The S3 orogenic gold targeting algorithm: A case study from the Timmins gold camp, Ontario, Canada
Notice bibliographique
Résumé
ABSTRACT Mineral exploration targeting of orogenic gold deposits is challenging, especially in concealed terrains. To meet this challenge, a practical orogenic gold targeting method using structural complexity (SC), a self-organizing map (SOM), and a supervised deep neural network (SDNN) is developed. Because orogenic gold deposits are structurally controlled, the use of high-resolution aeromagnetic data to delineate concealed structures is routinely performed by mineral explorationists. SC is defined as the intersection density or the orientation diversity of linear structures, which can be derived from magnetic data or acquired by geologic structural mapping. Common features from the SC and the magnetic data can be grouped together into one class by the SOM, essentially an unsupervised neural network classification method. A small percentage of the data also can be designated as anomalous classes by the SOM. The SOM results can support gold exploration targeting in areas lacking any known gold deposits or occurrences. However, the predictive targeting of orogenic gold mineralization also can be achieved with the support of an SDNN using the SC results. The SDNN can be trained by the SC data over known gold deposits or occurrences. The top few percentiles of the target probabilities are used for target generation. Because the orogenic gold targeting process involves SC, SOM, and SDNN, it may be called the S3 method. Our S3 method is tested using public domain high-resolution aeromagnetic data covering the world-class Timmins gold camp in the Abitibi greenstone belt, Superior Province, Ontario, Canada. The results document that the S3 algorithm is an effective and robust artificial intelligence-supported method to target concealed orogenic gold mineralization.
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 | 0,001 | 0,001 |
| 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 ».