ALS GeoAnalytics的LITHOLENS平台通过机器学习和Amazon EKS革新核心日志记录

[AWS 架构博客](https://aws.amazon.com/blogs/architecture/)

在采矿行业，准确的地质分析对于优化矿山设计和开发至关重要。传统上，这一过程依赖于耗时且劳动密集的现场钻芯样本检查，通常在偏远和恶劣环境中进行。ALS GeoAnalytics 通过其 LITHOLENS ™ 平台革新了这一流程。该平台是一个基于机器学习（ML）的系统，利用深度学习和机器视觉技术实现钻芯日志的自动化。LITHOLENS ™ 显著提升了数据一致性、运营效率和可扩展性，同时大幅降低了日志记录相关成本，并减少温室气体排放，支持可持续矿物开采。

本文将探讨 ALS GeoAnalytics 如何借助 Amazon Elastic Kubernetes Service (Amazon EKS) 成功部署 LITHOLENS ™，在降低费用的同时扩展模型训练和推理能力。

**挑战**

新建矿山需要构建矿体的三维地质或资源模型，这一模型将指导所有后续设计决策。创建模型需在矿体中钻数千个孔以分析样本的结构和成分。这一过程面临诸多挑战，影响现有和历史钻探活动，包括：

• 偏远站点访问：地质学家需长途跋涉以人工检查实体芯盒
• 主观解释：不同专家常产生不一致的地质日志
• 历史影像未充分利用：过往活动缺乏标准化分析工具
• 实体样本丢失或退化：阻碍复核历史数据或验证过往结论
• 透明度不足：日志记录和决策流程缺乏协作与问责机制
• 调度瓶颈：依赖有限的专业人员资源
• 非标准化数据采集：阻碍规模化和跨项目对比

这些限制不仅延迟项目进度，还限制了生成可靠高分辨率地质洞察的能力，最终影响勘探策略的执行速度和效果。

**地质规模的机器学习应用**

ALS GeoAnalytics 开发了一套完整的机器学习和计算机视觉模型，将原始芯影像和数据转化为可操作的洞察，实现地质和工程日志的自动化。

机器学习管道以高分辨率视觉分析为基础。流程始于 颜色提取模块，该模块扫描每张图像以识别独特像素颜色，并将结果存储在 Amazon Simple Storage Service (Amazon S3)。这些数据随后输入 颜色聚类模块，用户可指定聚类参数并选择算法，如基于质心邻近度的 K-Means，或通过概率分布捕捉颜色数据复杂方差的 高斯混合模型（GMM）。这些方法有效简化了图像复杂度，突显矿物成分差异。

为量化芯体颜色组成，引入 百分比报告模块。该模块将图像按用户定义的区间（例如 20 厘米间隔）分割，计算各颜色簇的比例分布，支持岩性模式的空间分析。

在深度学习方面，团队开发并部署了专为地质和工程分析设计的先进模型套件。其中，RoQE Net 是一个用于岩体力学参数提取的前沿神经网络，可精准计算岩石质量评定（RQD）和提取阿尔法角——评估岩芯完整性和岩体质量的关键指标。同时，VeinNet 和 CobbleNet 模型能以高精度识别并映射复杂地质特征，如矿脉、卵石和岩性结构。这些模型经过行业标准验证，始终在准确性、可靠性和可扩展性方面超越传统方法。这些机器学习和深度学习组件共同构成了 LITHOLENS ™ 平台的核心，为决策加速和勘探/资源建模工作流效率提升提供了自动化、可扩展且高度精准的地质智能。

**解决方案架构**

ALS GeoAnalytics 在 AWS 上构建 LITHOLENS ™，采用混合架构结合容器化工作负载与无服务器组件。系统使用 Amazon EKS 处理计算密集型机器学习任务，AWS Lambda 管理 API 操作，Amazon S3 存储数据，以及 Amazon Relational Database Service (Amazon RDS) 管理结构化数据。

_图1：架构图_

LITHOLENS™ 采用统一的 API 模型驱动下一代岩石与矿物数据分析。该统一 API 是一个整合了多项服务、数据流和分析能力的单一访问入口。与传统 API（可能仅提供基础的一维数据）不同，用户可通过统一 API 跨部门、供应商和多种数据源，同时连接、分析和自动化复杂工作流。借助统一的 REST API，用户可通过单一界面提交地质分析任务、监控进度并获取结果。该 API 将多项服务和数据流整合为一个访问点，使用户能够跨部门和数据源自动化复杂流程。

**架构流程：**

1. 请求接收– 通过 Amazon API Gateway 提交任务，负载中指定任务参数和 EKS 配置。
2. 任务编排– 运行在 AWS Lambda 上的 API 后端会根据配置创建 EKS 容器。用户数据脚本为每个实例配置必要的设置和执行命令。
3. 执行与数据流

• 从 Amazon S3 获取输入数据。
• 在搭载 G6 实例 的 EKS Pod 上执行计算。
• 持续追踪日志和中间结果。
• 通过专用 API 调用将结果存储到 S3 或持久化到 RDS。

1. 资源管理– 任务完成后，EKS 容器实例自动关闭以降低成本。

**面向规模与效率的架构设计**

为高效处理可变负载，ALS GeoAnalytics 采用混合架构，兼顾性能与成本。系统使用 Amazon EKS 处理计算密集型机器学习任务，而 AWS Lambda 则用于轻量级 API 操作和任务编排。

**关键架构决策：**

• Amazon EKS 用于 ML 工作负载 – 深度学习模型训练和推理需要持续的 GPU 加速计算能力。EKS 通过 G6 实例集群管理这些工作负载，并根据任务队列深度实现自动扩缩容。
• Lambda 用于 API 网关 – 任务提交、状态检查和结果检索由无服务器函数处理。这消除了维护持续运行的 API 服务器的需求，在低负载时段降低成本。
• 预配置的 AMIs – 自定义 Amazon Machine Images 包含所有必要依赖项和模型工件，将容器启动时间从数分钟缩短至 30 秒以内。此方法提升了任务吞吐量，并通过减少空闲时间降低计算成本。
• 自动化资源管理 – 当无任务排队时，EKS 集群可缩容至零，仅在活跃处理期间消耗计算资源。结合 S3 的数据持久化和 RDS 的元数据存储，构建出按实际使用量扩展的经济型架构。

此设计解决了地质行业的不可预测工作负载问题，同时满足复杂计算机视觉任务的性能需求。

**业务影响与成果**

LITHOLENS™ 已成功为 10 家矿业公司提供服务，支持超过 40 个活跃项目，显著加速项目完成速度并统一了分析流程。新方法提升了矿物检测与分类的准确性，减少了专家现场勘查的需求。团队现可追溯分析决策过程、更一致地评估矿物等级，并更高效地规划项目和分配资源。实时监控与报告为管理者提供了项目进展的即时信息。

**结论**

Amazon EKS 的大规模扩展能力使 ALS GeoAnalytics 彻底革新了岩芯日志记录与分析方式。AWS 服务套件助力 LITHOLENS™ 高效实施计算机视觉与机器学习，为客户提供全新运营能力，并在矿业领域开辟了商业机遇。LITHOLENS™ 的成功证明，云计算与 AI 能够推动传统矿业现代化，通过提升运营效率、准确性和扩展性创造价值。ALS GeoAnalytics 持续在 AWS 上演进其平台，利用云计算技术突破技术边界，并计划将 LITHOLENS™ 应用于油气、土木工程甚至太空探索等新兴领域。

• * *

关于作者