Mineral prospectivity mapping using a VNet convolutional neural network
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
Abstract Major mineral discoveries have declined in recent decades, and the natural resource industry is in the process of adapting and incorporating novel technologies such as machine learning and artificial intelligence to help guide the next generation of exploration. One such development is an artificial intelligence architecture called VNet that uses deep learning and convolutional neural networks. This method is designed specifically for use with geoscience data and is suitable for a multitude of exploration applications. One such application is mineral prospectivity in which the machine is tasked with identifying the complex pattern between many layers of geoscience data and a particular commodity of interest, such as gold. The VNet algorithm is designed to recognize patterns at different spatial scales, which lends itself well to the mineral prospectivity problem of there often being local and regional trends that affect where mineralization occurs. We test this approach on an orogenic gold greenstone belt setting in the Canadian Arctic where the algorithm uses gold values from sparse drill holes for training purposes to predict gold mineralization elsewhere in the region. The prospectivity results highlight new target areas, and one such target was followed up with a direct-current induced polarization survey. A chargeability anomaly was discovered wherein the VNet had predicted gold mineralization, and subsequent drilling encountered a 6 g/t Au intercept within 10 m of drilling that averaged more than 1.0 g/t Au. Although most of the prospectivity targets generated from VNet were not drill tested, this first intercept helps validate the approach. We believe this method can help maximize the use of existing geoscience data for successful and efficient exploration programs in the future.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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