Quantitative Inversion Modeling Method for Grading Deerni Copper Deposits Based on Visible and Near-Infrared Hyperspectral Data
Notice bibliographique
Résumé
Quantitative metal grade inversion based on hyperspectral data is an effective approach to achieve the real-time in situ determination of ore body grades and has the advantages of low cost compared with traditional chemical analysis methods. However, the redundant nature of hyperspectral data and the parameter-limiting nature of machine learning algorithms reduce the modeling accuracy and precision, resulting in severe limitations on the application of hyperspectral techniques for the grade inversion of Deerni copper ore bodies. In this paper, we first obtained visible-NIR hyperspectral data for 190 ore samples using a spectrometer and determined the copper content of the sample set using chemical analysis; then, we processed the raw hyperspectral data using three dimensionality reduction algorithms and optimized a BP neural network based on an evolutionary algorithm. Finally, a Deerni copper grade inversion model was established using the hyperspectral data before and after dimensionality reduction, and the inversion accuracy and precision was compared and analyzed with that obtained by the BP neural network, the random forest and the variable hidden layer nodes models. The combination of the LLE dimensionality reduction algorithm and the optimized BP neural network algorithm achieves the highest modeling precision, with an R2 of 0.950.
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 | 0,000 | 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 | 0,001 | 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 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 ».