Application of automated detection techniques in magnetic data for identification of Cu-Au porphyries
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
SummaryAutomated shape recognition technology has been developed for application to porphyry exploration, through a joint research initiative between Barrick Gold and the Centre of Exploration Targeting at the University of Western Australia, commencing in 2009. The result is the Development of the Porphyry Texture Filter for application to magnetic datasets.Many mineralised porphyries display concentric zonation in their magnetic character as a by-product of extensive hydrothermal alteration systems and secondary magnetite development/destruction. This characteristic magnetic signature can be exploited by image processing techniques enabling the enhancement, identification and quantification of features. Features must agree with a user-defined set of criteria for size, shape and magnetic contrast.Development of the technique was carried out on the world class Reko Diq porphyry system resulting in successful identification of all major known mineralised porphyry centres and additional targets within the camp. User control over filter parameters has resulted in the successful application of the filter on projects in a range of geological and erosional environments.The ability to rapidly characterise porphyry-like signatures using mathematical principles and geometries results in an unbiased geophysical target layer. When integrated with other geoscientific data, the filter has consistently supported target generation activities.Examples of the Porphyry Texture Filter application and results from Reko Diq, Grasberg and active exploration projects are shown.
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