Predictive Models of Mineralogy from Whole-Rock Assay Data: Case Study from the Productora Cu-Au-Mo Deposit, Chile
Notice bibliographique
Résumé
Abstract Mineralogy is a fundamental characteristic of a given rock mass throughout the mining value chain. Understanding bulk mineralogy is critical when making predictions on processing performance. However, current methods for estimating complex bulk mineralogy are typically slow and expensive. Whole-rock geochemical data can be utilized to estimate bulk mineralogy using a combination of ternary diagrams and bivariate plots to classify alteration assemblages (alteration mapping), a qualitative approach, or through calculated mineralogy, a predictive quantitative approach. Both these techniques were tested using a data set of multielement geochemistry and mineralogy measured by semiquantitative X-ray diffraction data from the Productora Cu-Au-Mo deposit, Chile. Using geochemistry, samples from Productora were classified into populations based on their dominant alteration assemblage, including quartz-rich, Fe oxide, sodic, potassic, muscovite (sericite)- and clay-alteration, and least altered populations. Samples were also classified by their dominant sulfide mineralogy. Results indicate that alteration mapping through a range of graphical plots provides a rapid and simple appraisal of dominant mineral assemblage, which closely matches the measured mineralogy. In this study, calculated mineralogy using linear programming was also used to generate robust quantitative estimates for major mineral phases, including quartz and total feldspars as well as pyrite, iron oxides, chalcopyrite, and molybdenite, which matched the measured mineralogy data extremely well (R2 values greater than 0.78, low to moderate root mean square error). The results demonstrate that calculated mineralogy can be applied in the mining environment to significantly increase bulk mineralogy data and quantitatively map mineralogical variability. This was useful even though several minerals were challenging to model due to compositional similarities and clays and carbonates could not be predicted accurately.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».