Application of Autoencoders Neural Network and K-Means Clustering for the Definition of Geostatistical Estimation Domains
Notice bibliographique
Résumé
The objective of this study was the definition of estimation domains through the application of an artificial neural network Autoencoders and K-Means clustering.The study was based on the analysis of 5,654 composites obtained from an exploratory drilling campaign in a copper deposit.The specific architecture of the autoencoder included an encoder and a decoder, each composed of multiple layers and ReLU activation functions.The encoder, with four hidden layers of 600, 600, 800 and 10 neurons, respectively, was complemented by a decoder that replicated this structure.Application of the K-Means algorithm, with 30 initializations on these encoded representations, culminated in a silhouette score of 0.261 and an inertia of 17,447.44,revealing the optimal formation of two distinct estimation domains: domain 1, with 4,204 samples and an average copper grade of 0.44%, and domain 2 with 1450 samples and an average grade of 0.41% copper.Compared to the geochemical modeling approach in definition of estimation domains, a significant reduction in the mean error (0.29 vs. 0.05) and in the error variance (0.04 vs. 17.36) was observed.In conclusion, this approach not only complements geostatistical estimation techniques, but also improves accuracy and reliability in geological resource estimation.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».