利用机器学习自动化资源模型开发，实现矿体价值最大化

尽管资源模型是矿产资源价值估算过程的核心(Glacken & Snowden, 2001)，但创建资源模型是一项劳动密集型任务，最终只能对实际矿体进行有限的表示。生产这个资源模型需要地质、采矿、冶金和商业学科的投入。它需要对数百个钻孔的数千个样本进行验证、地质域分组、插值、赋值。即使在所有这些努力之后，模型也只是一个估计;进一步的重要工作是量化模型中的不确定性，以及随后的风险，以及从模型中得出的任何价值估计。模型质量的进一步风险是通过条件差的数据或不正确的假设引入的。

本文提出了利用机器学习实现资源模型开发的自动化。机器学习应用于地质形成、区域识别和块体模型矿物学验证等传统的人工任务。通过自动化，资源估算过程可以加速，允许在给定的时间范围内处理更多的钻孔或更大的资源体，并允许该过程对输入数据和假设的变化更加灵活。以西澳大利亚铁矿的钻孔数据为例(Government of Western Australia, Department of Mines and Petroleum, 2015)，展示了机器学习在这一过程中的应用。

本文在2016年第三届国际几何冶金会议上发表。

阅读全文。