A Data-Driven Approach for Exploring Unconventional Lithium Resources in Devonian Sedimentary Brines, Alberta, Canada
Notice bibliographique
Résumé
Abstract Lithium-rich (Li-rich) sedimentary brine has emerged as a valuable unconventional resource, driven by the blooming global market, advancements in direct extraction technologies, and a lower environmental impact compared to traditional mining methods. However, resource delineation and estimation remain challenging due to inefficient field sampling and unreliable correlations between Li concentration ([Li]) and environment-sensitive geochemical indicators. Supported by public data and newly acquired measurements of water chemistry for Alberta Devonian brines, we developed a cutoff-based data-driven approach to extract Li-rich environmental characteristics in the probability domain to predict [Li] levels at locations with water chemistry data but without [Li] measurements. The approach relies solely on commonly available geospatial (coordinates, stratigraphic position) and geochemical features, including contents of total dissolved solids (TDS) and cations of Na, K, Mg, and Ca. Validated against about one hundred Li-labeled samples measured after May 2022, the approach achieved a minimum precision and accuracy of 97% and 84%, respectively, for predicting three [Li] cutoff levels (i.e., > 35 mg/L, > 50 mg/L, and > 75 mg/L). It was subsequently applied to predict [Li] levels of formation water from 897 different locations with legacy water chemistry data. The results align spatially with observed trends of Li-rich brines in Alberta Devonian formations and expand resource delineation and estimation capabilities to areas and formations with limited [Li] data availability.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 ».