MétaCan
Menu
Retour à la cohorte
Enregistrement W2883324463 · doi:10.1007/s11004-018-9758-6

Ore–Waste Discrimination in Epithermal Deposits Using Near-Infrared to Short-Wavelength Infrared (NIR-SWIR) Hyperspectral Imagery

2018· article· en· W2883324463 sur OpenAlexfundno aff
M. Dalm, Mike Buxton, F.J.A. van Ruitenbeek

Notice bibliographique

RevueMathematical Geosciences · 2018
Typearticle
Langueen
DomaineComputer Science
ThématiqueGeochemistry and Geologic Mapping
Établissements canadiensnon disponible
Organismes subventionnairesBarrick Gold Corporation
Mots-clésHyperspectral imagingMineralogySortingGeologyIlliteMineralClay mineralsNear-infrared spectroscopyRemote sensingChemistryOptics

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,271
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations33
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematical GeosciencesMême sujetGeochemistry and Geologic MappingTravaux en français237 207