CPTu-Based Spatial Variability Assessment of Thickened and Conventional Mine Tailings
Notice bibliographique
Résumé
The Global Industry Standard on Tailings Management (GISTM) promotes performance-based approaches in geotechnical assessments. Hence, characterizing the spatial variability of deposited tailings is expected to be a key input for some tailings storage facilities (TSFs); however, it has seldom been investigated. In this study, we assess the spatial variability of thickened and conventional tailings, which have been deposited into the same TSF, providing a unique opportunity to investigate two tailings technologies. A dense array of 15 cone penetration tests (CPTus) with an average offset of 1.5 m has been conducted to collect data. In addition to evaluating the spatial variability, the collected information is also used to assess the potential of machine learning (ML) for detrending when deriving random fields. Using a new proposed stationarity score, we find that an ML-based detrending outperforms traditional procedures for most scenarios. In terms of correlation lengths, we find similar ranges for thickened and conventional tailings (vertical: δwv=0.2–0.6 m, horizontal δwh=1.5–4.5 m) and similar distributions, likely influenced by the depositional processes. In contrast, the variance in the conventional tailings is higher, which we attribute to its segregating nature. Finally, by inspecting previous studies on natural soils, we find that the variability of mine tailings (δwh/δwv=2–21) resembles that observed in alluvial deposits, which we attribute to the parallels in the depositional processes.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».