Exploration geophysics at the Pyhäsalmi mine and grade control work of the Outokumpu Group
Notice bibliographique
Résumé
Abstract The power of geophysics is often realized while surveying barren exploration holes. Integrated interpretation of borehole electromagnetic (EM) and lithogeochemical data led to the discovery of a new volcanogenic massive sulfide (VMS) ore deposit at 500 m depth in the Pyhäsalmi area, which belongs to the Main Sulfide ore belt in Finland. In the deep exploration program, wide-band multifrequency EM ground surveys were successfully used to detect both new ore lenses and geological structures. Mise-a-la-masse (MAM) borehole and ground surveys as well as borehole EM surveys were effectively used to correlate intersections between drill holes and to locate new orebodies. The latest modeling of MAM data resulted in an exploration target at 700 m depth. The use of geophysics for exploration has been extended to mine production at Outokumpu. Geophysical logging detects ore-waste boundaries, reduces expensive core drilling, and obtains physical property information quickly on ore intersections. Depending on ore type, geophysical borehole logging can also be applied to classify mineralization, interpret lithology, and sometimes to transform physical responses to metal grades in ore. At the Pyhäsalmi zinc-copper-sulfur mine, density logging in percussion boreholes is used to locate mineable ore boundaries and to classify drillhole intersections as massive or semimassive sulfide ore types. Pyrrhotite-bearing zones are separated from other sulfides by inductive conductivity logs. The use of geophysical logging for grade estimation and control has been most effective in the nickel mines at Enonkoski, Finland, and Namew Lake, Canada (using conductivity logs), and in the Kemi chromium mine, Finland (using gamma-gamma density logs).
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 | 0,001 |
| 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 ».