thích trường tiềm năng với các kịch bản thay thế và địa chấn/giếng mà không khóa việc giải thích trường tiềm năng vào một mô hình duy nhất
Phương pháp địa chấn rất tốn kém và không thể áp dụng ở mọi nơi. Đây là lúc các phương pháp trường tiềm năng—trọng lực và từ—phát huy tác dụng: các phương pháp tương đối rẻ tiền giúp quét nhanh các khu vực rộng lớn và phát hiện cấu trúc thô của các lưu vực và thân quặng. Phương pháp trọng lực đo những thay đổi trọng trường rất nhỏ gây ra bởi sự chênh lệch mật độ dưới lòng đất; Phương pháp từ tính đo lường sự thay đổi từ trường phát sinh từ sự khác biệt về từ hóa (độ nhạy từ) của đá. Trong phần này, chúng tôi sẽ giải thích cách trí tuệ nhân tạo (AI) tăng tốc quá trình xử lý hai phương pháp này, phân biệt dị thường và ước tính độ sâu; Chúng ta sẽ hiểu tại sao sự không chắc chắn mạnh mẽ vốn có trong các lĩnh vực tiềm năng đòi hỏi phải sử dụng AI một cách thận trọng hơn.
Bản chất của dữ liệu trường tiềm năng
Hãy bắt đầu với một từ điển. Bất thường, sai lệch so với giá trị khu vực dự kiến; Nói cách khác, đó là dấu hiệu của cấu trúc ngầm mà chúng ta quan tâm. Trong trọng lực, phép đo thô trải qua nhiều hiệu chỉnh: hiệu chỉnh không khí tự do (hiệu ứng của độ cao), hiệu chỉnh Bouguer (hiệu ứng khối đá giữa phép đo và tham chiếu) và hiệu chỉnh địa hình (hiệu ứng địa hình). Kết quả dị thường Bouguer phản ánh sự khác biệt về mật độ dưới bề mặt. Trong từ tính, sự biến đổi hàng ngày và trường chính (IGRF) được trừ đi để thu được dị thường từ tính.
Thách thức chính của các trường tiềm năng là độ không đảm bảo về biên độ độ sâu: một nguồn nhỏ và nông và một nguồn lớn và sâu có thể tạo ra dị thường bề mặt gần như giống nhau. Đây là trạng thái trường tiềm năng của đa nghĩa trong địa chấn và AI không loại bỏ nó mà chỉ tăng tốc nó. Đó là lý do tại sao trong phần bình luận tôi luôn hỏi "có bao nhiêu mô hình khác nhau giải thích được sự bất thường này?" câu hỏi được đặt ra.
AI trong xử lý và tách trường
Trọng tâm của việc xử lý hiện trường tiềm năng là tách phần dư theo khu vực: tách thành phần khu vực thay đổi chậm khỏi các nguồn sâu, rộng và thành phần dư từ các nguồn cục bộ, nông. Các phương pháp cổ điển là các bộ lọc phù hợp đa thức hoặc bước sóng; Các phương pháp tiếp cận dựa trên AI có thể làm cho sự khác biệt này trở nên linh hoạt hơn bằng cách học hỏi từ các ví dụ. Ngoài ra, các tính năng dựa trên đạo hàm—đạo hàm ngang/dọc, tín hiệu phân tích, góc nghiêng—làm nổi bật các cạnh nguồn; AI có thể kết hợp các thuộc tính này và tự động đánh dấu các ứng cử viên tài nguyên và lợi thế.
Rủi ro là thông số bộ lọc (bước sóng cắt) sẽ thay đổi hoàn toàn cách giải thích. Cùng một dữ liệu tạo ra các bản đồ dư hoàn toàn khác nhau với những khác biệt khác nhau. Ngay cả khi AI đề xuất phân tách, chuyên gia vẫn kiểm tra xem liệu phân tách đó có phù hợp với độ sâu mục tiêu hay không.
Mẹo: Không cố định sự phân biệt dư lượng khu vực bằng một tham số duy nhất. Tạo ba hoặc bốn bản đồ dư với các bước sóng cắt khác nhau và xem liệu điểm bất thường mục tiêu có nhất quán trên tất cả chúng hay không. Sự bất thường chỉ xuất hiện ở một điểm khác biệt duy nhất thường là một tạo phẩm tham số.
Ước tính độ sâu và tự động hóa
Các phương pháp như giải mã Euler và giải mã Werner được sử dụng để ước tính độ sâu nguồn trong các khu vực tiềm năng; những ước tính này ước tính vị trí nguồn và độ sâu từ độ dốc của vùng dị thường. AI có thể tăng tốc những dự đoán này và tạo ra “đám mây có chiều sâu” sạch hơn bằng cách phân cụm hàng nghìn giải pháp. Tuy nhiên, những phương pháp này rất nhạy cảm với các yếu tố đầu vào như chỉ số cấu trúc - giả định xác định hình dạng của nguồn; Giả định sai mang lại chiều sâu sai một cách có hệ thống. Bản đồ độ sâu do AI tạo ra luôn được kiểm tra bằng tính hợp lý về địa chất và địa chấn/giếng nếu có thể.
Thận trọng: Do hiệu ứng phân cực và vĩ độ trong dữ liệu từ tính, điểm bất thường có thể không nằm ngay phía trên nguồn. Ở bán cầu bắc, sự bất thường có thể dịch chuyển về phía nam của nguồn. Không chấp nhận "trung tâm tài nguyên" được AI đánh dấu ở nơi nó không bị thu hẹp lại.
Giải thích tích hợp với địa chấn
Riêng các trường tiềm năng thì có độ phân giải kém; Sức mạnh thực sự của họ xuất hiện trong sự giải thích chung. Trọng lực cho biết độ sâu của lưu vực, từ tính cho biết địa hình của đáy và địa chấn cho biết cấu trúc tinh tế. AI giúp kết hợp các lớp dữ liệu khác nhau này thành một mô hình chung (tổng hợp dữ liệu); nhưng việc tổng hợp được thực hiện dưới sự giám sát của chuyên gia, có tính đến độ phân giải và độ không đảm bảo của từng phương pháp.
ba trường hợp nhỏ
Trường hợp 1 - Thu hẹp mép lưu vực. Trong một dự án địa nhiệt, cần phải tìm rìa lưu vực (bước đứt gãy) bằng dữ liệu trọng lực. Tính năng phát hiện cạnh được AI hỗ trợ (góc nghiêng + tín hiệu phân tích) đã đánh dấu 12 đường cạnh ứng cử viên. Nhóm nghiên cứu đã kiểm tra những giếng này bằng từ tính và hai giếng hiện có; 5 phù hợp với bước đứt gãy tầng hầm, 7 là do tiếng ồn. Cạnh được xác minh đã dịch chuyển vị trí giếng 800 m.
Trường hợp 2 - Ngụy biện hiệu ứng vĩ độ. Trong một cuộc thăm dò khoáng sản, tâm của vùng dị thường từ tính được chọn làm mục tiêu khoan trực tiếp. Cái giếng đầu tiên trở nên trống rỗng. Sau đó, khi quy về cực, người ta hiểu rằng nguồn thực sự cách trung tâm dị thường 300 m về phía bắc: hiệu ứng vĩ độ bị bỏ qua. Trục thứ hai tìm thấy thân quặng.
Trường hợp 3 - Ghost phụ thuộc tham số. Một nhóm đã nhìn thấy một "cấu trúc nhúng" riêng biệt trong bản đồ dư được tạo ra bởi một bước sóng cắt duy nhất. Khi bản đồ được sao chép với các giá trị giới hạn khác nhau, cấu trúc bị mất: đây là một tham số tạo tác của sự phân biệt dư lượng khu vực, không phải là nguồn thực.
Bốn mẫu có thể sao chép
1) Kiểm soát hiệu chỉnh gia công:
Vai trò của bạn: chuyên gia gia công trọng lực/từ tính. Năng suất: [trọng lực đất, địa hình gồ ghề]. Liệt kê tôi theo thứ tự các chỉnh sửa mà tôi cần áp dụng (không khí miễn phí, Bouguer, địa hình; hàng ngày +IGRF khi nhận hàng). Đối với mỗi lần sửa, hãy viết lỗi điển hình và tác dụng của nó vào phần nhận xét nếu bỏ qua.
2) Kiểm tra khả năng phân biệt cư trú theo vùng:
Tôi đang thực hiện phân biệt dư lượng theo khu vực, độ sâu mục tiêu của tôi là ~ [X] km. Làm cách nào để chọn bước sóng cắt? Hãy cho tôi một quy trình để so sánh các bản đồ dư được tạo ra với các giá trị giới hạn khác nhau: làm cách nào để phân biệt điểm bất thường nào là thực và điểm nào là tạo tác tham số?
3) Kiểm soát ước tính độ sâu:
Tôi ước tính độ sâu bằng phép giải mã Euler. Giải thích sự lựa chọn chỉ số cấu trúc của tôi ảnh hưởng đến kết quả như thế nào. Làm cách nào tôi có thể so sánh sự phân bố độ sâu thu được với các chỉ số khác nhau và xác nhận chúng bằng tính hợp lý về địa chất và địa chấn?
4) Hiệu chỉnh vị trí hàn từ:
Trước khi biến tâm dị thường từ của tôi thành mục tiêu khoan, hãy giải thích hiệu ứng vĩ độ và sự cần thiết phải giảm nó về cực. Làm cách nào để tính toán độ lệch giữa vị trí thực tế của nguồn và trung tâm dị thường? Hãy kể cho tôi nghe từng bước một.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Hãy cho tôi biết quặng ở đâu trên bản đồ trọng lực này.
Chỉ riêng khu vực tiềm năng không biểu thị được quặng; AI che giấu sự không chắc chắn và tạo ra sự chắc chắn sai lầm một điểm.
Lời nhắc mạnh mẽ:
Vai trò của bạn: nhà bình luận lĩnh vực tiềm năng. Bối cảnh: Bản đồ dị thường Bouguer, quặng sunfua mục tiêu, hiện diện hai giếng. Nhiệm vụ:(1) đánh dấu ranh giới tài nguyên ứng viên bằng các thuộc tính phát hiện cạnh; (2) đưa ra ít nhất hai kịch bản về độ sâu mật độ cho mỗi ứng viên, nông-nhỏ và sâu-lớn; (3) Hãy cho tôi biết bạn đề xuất dữ liệu bổ sung nào (từ trường, địa chấn, giếng) để phân tách các kịch bản này. Đừng đưa ra một vị trí tài nguyên chính xác.
Các kịch bản không chắc chắn và yêu cầu dữ liệu chéo làm cho việc diễn giải trường tiềm năng trở nên trung thực và có thể bảo vệ được.
Phương pháp so sánh
tính năng
trọng lực
từ tính
Đóng góp của AI
Sự khác biệt nó đo lường
mật độ
từ hóa
Hợp nhất thuộc tính
mục tiêu điển hình
lưu vực, muối, quặng
Đá gốc, quặng
Đánh dấu cạnh/mối hàn
Sự không chắc chắn chính
Biên độ sâu
Hiệu ứng vĩ độ/cực
thu hẹp sự không chắc chắn
sự điều chỉnh quan trọng
Bouguer, đất
Hàng ngày, IGRF, RTP
tự động hóa, điều khiển
Những lỗi thường gặp
- Sự khác biệt duy nhất là tin tưởng vào bản đồ bây giờ. Không khai báo cấu trúc mà không kiểm tra sự bất thường với các giá trị ngưỡng khác nhau.
- Bỏ qua hiệu ứng vĩ độ. Trung tâm dị thường từ tính không nằm ngay phía trên nguồn.
- Lựa chọn chỉ số cơ cấu tùy ý. Độ sâu Euler rất nhạy cảm với giả định này.
- Chỉ coi khu vực tiềm năng là dứt khoát. Độ phân giải thấp; Kết hợp với địa chấn/giếng.
- Giải quyết một mô hình duy nhất che giấu sự không chắc chắn. Đảm bảo tạo các kịch bản nông-nhỏ và sâu-lớn.
Tóm lại
Các phương pháp trọng lực và từ tính có thể quét các khu vực rộng lớn với chi phí thấp và cung cấp bản phác thảo sơ bộ về cấu trúc lưu vực và quặng; AI tăng tốc kết xuất, đánh dấu cạnh/nguồn và ước tính độ sâu. Nhưng độ không đảm bảo về biên độ sâu, hiệu ứng vĩ độ và độ nhạy tham số vốn có trong các trường tiềm năng khiến đầu ra AI cực kỳ mong manh. Cách sử dụng đúng: tạo ra nhiều kịch bản, thử nghiệm với các thông số khác nhau, quan sát vật lý như giảm cực và kết hợp với địa chấn/giếng. Lời giải thích cuối cùng thuộc về chuyên gia, người không che giấu sự không chắc chắn.
Nhiệm vụ ứng dụng
Chọn dị thường trọng lực hoặc từ tính (thực hoặc mẫu). Tạo quy trình so sánh cho các bước sóng ngưỡng khác nhau bằng mẫu "Kiểm tra phân biệt dư lượng theo khu vực". Nếu có từ tính, hãy đánh giá hiệu ứng vĩ độ bằng mẫu "Hiệu chỉnh vị trí nguồn từ". Viết ra ít nhất hai kịch bản dưới bề mặt khác nhau để giải thích sự bất thường và dữ liệu bổ sung để phân biệt chúng.
danh sách kiểm tra
- [ ] Tôi đã áp dụng tất cả các chỉnh sửa hiển thị (Bouguer/địa hình hoặc log/IGRF).
- [ ] Tôi đã thử nghiệm sự phân biệt phần dư theo vùng với các thông số khác nhau.
- [ ] Tôi đã xem xét hiệu ứng vĩ độ/sự giảm cực trong từ tính.
- [ ] Tôi đã tạo ra ít nhất hai kịch bản có biên độ sâu cho dị thường.
- [ ] Tôi đã xác nhận chéo kết quả bằng phương pháp địa chấn/giếng/phương pháp khác.