Este artículo fue traducido mediante Google Translate.
Descripción general
Al configurar un mapa de predicción de IA VRIFY, se le guiará a través de seis pasos importantes para analizar datos geológicos y otras características relevantes para generar resultados.
Este proceso incluye:
Definir tu 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 el mundo real del proyecto.
Configurar cuidadosamente sus experimentos mejora la precisión de las predicciones de los objetivos de perforación, garantizando que se adapten a sus objetivos y objetivos únicos.
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 de navegación del panel
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.
clic izquierdo y arrastre para girar el modelo.
clic derecho y arrastre para mover el modelo sin girarlo.
Acerque y aleje desplazándose o pellizcando el panel táctil.
Accede a VRIFY.com
En el panel lateral izquierdo, clic en VRIFY AI.
clic en +New Prediction Map en la parte superior derecha de la pantalla.
Seleccione el activo que desea utilizar en el menú desplegable en la parte superior de la página.
Luego, en la parte superior de la pantalla, ingrese un nombre para su mapa de predicción.
Si no se ingresa un nombre personalizado, se creará automáticamente con una identificación de mapa única, el nombre de su empresa y el activo utilizado.
A partir de aquí, las instrucciones se dividen en 6 pasos importantes clave.
Saltar a:
Seleccione AOI
En este paso, se establece un AOI (Área de interés) para este experimento. Esto le permite establecer el límite de sus funciones, garantizando que las predicciones solo se realicen dentro del AOI especificado. Las funciones fuera del AOI especificado no se incluirán en el conjunto de funciones 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’.
Si tiene un nuevo AOI para cargar, puede hacer clic y arrastrar los archivos al panel de vista. Vea pasos más detallados y requisitos de archivos, consulte Este artículo.
Usando los controles deslizantes, establezca la Altura (px) y el Ancho (px) 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.
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 AOI más pequeñas y bien definidas, una resolución más alta puede producir mejores resultados. Para AOI 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 configurar una AOI en un área diferente, comuníquese con su contacto de VRIFY AI para obtener ayuda para cargar un nuevo archivo de forma.
Haga clic en Aplicar AOI para completar este paso.
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 VRIFY AI.
Comience seleccionando las funciones que desea utilizar en la ventana emergente Funciones de entrada.
Puede mantener presionada la tecla Mayús + hacer clic para seleccionar o anular la selección de una variedad de funciones a la vez.
Opcionalmente, 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 tele permite tener una visualización sostenida de cualquier capa seleccionada, permitie’ndote lo que le permite superponer las otras capas de entidades encima.
Puede aplicar una escala de colores a la capa visualizada para visualizar mejor las características.
Ajuste el control deslizante Exageración vertical en la parte inferior de la pantalla para exagerar las capas si lo desea.
A continuación, establezca el umbral de correlación.
Establecer un umbral de correlación ayuda a evitar un desequilibrio de demasiada importancia en 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 funciones 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 funciones duplicadas exactas.
Finalmente, haga clic en Aplicar para completar este paso.
Configurar 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.
Apunte a una distribución uniforme de datos positivos (mineralizados) y negativos (no mineralizados) para garantizar un equilibrio en los puntos de aprendizaje, si sus datos lo permiten. 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, comience seleccionando un archivo para usar en sus Learning Points. Si este menú desplegable no está disponible, significa que solo tiene 1 archivo y se está utilizando de forma predeterminada.
Seleccione en Elevation Field 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 de forma AOI.
Luego, configure Learning Data Filters. Comience seleccionando un 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 menos de.
A continuación, establezca un umbral objetivo para el elemento. Aquí es donde indicas 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 proporciona 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 "Y", donde se deben cumplir los umbrales para cada objetivo, o se manejan de forma independiente con la lógica "O", donde al menos uno de los umbrales para cualquiera de los objetivos puede ser cumplido. Haga clic en el botón "o" para ajustar.
Opcionalmente, haga clic en Agregar para agregar otro filtro de datos (elemento de destino).
Haga clic en Continuar para configurar los parámetros y completar este paso.
Incorporar funciones visuales
En este paso es donde configura qué modelo de Vision Transformer 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. 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 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 Configurar datos de aprendizaje.
Verifique que los datos se vean visualmente correctos con el umbral que ha establecido para los elementos elegidos. Los resultados mostrados se basan en muestras de perforación y superficie. Regrese al paso anterior para ajustar los parámetros si es necesario.
En la Embed Visual Features, comience seleccionando un Vision Transformer Model 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 para indicar el número de pases completos a través de sus datos de entrenamiento, en el ajuste 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 nivele (lo que significa que la precisión del modelo ya no aumenta); lo que ocurra primero.
A continuación, haga clic en Generate Embeddings 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 del detalle de la superficie, lo que le ayuda a visualizar y representar con mayor precisión las texturas de cada ráster.
Haga clic en Proceed.
Construir 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 Modelado predictivo, hay dos parámetros que puede configurar; Tamaño mínimo de conglomerado y muestras mínimas. Con estos parámetros estamos controlando el tamaño y la extensión espacial del tren y los grupos de prueba utilizados para la validación del modelo.
Comience configurando el Minimum Cluster Size.
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.
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.
Nota: Hay configuraciones avanzadas que están configurados con nuestros valores predeterminados recomendados. Trabaje con el equipo de VRIFY si hay configuraciones que desea administrar.
Generar 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 los resultados nuevamente. Puedes repetir este ciclo tantas veces como sea necesario para perfeccionar tus objetivos.
El panel de visualización mostrará una visualización del puntaje de prospectividad generado a través de una variedad de tonos que representan los puntajes de prospectividad VRIFY (VPS). 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, el tamaño mínimo del grupo y las muestras mínimas.
Target threshold: esto controla el umbral de la puntuación de prospectividad que determina sus objetivos. El panel de vista se actualizará para mostrar solo 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 solo 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: indica el tamaño mínimo que debe tener un clúster para ser considerado un objetivo.
Minimum Samples: indica las muestras mínimas necesarias para crear un clúster para un objetivo.
Una vez establecido su umbral objetivo, pasamos a generar nuestros grupos objetivo. Cuando se ajustan las configuraciones de Tamaño mínimo de conglomerado o Muestras mínimas, se generarán conglomerados de destino en el panel de visualización.
Cada grupo objetivo está codificado por colores.
El ajuste de los controles deslizantes Tamaño mínimo de grupo y Muestras mínimas afecta directamente la cantidad de grupos objetivo.
Continúe realizando los ajustes necesarios en los parámetros Umbral objetivo, Distancia máxima y Muestras mínimas, luego haga clic en Generate SHAP Labels para aplicar los umbrales ajustados. Este paso generará una etiqueta por grupo objetivo.
Continúe con Exportar resultados desde el panel Resultados en la parte inferior de la pantalla.
Para agregar su modelo 3D VRIFY AI a una plataforma de presentación VRIFY, comuníquese con su contacto exclusivo de VRIFY AI.
¿Aún tienes preguntas?
Comuníquese con su contacto exclusivo de VRIFY AI o envíe un correo electrónico a Support@VRIFY.com para obtener más información.