Orogenic gold prospectivity mapping using machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
SummaryAs major mineral discoveries have become rarer over the last two decades, the industry has begun to turn to new technologies to assist in the exploration process. One such advancement is the application of machine learning and artificial intelligence (AI) to geoscience data. Mineral prospectivity mapping has been around for decades but with the increase in computer power, recently it has gained traction again as a means for exploration teams to take full advantage of the numerous datasets at their disposal. Although having a team of human experts with a wealth of geoscience knowledge and experience is still fundamental to the exploration process, the ability to robustly integrate and analyse large geoscience datasets over vast spatial regions quickly becomes unwieldy if done manually.In this study, we developed a new algorithm for mineral prospectivity mapping using a VNet deep convolutional neural network and applied it to finding gold at the Committee Bay greenstone belt in the Canadian Arctic. The machine learning network took all the geoscience data available from the area and generated a prospectivity map for targeting economic orogenic gold mineralization. The results were subsequently validated on a separate nearby region where the machine predictions were compared to gold assay values from drilling. The gold assays from this region were not included in the training process, and the method demonstrated good success in predicting where the highest gold mineralization occurred.A subsequent gold prospectivity map was produced for the main area in question, and in addition to many new targets the VNet algorithm predicted many targets that the exploration team had previously generated. This suggests that this process assists the exploration team in vetting old targets while opening their eyes to new targets as well. In this way, the algorithm helps to vector in on prospective new and old areas while maximizing the value of all available geoscience data.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle