Bayesian linear regression with Gaussian mixture likelihood for outlier detection of metal grades in Porphyry Cu deposit
Notice bibliographique
Résumé
Metal grade, as a critical property, is used during mineral exploration, ore sorting and mineral processing. Geochemical bore core data is the primary source of determining pay and deleterious metal grades. The pay metal grade receives more attention than the deleterious metal grade due to its economic value in determining the profitability and viability of mining projects. However, estimating deleterious metal grades is also crucial for optimising mine planning, ore sorting, stockpiling, and mineral processing. Metal grade usually contains extrema, or “outliers” due to measurement error, latent geological features, and spatial heterogeneity of mineral distribution. The outliers of deleterious metal grades can produce significant regression bias as the outliers are overweighted in traditional regression model. This will further complicate decision-making for ore sorting optimisation and mineral processing resulting in excessive chemical dosage, water, and energy expense. We present a Bayesian linear regression model with Gaussian mixture likelihood (BLR-GML) to identify deleterious Fe grade outliers in the relationship with pay metals of Cu in a porphyry Cu deposit. Results show that the BLR-GML model dramatically reduces mean square error and provide more accurate inference than maximum likelihood estimation. We also illustrate how outliers are crucial during mine planning and can be used as a cost function when selecting block size and orientation. BLR-GML model offers a reliable way to capture outliers in the linear relationship of metal grades. This is particularly valuable for mineral inference that supports decision-making through the minerals value chain and our goal of sustainable metal supply.
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 | 0,000 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».