Modern kaynak araştırması çağında, büyük veriler, jeologlar ve Explorers için dönüştürücü bir araç haline geldi. Yeni mineral yataklarından, petrol sahalarından ve gaz rezervlerinden - genellikle daha düşük maliyetten ve daha fazla hız bulduğumuzu yeniden şekillendirmek ve büyük miktarda yapılandırarak, yapılandırın ve yapılandırılan verilerin toplanmasıyla, bütünleştirilmesi ve analiz etmek, şirketlerin yeni maden yataklarını, petrol alanlarını keşfetme şanslarını dramatik bir şekilde artırabilirler.

Keşif Evrimi: Gelenekselden Data-Driven

Tarih boyunca, keşif yüzey gözlemine dayanıyordu, jeolojik haritalama ve petrol ve gazdaki vahşi kuyuların adil bir miktarını takip edecekti, kaya formlarını incelemek ve yüzeysel keşiflere dayanan sondaj testleri, bu yöntemler bazen büyük keşiflere dayanıyordu, son iki yılda sürekli olarak azaldı.

Bugün, büyük veriler denklemi değiştiriyor.Bu veriler uydulardan, sismik anketlerden, tarihi sondaj loglarından, geokimyasal assays ve hatta sosyal medya beslemelerini, keşif ekiplerinin Dünya'nın üç boyutlu modellerini artırarak, bu verileri kullanarak potansiyel kaynak konsantrasyonlarını gösteren anomalileri vurgulamak için inceler. Sonuç, kuru delikler ve boşanmış sermayeyi azaltımıdır.

Modern Keşfet için Anahtar Veri Kaynağı

Bugünün keşif veri setleri geniş çeşitlilik kaynaklardan geliyor, her biri altyüze farklı bir pencere sunuyor.

Uydu Görüntü ve Uzaktan Sensing

NASA'nın Landsat, ESA'nın Sentinel ve Maxar gibi ticari platformlar, daha derin yataklarda çok ince varyasyonlar sağlayabilir.Bu görüntüler, yüzey mineral imzalarını, değişiklikleri bölgeleri ve daha yüksek çözünürlüklü ticari görüntülerini tespit edebilir. Uydu verilerinin gelişmiş işlenmesi de hedeflenmiş anketler için kullanılabilir.

Seismic Surveys

Petrol ve gaz araştırmalarında, 3D sismik yansıma anketleri, büyük alanların arka kemiğidir.Bu büyük veri setlerinin daha hızlı işlenmesini sağlayarak, tercümanların yapısal tuzakları, rezervuar sınırlarını ve daha fazla açıklığa kavuşturabilmelerini sağlar. Benzer teknikler - tıpkı sismik keşifler sırasında - özellikle derin veya daha derin ya da parlak maden araştırmaları için uyarılır.

Geokimya ve Geofizik Data

Geokimyasal anketler, topraktaki elementlerin konsantrasyonu, akış sedi, rock cipsi ve su. Bu ölçümler, geofizik verilerle (manyetik, yerçekimi, direnç, elektromanyetik), hava ile ilgili manyetik anketler ile ilgili binlerce geokimyasal örneği, yüksek çözünürlükte bakır reflesi depozitosu genellikle bakır mineral ve metallerin özelliklerini gösterir.

Tarihsel sondaj Records ve Production Data

Birçok madencilik ve petrol şirketi, kağıt loglarında onlarca tarihsel delme verilerine sahiptir ve tarama raporlarına sahiptir. Son zamanlardaa kadar, bu bilgiler büyük ölçüde ulaşılamazdı. Şimdi, optik karakter tanıma ve doğal dil işleme ile, şirketler daha önce göz ardı edilen milyonlarca ürünle ilgili olarak analiz edebilir.Mevcut geri bildirim kayıtları da değerli geri bildirimde bulunabilirler: hangi jeolojik modelleri başarılı ve başarısız olduklarını ortaya koyarlar, tahmin edilebilir algoritmaların sürekli iyileştirilmesine olanak sağlar.

Drone ve IoT Sensör Data

Magnetometreler ile donatılmış insansız hava araçları (UAVs) LiDAR ve termal kameralar, matkaplarda veya yüzey ekipmanlarında yerleştirilen ultra yüksek çözünürlüklü veriler talep üzerine gerçek zamanlı verilerle titreşim, sıcaklık, gaz kompozisyonu ve diğer parametreler üzerinde araştırma yapmak zor.Bu arada, dijital arazi modellerini ve manyetik anomaly haritaları, bir sondaj kararlarına izin veren bir şekilde genişletebilir.

Data Integration and Management Challenges

Bu kadar çok kaynaktan gelen verilerle, tek bir usulsüz platforma entegre etmek, farklı çözünürlükler, tutarsız koordinat sistemleri ve eksik metadata ortak engellerdir. Birçok kuruluş, yapılandırılmış ve yapılandırılmamış verileri içeren veri kümeleri; JeoSciML gibi metadata standartların yanı sıra, bu çiplerin esnekliğin üçte biri için değerlendirilmesi gerekir.

[FONT:0)Cloud Computing[[Dönetici:0) Burada bir oyun değiştirici haline geldi. pahalı süper bilgisayar satın almak yerine, arama şirketleri AWS, Azure veya Google Cloud, ortaklarından veri toplamayı daha kolay hale getiriyor. Ayrıca, ABD Ulusal Geotermal Data System gibi platformlar.

Gelişmiş Analitik Teknikler

Veriler entegre edildiğinde, gerçek değer gelişmiş analitiklerden ortaya çıkıyor. Makine öğrenme ve derin öğrenme teknikleri artık araştırma problemlerine yaygın olarak uygulanır.

Desen Keşifleri için Denetimsiz Öğrenme

Kombinasyon algoritmaları (örneğin, DBSCAN) grubu, önceden etiket olmadan benzer veri noktalarına benzer şekilde veri puanları sınıflandırmak, gözetimsiz öğrenme, geokimyasal assays veya mineralize bölgelerin karşılık gelen farklı manyetik imzaları sınıflandırmak. Boyut küçültme yöntemlerine yardımcı olur.

Hedef Prediction için Süpervize Öğrenme

Tarihsel veriler bilinen yatakları, denetimli öğrenme modelleri (günlük ormanları, gradient güçlendirme, sinir ağları) yeni yerlerde madenleşme olasılığını tahmin etmek için eğitilebilir. Özellikler şunları içerir: bilinen yapılara mesafe, manyetik yoğunluk, yerçekimi gradient, toprak elementleri konsantrasyon ve daha fazlası. Model çıktıları, renkli kodlanmış bir olasılık haritası.)

Seismic Interpretation için geleneksel Neural Networks

Derin öğrenme - özellikle de geleneksel sinir ağları (CNNs) - görüntü tanımada başarır. sismik yorumda CNNs otomatik olarak hataları, tuz domes ve kanal sistemlerini 3D sismik hacimlerden tespit edebilir. Bu otomasyon haftalarca yorumlanır. Benzer şekilde, tekrarlayıcı sinir ağları (RNNs), matkap sensörlerin arkasındaki kaya özelliklerini tahmin edebilir.

Yapılanmamış Data Processing for Unstrucd Data

Keşif raporları, akademik makaleler ve matkap logları metin biçiminde çok fazla bilgi içeriyor. Doğal dil işleme (NLP) mineral isimleri, derinlikler, assay değerleri gibi varlıkları alabilir ve rock açıklamaları.Youtiment analizi bile “promising ama tamamen test edilmemiş” olaylardan bahsedebilir.

Büyük Verinin Keşif Faydaları

Sayılar kendileri için konuşur. 2022'de yayınlanan bir çalışma:0.Doğal Kaynaklar Araştırması) Büyük veri analizlerini kullanan 50 araştırma projesini analiz etti.Bu, birincil keşif maliyetinin ilk keşif maliyetinin% 40'ı geleneksel arama kampanyalarına kıyasla% 40 oranında azaltıldığını tespit etti. Petrol ve gaz için, bir matkap kararına ulaşmak için, veri odaklı iş akışlarını kullanan şirketler, yaklaşık 30-20 yıl içinde iki kez sıkıştırabilir.

  • [FONT:0)Gelişmiş sitelerin tespit edilmesinde (Döneticileri) yüzde 70'e kadar, bazı iyi eğitimli modellerde başarı oranı.
  • [FONT:0)Redüklenmiş keşif maliyetleri) - daha az boşanmış delikler ve daha hedefli örnekleme kampanyaları.
  • [FONT:0) Geliştirilmiş risk yönetimi[Dönetici:0)[Dönetici: 2) - modeller başarı olasılığını ölçebilir, daha iyi portföy çeşitlendirmesine olanak sağlar.
  • [FONT:0)Enhanced karar verme[[DÜT:1) - veri görselleştirmeleri ve panolar, yöneticilerin gelecekteki beklentileri karşılaştırmasına izin verir.

Gerçek Dünya Vaka Çalışmaları

Rio Tinto'nun “Gelecekin Geleceği”

Madencilik devi Rio Tinto, keşif operasyonlarında büyük verileri entegre etti. Daha önce yapılan kampanyalarda kaçırılmış olan otomatik sondaj rigs kullanarak, şirket uçuşları jeolojik modelleri kullanarak, Rio Tinto'nun eski denemelerindeki yaklaşımları ile bir araya getirdi.[0Innovral uydu görüntü ve teknoloji[FLT].

Schlumberger ve DELFI Digital Platform

Schlumberger'in DELFI bilişsel E&P ortamı, üretim tarihi ile ilgili tüm araştırma formlarını içeren bir bulut tabanlı platformdur - üretim logları için sismikten - ve tahmin edilebilir analizler sağlamak için makine öğreniminden yararlanmaktadır.Bir durumda, Floransa Körfezi'nde bir ödeme bölgesi daha fazla olgun bir alandan atfedilen bir ödeme bölgesi tespit etti.

Goldspot Discoveries' Machine Learning Prospectivity

Goldspot Discoveries, bir şirket AI odaklı mineral araştırmaları üzerine yoğunlaştı, modellerinin altın yatakları için 3× bir gelişme teslim ettiğini iddia ediyor. Kanada'daki Abitibi Yeşil Mezarlığı'nda kamu ve özel geoscience verilerini analiz ettiler, birden başarılı bir şekilde denemelerine yol açan hedef haritaları ürettiler.

Meydana gelen meydan okumalar

Açık faydalara rağmen, büyük verileri benimsemek engeller olmadan değildir. Aşağıdaki zorluklar başarılı uygulama için ele alınmalıdır.

Data Quality and Standardization

Garbage in, çöpler bir projenin birincil kuralı olarak kalır. Araştırmada, miras veri kümeleri genellikle hataları içerir (örneğin, yanlış koordinatlar, tutarsız birimler, eksik derinlik ölçümler). Temizlik ve harmonize verileri, bir projenin% 80'ini veri yönetimi çerçevelerine ve metadata standartlarına yatırım yapmalıdır.

Yetenek Kısalığı ve Becerileri Gap

Birçok üniversite şimdi bir araya getirilen Jeoloji / bilgisayar bilimleri programları sunuyor, ancak boru hattı hala ince. Şirketler genellikle dış AI danışmanlarıyla işbirliği yapıyor veya hibrit roller (örneğin, “data geolog”).

Altyapı Maliyeti

Yüksek performanslı hesaplama, bulut depolama ve yazılım lisansları (örneğin, Palantir, Cegal Blueback veya özel ML platformları) pahalı olabilir. Ancak, bulut sağlayıcıları bariyeri daha düşük olan ücretli modeller sunar.

Data Security and Fikri Mülkiyet

Arama verileri oldukça özeldir. Bulut platformlarını kullanırken, şirketler şifreleme, erişim kontrollerini ve yerel veri egemenliği yasalarına uymalıdır. Bazı şirketler hassas veriler için çözümleri tercih eder, ancak hassas tabakaları yerel olmayan görevler için kullanan karma bulutlar yaygındır.

Future: AI, Edge Computing ve Nesnelerin İnterneti

Büyük veri araştırmasının bir sonraki sınırı gerçek zamanlı olarak, yerinde analitik.ETHFLT:0)Edge Computing[D: 1 ) - sondaj rig veya alanda işlem verileri - hemen karar verme izin verir. Örneğin, bir matkap biraz karşılaşma beklenmedik kaya özellikleri, bir kenar tabanlı AI modeli, sondaj parametrelerini anında ayarlar veya korelasyon sağlar.

[FONT:0]Reinforcement learning[[Dönetici:0)[Dönetici:0)Reinforcement learning[[Dönetici: 0,3)), deney ve hata yoluyla öğrenilen bir AI tekniği, gerçek zamanlı olarak sondaj yollarını optimize etmeyi test ediyor.Kendi kendini optimize etmek için bir sondaj sistemi düşünün.

Ayrıca, düşük maliyetlilerin çoğalması:0) Nesnelerin İnterneti (IoT)), her matkap deliği ayrı bir kampanyadan ziyade bir veri kaynağı haline gelebileceği anlamına gelir. Sürekli titreşim, sıcaklık ve gaz kompozisyonu izleme, bitişik alanlar için keşif modellerinin iyileştirilmesini sağlar.

Dijital ikiz teknoloji ile büyük veriler (FLT:1) da ortaya çıkıyor. Bir keşif alanının dijital ikizi - gerçek zamanlı olarak yeni verilerle güncellenen 3D modeli - jeologların sermaye taahhüt etmeden önce farklı sondaj senaryolarını simülasyonlarını çalıştırmasına izin veriyor.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Büyük veriler keşif oranlarındaki doğal düşüş için bir tedavi değildir, ancak bugün modern Explorers'lara mevcut en güçlü araçtır.Veri teknolojilerinin bozulması, gelişmiş analitikleri ve veri bilimcisinin bir kültürünü kucaklamak, şirketler araştırma hızlarını anlamlı bir şekilde geliştirebileceklerdir.