虽然资源模型是矿产资源价值估算过程的核心(Glacken & Snowden, 2001)，但创建它是一项劳动密集型任务，最终只能有限地代表实际矿体。生产这种资源模型需要地质、采矿、冶金和商业学科的投入。它需要对来自数百个钻孔的数千个样本进行验证，在地质领域进行分组，进行插值，然后进行估值。即使在所有这些努力之后，一个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，以及从模型中得到的任何价值估计。对模型质量造成进一步风险的是条件不佳的数据或错误的假设。
本文提出了机器学习在资源模型开发中的应用。机器学习被应用于传统的手工任务，如地质构造、域识别和块体模型矿物学的验证。通过自动化，资源估计过程可以加速，允许在给定的时间框架内处理更多的钻孔或更大的资源体，并允许过程更敏捷地更改输入数据和假设。以西澳大利亚铁矿的钻孔数据为例(西澳大利亚政府，矿业与石油部，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大会上发表。
