Lợi nhuận:
- Khả năng làm sạch nhật ký khoan, thạch học và dữ liệu cấp độ với sự hỗ trợ của AI và phát hiện sự không nhất quán cũng như lỗi mã hóa
- Khả năng định vị chính xác AI như một công cụ tạo giả thuyết và phân loại trước khi diễn giải ảnh lõi và quan sát địa chất
- Khả năng xác thực chéo cách diễn giải thạch học/thay đổi được suy luận của AI với quan sát của nhà địa chất và phân tích trong phòng thí nghiệm
Cơ sở của mọi dự án khai thác là các mẫu lấy từ dưới lòng đất. Ví dụ quan trọng nhất trong số này là lõi khoan (một mẫu liên tục mà máy khoan lấy ra từ đá ở dạng hình trụ). Nhà địa chất kiểm tra lõi; Nó ghi lại loại đá (thạch học), cấu trúc, sự thay đổi (sự thay đổi của đá do nước nóng và tác động hóa học) và quá trình khoáng hóa, đồng thời phân tích các mẫu trong phòng thí nghiệm để phân loại. Kết quả là một chiếc bàn khổng lồ được ghi lại từng mét, được gọi là nhật ký khoan. Có thể có hàng trăm mũi khoan và hàng chục nghìn đường dây trong một dự án. Làm sạch dữ liệu này, kết hợp nó, phát hiện sự không nhất quán và trích xuất các diễn giải ban đầu; Đây là lĩnh vực mà AI đang thực sự tăng tốc, nhưng mỗi bước đều cần được xác minh bằng con mắt của nhà địa chất. Trong phần này, bạn sẽ tìm hiểu cách làm sạch dữ liệu khoan/địa chất bằng AI, cách diễn giải trước hình ảnh lõi và cách xác thực kết quả.
Giải phẫu bảng dữ liệu khoan
Tập dữ liệu khoan thường bao gồm bốn bảng và việc kết hợp chúng một cách chính xác là một nửa công việc:
- Vòng cổ: Tọa độ ban đầu (X, Y, Z) và tổng độ sâu của từng lỗ khoan.
- Khảo sát (độ lệch): Thay đổi độ dốc (độ dốc) và hướng (góc phương vị) của mũi khoan dọc theo chiều sâu. Khoan không bao giờ đi thẳng hoàn toàn.
- Thạch học: Loại đá và quan sát địa chất trong phạm vi độ sâu (từ đến).
- Xét nghiệm: Kết quả cấp phòng thí nghiệm trên phạm vi độ sâu (ví dụ Au g/t, Cu %).
Các bảng này phải tuân thủ các quy tắc như từ < đến, các phạm vi không được trùng nhau và các mã phải nhất quán. Trong thực tế, luôn có lỗi trong dữ liệu được nhập thủ công này: thiếu phạm vi, phạm vi chồng chéo, nhầm lẫn đơn vị (ppm và % trộn), cách viết khác nhau của mã thạch học (GRN, Grn, granite), các mã như 999 hoặc -9 thay vì giá trị null. AI rất mạnh trong việc quét và gắn cờ những mâu thuẫn như vậy; Nhưng bạn phải thực hiện việc chỉnh sửa với sự chấp thuận của nhà địa chất.
Từng bước: làm sạch dữ liệu bằng AI
- Giới thiệu dữ liệu. Cung cấp cho AI tên cột, đơn vị và một số hàng mẫu (ẩn danh tọa độ thực tế). Mô tả rõ ràng những gì sẽ xảy ra.
- Lập danh sách các quy tắc. Yêu cầu AI cung cấp danh sách "tôi nên kiểm tra những quy tắc nhất quán nào cho bảng này", thêm các quy tắc của riêng bạn lên trên.
- Thực hiện quét không nhất quán. Chỉ cần yêu cầu AI gắn cờ chứ không phải tự động sửa lỗi. Yêu cầu giải thích cho mỗi dấu hiệu.
- Quay trở lại nguồn thô. Kiểm tra từng dòng được đánh dấu dựa trên nhật ký lỗ khoan ban đầu hoặc giấy chứng nhận của phòng thí nghiệm.
- Đưa ra quyết định khắc phục nó. Nhà địa chất thực hiện việc đính chính; AI chỉ gợi ý.
Mẹo: Đừng bảo AI “đưa tôi bảng đã sửa”; Nói "gắn cờ những dòng đáng ngờ kèm theo lý do". Trong một bảng tự động sửa lỗi, hầu như không thể nhận thấy các hàng bị lỗi âm thầm.
Giải thích hình ảnh và hình ảnh cốt lõi
Trong các dự án hiện đại, hộp lõi được chụp ảnh. Các công cụ AI đa mô hình (các mô hình cũng có thể xử lý hình ảnh) có thể đưa ra diễn giải sơ bộ từ những bức ảnh này: thay đổi màu sắc, mật độ vết nứt có thể xảy ra, sự hiện diện của tĩnh mạch, các vùng có thể thay đổi. Điều này có giá trị như một sự sàng lọc sơ bộ cho nhà địa chất biết "hãy nhìn kỹ vào đây". Tuy nhiên, các quyết định về thạch học và thay đổi không bao giờ được thực hiện từ các bức ảnh; Cần phải kiểm tra thủ công lõi, kiểm tra độ cứng, phản ứng axit và phân tích trong phòng thí nghiệm. Việc AI suy ra "có vàng" từ màu sắc là một sai lầm nghiêm trọng; Vàng thường không thể nhìn thấy được bằng mắt thường và chỉ có thể xác định được bằng phân tích.
ba trường hợp nhỏ
Trường hợp 1 - Chụp nhiễu đơn vị. Trong một dự án, có 12.000 hàng trong bảng khảo nghiệm. Nhà địa chất giới thiệu bảng với AI và nói: "Liệt kê các hàng có giá trị trên 100 g/t trong cột Au; đây có thể là hàng cao cấp thực sự hoặc trộn lẫn ppm/ppb." AI đánh dấu 37 dòng. Nhà địa chất xem xét giấy chứng nhận của phòng thí nghiệm; Anh ta phát hiện ra rằng 34 thực sự được nhập dưới dạng ppb (một phần tỷ) nhưng bị nhầm tưởng là g/t, trong khi 3 là vận may thực sự (loại rất cao). Nếu 34 dòng này không được sửa, điểm trung bình sẽ bị thổi phồng một cách giả tạo và lượng dự trữ sẽ bị phóng đại.
Trường hợp 2 - Phạm vi chồng chéo. Trong bảng thạch học, một số khoảng cách từ đến trùng lặp: 45,0-52,0 m đá granit và 50,0-58,0 m đá phiến được xác định đồng thời. AI liệt kê các phần chồng chéo này và hiển thị tổng cộng 19 dòng chồng chéo. Nhà địa chất chuyển sang khúc gỗ thô; tìm và sửa lỗi dịch chuyển dòng trong mục nhập dữ liệu. Nếu các khoảng chồng lấp không được hiệu chỉnh, vẫn chưa rõ loại đá nào sẽ được gán cho mô hình khối và trọng tải sẽ được tính toán không chính xác.
Trường hợp 3 - Suy luận trực quan không chính xác (cảnh báo). Một thực tập sinh đưa bức ảnh cốt lõi cho AI và hỏi: "Có quặng ở khu vực này không?" AI nhìn thấy vết đỏ và đường gân và cho biết "khả năng khoáng hóa cao." Thực tập sinh xử lý thông tin này vào nhật ký dưới dạng "khoáng hóa". Trong khi màu đỏ là vết oxit sắt và không chứa quặng kinh tế; Phân tích trong phòng thí nghiệm tìm thấy lớp ở cấp độ dấu vết. Bài học: không thể xác định cấp/quặng từ hình ảnh; Đầu ra AI chỉ là dấu hiệu “kiểm tra”, được xác minh bằng phân tích.
Mẫu lời nhắc có thể sao chép
QUÉT DỮ LIỆU KHOAN "Vai trò: Bạn là trợ lý nhà địa chất tài nguyên/cơ sở dữ liệu. Dưới đây là bảng [thạch học/xét nghiệm] cách nhau từ đến. Cột: [danh sách, với đơn vị]. Đánh dấu những điểm không nhất quán sau bằng số HÀNG và lý do: từ>=đến, phạm vi chồng chéo, khoảng cách, trộn lẫn đơn vị nghi ngờ, cách viết khác nhau của mã lặp lại, âm/ngoại lệ, mã thay vì để trống (999/-9). KHÔNG ĐÚNG, chỉ đánh dấu Bảng: [dán].”
TIÊU CHUẨN MÃ LITHOLOGY "Các mã thạch học sau đây được nhập bằng tay và không nhất quán. Nhóm các cách viết khác nhau của cùng một loại đá (ví dụ: GRN/Grn/granite). Viết một mã tiêu chuẩn được đề xuất duy nhất cho mỗi nhóm. Trong một bảng: [mã gốc] -> [tiêu chuẩn được đề xuất]. Đánh dấu riêng các nhóm mà bạn không chắc chắn; để tôi quyết định. Mã: [dán]."
QUÉT TRƯỚC ẢNH LÕI LÕI "Liệt kê các đặc điểm trực quan mà tôi nên chú ý trong bức ảnh cốt lõi này: các vùng thay đổi màu sắc, mật độ đứt gãy/gãy nứt có thể xảy ra, mạch nhìn thấy được, dấu hiệu thay đổi có thể xảy ra. Hãy viết những điều này dưới dạng GIẢ THUYẾT; KHÔNG quyết định về loại hoặc cấp đá. Đối với mỗi đặc điểm, hãy cho biết nhà địa chất nên kiểm tra những gì tại hiện trường."
TÓM TẮT NHẬT KÝ ĐỊA CHỈ "Văn bản sau đây là nhật ký địa chất của một cuộc khoan. Hãy biến nó thành một bản tóm tắt có cấu trúc với các tiêu đề sau: thạch học chiếm ưu thế và phạm vi độ sâu, vùng thay đổi, ghi chú cấu trúc (đứt gãy/đứt gãy), quan sát khoáng hóa. Không thêm bất cứ điều gì KHÔNG có trong văn bản; đánh dấu các cụm từ mơ hồ là 'không rõ ràng'. Nhật ký: [dán]."
Dấu nhắc yếu / Dấu nhắc mạnh
NHẮC NHỞ YẾU: "Sửa dữ liệu khoan này."
NHẮC NHỞ MẠNH: "Vai trò: Bạn là trợ lý nhà địa chất cơ sở dữ liệu. Trong bảng khảo sát bên dưới, CHỈ gắn cờ các hàng đáng ngờ (từ>=đến, ppm/% bị nghi ngờ là ngoại tình, giá trị âm, 999 thay vì để trống). Hãy cung cấp số hàng + lý do cho mỗi cờ. KHÔNG tự động sửa; tôi sẽ kiểm tra phần sửa từ chứng chỉ thô. Các cột: HoleID, From(m), To(m), Au(g/t). Bảng: [dán]."
Dấu nhắc yếu cho AI biết "bạn quyết định và thay đổi"; Lời nhắc mạnh mẽ giới hạn AI trong việc đánh dấu, giao quyền sửa chữa cho nhà địa chất.
Bảng so sánh: Cách sử dụng AI trong doanh nghiệp nào
Nhiệm vụ
Vai trò của AI
quyết định của ai
xác minh
Đánh dấu sự không nhất quán
Trình duyệt mạnh mẽ
nhà địa chất sửa chữa
Nhật ký/chứng chỉ thô
Hợp nhất mã thạch học
Đề xuất
Nhà địa chất xác nhận
Từ điển mã
Bình luận ảnh cốt lõi
Sàng lọc trước/giả thuyết
Nhà địa chất/phòng thí nghiệm
Kiểm tra + phân tích thủ công
Quyết định cấp/quặng
Không được sử dụng
phòng thí nghiệm
Phân tích được công nhận
Tóm tắt văn bản nhật ký
bộ cấu hình
nhà địa chất
So sánh với văn bản gốc
Những lỗi thường gặp
- Có AI “tự động sửa” bảng. Bạn có thể không nhận thấy những biến dạng thầm lặng; chỉ cần đánh dấu nó.
- Khai thác cấp/quặng từ ảnh lõi. Vàng thường không nhìn thấy được bằng mắt thường; Quyết định là phân tích của bạn.
- Dán tọa độ thực mà không ẩn danh. Giấy phép và tọa độ là dữ liệu nhạy cảm.
- Không so sánh bản tóm tắt AI với nhật ký gốc. AI có thể thêm một quan sát không có trong văn bản (ảo giác).
- Bỏ qua sự không phù hợp về đơn vị. Sự trộn lẫn ppm/%/g/t/ppb sẽ trực tiếp phá vỡ lượng dự trữ.
Lưu ý: Lỗi đơn vị trong dữ liệu khoan không tồn tại ở một dòng; Sự tổng hợp phát triển và lan rộng khắp dự báo và dự trữ. Sự siêng năng trong giai đoạn làm sạch quyết định độ tin cậy của tất cả các tài khoản tiếp theo.
Tóm lại
Dữ liệu khoan/địa chất bao gồm bốn bảng chính (cổ áo, khảo sát, thạch học, khảo nghiệm) và các quy tắc nhất quán là rất quan trọng. AI là một công cụ hỗ trợ mạnh mẽ trong việc quét dữ liệu không nhất quán, chuẩn hóa mã, tóm tắt nhật ký và quét trước ảnh cốt lõi. Tuy nhiên, quyết định điều chỉnh thuộc về nhà địa chất, còn quyết định cấp/quặng thuộc về phòng thí nghiệm. Yêu cầu dấu AI không chỉnh sửa, xác minh từng dấu từ nguồn thô và không bao giờ suy ra điểm từ hình ảnh.
Nhiệm vụ ứng dụng
Ẩn danh bảng khảo nghiệm mà bạn có (hoặc mẫu) và cung cấp cho AI bằng mẫu "Quét tính nhất quán dữ liệu khoan". Nhập các hàng đã đánh dấu vào một bảng; Hãy xem xét ghi chú "được kiểm tra từ nguồn thô" cho mỗi ghi chú. Sau đó, tạo từ điển mã với mẫu “Tiêu chuẩn hóa mã Lithology” và ghi chú riêng các nhóm mà AI không chắc chắn. Cuối cùng, quét trước một bức ảnh cốt lõi và viết ra những gì bạn sẽ kiểm tra tại hiện trường đối với từng giả thuyết xuất hiện.
danh sách kiểm tra
- [ ] Tôi đã ẩn danh thông tin tọa độ/giấy phép thực tế trước khi cung cấp dữ liệu cho AI.
- [ ] Tôi đã yêu cầu AI chấm điểm hợp lý chứ không phải sửa lỗi.
- [ ] Tôi đã kiểm tra từng dòng được đánh dấu dựa trên chứng chỉ nhật ký/phòng thí nghiệm thô.
- [ ] Tôi cũng đã xác minh tính nhất quán của khối lượng (g/t, %, ppm, ppb).
- [ ] Tôi coi kết quả đầu ra của bức ảnh cốt lõi là một giả thuyết, tôi không đưa ra quyết định chấm điểm.
- [ ] Tôi đã so sánh bản tóm tắt AI với văn bản nhật ký gốc để xác minh rằng không có thông tin nào được thêm vào.