Mineralogy from µXRF elemental maps: comparison of supervised and unsupervised methods
Notice bibliographique
Résumé
This study evaluates the effectiveness of four methods for estimating mineralogy from micro X-ray fluorescence (µXRF) elemental maps: two optimized/supervised methods (linear programming and Random Forests) and two unsupervised methods (k-means clustering and Uniform Manifold Approximation and Projection (UMAP) combined with Hierarchical Density Based Spatial Clustering of Applications with Noise (HDBSCAN)). µXRF is a non-destructive, high-resolution imaging technique that provides spatially resolved elemental data and bridges the scale gap between micro- and macroscales in mineralogical studies. Analysing samples from porphyry copper deposits (representing a range of textures and mineralogical complexities), each method was assessed based on its ability to accurately represent the mineralogy and texture of each sample relative to a petrographic image. Compared to traditional petrographic assessment, Random Forests yielded the lowest normalized root mean squared error (NRMSE) values (0.09–0.38), while k-means (0.06–0.44), linear programming (0.07–0.44) and UMAP–HDBSCAN (0.18–0.64) showed more variable and generally higher error values across the samples. k-Means and linear programming produced results within minutes, Random Forests in ∼10 minutes and UMAP–HDBSCAN in ∼20 minutes. The results demonstrate that supervised methods, particularly Random Forests, deliver better mineralogical estimates, especially in complex mineral assemblages. However, unsupervised methods (particularly k-means) offer a faster initial assessment, making them valuable for preliminary analysis. Combining different methods using known mineral compositions or training datasets could enhance cluster-to-mineral correlation. The integration of supervised, optimization and unsupervised approaches for mineralogy from µXRF data can enhance the robustness and efficiency of mineralogical interpretations, adding significant value across mineral exploration and processing.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».