Geophysical inversion contributions to mineral exploration: lessons from the Footprints project
Notice bibliographique
Résumé
Magnetic and gravity inversions are used to create 2D or 3D models of the magnetic susceptibility and density, respectively, using potential field data. Unconstrained inversions generate an output based on mathematical constraints imposed by the inversion algorithm. Constrained inversions integrate lithological, structural, and petrophysical information in the inversion process to produce more geologically meaningful results. This study analyses the validity of this assertion in the context of the NSERC-CMIC Mineral Exploration Footprints project. Unconstrained and constrained geophysical inversions were computed for three mining sites: a gold site (Canadian Malartic, Québec), a copper site (Highland Valley, British Columbia), and a uranium site (Millennium – McArthur River, Saskatchewan). After initially computing unconstrained inversions, constrained inversions were developed using physical property measurements, which directly link geophysics to geology, and lithological boundaries extracted from an interpreted geological model. While each derived geological model is consistent with the geophysical data, each site exhibited some magnetic complexity that confounded the inversion. The gold site includes regions with a strong magnetic signature that masks the more weakly magnetic zone, thereby hiding the magnetic signature associated with the ore body. Initial unconstrained inversions for the copper site yielded solutions with invalid depth extent. A consistency between the constrained model and the geological model is reached with iterative changes to the depth extent of the model. At the uranium site, the observed magnetic signal is weak, but the inversion provided some insights that could be interpreted in terms of an already known complexly folded geological model.
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 | 0,000 | 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 ».