Este artículo fue traducido mediante Google Translate.
Descripción general
Al configurar un mapa de predicción de DORA, se le guiará a través de seis pasos importantes para analizar datos geológicos y otras características relevantes para generar resultados.
Este proceso incluye:
Definir su área de interés.
Seleccionar las características apropiadas (datos de entrada).
Especificar a qué se dirige y en qué grado.
Revisar los resultados y ajustar los parámetros para alinearlos con su experiencia en proyectos en el mundo real.
Configurar cuidadosamente sus experimentos mejora la precisión de las predicciones de los objetivos de perforación, garantizando que se adapten a sus objetivos específicos (targets) y a sus metas.
Sin embargo, muchos de los parámetros tienen valores predeterminados. Si no está seguro de cómo configurar los valores, comience con los valores predeterminados y realice los cambios necesarios después de la primera pasada.
Instrucciones paso a paso
Ver consejos/tips en el panel de navegación
En cualquier momento, haga clic en la brújula en la parte superior derecha del panel de vista para ver la vista aérea y la perspectiva centrada de su AOI.
Haga clic izquierdo y arrastre para girar el modelo.
Haga clic derecho y arrastre para mover el modelo sin girarlo.
Acerque y aleje desplazándose o pellizcando el panel táctil.
Acceda a VRIFY.com
En el panel lateral izquierdo, haga clic en VRIFY AI.
Haga clic en + New Prediction Map (+ Nuevo mapa de predicción) en la parte superior derecha de la pantalla.
Seleccione el recurso que desea utilizar en el menú desplegable en la parte superior de la página.
Luego, en la parte superior de la pantalla, podrá ingresar un nombre para su mapa de predicción.
Si no se ingresa un nombre, el mapa se creará automáticamente con un identificador de mapa único, el nombre de su empresa y el recurso utilizado.
A partir de aquí, las instrucciones se dividen en 6 pasos claves.
Ir a:
Generación de objetivos (targets)
Selección del área de interés (AOI)
En este paso, establecerá un área de interés (AOI por sus siglas en Inglés) para el experimento. Esto permite limitar sus características, garantizando que las predicciones sólo se realicen dentro del AOI especificado. Las características fuera del AOI especificado no se incluirán en el conjunto de elementos de este experimento.
En la ventana que aparece en el Paso 1, seleccione el archivo AOI que desea usar en el menú desplegable Select an AOI (seleccionar un AOI).
Si tiene un nuevo archivo AOI para cargar, puede hacer clic y arrastrar los mismos sobre el panel de vista. Para ver pasos más detallados y especificaciones de archivos, consulte Este artículo.
Usando los controles deslizantes, ajuste la Altura (px) (Height) y el Ancho (px) (Width) para su AOI. A medida que se ajustan estas configuraciones, el panel de vista reflejará la forma y densidad de su cuadrícula AOI.
El valor predeterminado es 512 px. Consulte esta Guía de píxeles AOI para obtener más detalles sobre la pixelización óptima.
Este parámetro afecta la resolución de los resultados. Cuanto mayores sean los píxeles, mayor será la resolución.
Nota: Elija una resolución que coincida con sus datos.
Generalmente, para AOIs más pequeñas y bien definidas, una resolución más alta puede producir mejores resultados. Para AOIs más amplias, menos definidas, con cobertura dispersa y de menor resolución, una resolución más baja podría ser más adecuada.
Si necesita crear una nueva forma AOI, como por ejemplo configurar una AOI en un área diferente, comuníquese con su contacto de DORA para obtener ayuda sobre como cargar un nuevo archivo de forma.
Haga clic en Apply AOI (Aplicar AOI) para completar este paso.
Para obtener información más detallada sobre cómo seleccionar una AOI, consulte: Comprender: Seleccionar AOI y Guía de píxeles AOI
Funciones de entrada
Esta sección es donde se definen las características (vectores de exploración) que se utilizarán en el modelo. Las funciones disponibles para usted son el resultado del proceso de recopilación de datos y, si nota que le falta algo, comuníquese con su contacto exclusivo de DORA.
Esta sección es donde se definen las características (vectores de exploración) que se utilizarán en el modelo. Las funciones disponibles son el resultado del proceso de recopilación de datos. Si nota que le falta algo, comuníquese con su contacto exclusivo de DORA.
Comience seleccionando las funciones que desea utilizar en la ventana emergente Input Features (Características de entrada).
Puede mantener presionada la tecla Shift + hacer clic para seleccionar o anular la selección de un rango de funciones a la vez.
Si lo desea, puede visualizar las funciones disponibles haciendo clic en el ícono del ojo al lado de la función. Este paso no afectará la salida del modelo.
Seleccionar una capa de terreno le permite tener una visualización sostenida de cualquier capa seleccionada, permitiendo superponer las otras capas de entidades encima.
Puede aplicar una escala de colores a la capa que está visualizando para observar mejor las características.
Ajuste el control deslizante Vertical Exaggeration (exageración vertical) en la parte inferior de la pantalla para exagerar las capas si lo desea.
A continuación, establezca el Correlation Threshold (umbral de correlación).
Establecer un umbral de correlación ayuda a evitar un desequilibrio al dar demasiada importancia a la duplicación en el conjunto de datos al indicar qué tan similares deben ser dos características antes de que una se omita de la lista de características.
El umbral predeterminado es 0,90 (las características que sean 90 % similares se marcarán como información duplicada y una de las 2 se eliminará).
Si el umbral se establece en 0, se utilizarán todas las funciones seleccionadas, independientemente de la similitud. Si se establece en 100, solo se eliminarán las características duplicadas exactas.
Por último, haga clic en Apply (Aplicar) para completar este paso.
Para obtener información más detallada sobre las funciones de entrada, consulte: Comprender: funciones de entrada
Configuración de datos de aprendizaje
En este paso es donde se definen los elementos objetivo y donde los datos de aprendizaje se separan en ejemplos positivos y negativos, para nuestro algoritmo de clasificación de 2 clases. El umbral indica la calificación mínima que debe alcanzar el elemento para ser representado como un punto de datos de aprendizaje positivo. Los elementos que no alcancen el umbral de calificación definido se representarán como un punto de aprendizaje negativo.
Si sus datos lo permiten, apunte a una distribución uniforme de datos positivos (mineralizados) y negativos (no mineralizados) para garantizar un equilibrio en los puntos de aprendizaje. El sistema utiliza estos puntos de aprendizaje durante el entrenamiento para reconocer patrones en los datos y hacer predicciones sobre la información subyacente.
En la ventana emergente Learning Data (Datos de aprendizaje), comience seleccionando un archivo para usar en sus puntos de aprendizaje. Si este menú desplegable no está disponible, significa que solo tiene 1 archivo y se está utilizando de forma predeterminada.
Seleccione el Elevation Field (campo de elevación) en el menú desplegable.
Esto se utiliza para predecir la profundidad de la ocurrencia del objetivo.
Los valores en este menú desplegable se completan a partir de los encabezados de columna en su archivo de atributos de archivo del AOI shapefile.
Luego, configure los Learning Data Filters (filtros de datos de aprendizaje). Comience seleccionando un Element (elemento) en el menú desplegable.
De forma predeterminada, el filtro está configurado para incluir elementos “mayores que” el umbral objetivo correspondiente. Si es necesario, mueva el interruptor para cambiarlo a “menor que”..
A continuación, establezca un umbral objetivo para el elemento. Aquí es donde debe indicar la calificación que debe alcanzar el elemento para ser representado como un punto de datos de aprendizaje positivo.
El rango de umbral objetivo disponible se muestra debajo del filtro.
Al establecer este umbral, consulte la tabla de desglose de datos de aprendizaje en la parte inferior de la ventana emergente. Esto le brindará proporciones en tiempo real que indican qué tan equilibrados están sus puntos de aprendizaje positivos y negativos:
Al centrarse en varios productos básicos, puede especificar si sus objetivos se combinan usando la lógica "AND" (“Y”), donde se deben cumplir los umbrales para cada objetivo, o se manejan de forma independiente con la lógica "OR" (“O”), donde al menos uno de los umbrales para cualquiera de los objetivos puede ser cumplido. Haga clic en el botón "or" para ajustar.
Si lo desea, puede hacer clic en Add (agregar) para agregar otro filtro de datos (elemento objetivo).
Haga clic en Proceed (continuar) para configurar los parámetros y completar este paso.
Para obtener información más detallada sobre la configuración de datos de aprendizaje, consulte: Comprender: configuración de datos de aprendizaje
Incorporación de funciones visuales
En este paso es donde se configura qué Vision Transformer Model (modelo transformador de visión) se utilizará para sus predicciones. Vision Transformer realizará una reducción dimensional en las funciones de entrada, de forma muy similar a como lo haría un PCA (Análisis de Componentes Principales). La cantidad de épocas determina la cantidad de veces que su conjunto de datos pasa por el algoritmo para realizar lo que se llama ajuste fino local del modo (denominado número de épocas). Este paso es importante para ajustar el modelo global al dominio geológico local específico del área de su proyecto.
Los modelos Vision Transformer disponibles son para sistemas minerales específicos, incluido un modelo maestro que se puede utilizar si no hay ningún modelo disponible para el sistema mineral que desea.
Revise los puntos de datos visualizados en el visor, que se mostrarán en verde (punto de datos mineralizado/positivo) y rojo (punto de datos no mineralizado/negativo) según los umbrales de calificación establecidos en el paso Configuración de datos de aprendizaje.
Verifique que los datos se visualicen correctamente con el umbral que ha establecido para los elementos elegidos. Los resultados mostrados se basan en muestras de perforación y superficie. Si es necesario, regrese al paso anterior para ajustar los parámetros.
En la ventana emergente Embed Visual Features (Incorporación de características visuales), comience seleccionando un modelo de Vision Transformer en el menú desplegable.
Elija el transformador de visión que corresponda con el sistema mineral al que se dirige.
Si no hay un modelo para el sistema mineral al que se dirige, elija "Master_Model.pt".
Establezca el número de épocas (No. of Epochs) para indicar el número de pasadas completas a través de sus datos de entrenamiento, en el ajuste fino local de su modelo. El valor predeterminado es 100.
El modelo se ejecutará hasta que se alcance el número de épocas o hasta que la función de pérdida se estabilice (lo que significa que la precisión del modelo ya no aumenta); lo que ocurra primero.
A continuación, haga clic en Generate Embeddings (Generar incrustaciones) para ejecutar el ejercicio de reducción de dimensiones, generando un nuevo conjunto de rásteres para sus entidades de entrada.
Paso opcional: a través del menú Capas 3D, revise los archivos ráster generados en este paso haciendo clic en el ícono del ojo para obtener una vista previa. Establezca el esquema de color que desee.
Esto proporciona información valiosa sobre las incrustaciones generadas, ofreciendo una comprensión más clara de la estructura.
La escala de desplazamiento base le permite ajustar la intensidad de detalle de la superficie, lo que le ayuda a visualizar y representar con mayor precisión las texturas de cada ráster.
Haga clic en Proceed (continuar).
Para obtener información más detallada sobre cómo incorporar funciones visuales, consulte: Comprender: Incorporación de características visuales
Construcción de modelos predictivos
En este paso, se utiliza un clasificador de dos clases para predecir la probabilidad de ocurrencia de mineralización dentro de su AOI. El clasificador se entrena a partir de sus rásteres incrustados y sus puntos de aprendizaje seleccionados. Los parámetros de esta sección se utilizan para agrupar sus puntos de aprendizaje en grupos que nos permitan entrenar/validar el modelo de forma adecuada. También estarán disponibles opciones avanzadas para sobreajustar o subajustar su modelo predictivo.
En la ventana emergente Predictive Modelling (Modelado predictivo), hay dos parámetros que puede configurar: Minimum Cluster Size (tamaño mínimo del clúster o unidad de asignación) y Minimum Samples (muestras mínimas). Con estos parámetros estamos controlando el tamaño y la extensión espacial de los grupos de entrenamiento y prueba utilizados para la validación del modelo.
Comience configurando el Minimum Cluster Size (tamaño mínimo del clúster).
El valor predeterminado es 100.
El tamaño mínimo del grupo indica hasta qué punto el algoritmo de agrupamiento (que agrupa puntos) buscará los resultados para cada grupo de datos.
A continuación, establezca las Minimum samples (muestras mínimas).
El valor predeterminado es 10.
Esto establece la cantidad mínima de muestras necesarias para crear un grupo de datos.
A continuación, haga clic en Generate Model (generar modelo).
Nota: Hay configuraciones avanzadas que se encuentran definidas con nuestros valores predeterminados recomendados. Póngase en contacto con el equipo de VRIFY si hay configuraciones que desea gestionar.
Para obtener información más detallada sobre la creación de modelos predictivos, consulte: Comprender: Construcción de modelos predictivos
Generación de objetivos
Este último paso es donde se generan sus objetivos de exploración. Comenzará revisando los resultados del modelo predictivo, ajustando los parámetros según sea necesario, generando etiquetas SHAP y luego revisando nuevamente los resultados. Puede repetir este ciclo tantas veces como sea necesario para perfeccionar sus objetivos.
El panel de visualización mostrará una vista de la puntuación de prospectividad generada a través de una variedad de tonos que representan los puntajes de prospectividad VRIFY (VRIFY Prospectivity Scores, VPS por sus en inglés). Esto ayuda a refinar sus objetivos antes de exportar sus resultados finales. La prospectividad está representada por esta escala de colores:
Cuando se complete el paso 5, aparecerá una serie de gráficos de resultados en la parte inferior de la pantalla.
Utilizando su conocimiento de la industria y su familiaridad con el proyecto, evalúe los resultados, asegurándose de que se ajusten a los patrones geológicos establecidos y las características específicas del proyecto para una toma de decisiones informada. Para obtener más detalles sobre la interpretación de los gráficos de resultados, consulte este artículo.
A continuación, puede realizar ajustes para optimizar la forma en que los resultados de su puntuación de prospectividad se agrupan en objetivos de exploración definidos. El panel de vista mostrará inicialmente objetivos basados en los parámetros predeterminados para el umbral objetivo (Target Threshold), el tamaño mínimo del grupo (Minimum Cluster Size) y las muestras mínimas (Minimum Samples).
Target Threshold (Umbral objetivo): controla el umbral de la puntuación de prospectividad que determina sus objetivos. El panel de visualización se actualizará para mostrar sólo objetivos que estén en el umbral establecido o por encima de él, para ayudar a visualizar sus objetivos.
Mueva el control deslizante hacia la derecha para mostrar sólo áreas con puntuaciones de prospectividad más altas o, por el contrario, más hacia la izquierda para incluir puntuaciones de prospectividad moderadas. Tenga en cuenta que una puntuación inferior a 0,5 equivale a un punto de aprendizaje negativo, lo que significa que hay más posibilidades de que esta área sea estéril que mineralizada.
Minimum Cluster Size (Tamaño mínimo de clúster): indica el tamaño mínimo que debe tener un clúster para ser considerado un objetivo
Minimum Samples (Muestras mínimas): indica las muestras mínimas necesarias para crear un clúster para un objetivo.
Una vez establecido su umbral objetivo, pasaremos a generar sus clústeres objetivo (Target Clusters). Cuando se ajustan las configuraciones de tamaño mínimo del clúster (Minimum Cluster Size) o muestras mínimas (Minimum Samples), se generarán clústeres objetivo en el panel de visualización.
Cada grupo objetivo está codificado por colores.
El ajuste de los controles deslizantes tamaño mínimo de grupo (Minimum Cluster Size) y muestras mínimas (Minimum Samples) afecta directamente la cantidad de clústeres objetivo.
Continúe realizando los ajustes necesarios en los parámetros Target Threshold (umbral objetivo) , Max Distance (distancia máxima) y Min samples (muestras mínimas) y luego haga clic en Generate SHAP Labels (generar etiquetas SHAP) para aplicar los umbrales ajustados. Este paso generará una etiqueta por clúster objetivo.
Continúe con Export Results (exportar resultados) desde el panel resultados en la parte inferior de la pantalla.
Para agregar su modelo VRIFY 3D AI a una plataforma de presentación VRIFY, comuníquese con su contacto exclusivo de DORA.
Para obtener información más detallada sobre la generación de objetivos, consulte: Comprender: Generación de objetivos
¿Aún tienes preguntas?
Comuníquese con su contacto exclusivo de DORA o envíe un correo electrónico a Support@VRIFY.com para obtener más información.