收益：
- 能够通过人工智能支持清理钻井日志、岩性和等级数据，并检测不一致和编码错误
- 在解释核心摄影和地质观测时，能够准确地将人工智能定位为预分类和假设生成器
- 能够通过地质学家观察和实验室分析交叉验证人工智能推断的岩性/蚀变解释
每个采矿项目的基础都是从地下采集的样本。这些例子中最重要的是钻芯（钻机从圆柱形岩石中提取的连续样本）。地质学家检查岩心；它记录岩石类型（岩性）、结构、蚀变（热水和化学作用引起的岩石变化）和矿化，并分析实验室样品的品位。结果是一张一米一米记录的巨大表格，称为钻井日志。一个项目中可能有数百个钻孔和数万条线路。清理这些数据，将其组合，发现不一致并提取初步解释；这是人工智能真正加速发展的领域，但每一步都需要用地质学家的眼睛来验证。在本单元中，您将学习如何使用人工智能清理钻井/地质数据、如何预先解释岩心图像以及如何验证结果。
钻井数据表剖析
钻井数据集通常由四个表组成，正确组合它们就成功了一半：
- Collar：每个钻孔的起始坐标（X、Y、Z）和总深度。
- 测量（偏差）：沿深度钻孔的斜率（倾角）和方向（方位角）的变化。钻孔永远不会完全笔直。
- 岩性：整个深度范围（从-到）的岩石类型和地质观测。
- 化验：整个深度范围的实验室级结果（例如 Au g/t、Cu %）。
这些表格必须符合from < to、范围不能重叠、代码必须一致等规则。在现实生活中，手动输入的数据总是存在错误：范围缺失、范围重叠、单位混乱（ppm 和 % 混合）、岩性代码的不同拼写（GRN、Grn、花岗岩）、诸如 999 或 -9 之类的代码而不是空值。人工智能在扫描和标记此类不一致方面非常强大；但必须在地质学家的批准下进行修正。
一步一步：利用 AI 进行钻井数据清理
- 介绍一下数据。为 AI 提供列名称、单位和一些示例行（匿名实际坐标）。清楚地描述应该发生什么。
- 列出规则。向 AI 询问“我应该为这张表检查哪些一致性规则”的列表，在上面添加你自己的规则。
- 执行不一致扫描。只需要求 AI 进行标记，而不是自动更正。询问每个标志的理由。
- 回归原始源头。根据原始钻孔记录或实验室证书检查每条标记线。
- 做出修复它的决定。地质学家进行修正；人工智能只是建议。
提示：不要告诉AI“给我修正后的表格”；说“用理由标记可疑线路”。在自动更正表中，几乎不可能注意到悄然损坏的行。
核心照片与视觉解读
在现代项目中，核心盒被拍照。多模型人工智能工具（也可以处理图像的模型）可以从这些照片中产生初步解释：颜色变化、可能的裂缝密度、静脉的存在、可能的蚀变区域。这对于告诉地质学家“仔细看这里”的初步筛选很有价值。然而，岩性和蚀变的决定从来都不是根据照片做出的。需要对岩心进行人工检查、硬度测试、酸反应和实验室分析。 AI从颜色推断“有金色”是一个严重错误；黄金通常是肉眼看不见的，只能通过分析来识别。
三个迷你箱子
案例 1 — 单位干扰捕获。在一个项目中，分析表中有 12,000 行。地质学家向 AI 介绍了该表，并说道：“列出 Au 列中值高于 100 g/t 的行；这些可能是真正的高品位，也可能是 ppm/ppb 混合。” AI标记37行。地质学家查看实验室证书；他发现 34 个实际上是以 ppb（十亿分之一）的形式输入的，但被错误地认为是 g/t，而 3 个才是真正的富矿（非常高的等级）。如果这34条线不加以修正，平均等级就会被人为抬高，储备也会被夸大。
情况 2 — 范围重叠。在岩性表中，一些起始区间重叠：同时定义 45.0-52.0 m 花岗岩和 50.0-58.0 m 页岩。 AI 列出了这些重叠并显示了总共 19 条重叠线。地质学家转向原始原木；查找并纠正数据输入中的行移位。如果不纠正重叠间隔，则仍不清楚将哪种岩石类型分配给块模型，并且吨位计算将不正确。
案例 3 — 不正确的视觉推断（警告）。一名实习生将核心照片交给AI并问道：“这个区域有矿石吗？”人工智能看到红色和静脉并说“可能矿化度很高”。实习生将其作为“矿化”处理到日志中。而红色为氧化铁染色，不含经济矿石；实验室分析发现该等级为痕量水平。教训：无法从图像中确定品位/矿石； AI输出只是一个“检查”标志，通过分析验证。
可复制的提示模板
钻探数据一致性扫描“角色：您是一名助理资源/数据库地质学家。下面是一个[岩性/分析]表，间隔为从到到。列：[列表，带单位]。用行号和原因标记以下不一致之处：从>=到、重叠范围、间隙、可疑单位混淆、重复代码的不同拼写、负值/离群值、代码而不是空白(999/-9)。不要更正，只是标记表：[粘贴]。”
岩性代码标准化 “以下岩性代码是手动输入的，不一致。将同一岩石类型的不同拼写分组（例如 GRN/Grn/花岗岩）。为每个组编写一个推荐的标准代码。在表格中：[原始代码] -> [推荐标准]。分别标记您不确定的组；让我决定。代码：[粘贴]。”
岩心照片预扫描“列出我应该在这张岩心照片中注意到的视觉特征：颜色变化区域、可能的裂缝/裂缝密度、可见的静脉、可能的蚀变标记。将这些写成假设；不要决定岩石类型或等级。对于每个特征，请指出地质学家应在现场检查的内容。”
地质日志摘要“以下文本是钻孔的地质日志。将其转换为包含以下标题的结构化摘要：主要岩性和深度范围、蚀变带、结构注释（断层/裂缝）、矿化观察。请勿添加文本中没有的任何内容；将不明确的短语标记为“不清楚”。日志：[粘贴]。”
弱提示/强提示
弱提示：“修复此钻孔数据。”
强烈提示：“角色：您是一名助理数据库地质学家。在下面的分析表中，仅标记可疑行（从 >= 到、ppm/% 可疑掺假、负值、999 而不是空白）。给出行号 + 每个标记的原因。不要自动更正；我将检查原始证书中的更正。列：HoleID、From(m)、To(m)、Au(g/t)。表：[粘贴]。”
微弱的提示告诉AI“你决定，改变”；强大的提示将AI限制在标记上，将修正权留给了地质学家。
对比表：哪些业务如何使用人工智能
任务
人工智能的作用
谁的决定
验证
标记不一致
强大的浏览器
地质学家修复
原始日志/证书
岩性代码合并
建议
地质学家证实
代码字典
核心照片评论
预筛选/假设
地质学家/实验室
人工检查+分析
品位/矿石决定
未使用
实验室
认可的分析
总结日志文本
配置器
地质学家
与原文对比
常见错误
- 让人工智能“自动更正”表格。您可能不会注意到无声的扭曲；只需标记它即可。
- 从岩心照片中提取品位/矿石。黄金通常是肉眼看不见的；决定是你的分析。
- 粘贴真实坐标而不匿名。许可证和坐标是敏感数据。
- 不将AI摘要与原始日志进行比较。人工智能可以添加文本中没有的观察结果（幻觉）。
- 忽略单位不匹配。 ppm/%/g/t/ppb 混合直接破坏储备。
注意：钻孔数据中的单位误差不会保留在一行中；合成在整个预测和储备中增长和传播。清理阶段的勤奋决定了所有后续账户的可靠性。
总之
钻井/地质数据由四个主要表格（项圈、测量、岩性、化验）组成，一致性规则至关重要。 AI在这种数据不一致扫描、代码标准化、日志汇总和核心照片预扫描方面提供了有力的帮助。然而，修正决定属于地质学家，品位/矿石决定属于实验室。让人工智能标记不进行编辑，从原始来源验证每个标记，并且永远不要从图像推断等级。
应用任务
对您拥有的分析表（或样本）进行匿名化，并使用“钻井数据一致性扫描”模板将其提供给 AI。将标记的行导入表中；考虑为每个内容添加“从原始来源检查”注释。然后用“岩性代码标准化”模板创建代码字典，并单独标注AI不确定的组。最后，预扫描一张核心照片，并写下您将在现场检查出现的每个假设的内容。
清单
- [ ] 在将数据提供给人工智能之前，我对实际坐标/许可证信息进行了匿名处理。
- [ ] 我要求人工智能做出合理的标记，而不是更正。
- [ ] 我检查了根据原始日志/实验室证书标记的每一行。
- [ ] 我还验证了体积一致性（g/t、%、ppm、ppb）。
- [ ] 我将核心照片输出视为一个假设，我没有做出等级决定。
- [ ]我将AI摘要与原始日志文本进行了比较，以验证没有添加任何信息。