Strategies for reducing sampling errors in exploration and resource definition drilling programmes for gold deposits
Notice bibliographique
Résumé
Sampling error is the degree to which the concentration of an element differs from the true element concentration of the material from which the sample was collected. Gold mineralization commonly exhibits sampling errors as large as 50–100%. As a result, collection and preparation of drill samples from Au mineralization can provide significant challenges for the geoscientist, largely because of the coarse particulate nature of Au. To avoid this, geoscientists have opted to collect and prepare larger drill samples to reduce the magnitude of this ‘nugget effect’. Unfortunately, the ‘nugget effect’ can cause sampling error at any stage of sample treatment when sub-sampling takes place. Knowledge of the magnitude of error at each sub-sampling step is necessary to identify strategies to reduce overall error. This is because reduction of only the largest component of measurement error will reduce total measurement error in the most numerically efficient and effective manner. With knowledge of the various components of sampling, preparation and analysis costs, the sample treatment strategy that will most cost-effectively reduce sampling error can be identified. Regrettably, the typical absolute and relative errors that occur during sample collection and preparation of sub-samples with finer particle sizes are not generally known for many Au deposits. Results from three Au drilling projects document the magnitude of sampling, preparation and analytical errors experienced, and range from 22 to 46%, 7 to 20%, and 1 to 13%, respectively. These results are derived from large, laboratory-blind, duplicate quality control/quality assessment (QA/QC) programmes involving sample treatment protocols that would be considered to be appropriate for coarse Au-bearing samples. These QA/QC programmes measured the sampling errors, and ensured that they were minimized on these projects. In general, results indicate that a very large component of total measurement error is introduced during the collection of the initial sample, and that subordinate amounts of error are introduced during preparation and analysis. As a result, undertaking extraordinary efforts to reduce preparation or analytical errors does not result in a significant total measurement error reduction. In contrast, the collection of larger initial samples can result in the substantial reduction of total measurement error.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,081 | 0,152 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».