Downhole density estimation using multielement geochemistry and machine learning
Notice bibliographique
Résumé
Abstract Machine learning (ML) was used to estimate bulk density from multielement geochemistry. At the Wheeler River site, host to the Phoenix and Gryphon uranium deposits, multielement geochemistry data were acquired for 829 exploration holes. Of those holes, 41 were logged with a downhole dual-spaced density probe during several mobilizations between 2009 and 2019. Density measurements were collected to provide constraints for inversions of airborne gravity data. To improve the density model's spatial resolution, ML models were trained to estimate bulk density from collocated multielement geochemistry data. Two geochemical laboratory methods were used (251 holes for the old method and 578 holes for the new method); therefore, two separate models were trained. Leave-one-hole-out cross-validation mean absolute error (MAE) results from the old and new geochemistry models showed similar scores of 0.027 g/cm3 and 0.025 g/cm3, respectively. Eight test holes were removed from the training data and used for final evaluation once the model was trained. Test hole results showed MAE scores of 0.026 g/cm3 for the old geochemistry model and 0.043 g/cm3 for the new geochemistry model. A unique aspect of this data set was the presence of repeat logs for multiple boreholes over a decade-long logging campaign. This provided the opportunity to assess the measurement uncertainty across time, density probes, operators, and boreholes conditions. The process of estimating downhole density from multielement geochemistry data could be used for many exploration projects to help generate better starting density models for use in geophysical inversions and other applications.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».