Visão geral
Ao configurar um mapa de previsão DORA, você será guiado por seis etapas principais para analisar dados geológicos e outros recursos relevantes para gerar resultados.
Este processo inclui:
Definindo sua área de interesse.
Selecionando os recursos apropriados (dados de entrada).
Especificando o que você almeja e em qual grau.
Revendo os resultados e ajustando os parâmetros para alinhá-los com sua experiência real do projeto.
A configuração cuidadosa de seus experimentos melhora a precisão das previsões de alvos de perfuração, garantindo que sejam adaptadas às suas metas e objetivos específicos.
No entanto, muitos dos parâmetros possuem valores padrão. Se você não tiver certeza de como definir os valores, comece com os valores-padrão e faça as alterações necessárias após a primeira passagem.
Instruções passo a passo
Dicas de navegação no painel de visualização (View Panel)
A qualquer momento, clique na bússola no canto superior direito do painel de visualização para visualizar a visão panorâmica e a perspectiva centralizada de sua AOI (em Português, Área de Interesse).
Clique com o botão esquerdo e arraste para girar o modelo.
Clique com o botão direito e arraste para mover o modelo sem girá-lo.
Aumente e diminua o zoom rolando ou apertando o touch pad (painel tátil).Faça o login em VRIFY.com
No painel esquerdo, clique em DORA.
Clique em “+ New Prediction Map” (Novo Mapa de Previsão) no canto superior direito da tela.
Selecione o ativo (asset) que deseja usar no menu suspenso na parte superior da página.
A seguir, na parte superior da tela, insira um nome para o seu Mapa de Previsão.
Se um nome personalizado não for inserido, ele será criado automaticamente com uma ID (Identificação) de mapa exclusivo, o nome da sua empresa, e o ativo usado.
Clique em "Proceed".
A partir daqui, as instruções são divididas em 6 etapas principais.
Ir para:
Selecione AOI (Select AOI)
Nesta etapa, uma AOI (Área de Interesse) é definida para este experimento. Isso permite definir o limite para seus recursos, garantindo que as previsões sejam feitas apenas dentro da área especificada. Recursos fora da AOI (Área de Interesse) especificada não serão incluídos no conjunto de recursos deste experimento.
Na tela do Passo 1, selecione o arquivo AOI que deseja usar no menu suspenso “Select AOI” (Selecionar AOI).
Se você tiver uma nova AOI (Área de Interesse) para carregar, poderá clicar e arrastar os arquivos para o painel de visualização. Para ver etapas mais detalhadas e requisitos de arquivo, confira este artigo.
Usando os controles deslizantes, defina a Altura (Height) e a Largura (Width) para sua AOI (Área de Interesse) em pixels (px). À medida que essas configurações são ajustadas, o painel de visualização refletirá a forma e a densidade da sua grade de AOI (Área de Interesse).
O padrão é 512px. Confira este Guia de pixels de AOI (Áreas de Interesse) para obter mais detalhes sobre a pixelização ideal.
Este parâmetro impacta a resolução dos resultados. Quanto mais pixels, maior a resolução.
Nota: Escolha uma resolução que corresponda aos seus dados.
Geralmente, para AOIs menores e bem definidas, uma resolução mais alta pode produzir melhores resultados. Para AOIs mais amplas e menos definidas, com cobertura dispersa e de resolução mais baixa, uma resolução mais baixa pode ser mais adequada.
Se você precisar criar uma nova forma de AOI, como definir uma AOI em uma área diferente, entre em contato com seu contato DORA para obter assistência no upload de um novo arquivo shapefile.
Clique em “Apply AOI” (Aplicar AOI) para concluir esta etapa.
Para obter informações mais detalhadas sobre como selecionar uma AOI, consulte: Noções Básicas: Selecione AOI (Área de Interesse) e Guia de pixels de AOI (Área de Interesse)
Recursos de entrada (Input Features)
Esta seção é onde são definidas as características (vetores de exploração) que serão utilizadas no modelo. Os recursos disponíveis para você são o resultado do processo de compilação de dados e, se você perceber que está faltando alguma coisa, entre em contato com seu contato dedicado DORA.
Comece selecionando os recursos que deseja usar no menu suspenso “Input Features” (Recursos de entrada).
Você pode apertar e segurar shift para selecionar ou desmarcar uma série de recursos de uma vez.
Opcionalmente, você pode visualizar os recursos disponíveis clicando no ícone de olho próximo ao recurso. Este passo não afetará o resultado do modelo.
Selecionar uma camada de terreno permite que você tenha uma visualização contínua de todas camadas selecionadas, permitindo sobrepor outras camadas.
Você pode aplicar uma escala de cores à camada visualizada para visualizar melhor os recursos.
Ajuste o controle deslizante “Vertical Exaggeration” (Exagero Vertical) na parte inferior da tela para exagerar as camadas, se desejar.
Em seguida, defina o “Correlation Threshold” (Limite de Correlação).
Definir um limite de correlação ajuda a evitar um desequilíbrio de muita importância na duplicação do conjunto de dados, indicando quão semelhantes dois recursos devem ser antes que um seja omitido da lista de recursos.
O limite padrão é 0,90 (recursos 90% semelhantes serão sinalizados como informações duplicadas e um dos 2 será removido).
Se o limite for definido como 0, todos os recursos selecionados serão usados, independentemente da similaridade. Se definido como 100, apenas recursos duplicados com exatidão serão removidos.
Por fim, clique em “Apply" (Aplicar) para concluir esta etapa.
Para obter informações mais detalhadas sobre recursos de entrada, consulte: Noções Básicas: Recursos de Entrada.
Configurar dados de aprendizagem (Set Up Learning Data)
Esta etapa é onde os elementos alvo são definidos e onde os dados de aprendizagem são separados em exemplos positivos e negativos, para nosso algoritmo de classificação de 2 classes. O limite indica a nota mínima que o elemento deve atingir para ser representado como um ponto positivo de dados de aprendizagem. Elemento(s) que não atingirem o limite de nota definido serão representados como ponto negativo de aprendizagem.
Procure uma distribuição uniforme de dados positivos (mineralizados) e negativos (não-mineralizados) para garantir um equilíbrio nos pontos de aprendizagem, se seus dados permitirem. O sistema utiliza esses pontos de aprendizagem durante o treinamento para reconhecer padrões nos dados e fazer previsões sobre as informações subjacentes.
No menu suspenso “Learning Data” (Dados de aprendizagem), comece selecionando um arquivo para usar em seus pontos de aprendizagem. Se este menu suspenso não estiver disponível, significa que você tem apenas 1 arquivo e ele está sendo usado como padrão.
Selecione o campo “Elevation” (Elevação) no menu suspenso.
Isso é usado para prever a profundidade da ocorrência do alvo.
Os valores do menu suspenso são preenchidos a partir dos cabeçalhos das colunas no arquivo shapefile da AOI (Área de Interesse).
Em seguida, defina os “Learning Data Filters” (Filtros de Dados de Aprendizagem). Comece selecionando um elemento no menu suspenso.
Por padrão, o filtro é configurado (>) para incluir elementos maiores que o limite-alvo correspondente. Se necessário, alterne a chave para alterá-la para “menor que” (<).
Em seguida, defina um limite-alvo para o elemento. É aqui que você indica a nota que o elemento deve atingir para ser representado como um ponto positivo de dados de aprendizagem.
O intervalo de limite-alvo disponível é exibido abaixo do filtro.
Ao definir esse limite, consulte a tabela “Learning Data Breakdown” (Detalhamento dos dados de aprendizagem) na parte inferior do menu suspenso. Isso fornece proporções em tempo real que indicam o quão equilibrados estão seus pontos de aprendizagem positivos e negativos:
Ao segmentar diversas commodities, você pode especificar se seus alvos serão combinadas usando a lógica “AND” (e), onde os limites para cada alvo devem ser atendidos, ou tratadas de forma independente com a lógica “OR” (ou), onde pelo menos um dos limites para qualquer um dos alvos pode ser atingido. Clique no botão "OR” (ou) para ajustar.
Opcionalmente, clique em “Add” (Adicionar) para adicionar outro filtro de dados (elemento-alvo).
Clique em “Proceed” (Continuar) para definir os parâmetros e concluir esta etapa.
Para obter informações mais detalhadas sobre como configurar dados de aprendizagem, consulte: Noções Básicas: Configurar Dados de Aprendizagem
Incorporar recursos visuais (Embed Visual Features)
Esta etapa é onde você configura qual modelo de transformador de visão (Vision Transformer Model) será usado para suas previsões. O Vision Transformer realizará uma redução dimensional nos recursos de entrada, da mesma forma que um PCA (Principal Component Analysis / Análise de Componentes Principais) faria. O número de períodos (epochs) determina o número de vezes que seu conjunto de dados passa pelo algoritmo para conduzir o que é chamado de ajuste fino local do modo (referido como número de períodos). Esta etapa é importante para ajustar o modelo global ao domínio geológico local específico da área do seu projeto.
Os modelos Vision Transformer disponíveis são para sistemas minerais específicos, incluindo um modelo-mestre (Master Model) que pode ser usado se não houver modelo disponível para o sistema mineral desejado.
Revise os pontos de dados visualizados no visualizador, que mostrarão verde (ponto de dados positivo/mineralizado) e vermelho (ponto de dados negativo/não-mineralizado) com base nos limites de notas definidos na etapa Configurar dados de aprendizagem (Set Up Learning Data).
Verifique se os dados parecem visualmente corretos com o limite que você definiu para os elementos escolhidos. Os resultados exibidos são baseados em amostras de perfuração e superfície. Retorne à etapa anterior para ajustar os parâmetros, se necessário.
No menu “Embed Visual Features” (Incorporar recursos visuais), comece selecionando um “Vision Transformer Model” (modelo de transformador de visão) no menu suspenso.
Escolha o transformador de visão (vision transformer) que corresponde ao sistema mineral que você está mirando.
Caso não exista um modelo para o sistema mineral que pretende, escolha “Master_Model.pt”.
Defina o “No. of Epochs” (Número de Períodos) para indicar o número de passagens completas pelos seus dados de treinamento, no ajuste fino local do seu modelo. O padrão é 100.
O modelo será executado até que o número de períodos seja atingido ou até que a função de perda se estabilize (o que significa que a precisão do modelo não está mais aumentando); o que ocorrer primeiro.
Em seguida, clique em “Generate Embeddings” (Gerar Incorporações) para executar o exercício de redução de dimensão, gerando um novo conjunto de arquivos raster (Raster Files) para seus recursos de entrada.
Etapa opcional: Através do Menu de Camadas 3D (3D Layers Menu), revise os arquivos raster (Raster Files) gerados nesta etapa clicando no ícone de olho para visualizá-los. Defina o esquema de cores desejado.
Isso fornece informações valiosas sobre as incorporações (embeddings) geradas, oferecendo uma compreensão mais clara da estrutura.
A escala de deslocamento base (base displacement scale) permite ajustar a intensidade dos detalhes da superfície, ajudando a visualizar e representar com mais precisão as texturas de cada imagem raster.
Clique em “Proceed” (Continuar).
Para obter informações mais detalhadas sobre a incorporação de recursos visuais, consulte: Noções básicas: Incorporar recursos visuais.
Construir modelos de previsão (Build Predictive Models)
Nesta etapa, um classificador de duas classes (two-class classifier) é usado para prever a probabilidade de ocorrências de mineralização dentro da sua AOI (Área de Interesse). O classificador é treinado a partir de arquivos raster incorporados e pontos de aprendizagem selecionados. Os parâmetros nesta seção são usados para agrupar seus pontos de aprendizagem em agrupamentos que nos permitem treinar/validar o modelo adequadamente. Opções avançadas também estarão disponíveis para ajustar (overfit ou underfit) seu modelo de previsão.
No menu “Build Predictive Models” (Construir modelos de previsão), há dois parâmetros que você pode definir; “Minimum Cluster Size” (Tamanho mínimo do agrupamento) e “Minimum Samples” (Mínimo de amostras). Com esses parâmetros estamos controlando o tamanho e a extensão espacial dos grupos de treinamento e teste utilizados para validação do modelo.
Comece definindo o “Minimum Cluster Size” (Tamanho Mínimo do Agrupamento).
O padrão é 100.
O Tamanho Mínimo do Agrupamento indica até onde o algoritmo de agrupamento (que agrupa pontos) irá procurar para encontrar os resultados para cada agrupamento de dados.
Em seguida, defina “Minimum samples” (Mínimo de amostras).
O padrão é 10.
Isso define o número mínimo de amostras necessárias para criar um agrupamento de dados.
Em seguida, clique em “Generate Model” (Gerar modelo).
Nota: existem Configurações Avançadas (Advanced Settings) que estão definidas com nossos padrões recomendados. Trabalhe com a equipe VRIFY se houver configurações que você deseja gerenciar.
Para obter informações mais detalhadas sobre a construção de modelos de previsão (Building Predictive Models), consulte: Noções básicas: Construir Modelos de Previsão
Gerar Alvos (Generate Targets)
Esta etapa final é onde seus alvos de exploração são gerados. Você começará revisando os resultados do modelo de previsão, ajustando os parâmetros conforme necessário, gerando rótulos SHAP e, em seguida, revisando os resultados novamente. Você pode repetir esse ciclo quantas vezes forem necessárias para refinar seus alvos.
O painel de visualização exibirá uma visualização da pontuação de prospectividade gerada por meio de uma variedade de tonalidades que representam as Pontuações de Prospectividade VRIFY (VRIFY Prospectivity Scores - VPS). Isso ajuda a refinar seus alvos antes de exportar os resultados finais. A prospectividade é representada por esta escala de cores (Higher Prospectivity = Maior Prospectividade):
Quando a Etapa 5 for concluída, uma série de gráficos de resultados será exibida na parte inferior da tela:
Usando seu conhecimento do setor e familiaridade com o projeto, avalie os resultados, garantindo que eles se encaixem nos padrões geológicos estabelecidos e nas especificações do projeto para uma tomada de decisão informada. Para mais detalhes sobre a interpretação dos gráficos de resultados, confira este artigo.
Em seguida, você pode fazer ajustes para otimizar como os resultados da pontuação de prospectividade são agrupados em alvos de exploração definidos. O painel de visualização exibirá inicialmente os alvos com base nos parâmetros-padrão para “Target Threshold” (Limite-alvo), “Minimum Cluster Size” (Tamanho Mínimo do Agrupamento) e “Minimum Samples” (Mínimo de Amostras).
Target threshold (Limite-alvo): controla o limite da pontuação de prospectividade que determina seus alvos. O painel de visualização será atualizado para exibir apenas alvos que estejam no limite definido ou acima dele, para ajudar a visualizar seus alvos.
Mova o controle deslizante para a direita para exibir apenas áreas com pontuações de prospectividade mais altas ou, inversamente, mais para a esquerda para incluir pontuações de prospectividade moderadas. Tenha em mente que uma pontuação abaixo de 0,5 representa um ponto de aprendizagem negativo, o que significa que há mais chances de esta área ser estéril do que mineralizada.
Minimum Cluster Size (Tamanho mínimo do Agrupamento): indica o tamanho mínimo que um agrupamento deve ter para ser considerado um destino.
Minimum samples (Mínimo de Amostras): indica as amostras mínimas necessárias para criar um agrupamento para um destino.
Depois que seu limite-alvo for definido, prosseguiremos para gerar nossos agrupamentos de destino. Quando as configurações de Tamanho Mínimo do Agrupamento ou Mínimo de Amostras forem ajustadas, os agrupamentos de alvos (Target Clusters) serão gerados no Painel de Visualização.
Cada agrupamento de alvos é codificado por cores.
O ajuste dos controles deslizantes “Minimum Cluster Size” (Tamanho mínimo do agrupamento) e “Minimum Samples” (Mínimo de Amostras) afeta diretamente o número de agrupamentos de alvos.
Continue fazendo os ajustes necessários nos parâmetros de amostras “Target Threshold” (Limite-alvo), “Max Distance” (Distância Máxima) e “Min Samples” (Mínimo de Amostras) e clique em “Generate SHAP Labels” (Gerar rótulos SHAP) para aplicar seus limites ajustados. Esta etapa gerará um rótulo por agrupamento de alvos.
Prossiga para “Export Results” (Exportar resultados) no painel “Results” (Resultados) na parte inferior da tela.
Para adicionar seu modelo DORA 3D a uma apresentação VRIFY, entre em contato com seu contato dedicado DORA.
Para obter informações mais detalhadas sobre como gerar alvos, consulte: Noções Básicas: Gerar Alvos
Ainda tem dúvidas?
Entre em contato com seu contato DORA dedicado ou envie um e-mail para support@VRIFY.com para obter mais informações.