در 5 فوریه 2026، دکتر لو گوئو ترجمه Sunshine با آقای چن ژن، متخصص در زمینه اکتشاف هوش مصنوعی زمین شناسی سنجش از دور، برای راه اندازی یک پخش زنده حرفه ای، با تمرکز بر نقاط درد اصلی هزینه بالا، چرخه طولانی و میزان موفقیت کم اکتشاف سنتی در صنعت اکتشاف مواد معدنی، دست به دست شد. تمرکز بر زمین شناسی سنجش از دور هوش مصنوعی اصول اصلی، نکات برجسته فنی، سناریوهای پیاده سازی و ارزش کاربردی عملی فناوری اکتشاف، از بعد فنی، بعد موردی تا سطح اجرا، برای حل سوالات کلیدی انتخاب فناوری و کاربرد اکتشاف برای شرکت های معدنی، و کمک به شرکت های معدنی در حل مشکلاتی مانند کاهش هزینه های اکتشاف زمین سبز در خارج از کشور، کاهش هزینه های اکتشاف زمین سبز در خارج از کشور، دستیابی به اکتشاف زمین سبز دقیق، تجزیه و تحلیل می شوند. و افزایش کارایی

دکتر لو گو (ترجمه آفتاب): سلام آقای چن! در حال حاضر، صنعت اکتشاف مواد معدنی با دو نقطه درد اصلی مواجه است: هزینه های سنتی اکتشاف بالا و چرخه طولانی است. اکتشاف مناطق سبز در خارج از کشور و اکتشاف زمین های خشن حتی دشوارتر است. نرخ موفقیت پایین اکتشاف و ریسک بالای سرمایه گذاری به نگرانی بسیاری از شرکت های معدن تبدیل شده است. ظهور فناوری اکتشاف هوش مصنوعی زمین شناسی از راه دور را "انقلاب اکتشاف" در صنعت می نامند. امروز ما یک مصاحبه حرفه ای عمیق با شما در مورد اصول اصلی، سناریوهای پیاده سازی و ارزش واقعی این فناوری انجام می دهیم تا به شرکت های معدنی کمک کنیم تا به سوالات کلیدی در مورد انتخاب فناوری پاسخ دهند.

1. بعد فنی

1. اصل اصلی فناوری سنجش از دور ماهواره ای برای شناسایی انواع اجسام زمینی و ترکیبات معدنی چیست؟

معلم چن ژن: اصل اصلی تفاوت در پاسخ طیف الکترومغناطیسی اجسام زمینی است. اجسام مختلف زمینی ترکیبات و ساختارهای مواد متفاوتی دارند و دارای ویژگی های بازتاب، جذب و انتشار امواج الکترومغناطیسی با طول موج های مختلف هستند که «اثر انگشت طیفی» منحصر به فرد را تشکیل می دهند. پس از اینکه سنسور ماهواره ای این اطلاعات طیفی را گرفت، می تواند با تجزیه و تحلیل قله های مشخصه و دره های جذب منحنی طیفی، نوع اجسام زمین و ترکیب مواد معدنی را شناسایی کند.

2. تفاوت اصلی بین سنجش از دور چند طیفی و سنجش از دور فراطیفی چیست؟

معلم چن ژن: تفاوت اصلی در وضوح طیفی و تعداد باندها نهفته است.

سنجش از دور چند طیفی: تعداد کمی از باندها (معمولاً 3-10)، وضوح طیفی کم، تمرکز بر تشخیص دسته‌های اصلی اجسام زمینی (مانند پوشش گیاهی، سنگ‌ها، توده‌های آبی).

سنجش از دور فراطیفی: تعداد باندها می تواند به صدها باند برسد و وضوح طیفی بسیار بالاست. این می تواند تفاوت های طیفی ظریف اجسام زمینی را ثبت کند و به طور مستقیم اجزای معدنی خاص (مانند هماتیت و کائولینیت) را شناسایی کند. این فناوری اصلی برای نقشه برداری مواد معدنی و شناسایی تغییرات کانی سازی است.

3. اصل استفاده از روش تطبیق زاویه طیفی برای شناسایی کانی و نقشه برداری کانی چیست؟

معلم چن ژن: هسته تطابق زاویه طیفی (SAM) محاسبه شباهت زاویه ای بردارهای طیفی است. منحنی طیفی پیکسل تصویر به عنوان بردار در فضایی با ابعاد بالا در نظر گرفته می شود و زاویه با بردار طیفی کانی استاندارد شناخته شده محاسبه می شود. هرچه زاویه کوچکتر باشد، شباهت طیفی بیشتر است و می توان پیکسل را مطابق با کانی هدف تعیین کرد. با محاسبه درجه تطبیق پیکسل به پیکسل، در نهایت یک نقشه معدنی منطقه ای تولید می شود.

4. اصول اصلی اختراعات مربوط به زمین شناسی سنجش از دور و اکتشاف هوش مصنوعی چیست؟

معلم چن ژن: هسته اختراع ما تجزیه و تحلیل روابط توپولوژیکی و الگوریتم تقاطع خودکار ناهنجاری لایه های زمین شناسی چند منبعی است. فناوری هوش مصنوعی برای استخراج خودکار ساختارهای سنگ‌شناسی، ترکیب‌های معدنی، ناهنجاری‌های ژئوشیمیایی و سایر لایه‌ها و سپس تعیین همبستگی فضایی بین لایه‌ها (مانند رابطه برهم نهی بین مناطق حایل ساختاری و ناهنجاری‌های معدنی) بر اساس اصول توپولوژیکی استفاده می‌شود و در نهایت به طور خودکار مناطق هدف کانی‌سازی را ترسیم می‌کند و مشکلات مربوط به راندمان پایین دستی و تفسیر سنتی را حل می‌کند.

5. پتنت های اختراع آقای چن ژن و حق نسخه برداری نرم افزار از تیم ترجمه Sunshine چه پشتیبانی فنی اصلی می تواند ارائه دهد؟

معلم چن ژن: پتنت ها و نرم افزارهای ما عمدتاً سه نوع پشتیبانی را ارائه می دهند:

پشتیبانی از تفسیر خودکار: استخراج خودکار سنگ شناسی، ساختار و تغییرات معدنی را با هوش مصنوعی درک کنید، جایگزین تفسیر بصری سنتی.

پشتیبانی از ترسیم هوشمند منطقه هدف: از طریق الگوریتم تقاطع غیرعادی چند لایه، مناطق هدف دقیق به طور خودکار تولید و مختصات استخراج می شوند.

پشتیبانی از پیش‌بینی کانی‌سازی: بر اساس مدل‌های معمول کانی‌سازی و آموزش هوش مصنوعی، پیش‌بینی‌های جهانی پتانسیل کانی‌سازی به دست می‌آید و جهت اکتشاف خارج از کشور را ارائه می‌دهد.

6. ویژگی های فنی اصلی این فناوری اکتشاف هوش مصنوعی زمین شناسی سنجش از دور در مقایسه با روش های اکتشاف سنتی چیست؟

معلم چن ژن: ویژگی های اصلی را می توان به عنوان "سریع، گسترده، دقیق و اقتصادی" خلاصه کرد:

سریع: ترسیم منطقه هدف منطقه ای را می توان در ده روز تکمیل کرد و جایگزین بررسی های میدانی سنتی که چندین ماه طول می کشد.

گسترده: پوشش جهانی، بدون محدودیت زمین یا مرزهای ملی، می تواند مناطق غیرقابل دسترس مانند ارتفاعات و بیابان ها را پوشش دهد.

دقیق: اعتبار متقابل داده های چند منبعی + تکرار الگوریتم هوش مصنوعی، دقت منطقه هدف به طور قابل توجهی بهبود یافته است.

استان: هزینه اکتشاف میدانی و اکتشاف ژئوفیزیک را به میزان قابل توجهی کاهش داده و نسبت ورودی به خروجی بالاتری را به دست آورید.

7. مراحل کلیدی مربوط به پیش پردازش داده های سنجش از راه دور چیست؟

معلم چن ژن: مراحل اصلی شامل چهار نوع اصلاح و بهینه سازی است:

تصحیح اتمسفر: حذف جذب جو و تداخل پراکندگی و بازیابی طیف واقعی اجسام زمین.

تصحیح هندسی: از بین بردن اعوجاج تصویر ناشی از نگرش ماهواره و موج‌های زمین و دستیابی به تطابق دقیق جغرافیایی.

تصحیح تشعشع: تفاوت پاسخ سنسور و روشنایی ناهموار را تصحیح می کند تا اطلاعات دقیق تشعشع را تضمین کند.

نویز و تصحیح رنگ: نویز تصویر را حذف کنید، سیستم رنگ را یکسان کنید و وضوح تفسیر را بهبود بخشید.

8. ترکیب داده های سنجش از دور چند منبعی به طور خاص شامل چه نوع داده هایی می شود؟

معلم چن ژن: به دو دسته تقسیم می شود: معنای وسیع و مفهوم محدود:

همجوشی تعمیم یافته: ادغام تصاویر سنجش از دور با داده های غیر سنجش از دور مانند داده های اکتشاف ژئوشیمیایی، داده های اکتشاف ژئوفیزیک و داده های اندازه گیری زمین شناسی.

ادغام حس باریک: ادغام بین تصاویر مختلف سنجش از دور، به طور معمول مانند ادغام "تصویر چند طیفی + تصویر پانکروماتیک" که ترکیبی از وضوح فضایی بالا و وضوح طیفی بالا را به دست می‌آورد و تلفیقی "سنجش ​​از راه دور نوری + سنجش از دور مایکروویو" که مشکل از دست رفتن داده‌های هوای بارانی را حل می‌کند.

9. در تفسیر بصری سازه های سنگ شناسی، تفاوت تن و بافت گرانیت و سنگ آهک در تصاویر سنجش از دور چیست؟

معلم چن ژن: تفاوت بین این دو بسیار آشکار است:

گرانیت: محتوای SiO2 بیش از 65٪، با رنگ خاکستری روشن. سیالیت ماگما ضعیف است و توده سنگ عمدتاً گرد است.

هوازدگی فیزیکی شکاف های شعاعی را تشکیل می دهد و سیستم های آب چرخ شکل به راحتی قابل توسعه هستند (ترکیب سیستم های آب شعاعی + حلقه ای شکل).

سنگ آهک: سنگ کربناته، به رنگ خاکستری متوسط؛ به راحتی فرسایش می یابد و شکل زمین های کارست (جنگل های قله، دره ها)، آب را تشکیل می دهد

این سیستم بیشتر دندریتی است و پوشش گیاهی آن بیشتر از گرانیت است.

10. مراحل اصلی برای تعیین مناطق هدف کانی سازی بالقوه با استفاده از فناوری اکتشاف هوش مصنوعی زمین شناسی سنجش از دور چیست؟

معلم چن ژن: هسته "پوشش چند لایه + تقاطع غیرعادی هوش مصنوعی" است که به چهار مرحله تقسیم می شود:

سنگ شناسی و پوشش لایه ساختاری: هوش مصنوعی سنگ شناسی و ساختار را به طور خودکار تفسیر می کند تا توزیع فضایی اجسام زمین شناسی کنترل کننده سنگ معدن را روشن کند.

پوشش لایه نقشه برداری معدنی: استخراج فراطیفی از ترکیبات معدنی مشخصه برای قفل کردن مناطق تغییر کانی سازی.

پوشش لایه ناهنجاری ژئوشیمیایی: ناهنجاری های یونی پوششی (مانند آهن، یون های هیدروکسیل) و عناصر کانی سازی مرتبط.

پوشش لایه شاخص کانی سازی: یک شاخص کانی سازی هدفمند برای تعیین کمیت پتانسیل کانی سازی ایجاد کنید. در نهایت از الگوریتم های هوش مصنوعی برای شناسایی تقاطع فضایی ناهنجاری های چند لایه و استخراج خودکار مختصات و محدوده منطقه مورد نظر استفاده کنید.

11. نقش اصلی مدل سازی کاوی سه بعدی چیست؟ برای ساخت یک مدل زمین شناسی سه بعدی چه داده های اساسی باید جمع آوری شود؟

معلم چن ژن:

نقش اصلی: برای دستیابی به محاسبه دقیق منابع، راهنمایی مهندسی معدن، و پشتیبانی مدیریت حقوق مواد معدنی، اجسام زمین‌شناسی/جسم‌های معدنی پیچیده را به مدل‌های دیجیتال سه بعدی تبدیل کنید، که یک پیوند کلیدی در گذار از اکتشاف به توسعه است.

داده‌های پایه: پنج دسته اصلی باید جمع‌آوری شوند: داده‌های اندازه‌گیری زمین‌شناسی (حفره‌های حفاری، نقشه‌های زمین‌شناسی)، داده‌های اکتشاف ژئوفیزیک/ژئوشیمیایی، داده‌های تفسیر سنجش از دور، داده‌های کاتالوگ مهندسی، و داده‌های مکانی (DEM، پارامترهای مختصات).

12. آیا هیچ گونه موانع فنی یا محدودیت استفاده مجاز برای روش ثبت اختراع این فناوری در برنامه های واقعی پروژه وجود دارد؟ راه های همکاری چیست؟

معلم چن ژن: حق ثبت اختراعات ما در فناوری، بدون موانع اصلی و مجوزهای انعطاف پذیر، اجرا شده است. روش های اصلی همکاری عبارتند از:

همکاری پروژه: ارائه خدمات فنی برای پروژه های اکتشافی خاص.

مجوز فناوری: الگوریتم‌های ثبت شده و حقوق استفاده از نرم‌افزار را برای شرکت‌ها مجاز کنید.

توسعه مشترک: راه حل های فنی توسعه سفارشی برای انواع و مناطق معدنی خاص.

13. چگونه می توان میزان قضاوت نادرست را در مناطق با پیشینه زمین شناسی پیچیده در هنگام پیش بینی کانی سازی کاهش داد؟

معلم چن ژن: هسته اصلی "تأیید چند منبع + محدودیت های قانون" است:

به اصل "عدم کانی سازی بدون ناهنجاری، بدون کانی سازی بدون تغییر" پایبند باشید و بر مناطق جهش های زمین شناسی تمرکز کنید.

اعتبارسنجی متقابل داده های سنجش از دور، اکتشاف ژئوفیزیک و اکتشافات ژئوشیمیایی برای حذف ناهنجاری های کاذب در یک داده واحد.

با محدودیت ترکیبات معدنی و مکانیسم‌های کانی‌سازی، تنها ناهنجاری‌هایی که با قوانین کانی‌سازی مطابقت دارند، شناسایی می‌شوند.

همراه با اثر کنترل ساختاری سنگ معدن، اولویت با تعیین ناهنجاری ها در منطقه حایل ساختاری و منطقه تماس است.

14. منطقه هدف اکتشاف سنجش از دور چقدر با نتایج واقعی حفاری سازگار است؟

معلم چن ژن: هسته درجه توافق بستگی به نوع ماده معدنی و درجه قرار گرفتن دارد:

معادن پلاسر و معادن سوپرژن: رخنمون‌های شفاف روی سطح، با نرخ تصادفی بیش از 90 درصد.

سنگ معدن درون زا با رخنمون: نرخ تطابق بالای 50 درصد.

نهشته های پنهان: نشانه های غیرمستقیم باید با مدل کانی سازی ترکیب شوند و نرخ تصادفی نسبتاً کم است، اما می توان آن را به طور قابل توجهی از طریق همجوشی چند منبعی بهبود بخشید.

15. ادغام آینده داده های سنجش از دور با وضوح بالا و فناوری هوش مصنوعی چه تغییرات تکنولوژیکی مخربی را برای صنعت اکتشاف مواد معدنی به همراه خواهد داشت؟

معلم چن ژن: چهار تغییر اصلی وجود دارد:

پوشش جهانی اکتشاف: داده های ماهواره ای در سطح جهانی قابل دسترسی است، محدودیت های جغرافیایی را شکسته و به اکتشاف "بدون نقطه کور" دست می یابد.

رواج تفسیر خودکار: هوش مصنوعی جایگزین کار دستی می شود و کارایی تفسیر ده ها بار افزایش می یابد.

پیش بینی کانی سازی هوشمند: بر اساس آموزش نمونه جهانی، پیش بینی دقیق کانی سازی جهانی به دست می آید.

چرخه اکتشاف به طور قابل توجهی کوتاه شده است: از "چند ماه اکتشاف" به "بیش از ده روز برای تولید نتایج"، به طور قابل توجهی کاهش هزینه ها و افزایش بهره وری.

2. بعد مورد

1. سناریوهای کاربردی اصلی فناوری اکتشاف هوش مصنوعی زمین شناسی سنجش از دور چیست؟ چه ارزش اقتصادی می تواند برای شرکت های معدنی داشته باشد؟

معلم چن ژن: صحنه اصلی بر مراحل اولیه اکتشاف و مناطق ویژه متمرکز است:

اکتشاف معدن گرین فیلد: به سرعت مناطق هدف را مشخص کنید تا مبنایی برای کسب حقوق معدنی فراهم شود.

ارزیابی حقوق معدنی و تصمیم گیری: گزارش ارزیابی ظرف ده روز برای حمایت از تصمیمات سرمایه گذاری صادر می شود.

اکتشاف مناطق دورافتاده: پوشش ارتفاعات بالا، بیابان ها و سایر مناطق غیرقابل دسترس برای بررسی مکان های معدنی بالقوه.

پیش‌بینی کانی‌سازی منطقه‌ای: راهنمای بررسی زمین‌شناسی منطقه‌ای و تعیین پهنه‌های کانی‌سازی. ارزش اقتصادی عمدتاً در سه جنبه منعکس می شود: تصمیم گیری سریع برای کاهش خطرات، کاهش هزینه و بهبود کارایی، و استفاده از فرصت های منابع خارج از کشور.

2. این فناوری برای کدام مناطق با شرایط سخت اکتشافی مناسب است؟

Teacher Chen Zhen: برای مناطق خشن با رخنمون های سطحی، از جمله بیابان ها، گوبیس ها، مناطق صخره ای با ارتفاع بالا و حومه کوه های برفی بسیار مناسب است. به ویژه برای مناطق خارج از کشور با پایه های زمین شناسی ضعیف و مواد معدنی سوپرژن غنی مانند آفریقا و خاورمیانه مناسب است.

3. کسب داده های سنجش از دور در زمین های پیچیده مانند ارتفاعات بالا و جنگل های بکر با چه نوع تداخلی مواجه خواهد شد؟ چگونه آن را حل کنیم؟

معلم چن ژن:

مناطق با ارتفاع بالا: عمدتاً تحت تأثیر پوشش ابرها، یخ و برف قرار می گیرند، که می توان با سنجش از دور مایکروویو ابرهای نفوذی و همجوشی داده های چند زمانی برای حذف پوشش یخ و برف حل کرد.

منطقه جنگلی اولیه: رخنمون های سطحی توسط پوشش گیاهی پوشیده شده اند و اطلاعات کانی سازی را می توان به طور غیر مستقیم از طریق الگوریتم های نفوذ پوشش گیاهی فراطیفی و استخراج داده های SAR از توپوگرافی و ساختارها شناسایی کرد.

4. مزایای کاربرد این فناوری در مناطقی با پایه های ضعیف زمین شناسی مانند آفریقا و خاورمیانه چیست؟

معلم چن ژن: مزایا بسیار برجسته است:

پوشش کامل داده ها: داده های سنجش از دور به صورت عمومی در سطح جهانی در دسترس است، و نیاز به تکیه بر داده های کمیاب زمین شناسی محلی را از بین می برد.

کارایی و هزینه عالی: تکمیل بررسی منطقه ای بیش از ده روز طول می کشد و هزینه آن تنها 1/5-1/10 روش سنتی است.

منطقه هدف دقیق: ادغام داده‌های چند منبعی می‌تواند کمبود داده‌های زمین‌شناسی محلی را جبران کند و نرخ تصادف منطقه هدف به طور قابل‌توجهی بیشتر از روش‌های سنتی است.

5. هنگام "گسترش سنگ معدن" در مناطق معدنی قدیمی، این فناوری چه مشکلات عملی اکتشاف را می تواند حل کند؟

معلم چن ژن: سه مشکل عمده قابل حل است:

شناسایی معادن پنهان: نشان غیرمستقیم معادن پنهان عمیق از طریق دگرسانی سطحی و همبستگی ساختاری.

ردیابی گسترش منطقه معدنی: هوش مصنوعی به طور خودکار جهت گسترش سازه ها و مناطق تغییر را شناسایی می کند و مناطق هدف محیطی را مشخص می کند.

به روز رسانی منابع: مدل سازی سه بعدی محاسبه پویا و دقیق منابع بدنه سنگ معدن را برای پشتیبانی از اکتشاف گسترش منطقه امکان پذیر می کند.

6. با فرض استخراج مستقیم مواد معدنی سوپرژن (مانند معادن پلاسر)، چگونه این فناوری می تواند محدوده قابل استخراج را به طور دقیق مشخص کند؟

معلم چن ژن: از طریق "شناسایی فراطیفی مواد معدنی + پایش دینامیک داده های چند زمانی":

فراطیفی به طور دقیق ترکیب معدنی و توزیع درجه رسوبات پلاسر را شناسایی می کند.

همجوشی داده‌های چند زمانی، توزیع فضایی و تغییرات دینامیکی رسوبات شن و ماسه را تجزیه و تحلیل می‌کند. در نهایت محدوده رسوبات شن و ماسه با عیار بالا و قابل استخراج را مشخص می کند تا مبنای دقیقی برای برنامه ریزی معدنی فراهم کند.

این فناوری چقدر برای اکتشاف معدن فلز مناسب است؟ آیا می تواند نیازهای اکتشاف مواد معدنی اصلی را پوشش دهد؟

Teacher Chen Zhen: سازگاری قوی دارد و می تواند معادن اصلی فلزی مانند طلا، مس، آهن، سرب، روی و نیکل را پوشش دهد. انواع مختلف کانه دارای ترکیبات متفاوتی از کانی های کانه ساز هستند. با شناسایی کانی‌های دگرسانی مشخصه (مانند طلا مربوط به پیریت و آهن مربوط به هماتیت) از طریق فراطیفی و ترکیب با قوانین کنترل ساختاری سنگ معدن، می‌توان به اکتشاف دقیق سنگ معدن دست یافت.

8. در مناطقی که داده های زمین شناسی کمیاب است، چگونه این فناوری می تواند شکاف داده ها را پر کند و از صحت اکتشاف مواد معدنی اطمینان حاصل کند؟

معلم چن ژن: هسته اصلی "تلفیق داده های چند منبعی + قیاس مدل کانی سازی" است:

ادغام سنجش از دور و داده های عمومی اکتشاف ژئوفیزیک/ژئوشیمیایی برای جبران کمبود داده های محلی.

مدل کانی‌سازی مبتنی بر ذخایر معمول جهانی مشابه با ویژگی‌های زمین‌شناسی منطقه مورد مطالعه است و به‌طور غیرمستقیم پتانسیل کانی‌زایی را نشان می‌دهد.

الگوریتم های هوش مصنوعی به طور خودکار ناهنجاری ها را استخراج می کنند و اتکا به تجربه دستی را کاهش می دهند.

9. برای معادن عمیق، آیا این فناوری می تواند به اکتشاف غیرمستقیم دست یابد؟ مسیر اصلی فناوری چیست؟

معلم چن ژن: اکتشاف غیرمستقیم مواد معدنی قابل دستیابی است و مسیر اصلی "تغییر سطحی - همبستگی ساختاری - قیاس مدل کانی سازی" است:

شناسایی همبستگی فضایی بین زون‌های دگرسانی کانی‌سازی سطحی و ساختارهای کنترل‌کننده کانه.

در ترکیب با مدل عمق کانی‌سازی نهشته‌های معمولی، پتانسیل کانی‌سازی عمیق با قیاس پیش‌بینی می‌شود.

محاسبه احتمال کانی سازی و ترسیم مناطق هدف عمیق از طریق روش های زمین شناسی ریاضی.

10. این فناوری چه نقش کمکی می تواند در ترکیب نظارت بر محیط معدن و کار اکتشاف معدن داشته باشد؟

معلم چن ژن: ادغام "کاوش + نظارت" را می توان به دست آورد:

نظارت بر تغییرات دینامیکی کانی سازی و تغییر در اطراف معدن برای کمک به اکتشاف سنگ معدن.

شناسایی خطرات زمین شناسی پنهان در معادن (مانند رانش زمین و فروپاشی) برای اطمینان از ایمنی اکتشاف.

نظارت بر اثرات زیست محیطی حوضچه های باطله و محل های زباله برای حمایت از ساخت معادن سبز.

11. چگونه می توان از ثبات و دقت تفسیر داده های سنجش از دور در مناطق پیچیده آب و هوایی (مانند دمای بالا، باران شدید، باد شدید و شن) اطمینان حاصل کرد؟

معلم چن ژن: از طریق "تکمیل داده های چند منبع + بهینه سازی الگوریتم هوش مصنوعی" برای اطمینان از:

مناطق با دمای بالا و باران شدید: از سنجش از دور مایکروویو برای نفوذ به ابرها و باران، همراه با سنجش از دور نوری برای همجوشی چند زمانی استفاده کنید.

باد شدید و مناطق شنی: از داده‌های SAR برای استخراج زمین و سازه‌ها و ترکیب ابرطیفی برای شناسایی کانی‌ها استفاده کنید.

الگوریتم های هوش مصنوعی به طور خودکار اعوجاج های طیفی ناشی از آب و هوا را برای بهبود دقت تفسیر تصحیح می کنند.

12. کاربرد این فناوری در اکتشاف سایت های کوچک معدنی با اکتشاف مناطق بزرگ معدنی چه تفاوت هایی دارد؟

معلم چن ژن:

نقاط معدنی کوچک: روی "شناسایی دقیق" تمرکز کنید، به سرعت نقاط کانی سازی را از طریق ابرطیف سنجی و هوش مصنوعی قفل کنید و محدوده استخراج را مشخص کنید.

مناطق معدنی در مقیاس بزرگ: بر روی "کنترل کلان" تمرکز کنید، کمربندهای متالوژنیک را از طریق ادغام داده های چند منبع مشخص کنید، و اکتشاف و تخمین منابع را هدایت کنید.

13. چگونه می توان از این فناوری برای شناسایی رابطه بین سازه های پنهان و زون های معدنی و بهبود راندمان اکتشاف سنگ معدن استفاده کرد؟

معلم چن ژن: هسته اصلی "ساختار استخراج داده های SAR + شناسایی تغییرات فراطیفی + تجزیه و تحلیل همبستگی هوش مصنوعی" است:

داده‌های SAR به پوشش گیاهی/لایه‌های پوشاننده نفوذ می‌کنند و گسل‌ها، چین‌خوردگی‌ها و دیگر ساختارهای پنهان را استخراج می‌کنند.

شناسایی فراطیفی مناطق دگرسانی سطحی.

الگوریتم هوش مصنوعی به طور خودکار همبستگی فضایی بین ساختارها و مناطق دگرسانی را تجزیه و تحلیل می کند و مناطق بالقوه کانی سازی را مشخص می کند.

14. آیا این فناوری می تواند عملیات آفلاین یا پردازش داده های سبک وزن را در مناطق دوردست بدون ارتباط فعال کند؟

معلم چن ژن: بله. نرم افزار ما از پیش پردازش داده های آفلاین و تفسیر هوش مصنوعی پشتیبانی می کند. این می تواند پردازش های سبک وزن را در محل با دستگاه های قابل حمل کامل کند و سپس تجزیه و تحلیل عمیق و تولید هدف را پس از بازگشت به یک منطقه شبکه انجام دهد.

15. در پروژه های گذشته میزان موفقیت این فناوری در اکتشاف در شرایط پیچیده زمین شناسی چقدر است؟ آیا موارد معمولی برای حمایت از این موضوع وجود دارد؟

معلم چن ژن: در مناطق پیچیده با رخنمون های سطحی، میزان موفقیت کاوش می تواند به بیش از 60 درصد برسد. موارد معمول شامل پروژه اکتشاف معدن طلا در آفریقا است. سه منطقه هدفی که ما از طریق فناوری هوش مصنوعی سنجش از دور مشخص کردیم، با حفاری مورد تأیید قرار گرفتند که حاوی بدنه‌های سنگ طلا، با عیار تا 12 گرم در تن هستند. در یک پروژه سنگ آهن داخلی، دقت حفاری مناطق هدف مشخص شده به 85 درصد رسید.

3. ابعاد پیاده سازی

1. چرخه استاندارد این فناوری برای تکمیل گزارش کاوش و کار تعیین منطقه هدف چقدر است؟

Teacher Chen Zhen: چرخه استاندارد 15-30 روز است، بسته به اندازه منطقه و دشواری جمع آوری داده ها: حدود 15 روز برای مناطق در 100 کیلومتر مربع، و حدود 30 روز برای مناطق بیش از 1000 کیلومتر مربع.

2. هنگامی که این فناوری در ترکیب با فناوری های سنتی حفاری و اکتشاف ژئوفیزیک استفاده می شود، چگونه می توان مراحل کار را برای دستیابی به بهینه سازی هزینه تقسیم کرد؟

معلم چن ژن: توصیه می شود آن را در سه مرحله ترکیب کنید:

مرحله اولیه: از هوش مصنوعی سنجش از راه دور برای مشخص کردن سریع منطقه مورد نظر استفاده کنید (هزینه 10٪).

مرحله میان مدت: انجام اکتشافات ژئوفیزیکی دقیق از منطقه مورد نظر (هزینه محاسبه شده 30٪).

مرحله بعدی: تأیید حفاری مناطق ناهنجاری ژئوفیزیکی (هزینه 60٪). این مدل می تواند هزینه های اکتشاف سنتی را 30 تا 50 درصد کاهش دهد.

3. این فناوری چه اطلاعات ارزیابی منابع خاصی را می تواند در مراحل اولیه تجارت حقوق معدنی ارائه دهد؟

معلم چن ژن: می تواند پنج دسته اصلی اطلاعات را ارائه دهد: مختصات منطقه هدف، احتمال کانی سازی، تخمین منابع، نوع کانی سازی و عوامل کنترل کانه برای تشکیل یک گزارش ارزیابی کامل حقوق معدنی و ارائه مبنای اصلی برای تصمیم گیری های معاملاتی.

4. آیا داده های منطقه هدف ارائه شده توسط این فناوری می تواند به عنوان مبنای تصمیم گیری اصلی در برنامه های کاربردی حقوق معدنی و معاملات حقوق معدنی مورد استفاده قرار گیرد؟

معلم چن ژن: کاملاً. داده‌های منطقه هدف ما بر اساس ترکیب داده‌های چند منبعی و الگوریتم‌های هوش مصنوعی تولید می‌شوند. پس از تأیید پروژه دارای نرخ سازگاری بالایی است. این توسط بسیاری از شرکت های معدنی به عنوان مبنای اصلی تصمیم گیری برای برنامه های کاربردی و معاملات حقوق معدنی استفاده شده است. برخی از نتایج بررسی پرونده اداره زمین و منابع را پشت سر گذاشته است.

5. در سامانه جامع ارزیابی و امتیازدهی حقوق معدنی، این فناوری چگونه پشتیبانی و امتیازدهی مربوطه را تکمیل می کند؟

معلم چن ژن: پشتیبانی داده های کمی را می توان برای "پتانسیل کانی سازی، حجم منابع، ریسک اکتشاف" و سایر ابعاد ارزیابی حقوق معدنی ارائه کرد:

پتانسیل کانی سازی: بر اساس شاخص کانی سازی و ترکیب کانی امتیازدهی می شود.

مقدار منبع: امتیاز بر اساس نتایج تخمین مدل سه بعدی.

ریسک اکتشاف: امتیاز بر اساس پیشینه زمین شناسی و پایداری غیرعادی.

6. برای معرفی این فناوری به چه نرم افزار، سخت افزار، تجهیزات و تکنسین های حرفه ای برای شرکت ها نیاز است؟

معلم چن ژن:

سخت افزار: ایستگاه های کاری با کارایی بالا (برای محاسبات هوش مصنوعی)، تجهیزات پردازش قابل حمل (برای عملیات آفلاین در محل).

نرم افزار: نرم افزار الگوریتم ثبت شده ما، پلت فرم پردازش داده های سنجش از دور (مانند ENVI، ArcGIS).

پرسنل: 1-2 تکنسین با دانش اولیه زمین شناسی سنجش از دور و الگوریتم های هوش مصنوعی که می توانند پس از آموزش کار کنند.

7. هزینه های پس از بهره برداری و نگهداری این فناوری چقدر است؟ آیا به روز رسانی های مداوم فناوری و آموزش پرسنل مورد نیاز است؟

معلم چن ژن: هزینه های عملیات و نگهداری بعدی کم است، عمدتاً شامل ارتقاء نرم افزار (حدود 10000-20000 یوان در سال) و آموزش منظم پرسنل (هر شش ماه یکبار). ما به تکرار الگوریتم‌ها و نرم‌افزارها ادامه می‌دهیم و به‌روزرسانی‌های فنی و پشتیبانی از راه دور را به صورت رایگان برای شرکت‌های تعاونی ارائه می‌کنیم.

8. آیا نتایج اکتشاف حاصل از این فناوری می تواند الزامات نظارتی برای تشکیل پرونده اکتشاف معدنی و تأیید حقوق معدنی را برآورده کند؟

معلم چن ژن: کاملا راضی هستم. گزارش نتایج ما کاملاً از استانداردهای ملی مانند "مشخصات اکتشاف منابع معدنی" و "مشخصات تفسیر زمین شناسی سنجش از دور" پیروی می کند. داده های منطقه هدف، برآورد منابع و سایر محتویات را می توان مستقیماً برای پرونده اکتشاف و تأیید حقوق معدنی استفاده کرد.

9. آیا می توان این فناوری را به سرعت با فرآیند اکتشاف موجود شرکت تطبیق داد و به اتصال یکپارچه دست یافت؟

معلم چن ژن: بله. فناوری ما می تواند عمیقاً با فرآیند اکتشاف موجود شرکت ادغام شود. این می‌تواند جایگزین بررسی‌های سنتی زمین‌شناسی منطقه‌ای در مراحل اولیه شود، به بهینه‌سازی منطقه هدف ژئوفیزیکی در میان مدت کمک کند و از تأیید حفاری در مرحله بعدی پشتیبانی کند. نیازی به بازسازی روند موجود نیست و انطباق را می توان تنها در 1-2 هفته تکمیل کرد.

10. چگونه این فناوری امنیت داده ها را تضمین می کند؟ آیا می توان از خطرات انطباق داده های سنجش از راه دور جلوگیری کرد؟

معلم چن ژن: از نظر امنیت داده ها، ما تضمین دوگانه ذخیره سازی رمزگذاری شده محلی + کنترل مجوز ابر را اتخاذ می کنیم. از نظر انطباق، ما فقط از داده‌های سنجش از راه دور عمومی و قانونی (مانند سری Landsat، Sentinel) استفاده می‌کنیم، به شدت از امنیت داده‌های ملی و مقررات استفاده از داده‌های سنجش از راه دور پیروی می‌کنیم و کاملاً از خطرات مطابقت اجتناب می‌کنیم.

11. شرکت ها در هنگام استفاده از این فناوری چه پشتیبانی فنی و خدمات پس از خدمت را می توانند دریافت کنند؟

معلم چن ژن: ما پشتیبانی فنی کامل را ارائه می دهیم:

مرحله اولیه: سفارشی سازی طرح پروژه، آموزش پرسنل.

میان مدت: راهنمایی فنی از راه دور و پشتیبانی پردازش داده ها؛

مرحله بعدی: بررسی گزارش نتایج، ارتقاء تکراری الگوریتم، بررسی پروژه و بهینه سازی.

12. نسبت ورودی به خروجی این فناوری چقدر است؟ در مقایسه با مدل سنتی اکتشاف، چقدر می توان هزینه های اکتشاف را کاهش داد؟

معلم چن ژن: نسبت ورودی به خروجی می تواند به 1:5-1:10 برسد. در مقایسه با مدل سنتی کاوش، می‌تواند هزینه‌های اکتشاف را تا 30 تا 60 درصد کاهش دهد، عمدتاً صرفه‌جویی در بررسی‌های میدانی، بهینه‌سازی پوشش ژئوفیزیکی و سایر جنبه‌ها.

13. این فناوری چه پشتیبانی اصلی می تواند برای توسعه حقوق معدنی و اکتشاف گسترش منطقه ارائه دهد؟

معلم چن ژن: پشتیبانی اصلی شامل موارد زیر است:

گسترش حقوق معدن: ارائه به روز رسانی منابع منطقه هدف و گزارش های ارزیابی پتانسیل کانی سازی برای پشتیبانی از برنامه های توسعه.

اکتشاف انبساط: کمربند متالوژنیک محیطی را ترسیم کنید و مناطق هدف انبساط را ایجاد کنید تا مبنایی برای کاربرد گسترش منطقه فراهم شود.

14. آیا این فناوری از توسعه سفارشی پشتیبانی می کند و با نیازهای اکتشافی شرکت برای انواع مواد معدنی و مناطق خاص سازگار است؟

معلم چن ژن: از توسعه سفارشی پشتیبانی کنید. ما می‌توانیم الگوریتم‌ها و مدل‌ها را برای توسعه راه‌حل‌های فناوری اکتشاف انحصاری برای انواع مواد معدنی خاص (مانند لیتیوم، خاک‌های کمیاب) و مناطق خاص (مانند جنگل‌های بارانی استوایی، مناطق قطبی) شرکت بهینه کنیم.

15. آیا پس از استفاده از این فناوری می توان چرخه کلی فرود و توسعه مواد معدنی را کوتاه کرد؟

معلم چن ژن: می توان آن را به میزان قابل توجهی کوتاه کرد. چرخه فرود حقوق سنتی مواد معدنی حدود 6-12 ماه است، اما با استفاده از این فناوری می توان به 3-6 ماه کاهش داد. چرخه توسعه مواد معدنی را می توان 1-2 سال کوتاه کرد، عمدتاً به دلیل بهبود دقت منطقه هدف و بهبود راندمان اکتشاف، که زمان و هزینه تأیید حفاری را بسیار کاهش می دهد.

دکتر لو گو (ترجمه آفتاب): خیلی ممنون آقای چن از پاسخ جامع شما! امروز، ما به طور سیستماتیک نقاط اصلی فناوری اکتشاف هوش مصنوعی زمین شناسی سنجش از دور را از اصول فنی، انطباق صحنه تا اجرای عملی مرتب کرده ایم. چه مزیت های مخرب فناوری، راه حل های موجود در سناریوهای پیچیده، یا مسائل مربوط به هزینه، کارایی و انطباق که شرکت ها بیشتر نگران آن هستند، ما پاسخ های حرفه ای و عملی دریافت کرده ایم. این فناوری نه تنها می‌تواند مشکلات اکتشاف سنتی مواد معدنی را حل کند، بلکه پشتیبانی تصمیم‌گیری دقیقی را برای شرکت‌های معدنی در معاملات حقوق معدنی، طرح‌بندی خارج از کشور و اکتشاف گسترش منطقه فراهم می‌کند و واقعاً به «کاهش هزینه، بهبود کارایی و اکتشاف دقیق مواد معدنی» دست می‌یابد.

اگر یک شرکت معدنی نیاز به اکتشاف برای انواع مواد معدنی خاص و مناطق خاص دارد، یا می‌خواهد درباره جزئیات توسعه فناوری سفارشی و جزئیات همکاری پروژه اطلاعات بیشتری کسب کند، تیم ترجمه Sunshine ما می‌تواند راه‌حل‌های فنی تک به تک را پشتیبانی کند تا به شرکت‌ها در استفاده از فرصت‌ها و کاهش خطرات در زمینه اکتشاف معدنی کمک کند. دوباره از شما متشکرم، معلم چن، برای به اشتراک گذاری مهربان شما!


← بازگشت