智能探矿师 v2.0：面向认识模型不确定性下的勘探钻探规划
人工智能
2024-10-15 v1
摘要
在地球科学数据获取的最优贝叶斯决策中，需要对不确定性建立先验模型。数据获取随后通过最大化减少某感兴趣属性上的不确定性来进行优化。在探矿领域，几乎没有或完全没有可用的先前数据用于规划。因此，先验模型需要包含人类对空间可变性的解释，或是被视为与所探矿区域相关的类比数据。在矿床探矿中，人类可能会依据矿化成因概念模型来定义多个假设，每个假设代表矿化的特定空间可变性。不幸的是，在获取数据后，这些假设往往都被证明是错误的（即被证伪），因此需要修订先前的假设，或生成额外的假设。在错误的地质先验模型下进行数据获取规划，可能效率低下，因为对目标属性的估计不确定性不正确，从而可能根本无法降低不确定性。本文开发了一个基于部分可观测马尔可夫决策过程的智能体，在面对多个地质或地球科学假设（关于空间可变性本质）时进行最优规划。此外，人工智能被赋予一种方法，能够在人类所述假设是否错误方面进行早期检测，从而节省大量数据获取费用。我们在沉积型铜矿床上测试了该方法，该算法在2023年帮助我们对赞比亚的一处超高品位矿床进行了表征。
引用
@article{arxiv.2410.10610,
title = {Intelligent prospector v2.0: exploration drill planning under epistemic model uncertainty},
author = {John Mern and Anthony Corso and Damian Burch and Kurt House and Jef Caers},
journal= {arXiv preprint arXiv:2410.10610},
year = {2024}
}