融合机器学习辅助域似然估计的曲面变形：矿山地质建模与自动化的新范式

本文展示了机器学习(ML)在一个执行品位估计的复杂系统中的应用。在露天采矿中，生产钻孔获取的化验测量常提供有用信息，使最初利用稀疏勘探数据创建的粗略曲面得以修订并随之改进。近来，一种贝叶斯变形技术被提出，利用新获取的炮孔数据所施加的地球化学与空间约束来重塑建模曲面。本文聚焦于将机器学习引入该变形框架，以使似然计算具有泛化能力。该技术通过调整曲面顶点位置，以最大化建模地质边界相对于稀疏地球化学观测的完整性。其基础由贝叶斯推导奠定，其中给定化学的地质域似然 p(g|c) 与 p(y(c)|g) 作用相似。这一观察使得围绕后者展开的手动校准过程可实现自动化，因为 ML 技术可用于以数据驱动方式估计前者。在二分类与多分类背景下，采用精确率与召回率对梯度提升、神经网络、随机森林及其他分类器的机器学习性能进行评估。一旦 ML 似然估计器集成入曲面变形框架，便利用未见过的数据，通过考察位于变形曲面上方与下方测试样本的分类分布来评估曲面塑造性能。大规模验证实验用于评估 ML 辅助曲面变形作为品位估计系统中完全集成组件的整体效能，其中后验均值通过具有 Matern 3/2 核的高斯过程推断获得。