Use of ambient-noise surface-wave tomography in mineral resource exploration and evaluation
Notice bibliographique
Résumé
Passive seismic imaging is a low-impact, low-cost technique that can be used to explore for and evaluate mineral deposits. The recent development of autonomous seismic recorders (“nodes”) allows for reliable, low-cost, continuous recording of seismic data for weeks or months at a time. In addition to improving field operations connected with traditional 3D active-source reflection surveys, nodes greatly increase the flexibility of seismic survey design and, most importantly, permit low-cost collection of dense passive seismic data with minimal impact on the local environment. The technique uses ambient seismic noise from natural and anthropogenic sources for subsurface imagining and monitoring. Cross-correlation between receiver pairs is used to extract the Green function and analysis of dispersion of surface wave from the cross-correlated data generates a near-surface velocity model. This model is then used to establish the structure, lithology, and physical characteristics of materials in the subsurface. The results can be used alone or jointly with other geophysical or geological data, or employed to improve imagining of active source data. The scales of passive seismic imaging range from the entire crust and upper mantle to near-surface geotechnical or civil engineering surveys, spanning depths from 100s of kilometers to few meters. Most current applications are in the petroleum, geothermal, groundwater and geo-engineering sectors but the technique is finding increasing employment in mine security and mineral exploration. Presentation Date: Wednesday, October 17, 2018 Start Time: 9:20:00 AM Location: Poster Station 13 Presentation Type: Poster
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 | 0,000 |
| 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) | 0,001 | 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 ».