Introduzione: Ripensare la stima delle risorse minerali con l'AI

Rispondendo a tale domanda, si definisce con precisione la differenza tra una miniera redditizia e una rovina finanziaria, tra estrazione responsabile e danno ambientale. La stima delle risorse minerali si basa tradizionalmente sulla geostatistica, sulla modellazione dei blocchi e sull'interpretazione manuale dei dati dei fori.

L'intelligenza artificiale, in particolare l'apprendimento automatico e l'apprendimento approfondito, sta rapidamente rimodellare questo dominio. L'apprendimento di modelli da vasti datasets— compresi i saggi di perforazione, le indagini geofisiche, le immagini iperspectral e i record storici di produzione — i modelli AI possono produrre stime che non sono solo più veloci, ma spesso più accurate e meno biased rispetto agli approcci convenzionali.

Fondamenti della stima delle risorse minerali tradizionali

Il kit strumenti geostattici

Prima dell'AI, lo standard oro per la stima delle risorse era geostatistica, con tecniche come il kriging ordinario, il kriging semplice e la ponderazione a distanza inversa (IDW). Questi metodi si basano sui modelli di correlazione spaziale (variogrammi) che descrivono come i valori del campione cambiano con la distanza.

Limitazioni di approcci tradizionali

La modellazione manuale di variogram richiede tempo e introduce il pregiudizio umano. Due geostatistici che lavorano sullo stesso set di dati possono produrre diversi modelli di risorse. Inoltre, la geostatistica convenzionale lotta con:

  • domini geologici complessi[] – depositi difettosi, piegati, o altamente eterogenei dove le ipotesi di stazionaria si disgregano.
  • Dati ad alta dimensione[[]] – le miniere moderne raccolgono registri geofisici multisensori, dati spettrali e saggi geochimici che non possono essere pienamente sfruttati da metodi univariati o bivariati.
  • Qualificazione dell'incertezza[[]] – i metodi tradizionali forniscono solo misure limitate di variazione di stima, spesso sottovalutando la vera incertezza.
  • Scalability[]] – l'elaborazione di milioni di blocchi con grandi set di dati fori rimane computazionalmente costoso, soprattutto con simulazione condizionale.

Queste debolezze hanno aperto la porta per gli algoritmi di machine learning che possono modellare relazioni non lineari, incorporare più tipi di dati e adattarsi a sistemi minerali complessi senza un montaggio esplicito variogramma.

Come l'intelligenza artificiale e l'apprendimento automatico migliorano la stima

Imparare supervisionato per l'interpolazione del grado

I modelli di apprendimento automatico (ML) trattano la stima del grado come un problema di regressione. Le caratteristiche di input e di input più vicine, come i valori delle fori, i domini geologici, la profondità e le firme geofisiche – il modello impara a prevedere il grado sconosciuto ad ogni blocco.

Apprendimento profondo per la modellazione spaziale

Le reti neurali convoluzionali (CNN) e le reti neurali dei grafi (GNN) spingono ulteriormente la busta. Le CNN possono analizzare i dati delle fori come segnali unidimensionali, rilevando i modelli sottili nelle sequenze litologiche. Gli approcci basati sui grafi rappresentano naturalmente le reti delle fori come nodi e le relazioni spaziali multiformi di simulazione, permettendo al modello di propagare le informazioni attraverso campioni irregolarimente distaccati.

Imparare senza supervisione per la classificazione del dominio

Definire i domini geologici è un primo passo cruciale nella stima. Gli algoritmi non supervisionati, tra cui il clustering dei k-means, DBSCAN e le mappe auto-organizzanti, possono automaticamente dividere le analisi delle foroline in zone geochimicamente o mineralogically distinte. Questi metodi riducono la soggettività e possono rivelare i modelli nascosti che l'interpretazione manuale di sezione potrebbe mancare.

Apprendimento di rinforzo per la pianificazione di foratura

L'apprendimento delle forze di forza (RL) sta emergendo come uno strumento per ottimizzare il posizionamento dei fori durante le fasi di esplorazione e di riempimento. simulando il valore delle informazioni da ogni potenziale posizione di perforazione, gli agenti RL imparano le politiche che massimizzano la definizione delle risorse, riducendo al minimo i costi.

Vantaggi chiave dell'IA nella stima delle risorse minerali

Bias umano ridotto e soggettività

I modelli AI applicano lo stesso insieme di pesi appresi ad ogni input, eliminando la variabilità introdotta da diversi geologi e interpretazioni. Questa standardizzazione porta a modelli di risorse più riproducibili, un fattore critico per la conformità NI 43-101 o JORC. Tuttavia, il bias può ancora entrare attraverso la selezione dei dati di formazione o l'ingegneria delle caratteristiche – un rischio che deve essere gestito attraverso una validazione rigorosa.

Maggiore precisione in depositi complessi

In distribuzioni strutturalmente complesse o altamente skewed, i metodi AI spesso ottengono errori di predizione più bassi che kriging. Uno studio su un deposito d'oro in Australia occidentale ha scoperto che un modello di foresta casuale ha ridotto l'errore quadrato del mezzo di radice (RMSE) del 18% rispetto al normale kriging, mentre meglio predire outlier di alta qualità.

Aggiornamenti delle risorse in tempo reale

Una volta addestrato, un modello AI può aggiornare le stime delle risorse in quasi in tempo reale come nuovi dati di test arrivano dalla miniera. Questa capacità supporta la riconciliazione mine-to-mill, il controllo del grado e la pianificazione a breve termine. I flussi di lavoro geostatistici tradizionali richiedono il ri-fitting variograms e il ricalcolante modelli di blocco, un processo che può richiedere giorni o settimane.

Integrazione dei tipi di dati diversi

AI eccelle nella fusione di dati eterogenei: analisi delle forature, geofisica del buco (gamma, densità, resistenza), fotografia di base, scansioni iperspectral, tomografia sismica, e anche telerilevamento satellitare.

Applicazioni reali e studi di casi

Metalli preziosi e oro

Barrick Gold, Rio Tinto e Newmont hanno tutti i programmi pilota di stima delle risorse basate su AI. L'uso di Barrick’s della machine learning presso la sua miniera di Turquoise Ridge in Nevada ha migliorato la previsione del grado in un complesso deposito di tipo Carlin, portando ad un aumento del 5% delle once recuperate attraverso una migliore definizione di minerali/fusti.

Metalli di base e materie prime

In rame porfiry& depositi, i modelli AI sono stati applicati per prevedere i gradi di rame e molibdeno utilizzando i dati delle fori e il core logging iperspectral. Una collaborazione tra l'Università della British Columbia e Teck Resources ha dimostrato che reti neurali convoluzionali potrebbe stimare i gradi di rame da visibile-near infrarossi (VNIR) spettro con valori R2 superiori 0.85, consentendo una rapida scansione di interi modelli di log.

Minerali di litio e di criticale

Il boom della domanda di litio ha accelerato l'adozione dell'AI in progetti di litio a raggi ultra-rossi. Gli algoritmi di apprendimento automatico sono stati utilizzati per prevedere concentrazioni di litio da dati idrogeochimici in salari del Triangolo di litio (Chile, Argentina, Bolivia).

Sfide e rischi

Qualità e quantità dei dati

I modelli AI sono altrettanto validi dei dati su cui sono formati. I metodi di analisi incoerenti, il recupero dei campioni poveri, gli errori di misura e gli intervalli mancanti possono propagarsi in stime biased. Molti database storici di trapano non sono stati progettati per l'apprendimento automatico; la pulizia e l'armonizzazione sono uno sforzo importante. Inoltre, nei progetti di esplorazione remota, il dataset di formazione può essere troppo piccolo per i modelli complessi, rischiando di overfitting.

Modello Interpretibilità

I modelli geostattici come il kriging sono trasparenti: i pesi di uscita possono essere ricondotti ad ogni campione di input. Le reti neurali profonde, d'altra parte, sono scatole nere. Questo crea una barriera di regolazione e di fiducia. Come può un esecutivo minerario o un regolatore firmare fuori da una stima delle risorse quando il metodo dietro non può essere completamente spiegato?

Sovraccarico e Generalizzazione

I modelli AI possono memorizzare il rumore nei dati di formazione, portando ad eccellenti prestazioni sul set di formazione ma scarsa generalizzazione a nuove aree. Nella stima delle risorse, questo rischio è acuto perché i dati di formazione spesso provengono dalle stesse zone forate di deposito e ferri da taglio, mentre le previsioni sono necessarie in blocchi non guidati.

Accettazione normativa

I principali codici di estrazione mineraria (NI 43-101, JORC, SAMREC) richiedono che le stime delle risorse siano basate su principi sani e metodi trasparenti. Sebbene questi codici non proibiscano l'IA, le persone qualificate (QP) devono essere in grado di spiegare e difendere il flusso di lavoro.

Le direzioni future

Integrazione con IoT e Smart Mines

Internet of Things (IoT) è miniere inondanti con dati dei sensori continui: passerelle per camion, scanner per nastri trasportatori, monitor per le vibrazioni degli urti e droni in-pit. I modelli AI che ingeriscono questi feed in tempo reale consentiranno di aggiornare continuamente i modelli di risorse dinamiche, non solo quando arrivano nuovi saggi.

AI Generativo per la Modellazione Geologica

Modelli genetici (ad esempio, GAN, modelli di diffusione, modelli di grande lingua finemente intesi su rapporti geologici) possono creare modelli 3D di depositi minerali da dati radi, generando centinaia di realizzazioni plausbili. Questo apre la porta alla quantificazione di piena incertezza in un quadro Bayesiano, fornendo non solo una stima unica ma una distribuzione di probabilità di gradi, tonnellaggi e mineralogy.

Raccolta dati autonoma e campionamento adattivo

I robot di perforazione autonoma, i campioni di nucleo robotici e i droni di indagine guidati dall'IA raccoglieranno dati in risposta al modello AI ’s incertezza. Se il modello indica un'alta incertezza in una regione specifica, può dirigere il prossimo foro di perforazione a quella zona. Questo approccio a ciclo chiuso massimizza il guadagno di informazioni per metro perforato, riducendo i costi di perforazione totale, migliorando l'accuratezza di stima finale.

Conclusioni

L'intelligenza artificiale non sostituisce l'esperienza geologica ersquos, ma lo migliora. automatizzando compiti noiosi, rilevando modelli nascosti e fondendo diverse fonti di dati, l'IA consente una stima delle risorse minerali più accurata, più veloce e meno biased. I primi adottivi – le principali compagnie minerarie e i progressisti esploratori junior – stanno dimostrando vantaggi tangibili in termini di diluizione ridotta, di recupero e costi di minore entità.

La strada che precede non è quella di scegliere tra geostatistica e machine learning, ma di combinare il meglio di entrambi i mondi. I modelli ibridi che codificano i vincoli geologici nelle architetture di rete neurali, o che utilizzano l'IA per ricavare parametri più varigram, rappresentano il punto dolce a breve termine.

Per ulteriori informazioni sull'apprendimento automatico in geostatistica, i lettori possono consultare questa recente recensione in Computer & Geosciences] e McKinsey & Company insights su AI in mining].