Lợi nhuận:
- Khả năng giải thích việc sử dụng AI và phản ứng tổng hợp dữ liệu nhiều lớp trong thăm dò khoáng sản
- Hiểu cách tạo mô hình khối và ước tính điểm bằng cách sử dụng thống kê địa lý (kriging, variogram) và học máy.
- Khả năng kiểm tra kết quả ước tính nguồn với xác thực chéo, độ tin cậy phân loại và tiêu chuẩn báo cáo
Tìm kiếm khách hàng tiềm năng là một trò chơi cá cược trong đó các quyết định trị giá hàng triệu đô la dựa trên một số mẫu thử nghiệm. Một mỏ khoáng sản (mỏ quặng ở Anh; một mỏ khoáng sản phong phú và đủ lớn để có thể khai thác) được ẩn giấu dưới diện tích hàng trăm km2 và chúng ta chỉ "nhìn thấy" nó bằng những lần khoan không thường xuyên, bóng địa vật lý và điểm đánh dấu bề mặt. Đó là lý do tại sao thăm dò khoáng sản là một trong những lĩnh vực ứng dụng thú vị nhất nhưng cũng nguy hiểm nhất của AI: khi được sử dụng đúng cách, nó sẽ tăng tốc độ nhắm mục tiêu thăm dò và rút ra nhiều ý nghĩa hơn từ dữ liệu thưa thớt; Khi sử dụng không đúng cách, nó che giấu một nội dung không tồn tại đằng sau các số liệu thống kê và đánh lừa cả nhà đầu tư lẫn xã hội.
Trong phần này, chúng ta sẽ đề cập đến hai khía cạnh trí tuệ nhân tạo chính của hoạt động thăm dò: nhắm mục tiêu thăm dò (triển vọng khoáng sản; ước tính từ dữ liệu nhiều lớp khu vực nào có khả năng có trữ lượng) và ước tính tài nguyên (tính toán với mức độ tin cậy mà chúng ta có thể nói có bao nhiêu kim loại trong một trữ lượng đã khoan). Trong cả hai trường hợp, AI là công cụ tìm mẫu hiệu quả; Nhưng trong cả hai trường hợp, con số cuối cùng là trách nhiệm của người có thẩm quyền đã ký các chuẩn mực báo cáo quốc tế.
Nhắm mục tiêu tìm kiếm: Hợp nhất dữ liệu nhiều lớp
Một nhà địa chất thăm dò không nhìn vào một loại dữ liệu duy nhất mà nhìn vào các lớp phủ: bản đồ địa chất, đường viền cấu trúc (đứt gãy và nếp gấp), địa vật lý (từ tính, trọng lực, điện trở suất), địa hóa học (giá trị phần tử mẫu đất và dòng chảy) và sự thay đổi được lập bản đồ bằng viễn thám. Mỗi lớp là một manh mối mờ nhạt; Tín hiệu thực sự là nơi chúng chỉ vào nhau. Điều này được gọi là hợp nhất dữ liệu.
Trí tuệ nhân tạo thực hiện hai công việc ở đây. Đầu tiên, nó căn chỉnh hàng chục lớp trên cùng một lưới tọa độ (một nhiệm vụ đơn lẻ, tẻ nhạt nhưng dễ xảy ra lỗi) vào một bảng phân tích duy nhất. Thứ hai, nó tìm hiểu mô hình xung quanh các khoản tiền gửi đã biết và đánh dấu các khu vực mới có dấu hiệu tương tự (học có giám sát). Nhưng có một cái bẫy nguy hiểm ở đây: số lượng luống được biết thường rất ít (có thể từ 5-10 luống trong một khu vực) nên mô hình dễ ghi nhớ và thất bại ở những khu vực mới. Đó là lý do tại sao kết quả nhắm mục tiêu không phải là danh sách "đá quý chắc chắn tồn tại", mà là "thứ tự ưu tiên đáng để thử nghiệm bằng cách khoan".
Các bước thường như sau: (1) căn chỉnh và làm sạch các lớp, (2) dịch từng lớp thành mã thông báo có ý nghĩa dựa trên mô hình đáy (ví dụ: “khoảng cách đến điểm giao nhau”, “cạnh từ cao”), (3) huấn luyện với các đáy hoặc trọng lượng đã biết bằng quy tắc chuyên gia, (4) tạo bản đồ xác suất, (5) kiểm tra các khu vực có xác suất cao nhất trên hiện trường và bằng các phương pháp chi phí thấp.
Mẹo: Thay vì đưa các lớp thô vào mô hình, hãy lấy các điểm đánh dấu có ý nghĩa về mặt địa chất (“vòng từ + sự thay đổi argillic + giao điểm đứt gãy đối với đồng xốp”). Các chỉ số tương thích với mô hình vòng bi tạo ra các mục tiêu mạnh mẽ hơn nhiều so với thống kê mù.
Thống kê địa lý và ước tính tài nguyên: Mô hình Variogram, Kriging và Block
Khi khoản tiền gửi được tìm thấy và khoan, câu hỏi sẽ thay đổi: “Có bao nhiêu kim loại ở đây và chúng ta có thể tin tưởng vào nó ở mức độ nào?” Câu trả lời yêu cầu phép ngoại suy từ các điểm khoan được lấy mẫu đến khối lượng đá chưa lấy mẫu. Công cụ tiêu chuẩn cho việc này là địa thống kê.
Khái niệm cơ bản là variogram: thước đo tính liên tục trong không gian mô tả mức độ tương đồng về cấp độ giảm khi hai mẫu di chuyển xa nhau hơn. Các ví dụ ở gần là tương tự, các ví dụ ở xa là độc lập; Variogram định lượng "phạm vi tương tự" này. Kriging là một phương pháp trung bình có trọng số sử dụng cấu trúc variogram này để đưa ra cấp độ, cả ước tính và độ không đảm bảo của ước tính, cho từng khối chưa được lấy mẫu. Khoản tiền gửi được chia thành các khối có cạnh được đo bằng mét (mô hình khối) và mỗi khối được chỉ định một cấp độ và độ tin cậy.
Trí tuệ nhân tạo có ba điểm ở đây. Trong mô hình variogram, nó gợi ý các mô hình thay thế và đánh giá sự phù hợp. Các phương pháp học máy (ví dụ: rừng ngẫu nhiên, tăng cường độ dốc) có thể nắm bắt các mối quan hệ cấp độ phi tuyến tính ngoài việc giết chết. Và nó tăng tốc độ mã hóa, kiểm tra và báo cáo toàn bộ quy trình làm việc. Nhưng hai quy tắc sắt vẫn không thay đổi: không bao giờ có thể che giấu độ không chắc chắn của ước tính và nguồn lực cuối cùng được người có thẩm quyền sắp xếp thành các lớp Đo lường/Chỉ định/Suy luận theo tiêu chuẩn quốc tế (khung công khai, có thể kiểm tra được về báo cáo tài nguyên/dự trữ, chẳng hạn như JORC, NI 43-101, PERC).
Thận trọng: Mô hình học máy có thể "làm trơn" các vết khoan, tạo ra tính liên tục không tồn tại trong thực tế. Một vài mẫu vật cao cấp có thể làm phong phú thêm toàn bộ khối (bôi nhọ tiếng Anh) một cách không công bằng. Việc giới hạn các giá trị cao (top-cut) và kiểm soát số lượng mẫu trên cơ sở khối là điều cần thiết; nếu không trọng tải sẽ phồng lên trên giấy.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Ưu tiên nhắm mục tiêu. Một nhóm thăm dò đang làm việc với kinh phí khoan hạn chế ở khu vực được cấp phép rộng 380 km2. Một bản đồ xác suất hợp nhất bảy lớp địa vật lý/địa hóa chỉ đánh dấu 6% diện tích là “mức độ ưu tiên cao”. Nhóm đã chỉ đạo năm cuộc tập trận đầu tiên vào 6% này; tìm thấy các điểm giao cắt đồng quan trọng ở ba trong số đó. Điểm quan trọng: bản đồ không "chứng minh" quặng, hợp lý hóa nơi tập trung ngân sách khoan và giảm số lượng thử nghiệm mù quáng.
Trường hợp 2 - Chụp vết bẩn. Tại một mỏ vàng, mô hình khối đầu tiên đã làm tăng các khối xung quanh do tác động của một mẫu vượt quá 78 g/t, đánh giá quá cao tài nguyên tới 14%. Dự đoán đã được đưa đến mức thực tế bằng cách giảm giá trị cao nhất (giảm giá trị cao xuống ngưỡng thống kê) và kiểm soát mẫu lân cận được áp dụng trong đánh giá QA/QC. Sự khác biệt ảnh hưởng trực tiếp tới quyết định đầu tư hàng triệu USD.
Trường hợp 3 - Kỷ luật phân loại. Trên một dự án sắt, mô hình cho thấy dự đoán toàn bộ mỏ với độ tin cậy cao; tuy nhiên, mật độ khoan rất thưa thớt ở các khu vực cận biên. Người được ủy quyền đã loại bỏ khối lượng lấy mẫu thưa thớt khỏi đánh giá kinh tế, hạ cấp xuống "Suy luận". Vì vậy, báo cáo đã tránh phóng đại lượng dự trữ được công bố công khai và vẫn phù hợp với tiêu chuẩn.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Phân tích năng suất khoan và cho biết có bao nhiêu vàng trong mỏ.[bảng xét nghiệm]
Lời nhắc mạnh mẽ:
Vai trò của bạn: Nhà thống kê tài nguyên. CUNG CẤP SỐ NGUỒN với dữ liệu xét nghiệm hỗn hợp sau đây. Thay vào đó:1) Tóm tắt cách phân bổ điểm; đánh dấu các ngoại lệ có thể có và nhu cầu cắt đỉnh.2) Đề xuất các hướng biểu đồ đa dạng nào cần được kiểm tra về tính liên tục trong không gian.3) Chỉ ra các khu vực nào chỉ có thể được phân loại là "Bỏ qua" do mật độ khoan thấp.4) Liệt kê 4 nguồn không chắc chắn có thể ảnh hưởng đến kết quả. Dữ liệu là ẩn danh; không có tọa độ/công ty thực tế.
Lời nhắc mạnh mẽ ngăn mô hình tạo ra một con số lừa đảo duy nhất và biến nó thành một trợ lý sắp xếp chính xác các câu hỏi mà người phụ trách nên hỏi.
Bốn mẫu có thể sao chép
1) Dẫn xuất mã thông báo cho phản ứng tổng hợp lớp:
Đề xuất các dấu hiệu có ý nghĩa từ các lớp sau dựa trên mô hình thăm dò đồng xốp: từ tính, trọng lực, điện trở suất, địa hóa đất (Cu-Mo-Au), sự biến đổi. Đối với mỗi điểm đánh dấu: liên kết đến mô hình tiền gửi, nguồn có thể gây hiểu lầm và phương pháp xác minh trường. Đưa ra mục tiêu chính xác; Thiết lập logic ưu tiên.
2) Xét nghiệm sàng lọc trước QA/QC:
Kiểm tra bảng xét nghiệm để biết các thông tin sau: giá trị âm/không thể, tỷ lệ dấu hiệu dưới giới hạn phát hiện, sai lệch đơn vị (ppm/%/g-t), thỏa thuận mẫu lặp lại, mẫu trắng và mẫu chuẩn. Chỉ cần liệt kê các vấn đề bằng cách khoan_id; đánh giá, điều chỉnh.
3) Bản thảo giải thích Variogram:
Giải thích các kết quả của phép đo biến thiên thực nghiệm: giải thích bằng ngôn ngữ đơn giản ý nghĩa của điểm nugget, phạm vi và ngưỡng cửa; Có bất kỳ dấu hiệu bất đẳng hướng? Đánh dấu những quyết định nào cần có sự chấp thuận của nhà địa chất trước khi giết người. Logic, không phải mã.
4) Kiểm soát phân loại nguồn:
Trong mô hình khối, đối với mỗi khối: phương sai kriging, số lượng mẫu được sử dụng để ước tính và khoảng cách đến lỗ khoan gần nhất đã được đưa ra. Đưa ra một phác thảo HỢP LÝ về khối nào phù hợp nhất với lớp Đo/Hiển thị/Suy ra theo logic tiêu chuẩn. Việc phân loại cuối cùng thuộc về người có thẩm quyền; nêu rõ điều này.
So sánh các phương pháp
phương pháp
làm gì
điểm mạnh
Rủi ro chính
Quy tắc chuyên gia (lớp có trọng số)
Sắp xếp mục tiêu với thông tin
Hoạt động với ít dữ liệu, minh bạch
thiên kiến chuyên môn
Nhắm mục tiêu ML được giám sát
Học từ chiếc giường đã biết
Chụp mô hình phức tạp
Ghi nhớ trong một vài ví dụ
sự tàn sát
Tenor dự đoán một cách không chắc chắn
Tiêu chuẩn, có thể kiểm toán
Lỗi Variogram, bôi nhọ
Ước tính cấp ML
mối quan hệ phi tuyến
Linh hoạt
Có thể che giấu sự không chắc chắn, thích ứng quá mức
Mô phỏng (ví dụ: SGS)
Tạo các kịch bản xác suất
Hình dung sự không chắc chắn
Quá tự tin nếu hiểu sai
Mẹo: Khi ước tính nguồn lực, hãy yêu cầu phạm vi và kịch bản thay vì “con số tốt nhất duy nhất”. Ba kịch bản lạc quan/kỳ vọng/thận trọng cung cấp cơ sở trung thực hơn cho việc ra quyết định so với sự chắc chắn sai lầm được tạo ra bởi một con số duy nhất.
Những lỗi thường gặp
- Làm ML ghi nhớ với một chiếc giường ít người biết. Một mô hình được huấn luyện với năm vòng bi là không đáng tin cậy trong lĩnh vực mới; xem kết quả đầu ra như một danh sách ưu tiên, không phải là bằng chứng.
- Không giới hạn các giá trị cực trị. Một thử nghiệm cao duy nhất, nếu không thực hiện việc cắt từ trên xuống, sẽ làm giàu (bôi nhọ) các khối xung quanh một cách không công bằng và làm tăng trọng tải.
- Không báo cáo sự không chắc chắn. Việc che giấu phương sai và phân loại của Kriging cũng như trình bày các số liệu đơn lẻ là trái với các tiêu chuẩn và tính toàn vẹn.
- Bỏ qua việc phân loại Việc trình bày khối lượng lấy mẫu thưa thớt dưới dạng Đo lường sẽ làm ảnh hưởng đến phán đoán kinh tế và niềm tin của công chúng.
- Bỏ qua QA/QC. Không có cấp độ nào là đáng tin cậy nếu không có sự giám sát độ lệch trong phòng thí nghiệm với các mẫu trắng và mẫu chuẩn.
Tóm lại
- Nhắm mục tiêu thăm dò tạo ra mức độ ưu tiên khoan thông qua phản ứng tổng hợp dữ liệu nhiều lớp; Nó không chứng minh được quặng, nó làm giảm sự thử nghiệm mù quáng.
- Ước tính tài nguyên được đánh giá một cách chắc chắn bằng cách sử dụng phương pháp variogram và kriging; Mô hình khối được xây dựng dựa trên điều này.
- Học máy rất mạnh mẽ, nhưng nó ghi nhớ các mẫu nhỏ, làm mờ các giá trị ngoại lệ và có thể che giấu sự không chắc chắn.
- Mối hàn cuối cùng được phân loại và ký bởi người có trình độ được ủy quyền theo các tiêu chuẩn như JORC/NI 43-101.
- Giá trị không phải là một con số lừa đảo; Sự không chắc chắn nằm ở mức độ ưu tiên có thể kiểm tra và phân loại được báo cáo trung thực.
Nhiệm vụ ứng dụng
Nhận bảng xét nghiệm phức hợp ẩn danh (hoặc giá trị đại diện). Với lời nhắc mạnh mẽ, hãy yêu cầu mô hình về: giá trị quá cao/nhu cầu cắt cao nhất, hướng biểu đồ đa dạng và các vùng mật độ thấp thay vì số liệu nguồn. Sau đó, yêu cầu mẫu "kiểm soát phân loại nguồn" tạo bản nháp trong đó các khối sẽ thuộc lớp tin cậy nào. Cuối cùng, hãy quan sát xem mô hình có cố gắng đưa ra một con số trọng tải duy nhất hay không và viết bằng một câu tại sao bạn nên từ chối nó.
danh sách kiểm tra
- [ ] Tôi nhận ra rằng mục tiêu thăm dò không chứng minh được quặng, nó tạo ra ưu tiên khoan.
- [ ] Tôi có thể giải thích mức độ ước tính của variogram và kriging một cách không chắc chắn.
- [ ] Tôi nhận ra những rủi ro của việc bôi nhọ, cắt xén và định giá quá cao và coi QA/QC là bắt buộc.
- [ ] Tôi hiểu rằng tài nguyên được phân loại là Đo lường/Chỉ định/Suy luận theo tiêu chuẩn và thuộc về người được ủy quyền.
- [ ] Tôi đã áp dụng một nguyên tắc yêu cầu phạm vi và kịch bản không chắc chắn thay vì các con số đơn lẻ.