Geological characterisation guided by fuzzy k-means clustering of physical properties measured from core samples from the Victoria property, Sudbury Ontario
Notice bibliographique
Résumé
Core logging is a subjective practice done by geologists, which documents the mineralogy, \ntextures, alteration, mineralisation and other features to give core a rock name. Pattern \nrecognition techniques are able to characterise the rocks and link the geophysical and geological \ndata quantitatively. The fuzzy-k means algorithm is an unsupervised pattern recognition \ntechnique, which groups data into clusters based on properties measured. This study will use the \nfuzzy-k means algorithm to characterise core samples from 2 drillholes from the Victoria \nproperty in Sudbury with thin section examination to identify how mineralogical changes can \naffect the measurements. Four different physical properties (density, gamma ray, conductivity \nand magnetic susceptibility) were measured from a total of 203 core samples of quartz diorite, \nmetagabbro, metabasalt, pyroxenite, olivine diabase and metasedimentary rocks. The samples \nwere classified into 4 different physical units, with additional confusion index values that \nindicate how well the data was classified. Quartz diorite, metagabbro and metabasalt have the \nhighest confusion index values while the olivine diabase and metasedimentary rocks have the \nlowest confusion index values. Combining the fuzzy k- means results and thin section \nexamination proved to be successful because heterogeneities in sulphide minerals, ore \nmineralisation and variation in rock forming minerals cause an overlap in physical properties \nwith other rock samples, increasing the confusion index while homogeneity in mineralogy results \nin a low confusion index.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».