Ore–Waste Discrimination in Epithermal Deposits Using Near-Infrared to Short-Wavelength Infrared (NIR-SWIR) Hyperspectral Imagery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Near-infrared (NIR) and short-wavelength infrared (SWIR) hyperspectral imagery can be used to detect certain alteration minerals. At epithermal deposits, the formation of alteration minerals is, in theory, related to the mineralisation of gold and silver. In order to provide foundations for developing sensor-based sorting applications at a mine that exploits such a deposit, it was investigated if NIR-SWIR hyperspectral imagery can be used to distinguish between ore and waste particles by characterising the alteration mineralogy. Maps were produced from the NIR-SWIR hyperspectral images of 827 drill core samples that show mineral occurrences, mineral absorption feature intensities and characteristics of the iron oxide mineralogy. Partial least squares discriminant analysis (PLS-DA) was applied to the information contained in these maps to investigate if this information can be used to discriminate between ore and waste. The results showed that NIR-SWIR hyperspectral imagery could be used to segment a population of waste samples by detecting occurrences of pyrophyllite, dickite and/or illite. This result can be explained by the fact that these minerals are commonly deposited further away from the ore-bearing epithermal veins, while the absence of SWIR-active minerals or detected occurrences of alunite are more closely associated with these structures. The ability to identify waste with NIR-SWIR spectral sensors means there is potential that sensor-based sorting can be used to remove this waste from mineral processing operations. Additional research is still required to assess the economic feasibility of such a sensor-based sorting application.
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.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 découle