Applying advanced gravity and magnetic inversion methods to expand the Platreef PGE-Ni-Cu resource in the Bushveld Complex
Notice bibliographique
Résumé
There are many potential field inversion algorithms available, and all are sufficiently capable of generating a model that explains supplied geophysical observations. The challenge is extracting a model that provides real geological insight. Here we present applications of two different styles of advanced inversions to a deep exploration program at the Platreef PGE-Ni-Cu deposit in the Bushveld Igneous Complex of South Africa. The initial approach was to apply generalised focussing constraints to a 3D magnetic vector inversion, an approach chosen to manage the effect of expected strong remanent magnetisation. This resulted in successful prediction and drill definition of inferred resources within a deep, west-dipping extension to the shallow-dipping “Flatreef” deposit. Later, a detailed 3D model of geological constraints based on drilling and mapping was constructed and used to tightly constrain inversions of gravity data derived from a FALCON airborne gravity gradiometer survey. The resulting 3D density model accurately predicted a continuation of the Flatreef host rocks to shallower levels than previously anticipated. This facilitated further drilldefinition of additional inferred resources within a southern extension of the Flatreef deposit. Key to the success of the inversions at accurately targeting mineralisation at depths of 700-1300 m depth, was the inclusion and integration of all available information to ensure that predictions were consistent with prior observations.
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 | 0,001 | 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 ».