Tämä sivusto käyttää evästeitä parantamaan selauskokemusta. Lue jäljempää, mitä evästeitä suosittelemme, ja valitse, mitä otat käyttöön.
Kun valitset Hyväksy kaikki, sallit kaikkien tietosuojaselosteen mukaisten evästeiden käytön. Tietosuojailmoitus.
Pakolliset evästeet
Analytiikkaevästeet
Markkinointievästeet
Pakolliset evästeet
Analytiikkaevästeet
Markkinointievästeet
BHP:n puolesta SRK Consulting ja DeepIQ ovat olleet mukana hankkeessa, jossa halutaan parantaa prospektiivisuusmallintamista yhdistämällä eri menetelmiä. Tiimi tutki useita lähestymistapoja yhdistämällä edistyneen tietojenkäsittelyn, tietämyksen keräämisen, geologisen tulkinnan ja koneoppimisen. Näin se pystyi tukemaan suurien porfyriittikupariesiintymien löytämistä hyvin tutkitulla alueella Pohjois-Chilen Andeilla.
Tutkimuksessa käytettiin mineraalijärjestelmätapaa saatavilla olevien tietojen käsittelyyn. Maailmanlaajuisen ja paikallisen geologisen tietämyksen perusteella tärkeimmät tutkimussuunnat ja kriteerit porfyriittikupariesiintymille taulukoitiin halutulla alueella. Kaikki arvokkaat tiedot hankittiin käytettävissä olevista alueellisista tietoaineistoista käyttämällä monenlaisia tulkinnallisia ja käsittelymenetelmiä ja algoritmeja. Mikäli alueellisia tietoaineistoja pidettiin riittämättöminä, niitä työstettiin sen varmistamiseksi, että ne soveltuivat käytettäviksi koneoppimiseen perustuvassa työnkulussa. Nämä tiedot käännettiin todistuskerroksiksi ja multimodaaliset tietoaineistot syötettiin pilvidata-alustalle ja integroitiin muodostamaan analyysiin sopiva tietoaineisto. Nämä tiedot analysoitiin käyttämällä tietämyspohjaisten algoritmien ja edistyneen koneoppimisen ja syväoppimisalgoritmien yhdistelmää, ja kunkin lähestymistavan eri vahvuudet ja heikkoudet otettiin mukaan iteratiiviseen palautesilmukkaan.
Geologisen tietämyksen ja koneoppimisen yhdistämisen etuihin kuuluu mm. se, että koneoppiminen tarjoaa objektiivisemman lähestymistavan, inhimillisten painotusten minimoinnin ja suurten aineistomäärien nopean analyysin. Koneoppimisessakin voi olla painotuksia (esim. käytetty data ja/tai datan ja geologisten prosessien ja/tai mielenkiintoisten piirteiden välinen suhde). Tietojen sopimaton valinta, huonolaatuiset tiedot tai heikko tai monimutkainen yhteys tietojen ja mielenkiinnon kohteena olevan geologisen piirteen tai esiintymän välillä voivat kaikki johtaa huonoihin tuloksiin. Hienovarainen geotieteen ja datatieteen yhdistäminen voi auttaa minimoimaan tällaista puolueellisuutta ja parantaa tuloksia.
Ensimmäinen vaihe uskottavan ja mahdollisesti vankan tutkimustavan osoittamisessa oli sellaisten analyysitulosten käyttö, joita tarvittiin tunnistamaan tunnettujen porfyriittikupariesiintymien sijainnit tarkasti.
Satoja yksittäisiä tietoaineistoja tuotettiin tutkimuksen aikana, tutkimustiimin alun perin antamien lisäksi. Tietoaineistojen yhteys mineraalijärjestelmämalliin otettiin aina huomioon palauteprosessissa geotieteilijöiden ja datatieteilijöiden välillä päätettäessä, mitä tietojoukkoja käytetään mineraalipotentiaalimalleissa. Tämä palauteprosessi paransi mallista saatujen tulosten ymmärtämistä ja tulosten myöhempää hiomista.
Geologisiin tietoaineistoihin kuuluivat mm. kiinteän geologian tulkinta, rakenteiden uudelleentulkinta, geokemiallinen data-analyysi, mineraaliesiintymät (mukaan lukien kaivostoiminnan uudelleenmäärittely) ja 2D-muuttumismallit. Geofyysisiin ja etähavaittuihin tietoaineistoihin kuuluivat mm. magnetismi, sähkömagnetismi, painovoima, pienen mittakaavan radiometriset menetelmät, digitaaliset maastomallit ja satelliittikuvat (ASTER, Sentinel 2).
Niukat ja epäyhtenäiset syötteet kuten geokemia käytettiin yleensä vahvistavana eikä pakollisina dataelementteinä mineraalipotentiaalimalleissa, tämä vähensi imputaation (prosessi, jossa puuttuvat tiedot korvataan täydennetyillä arvoilla) käytön tarvetta.
Laadittiin myös halutun alueen 3D-litorakennemalli keskittymällä rakenteelliseen ja intrusiivisen kehyksen kehittämiseen. Tällä saatiin rakenteellinen ja geologinen 3D-kehys halutusta alueesta. Tämä auttoi alueen arkkitehtuurin parempaa ymmärtämistä ja porfyriittikupariesiintymäkontrollien kolmiulotteista arviointia. Samalla 2D-kohdistuskehystä jatkettiin kolmanteen ulottuvuuteen, jotta voitiin testata 3D-kohdistuksen soveltuvuutta alueellisessa skaalassa.
Laajaa syötettyä tietoaineistoa ja päättelyverkkoa käytettiin tuotettaessa lopulliset mineraalipotentiaalimallit useiden iteraatioiden kautta käyttäen hyvin tunnettuja sumean logiikan työnkulkuja ja edistynyttä data-analyysiä. Ensimmäinen vaihe uskottavan ja mahdollisesti vankan tutkimustavan osoittamisessa oli sellaisten analyysitulosten käyttö, joita tarvittiin tunnistamaan tunnettujen porfyriittikupariesiintymien sijainnit tarkasti.
Koneoppimiseen perustuva mineraalipotentiaali arvioitiin kaksi- ja kolmiulotteisesti käyttämällä jaettuja ja skaalattavia pilvilaskentakehyksiä. Parhaat tulokset yhdistettiin geologiseen tietämykseen perustuviin, sumealla logiikalla saatuihin tuloksiin käyttäen Fusion-lähestymistapaa kohdealueiden rajaamiseksi.
Tärkeimpiä tuloksia olivat:
Johtopäätökset: