An integrated machine learning framework with uncertainty quantification for three-dimensional lithological modeling from multi-source geophysical data and drilling data
Notice bibliographique
Résumé
Nowadays, it is commonplace for geological surveys to integrate multi-source geophysical data and drilling data in order to construct three-dimensional (3D) lithological models. In this context, manual translation of complex geophysical data into parameters used for 3D lithological modeling is challenging. Machine learning has recently shown great potential in 3D lithological modeling. However, the performance of machine learning algorithm is influenced by the imbalance in number of categories of lithological samples. In addition, the uncertainty associated with 3D lithological modeling by machine learning has rarely been quantified. This study presents a novel integrated machine learning framework to address the imbalance issue and to quantify uncertainty in 3D lithological modeling. As its novelty, our integrated machine learning framework can subdivide total uncertainty into aleatoric and epistemic uncertainties in the 3D lithological modeling procedure by stochastic gradient Langevin boosting. Another innovation of this study is the use of Bayesian hyperparameter optimization for automatic tuning of hyperparameters of the integrated machine learning framework. The 3D lithological and uncertainty modeling case study in the Jiaojia–Sanshandao gold district of China demonstrated the superiority of our proposed integrated machine learning framework. The proposed framework has great potential in integrating multi-source geophysical and drilling data for 3D lithological and uncertainty modeling in engineering geology .
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».