Inversion of downhole resistivity properties through infrared spectroscopy and whole‐rock geochemistry using machine‐learning
Notice bibliographique
Résumé
Abstract The electrical properties of rocks are widely used in the geophysical exploration of natural resources, such as minerals, hydrocarbons and groundwater. In mining exploration, the primary goal is to map electrically anomalous geological features associated with different mineralization styles, such as clay alteration haloes, metal oxides and sulphides, weathered crystalline rocks or fractured zones. As such, the reconciliation of geophysical data with geological information (geochemistry, mineralogy, texture and lithology) is a critical step and can be performed based on petrophysical properties collected either on core samples or as downhole measurements. Based on data from 189 diamond drill cores collected for uranium exploration in the Athabasca Basin (Saskatchewan, Canada), this paper presents a case study of reconciliation of downhole resistivity probing with core sample geochemistry and short‐wave infrared spectroscopy (350–2500 nm) through three successive steps: (i) multivariate analysis of resistivity and other petrophysical properties (porosity, density) against geochemical and infrared spectroscopy information to characterize electrical properties of rocks with respect to other physical parameters, (ii) a machine‐learning workflow integrating geochemistry and spectral signatures in order to infer synthetic resistivity logs along with uncertainties. The best model in the basin was Light Gradient‐Boosting Machine with pairwise log‐ratio, which yielded a coefficient of determination R 2 = 0.80 (root mean square error = 0.16), and in the basement, support vector regression with data fusion of infrared spectroscopy and pairwise log‐ratios on geochemistry yielded R 2 = 0.82 (root mean square error = 0.35); (iii) the best model was then fitted on an area that was excluded from the original dataset (Getty Russell property) in order to infer synthetic resistivity logs for that zone. Software code is publicly available. This workflow can be re‐used for the valorization of legacy datasets.
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 | 0,001 |
| Science ouverte | 0,000 | 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 ».