Integrated 3D modelling and associated machine learning targeting: the Jaguar Greenstone Belt example.
Notice bibliographique
Résumé
Mira Geoscience completed an integrated interpretation in the Jaguar Greenstone Belt (JGB), in Western Australia, on behalf of Round Oak Minerals (now Aeris Resources). The 3D structural and stratigraphic regional model, consistent with geophysical data sets was the foundation for the exploration model. The targeting and prospectivity analysis were based on quantifying exploration criteria and explicitly representing these criteria in the exploration model for sub-seafloor replacement-style Volcanic Hosted Massive Sulfide (VHMS) deposits. First, the regional geological model was built from geological constraints (mapping, drill holes) but also developed in close integration with potential fields data, producing a viable starting model for geologically constrained inversion to solve for rock property variations within geological domains. When the model thus constructed was submitted to geologically constrained inversion to reconcile unexplained response as property variations within those domains, sensible/stable property variations were recovered in the inverted model, which it was possible to interpret in terms of alteration and potential targets. The exploration criteria were translated using the integrated 3D model to create exploration vectors that were representative of the mineral system. In other words, these vectors were numerical realisations of the various targeting criteria. The prospectivity analysis at Jaguar used a Machine Leaning approach, namely Random Forests, to generate a 3D Mineral Potential Index based on different combinations of input exploration vectors. This resulted in identification of 41 separate targets within the JGB.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,042 | 0,037 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».