Current state of industry practice in mineral resource estimation and classification
Notice bibliographique
Résumé
A review of 175 recent Australasian Joint Ore Reserves Committee (JORC), National Instrument 43‐101, and U.S. Securities and Exchange Commission technical reports was conducted to study prevailing practices in mineral resource estimation (MRE), mineral resource classification (MRC), and capping of extreme values workflows in the mining industry. The goal is to discover trends in current practices and examine differences between reporting jurisdictions and deposit types. Ordinary kriging is the predominant MRE method, but inverse distance weighting remains prevalent. Drill hole spacing (DHS) and search neighborhood are the most common criteria used for MRC, while statistical metrics such as kriging variance, slope of regression, and confidence intervals are rarely used. MRC method selection depends on deposit type, commodity type, drilling pattern, variogram range, and nugget effect. JORC reports often use DHS for MRC, while National Instrument 43-101 reports show more diversity. A proposed data-driven decision tree classifier predicts the most commonly used MRE, MRC, and capping strategies with accuracies of 82.6%, 83.6%, and 84.7%, respectively. This model is not intended to replace a practitioner’s method choice but allows them to quickly assess what others have considered for similar deposits. Note that we are careful in this work to avoid judgments of the “best” workflow: our goal is to highlight what is being done in the industry.
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 | 0,078 | 0,145 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,014 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».