MétaCan
Menu
Retour à la cohorte
Enregistrement W3097470628 · doi:10.36487/acg_repo/2035_10

Rapid automated processing of structural orientation from time-of-flight LiDAR mapping

2020· article· en· W3097470628 sur OpenAlexafffundabout
James A. Smith, Shelby Yee

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueRobotics and Sensor-Based Localization
Établissements canadiensRTDS Technologies (Canada)
Organismes subventionnairesQueen's University
Mots-clésLidarOrientation (vector space)Remote sensingComputer scienceGeology

Résumé

récupéré en direct d'OpenAlex

The three-dimensional axis mapping (3DAM) method allows rapid capture and orientation of point cloud data to magnetic north in GPS and survey denied environments. From the collected point cloud data, the 3DAM algorithm automates the identification of rock structures and the processing of their orientation into a stereonet format, at the point of data collection, on a timescale measured in seconds. A tool, the Axis Mapper, was created based upon this method and is intended to streamline geological and geotechnical underground mapping of structural orientation data. The objective of this paper is to compare the precision and speed of capture for the Axis Mapper’s orientation measurement to the most prevalent method of orientation capture in underground mines, the structural compass. Structural orientation data captured from two case studies—one, at a base metals mine in South America; the second, two mines in Ontario, Canada—were compiled and compared for precision and speed between the Axis Mapper’s 3DAM method and a compass. Additional locations of data captured were planned but could not be collected for this paper. Sources of measurement interference, which could not be mitigated, were present at both case study locations. The data collected from the case studies suggest that structural orientation captured by the Axis Mapper and compass are within 11° dip direction and 5° dip of each other; except in one discreet example which identified a dip difference of 23°. The Canadian case study suggests the Axis Mapper is up to three times faster at collecting structural orientation data when compared with the compass. The authors consider the conclusions preliminary and non-definitive due to the limited number of collection sites, limited available data, and uncontrolled sources of measurement interference. Additional data collected in controlled settings are necessary to better define the comparative precision and collection speed of the Axis Mapper 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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,251
Score d'incertitude au seuil0,277

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,209
Écart entre enseignants0,195 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même sujetRobotics and Sensor-Based LocalizationTravaux en français237 207