MétaCan
Menu
Retour à la cohorte
Enregistrement W4392649349 · doi:10.5194/egusphere-egu24-17054

Exploration and reevaluation of a tailing storage facility from a high-sulfidation epithermal gold deposit

2024· preprint· en· W4392649349 sur OpenAlexaff
Petya Gutzmer, Kai Bachmann, Raimon Tolosana‐Delgado, Laura Tuşa, Cecilia Contreras, Philipp Büttner, Jens Gutzmer

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEngineering
ThématiqueMining Techniques and Economics
Établissements canadiensTellabs (Canada)
Organismes subventionnairesnon disponible
Mots-clésSulfidationMining engineeringGeologyGeochemistryMetallurgyMaterials scienceSulfur

Résumé

récupéré en direct d'OpenAlex

Reevaluating tailings material originating from a high-sulfidation epithermal gold deposit has unveiled the potential for a holistic remining endeavour. The primary objective of this operation would be the mitigation of minerals containing penalty elements, specifically sulphur in pyrrhotite, a major contributor to acid mine water drainage, alongside the concentration of precious elements like gold. Furthermore, exploring the applicability of the silicate fraction for industries such as ceramics, glass, and geopolymer production has been considered.To accomplish these objectives, an initial drill core campaign featuring six drill holes was executed, accompanied by a thorough material characterization using automated mineralogy, geochemical assays, and hyperspectral analysis. The subsequent step involved a geometallurgical domaining process based on 64 geochemical assays, particle size measurements, and mineralogy assessments. A Mahalanobis distance hierarchical cluster analysis was employed to differentiate domains, and predictions for these domains were extended to all hyperspectral imaging samples.The outcome of this comprehensive approach revealed the delineation of four distinct domains, each characterized by variations in modal mineralogy and trace elemental contents. This strategic analysis provides valuable insights into the heterogeneity of the tailings material, laying the groundwork for targeted interventions to address environmental concerns and maximize the extraction of valuable resources.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,263
Score d'incertitude au seuil0,719

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,230
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMining Techniques and EconomicsTravaux en français237 207