Deep mineral exploration using multi-scale electromagnetic geophysics: the Lalor massive sulphide deposit case study
Notice bibliographique
Résumé
The Lalor deposit in Snow Lake, central Manitoba, is one of the most significant mineral discoveries in Canada in the past decade. Buried 600 m below the surface, the deposit remained undiscovered until a deep penetrating geophysical electromagnetic (EM) system was employed. Since then, the deposit has been a test site for many modern geophysical systems. This paper presents a comparative study of four EM data sets acquired at Lalor. We image the electrical conductivity structure of the subsurface by carrying out independent 3-D inversions of the data. The four data sets are acquired through airborne, surface, and borehole systems, including airborne natural source EM (ZTEM), airborne time-domain EM (HELITEM), surface large loop EM (SQUID), and borehole EM (PULSE-EM). ZTEM has good depth of penetration, but its inversion model may be biased if the background model is not properly chosen. The HELITEM system can complement ZTEM by validating the actual conductivity of the deposit. With the information provided by airborne surveys, surface EM can better define the geometry of the ore body at a local scale and help in defining drilling targets. Once boreholes are drilled, sensors can be sent downhole, possibly probing the ore lenses that are interbedded at a greater depth. Our 3-D imaging experiments demonstrate that modern geophysical technology is capable of making deep exploration and assisting a more informed process throughout the entire workflow from reconnaissance to drilling and development.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».