Sensor-Based Rock Hardness Characterization in a Gold Mine Using Hyperspectral Imaging and Portable X-Ray Fluorescence Technologies
Notice bibliographique
Résumé
Rock hardness significantly impacts comminution efficiency, one of mining’s most energy-intensive processes. Accurate, rapid, and non-invasive hardness characterization can enhance mine-to-mill optimization and energy management. This study investigates sensor-based technologies, hyperspectral imaging, and portable X-ray fluorescence (pXRF) integrated with machine learning (ML) algorithms for characterizing rock hardness in open-pit gold mining contexts. A total of 159 rock samples from two Canadian open-pit gold mines were analyzed through Leeb rebound hardness (LRH), short-wave infrared (SWIR) hyperspectral imaging, and a pXRF analyzer for chemical characterization. The most critical spectral features of SWIR images were extracted using a novel and automated feature extraction approach and further refined by applying a recursive feature elimination (RFE) algorithm to reduce the dimensionality of the spectral feature space. Three ML algorithms, including Random Forest Regressor (RFR), Adaptive Boosting (AdaBoost), and Multivariate Linear Regression (MLR), were applied to develop predictive hardness models considering three scenarios: using chemical features, using refined spectral features, and their combination. The findings underscore the potential of advanced sensor integration and analytics in remotely characterizing rock hardness, which could contribute to enhancing efficiency and sustainability in modern mining operations.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».