Aperçu
Lors de la configuration d'une Carte de Prédiction (Prediction Map) avec DORA, vous serez guidé à travers six étapes clés pour analyser les données géologiques et d'autres caractéristiques pertinentes afin de générer des résultats.
Ce processus comprend :
Définir votre zone d’intérêt.
Sélectionner les caractéristiques appropriées (données d'entrée).
Spécifier votre cible et le seuil de concentration.
Examiner les résultats et ajuster les paramètres afin de les aligner avec votre expertise pratique du projet.
Une configuration précise de vos expériences améliore l'exactitude des prédictions des cibles de forage, garantissant qu'elles sont adaptées à vos objectifs spécifiques.
Cependant, de nombreux paramètres ont des valeurs par défaut. Si vous ne savez pas comment les définir, commencez avec ces valeurs par défaut et ajustez-les après un premier essai.
Instructions Étape par Étape
Conseils de navigation pour le panneau de visualisation
À tout moment, Cliquez sur la boussole en haut à droite pour afficher une vue d’ensemble centrée sur votre AOI (zone d’intérêt).
Cliquez avec le bouton gauche et faites glisser pour faire pivoter le modèle.
Cliquez avec le bouton droit et faites glisser pour déplacer le modèle sans le faire pivoter.
Effectuez un zoom avant et arrière en faisant défiler ou en pinçant votre pavé tactile.
Connectez-vous à VRIFY.com.
Dans le panneau latéral gauche, cliquez sur DORA.
Cliquez sur + New Prediction Map (Nouvelle Carte de Prédiction) en haut à droite.
Sélectionnez l'élément que vous souhaitez utiliser dans le menu déroulant en haut de la page.
Ensuite, en haut de l'écran, entrez un nom pour votre Carte de Prédiction.
Si aucun nom n’est entré, un identifiant unique sera généré automatiquement, le nom de votre entreprise et l'élément utilisé.
Cliquez sur Continuer.
A partir de là, les instructions sont décomposées en 6 étapes clés.
Sélectionnez AOI
Dans cette étape, une AOI (Zone d’Intérêt) est définie pour cette expérience. Cela vous permet de définir les limites de vos caractéristiques, garantissant que les prédictions sont effectuées uniquement à l’intérieur de l’AOI spécifiée.Les caractéristiques situées en dehors de cette zone ne seront pas incluses dans l’ensemble des caractéristiques de cette expérience.
Dans la fenêtre Étape 1, sélectionnez le fichier AOI que vous souhaitez utiliser dans le menu déroulant Sélectionner un AOI.
Si vous avez une nouvelle AOI à télécharger, vous pouvez cliquer et faire glisser les fichiers dans le panneau d’affichage. Pour en savoir plus sur les étapes détaillées et les exigences des fichiers, consultez cet article.
À l'aide des curseurs, définissez la Hauteur (px) et la Largeur (px) de votre AOI. Au fur et à mesure que ces paramètres sont ajustés, le panneau d'affichage reflétera la forme et la densité de votre grille AOI.
La valeur par défaut est 512 px. Consultez ce Guide des pixels AOI pour plus de détails sur l’optimisation de la pixelisation.
Ce paramètre influence la résolution des résultats : plus le nombre de pixels est élevé, plus la résolution est haute.
Remarque : Choisissez une résolution adaptée à vos données.
Généralement, pour les AOI plus petits et bien définis, une résolution plus élevée peut améliorer les résultats. Pour les AOI plus vastes, moins précis, avec une couverture dispersée et de faible résolution, une résolution plus basse peut être plus appropriée.
Si vous avez besoin de créer une nouvelle forme d’AOI, par exemple pour définir une AOI dans une zone différente, veuillez contacter votre contact DORA pour obtenir de l'aide afin de télécharger un nouveau fichier de formes.
Cliquez sur Appliquer l'AOI pour terminer cette étape.
Pour plus d’informations sur la sélection d’une AOI, consultez : Comprendre : Sélectionner une AOI et Guide des pixels AOI.
Caractéristiques d'entrée
Cette section permet de définir les caractéristiques (vecteurs d’exploration) qui seront utilisées dans le modèle. Les caractéristiques disponibles résultent du processus de compilation des données. Si vous constatez qu'il manque des éléments, veuillez contacter votre contact DORA.
Commencez par sélectionner les caractéristiques (Input Features) que vous souhaitez utiliser dans le volet Input Features (caractéristiques d'entrée).
Maintenez Shift + clic pour sélectionner ou désélectionner plusieurs caractéristiques à la fois.
Vous avez également la possibilité de visualiser les caractéristiques disponibles en cliquant sur l’icône en forme d’œil à côté de chaque caractéristique. Cette action n’affectera pas la sortie du modèle.
Sélectionner une couche de terrain permet de visualiser de manière persistante la couche choisie, sur laquelle vous pouvez superposer d'autres couches de caractéristiques.
Une échelle de couleurs peut être appliquée à la couche affichée pour mieux interpréter les caractéristiques.
Ajustez le curseur d’exagération verticale en bas de l’écran pour accentuer la représentation des couches si nécessaire.
Ensuite, définissez le seuil de corrélation.
Le seuil de corrélation permet d’éviter un déséquilibre dû à une trop grande redondance dans l’ensemble de données. Il définit à quel point deux caractéristiques doivent être similaires avant que l’une d’elles soit supprimée de la liste.
Le seuil par défaut est de 0,90 ((les caractéristiques ayant une similarité de 90 % seront considérées comme dupliquées, et l’une des deux sera supprimée).
Si le seuil est à 0, toutes les caractéristiques sélectionnées seront utilisées, quelle que soit leur similarité. Si la valeur est à 100, seules les caractéristiques parfaitement identiques seront supprimées.
Enfin, cliquez sur Apply (Appliquer) pour terminer cette étape.
Pour plus de détails sur les Caractéristiques d’entrée, consultez : Comprendre : Caractéristiques d'entrée.
Configurer les données d'apprentissage
Cette étape permet de définir les éléments ciblés et de séparer les données d’apprentissage en exemples positifs et négatifs, pour notre algorithme de classification binaire. Le seuil indique la concentration minimale qu’un élément doit atteindre pour être considéré comme un point d’apprentissage positif. Les éléments qui ne répondent pas au seuil défini seront considérés comme des points d’apprentissage négatifs.
Visez une répartition équilibrée entre les données positives (minéralisées) et négatives (non minéralisées) afin d’assurer un bon équilibre des points d’apprentissage, si vos données le permettent. Le système utilise ces points d'apprentissage pendant la formation pour reconnaître les motifs dans les données et faire des prédictions sur les informations sous-jacentes.
Dans le volet Learning Data (Données d’apprentissage), commencez par sélectionner un fichier à utiliser pour vos points d'apprentissage. Si cette liste déroulante n'est pas disponible, cela signifie que vous n'avez qu'un seul fichier et qu'il est utilisé par défaut.
Sélectionnez ensuite le champ d'élévation dans le menu déroulant.
Ce champ est utilisé pour prédire la profondeur d’occurrence de la cible.
Les valeurs de ce menu déroulant proviennent des en-têtes de colonnes du fichier d’attributs de votre shapefile AOI.
Ensuite, configurez les Learning Data Filters (Filtres de Données D'apprentissage). Commencez par sélectionner un élément dans le menu déroulant.
Par défaut, le filtre est réglé pour inclure les éléments dont la valeur est supérieure au seuil cible correspondant. Si nécessaire, activez le bouton pour modifier cette condition à inférieure.
Ensuite, définissez un seuil cible pour l'élément. Ce seuil détermine la concentration minimale que l’élément doit atteindre pour être considéré comme un point d’apprentissage positif.
L’intervalle de seuils disponibles est affiché sous le filtre.
Lors de la définition de ce seuil, référez-vous au tableau de répartition des données d'apprentissage situé en bas du volet. l fournit en temps réel des ratios qui indiquent le niveau d’équilibre entre les points positifs et négatifs :
Lorsque vous ciblez plusieurs produits, vous pouvez spécifier si vos cibles sont combinées selon la logique « ET » (tous les seuils doivent être atteints), ou traitées indépendamment selon la logique « OU » (au moins un des seuils doit être atteint). Cliquez sur le bouton « ou » pour ajuster la logique.
Optionnellement, vous pouvez cliquer sur Ajouter pour inclure un autre filtre de données (élément cible).
Cliquez sur Procéder pour enregistrer les paramètres et finaliser cette étape.
Pour plus d’informations sur la configuration des données d’apprentissage, consultez : Comprendre : configuration des données d'apprentissage.
Intégrer des fonctionnalités visuelles
Cette étape vous permet de configurer le modèle de Vision Transformer (modèle de transformateur) qui sera utilisé pour vos prédictions. Le Vision Transformer effectuera une réduction dimensionnelle sur les caractéristiques d’entrée, un peu comme le ferait une PCA. Le nombre d'époques détermine le nombre de fois que votre ensemble de données passe par l'algorithme pour effectuer ce que l'on appelle un réglage local du modèle (appelé nombre d'époques). Cette étape est importante pour ajuster le modèle global au domaine géologique local spécifique à la zone de votre projet.
Les modèles Vision Transformer disponibles sont conçus pour un système minéral spécifique, y compris un modèle principal qui peut être utilisé s'il n'existe aucun modèle disponible pour le système minéral souhaité.
Examinez les points de données visualisés dans la visionneuse, qui afficheront le vert (point de données minéralisé/positif) et le rouge (point de données non minéralisé/négatif) en fonction des seuils de grade définis à l'étape Configurer les données d'apprentissage.
Vérifiez que les données semblent visuellement cohérentes avec le seuil que vous avez défini pour les éléments choisis. Les résultats affichés sont basés sur des échantillons de forage et de surface. Revenez à l’étape précédente pour ajuster les paramètres si nécessaire.
Dans la fenêtre contextuelle Intégrer les fonctionnalités visuelles, commencez par sélectionner un modèle Vision Transformer (transformateur de vision) dans le menu déroulant.
Choisissez le Vision Transformer (transformateur de vision) correspondant au système minéral que vous ciblez.
S'il n'existe pas de modèle pour le système minéral que vous ciblez, choisissez « Master_Model.pt ».
Définissez le nombre d'époques pour indiquer le nombre de passages complets dans vos données d'entraînement, lors du réglage local de votre modèle. La valeur par défaut est 100.
Le modèle fonctionnera jusqu'à ce que le nombre d'époques soit atteint, ou jusqu'à ce que la fonction de perte se stabilise (ce qui signifie que la précision du modèle n'augmente plus) ; selon ce qui survient en premier.
Ensuite, cliquez sur Generate Embeddings (Générer des incorporations) pour exécuter l'exercice de réduction de dimension, générant ainsi un nouvel ensemble de rasters pour vos entités en entrée.
Étape facultative : via le menu Calques 3D, examinez les fichiers raster générés à cette étape en cliquant sur l'icône en forme d'œil pour les prévisualiser. Définissez la palette de couleurs souhaitée.
Cela fournit des informations précieuses sur les intégrations générées, offrant une compréhension plus claire de la structure.
L'échelle de déplacement de base vous permet d'ajuster l'intensité des détails de la surface, vous aidant ainsi à visualiser et représenter plus précisément les textures de chaque raster.
Cliquez sur Continuer.
Pour des informations plus détaillées sur l'intégration de fonctionnalités visuelles, voir : Comprendre : intégrer des fonctionnalités visuelles.
Créer des modèles prédictifs
Dans cette étape, un classificateur à deux classes est utilisé pour prédire la probabilité d'apparition de minéralisation dans votre zone d'intérêt (AOI). Le classificateur est entraîné à partir de vos rasters incorporés et de vos points d'apprentissage sélectionnés. Les paramètres de cette section servent à regrouper vos points d'apprentissage en clusters qui permettent entraînement et une validation appropriés du modèle. Des options avancées seront également disponibles afin de sur-ajuster ou sous-ajuster votre modèle prédictif.
Dans la fenêtre contextuelle Build Predictive Models (Modélisation prédictive), vous pouvez définir deux paramètres : Taille minimale du cluster et échantillons minimum. Ces paramètres contrôlent la taille et l’étendue spatiale des groupes d’apprentissage et de test utilisés pour la validation du modèle.
Commencez par définir la taille minimale du cluster.
La valeur par défaut est 100.
La taille minimale du cluster indique jusqu'où l'algorithme de clustering (qui regroupe les points) va chercher pour trouver les résultats pour chaque cluster de données.
Ensuite, définissez les échantillons minimum.
La valeur par défaut est 10.
Ce paramètre détermine le nombre minimum d'échantillons requis pour créer un cluster de données.
Ensuite, cliquez sur Generate Model (Générer un modèle).
Remarque : il existe des paramètres avancés qui sont préréglés avec nos recommandations par défaut. Veuillez travailler avec l'équipe VRIFY si vous souhaitez gérer ces paramètres.
Pour des informations plus détaillées sur la création de modèles prédictifs, voir : Comprendre : créer des modèles prédictifs.
Générer des cibles
Cette dernière étape consiste à générer vos cibles d’exploration. Vous commencerez par examiner les résultats du modèle prédictif, ajuster les paramètres si nécessaire, générer des étiquettes SHAP, puis réexaminer les résultats. Ce cycle peut être répété autant de fois que nécessaire pour affiner vos cibles.
Le panneau d'affichage montrera une visualisation des scores de prospectivité générés, sous forme de nuances représentant les VRIFY Prospectivity Scores (VPS). Cela vous permet d'affiner vos cibles avant l’exportation finale. La prospectivité est illustrée par l’échelle de couleurs suivante :
Une fois l'étape 5 complétée, une série de graphiques de résultats s’affichera en bas de l'écran.
En utilisant vos connaissances de l'industrie et votre familiarité avec le projet, évaluez les résultats pour vérifier qu’ils correspondent aux modèles géologiques établis et aux spécificités du projet, afin de vous permettre des décisions informées. Pour plus de détails sur l'interprétation des graphiques de résultats, consultez cet article.
Ensuite, vous pouvez ajuster la manière dont les scores de prospectivité sont regroupés en cibles d’exploration définies. Le panneau d'affichage montre d’abord les cibles selon les paramètres par défaut : Seuil cible, Taille minimale du cluster et Échantillons minimum.
Seuil cible : détermine le seuil du score de prospectivité pour définir les cibles. Le panneau affichera uniquement les cibles égales ou supérieures au seuil défini.
Glissez le curseur vers la droite pour afficher uniquement les zones ayant des scores de prospectivité plus élevés, ou à l'inverse, glissez plus à gauche pour inclure des scores de prospectivité modérés. Gardez en tête qu’un score inférieur à 0,5 est interprété comme un point d’apprentissage négatif, ce qui indique que la zone est plus probablement stérile que minéralisée.
Taille minimale du cluster : indique la taille minimale qu'un cluster doit avoir pour être considéré comme une cible.
Échantillons minimum : indique le nombre minimum d’échantillons requis pour créer un cluster pour une cible.
Toute modification des paramètres Taille minimale du cluster ou Échantillons minimum entraînera une régénération des clusters dans le panneau d’affichage.
Chaque cluster cible est codé par couleur.
L’ajustement des curseurs Minimum Cluster size (Taille minimale de cluster) et Minimum Sample (Échantillons minimum) impacte directement le nombre de clusters générés.
Continuez les ajustements nécessaires des paramètres d'échantillons Target Threshold (Seuil cible), Max Distance (Distance Maximale) et Min (Échantillons minimum), puis cliquez sur Generate SHAP Labels (Générer des étiquettes SHAP) pour appliquer vos seuils ajustés. Cette étape générera une étiquette par cluster cible.
Procédez à l’exportation des résultats à partir du panneau Résultats en bas de l’écran.
Pour ajouter votre modèle 3D DORA à une présentation VRIFY, contactez votre contact DORA.
Pour des informations plus détaillées sur la génération de cibles, voir : Comprendre : générer des cibles.
Vous avez encore des questions ?
Contactez votre contact DORA ou envoyez un e-mail à support@VRIFY.com pour plus d'informations.