Advanced classification of carbonate sediments based on physical properties
Notice bibliographique
Résumé
Abstract Physical properties such as bulk density (gamma ray attenuation), P‐wave velocity (primary or compressional wave acoustic velocity), electrical resistivity and magnetic susceptibility are related to characteristics of the marine sediments that, in turn, are indicative of the lithology. Non‐destructive physical properties are routinely measured during Mission Specific Platform expeditions conducted by the Integrated Ocean Drilling Program using a multi‐sensor core logger on whole cores. The goal of this study was to develop linear and non‐linear relations among physical properties and different types of carbonate sediment to identify relevant information that may aid in the classification of carbonates. The database and model presented here integrate sedimentology with physical properties data. Data were analysed using three techniques: Linear Discriminant Analysis, Random Forest and Support Vector Machines. The models that best describe the nature of the data are Random Forest and Support Vector Machines, reaching up to 79% and 74% total accuracy, respectively. This article presents an application of machine learning as a potentially useful tool for classifying sediment types, developed specifically for assisting with the challenging identification of the lithologies in coral cores. This technique can also be used for provisional core description prior to splitting, thereby enabling identification and preservation of potentially critical intervals for special analyses and studies. These methods of data analysis can also assist with sample selection for specific studies. Other applications include the interpretation of lithotypes from wireline geophysical logging data, particularly in boreholes where core recovery is poor or sampling is limited to drill cuttings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».