Datorer kan lära sig bergarter – men måste förstå osäkerhet

Hur bergarter karteras i borrkärnor påverkar beslut i prospektering och gruvdrift. Samtidigt gör geologisk komplexitet att olika geologer kan tolka bergarter olika. I sin doktorsavhandling undersöker Filip Simán hur maskininlärning kan användas för att få djupare geologisk förståelse ur borrkärnedata och skapa mer enhetliga borrkärnekarteringar – men också varför det inte räcker med att bara låta modeller kartera borrkärnor.

– Maskininlärning kan hjälpa oss att skapa en mer konsekvent grund för geologiska tolkningar, men resultaten måste gå att förstå och motivera för geologen, säger Filip Simán, som nyligen disputerat i malmgeologi vid Luleå tekniska universitet.

AI möter geologisk kunskap

I avhandlingen Teaching computers geology kombinerar han geologisk expertkunskap med maskininlärningsmodeller för att klassificera bergarter baserat på borrkärnedata. Olika slags modeller inom maskininlärning testades på data från Bolidens Rävliden Norra-fyndighet i Skelleftefältet.

Resultaten visar att modellerna kan lära sig identifiera mönster i data, men att deras förmåga att generalisera mellan olika borrhål är begränsad.

– Modellerna fungerar bättre när de tränas och testas inom samma dataset, men tappar i tillförlitlighet när de används i nya geologiska sammanhang, säger han.

Det innebär att AI-baserade verktyg inte kan användas okritiskt, utan måste utvecklas med hänsyn till hur generaliserbar modellen ska förväntas vara.

Osäkerhet som en del av svaret

En central del av avhandlingen är att hantera osäkerhet. När modeller används i praktiken behöver geologen förstå hur säkra resultaten är – inte bara vad modellen “tror”.

Filip Simán tillämpar därför metoder för att kvantifiera osäkerhet, både i geokemiska beräkningar och i maskininlärningsmodeller.

– Det är inte tillräckligt att modellen ger ett svar. Vi behöver också veta hur osäkert det svaret är, säger Filip Simán.

Han visar också att vissa bergarter, till exempel sådana som är kemiskt omvandlade, är svårare för modeller att hantera än enklare, icke-omvandlade, klassificeringar.

AI som beslutsstöd – inte ersättning

För att göra modellerna mer användbara i praktiken undersöker han hur resultaten kan förklaras. Med hjälp av en metod som heter SHAP analyseras vilka variabler som ligger bakom modellernas beslut. Metoden innebär att man förklarar för AI-modellen vilken indata som är viktigast. Till exempel vilka grundämnen som är viktigast för att bestämma vilken bergart det är.

Det visar att modellerna ofta använder geologiskt rimliga indikatorer, men också att de ibland lär sig indirekta samband som kan vara ineffektiva för att känna igen vissa bergarter.

– Målet är inte att ersätta geologen, utan att skapa verktyg som kan stödja och stärka beslutsfattandet. AI kommer inte att lösa allt men kan bli en samarbetspartner för geologen. AI kan användas i geologisk analys, men det kräver förståelse och kontroll över osäkerheter för att bli användbart i praktiken, säger Filip Simán.

Avhandlingen är ett resultat av interdisciplinärt samarbete mellan malmgeologi och maskininlärning vid Luleå tekniska universitet, och Boliden.