הקדמה: חשיבה מחדש של מינרלי משאבים אסטימומציה עם AI

הערכת שווי ותכנון פרויקטים כרייה נשענים על שאלה קריטית אחת: כמה מינרלים באמת באדמה?תשובה לשאלה זו מגדירה במדויק את ההבדל בין מכרה רווחי לבין הרס פיננסי, בין מיצוי אחראי לבין נזק סביבתי.התמדה של משאבים מינרליים התבססה באופן מסורתי על גיאוסטיסטים, חסימת מודלים ופרשנות ידנית של נתוני חור.

אינטליגנציה מלאכותית, במיוחד למידת מכונה ולמידה עמוקה, מעצבת במהירות את התחום הזה.על ידי דפוסי למידה של נתונים עצומים ומדכאים; כולל קידוחים, סקרים גיאופיזיקה, תמונות היפר-ספקטרוםיות, ורשומות ייצור היסטוריות ורשומות ייצור ורשומות ייצור היסטוריות ורשומות תעשייתיות יכולות לייצר הערכות שאינן רק מהירות יותר, אלא גם מדויקות יותר ופחות מוטות מאשר גישות קונבנציונליות.

יסודות של מינרלים מסורתיים אסטימום

ערכת הכלים הגיאו-סטיסטית

לפני AI, תקן הזהב עבור הערכת משאבים היה גיאטטיסטים, עם טכניקות כמו קיפדנות רגילה, קל השקיה, ומרחק הפוך משקל (IDW) שיטות אלה מסתמכות על מודלים מרחביים (variograms) המתארים כיצד ערכי הדגימה משתנים עם מרחק. גיאסטאני מיומן מתאים אדמירציה לנתונים, אז משתמשת בו כדי לדרגות בין-פוליות ב-אין-מודלים, תוך כדי חסימה מורכבת של מיקום גיאוגרפיסטיאניסטיאני מתאים ל-מתאים ל-מתאים של מערכת יחסים של חסימות מתמטיים של מיקום:

הגבלות של גישות מסורתיות

מודל ידני Variogram הוא זמן-consuming ומציג הטיה אנושית.שני גיאוסטיסטים הפועלים על אותה סמך יכולים לייצר מודלים שונים של משאבים.

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) נתונים מרשימים גבוה (FLT:1 – מכרות מודרניות אוספים יומני גאופיזיקה רב-רגישים, נתונים ספקטרליים, ו- אמירות גיאוכימיות שלא ניתן לנצל באופן מלא על ידי שיטות לא-ivariate או דו-לשוניות.
  • (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ :0) , ⁇ ⁇ ⁇ ; עיבוד של מיליוני בלוקים עם נתונים גדולים של קידוח נשאר יקר חישובי, במיוחד עם סימולציה מותנית.

חולשות אלה פתחו את הדלת לאלגוריתמים של למידת מכונות שיכולים לעצב מערכות יחסים לא ליניאריות, לשלב סוגים רבים של נתונים, ולהתאים את מערכות מינרלים מורכבות ללא התאמה מפורשת של variogram.

כיצד בינה מלאכותית ומכונה למידה משפרות את האסטימומציה

למידה על ידי Age Interpolation

מודלים של Machine Learning (ML) מתייחסים להתאמה כבעיה של רגרסיה.בהתחשב בתכונות קלט ונדש; כגון ערכי קידוח קרובים ביותר, תחומים גיאולוגיים, עומק וחתימות גיאופיזיקה וונדש; המודל לומד לחזות את הציון הלא ידוע בכל בלוק. אלגוריתמים נפוצים כוללים יערות אקראיים, ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ , XGB , Light , cGB , cGBM , תמיכה), תמיכה , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , תוקפנות M), , תוקפנות M), תוקפנות תוקפנות , , , תוקפנות , , , , , , תוקפנות תוקפנות , , , תמיכה , , ,

למידה עמוקה עבור מודלים ספטיים

רשתות עצביות מהפכתיות (CNN) ורשתות עצביות גרפיות (GNN) דוחפות את המעטפה עוד יותר. CNN יכולים לנתח נתוני קידוח כאות חד-ממדיות, לזהות דפוסים עדינים ברצףים ליתולוגיים. גישות המבוססות על Graph באופן טבעי מייצגים רשתות קידוח כמו נופים ומערכות יחסים מרחביות כמו הקצוות, ומאפשרות לדגם להפיץ מידע באמצעות דגימות חלליות לא סדירות.

למידה בלתי מבוקרת ל- Domain Classification

Defining דומיינים גיאולוגיים הוא צעד ראשון מכריע באלגוריתמים בלתי מבוקרים, כולל k-means מקבץ, DBSCAN ומפות מאורגנות עצמית, יכול באופן אוטומטי לחלק את ה-Centerhole כפי שמסביר לאזורים גיאוגרפיים או מינרלוגניים.שיטות אלה להפחית את הסובייקטיביות ויכולות לחשוף דפוסים נסתרים כי פרשנות חוצה-פרק ידני עשויה להחמיץ.

Reinforcement Learning for drill תכנון

Reinforcement למידה (RL) מתפתח ככלי לקידוד מיקום חור קידוח במהלך חקר ושלבי infill. על ידי הדמיה של הערך של מידע מכל מיקום קידוח פוטנציאלי, סוכני RL לומדים מדיניות שממקסמת את הגדרת המשאבים תוך צמצום העלות. בעוד שעדיין ניסיונית, RL מבטיחה לסגור את הלולאה בין estimation ואוסף נתונים פעיל, המאפשר אסטרטגיות דגימה הסתגלות.

יתרונות מרכזיים של AI ב-מינרלי משאבים אסטימוation

צמצום ה-Bas והסובייקטיביות האנושית

מודלים של בינה מלאכותית ליישם את אותה סט של משקולות נלמדות לכל קלט, ביטול יכולת ההנעה שהוצגה על ידי גיאולוגים שונים ’ פרשנויות. תקן זה מוביל למודלי משאבים הניתנים להתחדשות, גורם קריטי עבור עמידה של 43-101 או JORC. עם זאת, הטיה עדיין יכולה להיכנס באמצעות בחירת נתונים או הנדסת נתונים או תכונה & ndash; סיכון שיש לנהל באמצעות אימות קפדני.

דיוק גבוה יותר ב-Complex Deposits

בהתפלגות כיתה מורכבת או גבוהה מאוד, שיטות בינה מלאכותית לעתים קרובות להשיג שגיאות חיזוי נמוך יותר מאשר קרירינג. A מחקר על פיקדון זהב במערב אוסטרליה מצא כי מודל יער אקראי הפחית את השגיאה מרובעת שורש (RMSE) על ידי 18% בהשוואה ל-Kriging רגיל, בעוד גם טוב יותר לחזות מראשות דומות ברמה גבוהה דווחו ב porphyry נחושת, ברזל או , , רטיקוליום, ו- פקדת.

עדכון משאבים בזמן אמת

לאחר אימון, מודל בינה מלאכותית יכול לעדכן הערכות משאבים בזמן אמת כמו נתונים חדשים של אסימונים מגיע מכרה.יכולות אלה תומכות פיוס-ל-מילי, בקרה בכיתה, ותכנון לטווח קצר. זרימת עבודה גיאוסטיסטית מסורתית דורשות התאמה מחדש של variograms ותיקון מודלים בלוקים, תהליך שיכול לקחת ימים או שבועות. AI יכול לאימון מחדש באופן הדרגתי, או פשוט על פני נתונים חדשים, באמצעות שבועות.

שילוב של Diverse Data Types

AI מצטיין בנתונים הטרוגניים המפחידים: ⁇ , מטה גיאופיזיקה (gamma, צפיפות, התנגדות), צילום ליבה, סריקות היפר-ספקטרום, טומוגרפיה סיסמית, ואפילו חישה מרחוק לוויינית. ⁇ s. Multimodal למידה אדריכלות יכול לזרז את מקורות הפירוק האלה, התאמות יקרות-מתונות כי העשרה ספקטרום, לדוגמה ספקטרום כימי בלבד, כמו ספקטרום נתונים ויזואליים על חתומיים.

יישומים אמיתיים ומקריות

זהב ומכות קדמוניות

Barrick Gold, Rio Tinto, ו- Newmont פיילוטו תוכניות של משאבים מונעים על ידי AI. Barrick ’ השימוש של Machine Learning במכרה של Turquoise Ridge בנבאדה השתפרה החיזוי בכיתה בפקדת הטיפוס המורכבת קרלינין, המוביל ל-5% בגידול התאושש באמצעות אונקיה טובה יותר באופן דומה, גולדפילדס השתמש במודלים אקראיים בממכרה בדרום אפריקה כדי להפחית את הנקה.

בסיס מתכת וסחורות

בפקדות porphyry נחושת, מודלים AI כבר מיושם כדי לחזות ערכות נחושת ו molybdenum באמצעות נתוני קידוח ו- Hyperspectral הליבה logging A שיתוף פעולה בין אוניברסיטת קולומביה הבריטית ו-Teck Resources הוכיחו כי רשתות עצביות אבולוציה יכולות להעריך ציוני נחושת מתחומים גלויים-נאר אינפרא אדום (VNIR) spectra עם R2 ערכים מעל 0.85, המאפשר סריקה מהירה של הליבה של כל הליבה או חומרים מגנטיים בהצלחה על ידי הנדסה גבוהה.

Lithium ומינרלים קריטיים

הפריחה בביקוש ליתיום העלתה אימוץ AI בפרויקטים ליתיום רוק קשה.אלגוריתם למידת מכונה שימש לחיזוי ריכוזי ליתיום מהנתונים הידרוג'וכימיקליים בסלארים של משולש ליתיום (צ'יל, ארגנטינה, בוליביה), ב- spodumene pegmatite Deposits, מודלים AI עוזרים לזהות אזורי לית עשירים מ XRF ו gma-R, להפחית 20% דרישות TRAD.

אתגרים וסיכון

איכות נתונים וזמינות

מודלים של בינה מלאכותית הם רק טובים כמו הנתונים שהם מאומן על שיטות של אסטינג לא עקביות, התאוששות מדגם גרוע, שגיאות מדידה, מרווחים חסרים יכולים להפיץ לתוך הערכות מוטות.מאגרי נתונים היסטוריים רבים לא נועדו ללמידה מכונה; ניקוי ופגיעה בהם היא מאמץ מרכזי, יתר על כן, בפרויקטים מרוחקים של מחקר, את נתוני האימון עשויים להיות קטנים מדי עבור מודלים מורכבים, סיכון overfit לשיטות כגון: שיפור נתונים (שיפור) כגון בדיקות נתונים (שיפור) ומניעה) כגון בדיקות נתונים (שיפור) ושינויים פעילים).

מודל Interpretability

מודלים גיאופלסטיים כמו קילינג הם שקופה: משקולות פלט ניתן לעקוב לאחור כל דגימה קלט.רשתות עצביות עמוקות, מצד שני, הם ארגזים שחורים.זה יוצר מחסום רגולטורי ואמון.איך יכול להיות מנכ"ל כרייה או שלט רגולטורי על הערכת משאבים כאשר השיטה מאחורי זה לא ניתן להסביר לחלוטין את שיטות AI (XAI), כולל ערכים, MEDICAL, ותשומת לב משולבת, הם עדיין תכונות מורכבות, אבל עדיין לא ניתן להסביר את התכונות של תכונות מורכבות?

התאמה ו generalization

מודלים של בינה מלאכותית יכולים להזכר רעש בנתונים האימונים, מה שמוביל לביצועים מעולים על מערכת האימונים אך הכללה גרועה לאזורים חדשים.בהתאמה למשאב, הסיכון הזה הוא חריף כי נתוני אימון לעתים קרובות מגיעים מאותו הפיקדון ’ אזורי קידוח, בעוד התחזיות נדרשים במכשולים בלתי מסולקים.

קבלה

קודי כרייה גדולים (NI 43-101, JORC, SAMREC) מחייבים כי הערכות משאבים חייבות להיות מבוססות על עקרונות קול ושיטות שקופות. בעוד קודים אלה אינם אוסרים על AI, אנשים מוסמכים (QPs) חייבים להיות מסוגלים להסביר ולהגן על זרימת העבודה.נכון ל-2025, למעט QPs יש מומחיות למידה עמוקה, ורגולטורים נשארים זהירים.

כיוונים עתידיים

שילוב עם IoT ומכרות חכמות

האינטרנט של דברים (IoT) הוא מציף מכרות עם נתוני חיישן מתמשך: משאיות שוקלות, סורקי חגורות, צגי רטט פיצוץ, ומזל"טים בתי חולים. AI מודלים כי הזנת זמן אמת אלה יאפשרו מודלים משאבים דינמיים שעדכון ברציפות, לא רק כאשר אסימונים חדשים מגיעים. תאומים דיגיטליים של פיקדונות, שילוב של התכת משאבים עם תכנון וסימולציה, כבר נבדקים באתרי מכרה; כמו GISconcqurs;

AI ליצירת מודל גיאולוגי

מודלים יצרניים (למשל, gans, מודלים דיפוזיה, מודלים שפה גדולה שהונחו על דוחות גיאולוגיים) יכולים ליצור מודלים תלת-ממדיים של פיקדונות מינרלים מהנתונים העצומים, יצירת מאות של התגשמות סבירה.זה פותח את הדלת להגדרה מלאה במסגרת Bayesian, מתן לא רק הערכה אחת אלא גם הסתברות של ציונים, חיזוי, ומינרלים שימושיים יותר עבור החלטות פרוביותיות.

איסוף נתונים אוטונומי והתאמה

חומרים מקדימים אוטונומיים, מדגם הליבה הרובוטי, ורחפנים של סקר AI-oriented יאספו נתונים בתגובה למודל AI &quo; אי הוודאות של המודל, אם המודל מצביע על אי ודאות גבוהה באזור מסוים, הוא יכול לכוון את החור הבא של התרגיל לאזור זה. גישה סגורה זו ממקסימה את המידע למטר קידוח, צמצום עלויות קידוח הכולל תוך שיפור הדיוק הסופי.

מסקנה

אינטליגנציה מלאכותית אינה מחליפה את המומחיות של הגלוג והרסקו, אלא מגבירה אותה.על ידי אוטומציה של משימות מייגעות, זיהוי דפוסים נסתרים, וניצול מקורות נתונים מגוונים, בינה מלאכותית מאפשרת יותר מדויק, מהיר יותר, ופחות הערכות משאבים מינרלים מוטות.המצים מוקדמים ונדינביך; חברות כרייה גדולות וחוקרים זוטרפים מתקדמים; הם מפגינים יתרונות מוחשיים בצמצום דילול, התאוששות, שיפור, ובדיקה נמוכה יותר, אך ורקפת.

הדרך קדימה היא לא על בחירה בין גיאוטטיסטים לבין למידת מכונה, אלא על שילוב הטוב ביותר של שני העולמות.מודלים היברידיים שקודמים מגבלות גיאולוגיות לאדריכלות רשת עצבית, או להשתמש ב-AI כדי להפיק פרמטרים טובים יותר של variogram, מייצגים את הנקודה המתוקה לטווח הקרוב.כפי שהטכנולוגיה בוגרת ואמון גדלה, estimation של משאבים מונעים על ידי AI יהפכו אבן הפינה של אינטליגנציה, בת קיימא של העתיד.

(ב) לקבלת מידע נוסף על למידת מכונה בגאוסטיסטים, הקוראים עשויים להתייעץ עם ה-FLT:0 (הסקירה האחרונה במחשבים וב-Famp; GeosciencessveFLT:1 ו-FLT:2McKKinsey & תובנות החברה על AI ב-Assquaveernbnbsp; 7.FLTD) , מחקרים בנושא זה באופן קבוע על ידי LT:4K4Krick Gold & RLT.