Advanced geochemical exploration knowledge using machine learning: Prediction of unknown elemental concentrations and operational prioritization of Re-analysis campaigns
Notice bibliographique
Résumé
In exploration geochemistry, advances in the detection limit, breadth of elements analyze-able, accuracy and precision of analytical instruments have motivated the re-analysis of legacy samples to improve confidence in geochemical data and gain more insights into potentially mineralized areas. While a re-analysis campaign in a geochemical exploration program modernizes legacy geochemical data by providing more trustworthy and higher-dimensional geochemical data, especially where modern data is considerably different than legacy data, it is an expensive exercise. The risk associated with modernizing such legacy data lies within its uncertainty in return (e.g., the possibility of new discoveries, in primarily greenfield settings). Without any advanced knowledge of yet unanalyzed elements, the importance of re-analyses remains ambiguous. To address this uncertainty, we apply machine learning to multivariate geochemical data from different regions in Canada (i.e., the Churchill Province and the Trans-Hudson Orogen) in order to use legacy geochemical data to predict modern and higher dimensional multi-elemental concentrations ahead of planned re-analyses. Our study demonstrates that legacy and modern geochemical data can be repurposed to predict yet unanalyzed elements that will be realized from re-analyses and in a manner that significantly reduces the latency to downstream usage of modern geochemical data (e.g., prospectivity mapping). Findings from this study serve as a pillar of a framework for exploration geologists to predictively explore and prioritize potentially mineralized districts for further prospects in a timely manner before employing more invasive and expensive techniques.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».