Trening geološkog AI modela: Nova perspektiva na otkrivanje mineralnih nalazišta

Uvod

Jedna od neugodnih stvarnosti vezanih za prelazak na Neto-nultu ekonomiju je da će biti potrebno otkriti i rudariti veliku količinu sirovina za novu infrastrukturu. Motori će biti zamenjeni električnim motorima, generatori će biti zamenjeni solarnim i vetroelektričnim sistemima, cevi će biti zamenjene žicama i transformatorima, a rezervoari za gas će biti zamenjeni baterijama. Za izgradnju svega ovoga, biće potrebno otkriti milione tona novih minerala, od kojih se mnogi ne nalaze na pogodnim lokacijama zbog geopolitičkih problema ili blizine zajednica.

Kompanija Earth AI nedavno je objavila preliminarne uspehe u pronalaženju ovog zakopanog blaga na novim, ranije neistraženim područjima. Rudarska industrija naziva ove područje „zelene površine“ u kontrastu sa ispitivanjem „smeđih površina“ koje su u blizini postojećih rudnika. Kompanija je nedavno otkrila bogato nalazište molibdena u Australiji sa dvostruko većim koncentracijom od najvećih postojećih rudnika.

Možda još impresivnije, njihov novi pristup postigao je stopu uspeha od 1:8 u otkrivanju na zelenim površinama u poređenju sa prosečnom stopom uspeha od 1:200 u industriji. Njihovi rezultati čak su malo bolji od tradicionalnih tehnika istraživanja smeđih površina, gde je prosečna stopa uspeha 1:20.

Trening AI geologa

Traženje mogućnosti za rudarenje na zelenim površinama predstavlja mnogo izazovniji problem. Smeđe površine su dobro proučeno i bogato ispitivano okruženje, dok su zelene površine siromašne podacima. Standardno i poželjno rešenje je sakupljanje novih podataka, što je veoma skupo i vremenski zahtevno.

Tim kompanije Earth AI hipotetisao je da mogu zameniti potrebu za dodatnim podacima boljim pristupom interpretaciji i obeležavanju postojećih podataka. Naucili su svoj sistem na 400 miliona geoloških slučajeva poznatih iz istraživačkih arhiva. Ovo nije bio jednostavan zadatak. Naucili su svoj AI da uči geologiju. Naš AI deluje kao geonaučnik, proučava svaki slučaj, izvlači znanje i razvija predviđanja. Ali to se dešava na mnogo većoj skali, generišući dosledna i pouzdana predviđanja.

Proces istraživanja

Proces istraživanja se sastoji od tri faze:

1. Ciljanje – Modeli su trenirani na 400 miliona geoloških slučajeva širom Australije kako bi identifikovali oblasti mineralizacije i istakli lokacije sa visokom verovatnoćom pronalaženja mineralnog sistema. Timovi idu na teren da uzorkuju i pregledaju ciljeve.

2. Hipoteza – Geolozi proučavaju mineralni sistem na terenu. Ovde im pomaže tehnologija koja im omogućava bolje razumevanje geološkog okruženja i formulisanje hipoteza.

3. Bušenje – Tim testira svoju hipotezu bušeći do dubine od 600 metara i potvrđujući ili opovrgavajući prisustvo mineralizacije. Svaka bušotina pruža neprocenjivo znanje o mineralnom sistemu koje se zatim vraća u sistem i koristi za formiranje novih hipoteza.

Kvalitet podataka i sistematičan pristup bušenju

Earth AI je okupio miks stručnjaka iz geologije i dubinskog učenja. Još važnije, usvojili su pristup istraživanju kako bi poboljšali kvalitet predikcija geološkog dubinskog učenja. Kompanija je više od šest godina radila na istraživanju i provela više od šest stotina dana na terenu testirajući predviđanja i dobijajući povratne informacije za poboljšanje sistema.

Kvalitet podataka iz svakog geološkog slučaja je ključan, ali praćenje kvaliteta predstavlja veliki izazov kada se radi na kontinentalnom nivou koristeći stotine miliona tačaka podataka. Zbog toga je Earth AI izgradio poluautomatizirani sistem za pregled podataka, koji znatno ubrzava pregled kvaliteta podataka. Na primer, softverski alat za specifično područje fokusira se na pronalaženje i zapamćivanje grešaka i neusaglašenosti podataka, kako bi ih popravio na velikoj skali.