Table of Contents

مقدمة: إعادة النظر في تقدير الموارد المعدنية مع مبادرة AI

ويرتكز تقييم وتخطيط مشاريع التعدين على سؤال واحد بالغ الأهمية: كم من المعادن الموجودة بالفعل في الميدان؟ إن الإجابة على هذا السؤال تحدد بدقة الفرق بين الألغام المربحة والخراب المالي، وبين الاستخراج المسؤول والأضرار البيئية، وقد اعتمد تقدير الموارد المعدنية تقليديا على الإحصائيات الجغرافية، والنماذج المغلقة، والتفسير اليدوي لبيانات حفر الحفر، وفي حين أن هذه الأساليب قد خدمت الصناعة منذ عقود، فإنها محدودة بطبيعتها بتعقيد النظم الجيولوجية.

ويعاد تشكيل هذا المجال بسرعة، ولا سيما التعلم الآلي والتعلم العميق، حيث إن نماذج التعلم من البيانات الضخمة التي تعدينها هي عبارة عن نماذج حفرية، ودراسات جيوفيزيائية، وصور ذاتية، وسجلات إنتاجية تاريخية، وسجلات إنتاجية، يمكن أن تنتج تقديرات لا تكون أسرع فحسب بل أكثر دقة وأقل تحيزا من النهج التقليدية، وتدرس هذه المادة الميكانيكيين والتطبيقات والفوائد والتحديات المتبقية في مجال المنافسة.

مؤسسة تقدير الموارد المعدنية التقليدية

مجموعة الأدوات الإحصائية الجيولوجية

وقبل أن يُعرف بمقياس الذهب لتقدير الموارد كان معياراً إحصائياً جغرافياً، حيث توجد تقنيات مثل الحرق العادي والاختراق البسيط والترجيح العكسي، وتعتمد هذه الأساليب على نماذج الوصل المكاني (الرسوم) التي تصف كيف تتغير قيم العينة بالمسافة، ويضع أخصائي جيولوجي مهرة نموذجاً للبيانات، ويستخدمها في عمليات التوزيع بين الأقراصنة في مواقع غير مدمجة.

حدود النهج التقليدية

ويستغرق النموذج التجريبي اليدوي وقتا طويلا ويدخل تحيزا بشريا، ويمكن لإثنين من الإحصائيين الجيولوجيين العاملين على نفس مجموعة البيانات أن ينتجا نماذج مختلفة للموارد، علاوة على ذلك، يكافح الإحصائيات الجغرافية التقليدية مع ما يلي:

  • Complex geological domains] 'ndash; faulted, folded, or highly heterogeneous deposits where stationarity assumptions break down.
  • High-dimensional data] "ndash; modern mines collect multi-sensor geophysical logs, spectral data, and geochemical assays that cannot be fully exploited by univariate or bivariate methods.
  • Uncertainty quantification] "ash; traditional methods provide only limited measures of estimation variation, often underestimating true uncertainty.
  • Scalability] ' sandash; processing millions of blocks with large drillhole datasets remains computationally expensive, especially with conditional simulation.

وقد فتحت هذه نقاط الضعف الباب أمام خوارزميات التعلم الآلات التي يمكن أن تُظهر علاقات غير خطية، وتدمج أنواعا متعددة من البيانات، وتكيف مع النظم المعدنية المعقدة دون تركيب خاروف واضحة.

How AI and Machine Learning Enhance Estimation

التعليم المشرف على الإنتربول

وتعالج نماذج التعلم من الآلات تقدير الرتب كمشكلة تراجعية، نظراً لملامح المدخلات، مثل أقرب قيم الحفر، والمجالات الجيولوجية، والعمق، والتوقيعات الجيوفيزيائية، والنموذج يتعلم التنبؤ بالصف المجهول في كل حي، وكثيراً ما تشمل المقاييس المشتركة الغابات العشوائية، والآلات الدافعة للثدييات (مثلاً، والتفاعل بين الجيلين والأشجار).

التعلم العميق للنمذجة المكانية

كما أن الشبكات العصبية الثورية والشبكات العصبية للرسوم البيانية تزيد من الضغط على الظرف، ويمكن للشبكة الوطنية للمسح التصويري أن تحلل بيانات الحفر باعتبارها إشارات ذاتية واحدة، وأن تكتشف أنماطاً فرعية في التسلسلات الليثولوجية، وأن تمثل النهج القائمة على التدرج، بطبيعة الحال، شبكات الحفر كعناصر وعلاقات مكانية كحوافات، مما يتيح للنموذج نشر المعلومات عن طريق عينات فضائية غير نظامية.

التعلم غير المشرف من أجل التصنيفات الرئيسية

إن تحديد المجالات الجيولوجية خطوة أولى حاسمة في التقدير، إذ أن الخوارزميات غير الخاضعة للرقابة، بما فيها التكتلات الكميائية، والشبكة، والخرائط ذات التنظيم، يمكن أن تحدد تلقائياً مجرى الحفر في الحفريات إلى مناطق متميزة جغرافياً أو معدنياً، ويمكن لهذه الأساليب أن تحد من الذاتية وأن تكشف عن أنماط مخفية قد تفوتها الضوابط التنظيمية القائمة على التكوين اليدوي.

تعزيز التعلم لأغراض التخطيط على الطرق

ويبرز التعلُّم في مجال تعزيز القدرات كأداة لتحقيق الاستخدام الأمثل لثقب الحفر أثناء مرحلة الاستكشاف والملف، ومن خلال تحفيز قيمة المعلومات الواردة من كل موقع من مواقع الحفر المحتملة، يتعلم وكلاء القانون الإقليميون السياسات التي تُحدِّد الموارد إلى أقصى حد مع التقليل إلى أدنى حد من التكلفة، وفي حين أن القانون النموذجي لا يزال تجريبيا، فإنه يتعهد بإغلاق الحلقة بين التقدير وجمع البيانات النشطة، مما يتيح وضع استراتيجيات لأخذ العينات التكيّفة.

الفوائد الرئيسية للمبادرة في تقدير الموارد المعدنية

انخفاض عدد البازلاء البشريين والموضوعية

وتطبق نماذج المعلومات المسبقة عن علم نفس مجموعة الأوزان المتعلمة على كل مدخلاتها، مما يزيل التباين الذي أحدثه مختلف الجيولوجيين في جامعة درسكو؛ والتفسيرات، ويفضي هذا التوحيد إلى نماذج موارد أكثر قابلية للتكرار، وهو عامل حاسم في امتثال الشركة الوطنية 43-101 أو شركة JORC، غير أن التحيز يمكن أن يدخل من خلال اختيار البيانات التدريبية أو هندسة المعالم؛ وهو خطر يجب إدارته من خلال التثبت الدقيق.

ارتفاع الاستحقاق في الودائع المعقدة

وفي توزيعات الرتب المعقدة هيكليا أو الشديدة الارتحال، كثيرا ما تحقق أساليب التنفيذ أخطاء تنبؤية أقل من الاختناق، وقد تبين من دراسة عن رواسب ذهبية في غرب أستراليا أن نموذجا عشوائيا للغابات قلل من الخطأ الجذري في المربع بنسبة 18 في المائة مقارنة بالاختناق العادي، بينما كان من الأفضل التنبؤ بتفوقات عالية الجودة، وقد أُبلغ عن نتائج مماثلة في رواسب الفلف الخلي والحديد والكر وأفران والكبريتيد واللي.

تحديثات الموارد في الوقت الحقيقي

ويمكن لنموذج " آي " ، بمجرد تدريبه، أن يستكمل تقديرات الموارد في الوقت الحقيقي القريب، حيث تصل بيانات جديدة عن المنجم، وتدعم هذه القدرة المصالحة بين الألغام والصغيرة، ومراقبة الرتب، والتخطيط القصير الأجل، وتحتاج تدفقات العمل الجيوغرافي التقليدي إلى إعادة رسم الخرائط وإعادة تصميم نماذج القطع، وهي عملية يمكن أن تستغرق أياما أو أسابيع، ويمكن لنماذج " AI " أن تعيد تدريجيا استخدام البيانات الموجودة أو ببساطة في نسخها.

دمج أنواع البيانات العكسية

(أ) تُستحث في مجال جمع البيانات المتباينة: خلاصات الحفر، والفيزياء الأرضية (الجاما والكثافة والصمود)، والتصوير الأساسي، والمسح الفطري، والتصوير السيزمي، وحتى الاستشعار عن بعد بواسطة السواتل، ويمكن أن تُنقِّل بنيات التعلُّم المتعددة الوسائط هذه المصادر المتباينة، وتتعلم الوصلات بين مختلف الوسائط التي تثري التقدير.

التطبيقات العالمية الحقيقية ودراسات الحالات الإفرادية

المعادن الذهبية والوعية

وقد قام باريك غولد، وريو تينتو، ونيومونت بتجريب برامج لتقدير الموارد التي يقودها المعهد الدولي للإحصاء، واسترد باريك سورسكو؛ واستعمال الآلات في منجمه في توركويز ريدج في نيفادا، بتحسين التنبؤ بالمستوى في رواسب من نوع كارلين معقد، مما أدى إلى زيادة بنسبة 5 في المائة في الأفران عن طريق ترسيم أفضل للخامات/النفايات.

المعادن الأساسية والسلع الأساسية

وفي رواسب الفيزيائية النحاسية، طُبقت نماذج آي في التنبؤ بدرجات النحاس والمولدينوم باستخدام بيانات حفر الحفر وقطع الأشجار الفائقة الطيف، وقد أظهر التعاون بين جامعة كولومبيا البريطانية وموارد التكلور أن الشبكات العصبية الغنية بالثوران يمكن أن تقدر بنجاح درجات النحاس من المعالم المغناطيسية ذات القيمة العالية التي تتجاوز 0.85، مما يتيح إجراء مسح سريع لمجموعات المثقوب من المثقاب الحديد.

الليثيوم والمعادن الحرجة

وقد عجل الطلب على الليثيوم بتبني شركة AI في مشاريع الصخور والروك الصلبة لليثيوم، واستُخدمت خوارزميات تعلم الآلات للتنبؤ بتركيزات الليثيوم من البيانات الهيدروكيميائية في ملاحي مثلث ليثيوم (شيلي والأرجنتين وبوليفيا) وفي الودائع البغيضية، تساعد نماذج AI على تحديد المناطق الغنية بالليثيوم من نموذجي محمول ومضاربة غاما.

التحديات والمخاطر

نوعية البيانات وكميتها

ولا تصلح نماذج المعلومات المسبقة عن علم إلا بقدر ما تكون البيانات التي يتم تدريبها عليها، كما أن أساليب الفرز غير المتجانسة، وسوء استرداد العينات، وأخطاء القياس، والفترات المفقودة يمكن أن تُنشر في تقديرات متحيزة، كما أن العديد من قواعد بيانات التدريب التاريخية لم تصمم للتعلم الآلي؛ والتنظيف والمواءمة بينها جهد رئيسي، وعلاوة على ذلك، قد تكون مجموعة البيانات التدريبية صغيرة جدا بالنسبة للنماذج المعقدة، مما يُهِزِّبُ في استخدام تقنيات إضافية.

الترجمة الشفوية النموذجية

أما النماذج الإحصائية الجغرافية مثل الاختناق فهي شفافة: إذ يمكن تتبع الأوزان الناتجة إلى كل عينة من العينات، أما الشبكات العصبية العميقة فهي من ناحية أخرى صناديق سوداء، مما يخلق حاجزا تنظيميا وثقيا، وكيف يمكن لمدير التعدين أو منظم أن يوقع على تقدير للموارد عندما لا يمكن تفسير الطريقة الكامنة وراءها تفسيرا كاملا؟ إن أساليب المحاسبة البيئية الشاملة، بما فيها قيم الاعتماد على المشاريع الصغيرة والمتوسطة الحجم، وآليات الاهتمام، هي:

التغلغل في الملاءمة والتعميم

ويمكن لنماذج التنفيذ أن تحفظ الضوضاء في بيانات التدريب، مما يؤدي إلى أداء ممتاز في مجموعة التدريب، ولكن إلى سوء تعميم المجالات الجديدة، وفي تقدير الموارد، يكون هذا الخطر حادا لأن البيانات التدريبية كثيرا ما تأتي من نفس الودائع؛ والمناطق المثقبة، بينما يلزم التنبؤات في لبنات غير محركة، وينبغي أن تكون استراتيجيات الترميز الشاملة التي تحترم الكتل المكانية (غير المقسمة عشوائيا) والاختبار الصاري الصاري للأخطار.

قبول الهيئات التنظيمية

وتقضي مدونات التعدين الرئيسية (NI 43-101، JORC، SAMREC) بأن تستند تقديرات الموارد إلى مبادئ سليمة وطرق شفافة، وفي حين أن هذه الرموز لا تحظر على شركة AI، يجب أن يكون الأشخاص المؤهلين قادرين على تفسير تدفق العمل والدفاع عنه، ففي عام 2025، قد يكون لدى عدد قليل من الشركات الصغيرة خبرة في مجال التعلم الآلي، كما أن الجهات التنظيمية لا تزال حذرة، وتعمل على وضع مبادئ توجيهية واسعة النطاق للتحقق من نماذج القبول في مجال الموارد.

الاتجاهات المستقبلية

التكامل مع الألغام الأرضية الخفيفة والمنبعثة

إن شبكة الإنترنت للأشياء تغرق الألغام التي تحتوي على بيانات مستمرة عن أجهزة الاستشعار: وزن الشاحنات، وأجهزة مسح الحزام، ومراقبات ازدهار الانفجارات، والطائرات الآلية، والنماذج التي تستخدم أجهزة التصوير السريع هذه، ستمكن نماذج الموارد الدينامية التي تستكمل باستمرار، ليس فقط عندما تصل المؤخرات الجديدة.

منظمة غير حكومية نموذجية للنمذجة الجيولوجية

ويمكن أن تؤدي نماذج التجانس (مثلاً، الشبكات الجيولوجية، ونماذج النشر، والنماذج اللغوية الكبيرة التي تُحَدَّل على التقارير الجيولوجية) إلى إيجاد 3D نماذج للودائع المعدنية من بيانات الفصام، مما يولد مئات من الإدراكات المعقولة، وهذا يفتح الباب أمام التحديد الكامل للثبات في إطار بيزيائي، لا يوفر تقديراً واحداً فحسب، بل أيضاً تقديراً محتملاً لتوزيع الدرجات، والرسوم، وتقديرات الأكثر بروزاً للمخاطر المعدنية.

جمع البيانات المستقلة وأخذ العينات

وسيجمع أجهزة الحفر المستقلة، والعينات الأساسية الآلية، والطائرات المسماة " آي " التي تستخدمها أجهزة المسح، البيانات استجابة لنموذج " آي " ؛ وعدم التيقن؛ وإذا كان النموذج يشير إلى وجود قدر كبير من عدم اليقين في منطقة معينة، فإنه يمكن أن يوجه حفرة الحفر التالية إلى تلك المنطقة، وهذا النهج المغلقة يزيد من زيادة المعلومات لكل متر مثقب، ويقلل تكاليف الحفر الإجمالية، ويحسن دقة التقدير النهائي.

خاتمة

ولا تحل الاستخبارات الفنية محل الخبرة الفنية لدى العلماء بل تزيدها، فالاستخبارات الاستخبارية، عن طريق التشغيل الآلي للمهام المضنية، والكشف عن الأنماط الخفية، وبث مصادر بيانات متنوعة، تتيح زيادة دقة وسرعة، وأقل التقديرات المتحيزة للموارد المعدنية، ويجب أن تكون شركات الاعتماد المبكر، وشركات التعدين الرئيسية، والمستكشفين المبتدئين تدريجيا، وتظهر فوائد ملموسة في خفض التحلل، وتحسين الانتعاش، وانخفاض تكاليف القبول في البيانات.

والطريق الذي يمضي قدما ليس هو الاختيار بين علم الإحصاءات الجغرافية والتعلم الآلي، بل هو الجمع بين أفضل العالمين، والنماذج الهجينة التي تدمج القيود الجيولوجية في هياكل الشبكات العصبية، أو استخدام مؤشر التنمية الصناعية لاستنباط معايير نموذجية أفضل، تمثل البقعة الحلوة في الأجل القريب، ومع تطور التكنولوجيا ونمو الثقة، فإن تقدير الموارد الذي يقوده المعهد سوف يصبح حجر الزاوية في المستقبل الذكي والمستدام.

For more information on machine learning in geostatistics, readers may consult This recent review in Computers & Geosciences and the McKinsey & Company insights on AI in mining Case studies from Goldarrick