Borer GPR Interpretation During Potash Mining
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
Ground Penetrating Radar (GPR) is a non-destructive geophysical technique that has been in use at Saskatchewan potash mines for over four decades. The GPR system is an innovative technology used in imaging salt beds above or below a mined room. The borer mounted GPR application has proven to be a reliable tool for mapping the roof beam thickness which is normally a meter from the mine roof to the immediate clay seam above. Utilizing an automated picking algorithm, real-time data interpretation is provided to borer operators to make informed safety decisions. Hence, it’s important that an auto-picking algorithm is adequately tuned to declutter noise and identify geologic features seen within the mine roof.This paper presents a series of studies aimed at understanding and improving data interpretation of the GPR during active mining as geologic variations within the mine roof can lead to GPR data degradation. An approach to this challenge was to develop a robust and intelligent auto-picking algorithm called the Cluster Ratio Derivative (CRD) that utilizes a data reduction technique to improve the signal to noise ratio (SNR) and machine learning to pick the clay seam in the GPR data. Additional work was performed by developing numerical earth models of a potash mine using gprMax. The generated synthetic datasets, also served as testbed in developing the CRD algorithm.The success of this work has led to the implementation of the novel CRD auto-picking algorithm on borer GPR software. The goal is to continue to ensure that meaningful GPR interpretations are provided to operators during active mining.
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