Caving resources and reserves: Defining a process for understanding variability and appropriate classification across global codes through project life
Notice bibliographique
Résumé
Caving Ore Reserves have unique modifying factors, including cave growth and material mixing, that need to be considered above and beyond the typical factors for other deposits. In this paper, we look at the confidence of Resource classification process based on that outlined by Parker (2014). With increased computing power and conditional simulation, Resource estimation can now simulate multiple block models based on the same drill holes, allowing the variability of the Mineral Resource to be estimated. However, there was no process available to discuss how to apply modifying factors of block cave and sub level caves. A process for estimating some of the applicable modifying factors by using simple macros in mine planning software, so that conditional simulation can be added to mixing models to determine the variability across these mixing models, is proposed. The Resource can then be classified based on this resource estimation technique. As the mine sources more data from markers or flow calibration, the error from the Mineral Resource model can be separated from the error in the mine planning flow models – this paper discusses an application of the f factors defined by Parker (2014). We explore the intricacies of the different Codes for reporting in Canada (NI43-101), the USA (S-K 1300), SAMREC and Australia (JORC). We look at the treatment of Reserves at different stages of a cave's life from the planning phase (PFS and FS), through to cave ramp-up, and finally during the production phase. The key considerations of each phase of a cave's life in terms of Reserve reporting, the key differences in each reporting Code for each phase of a cave's life, and a method for communicating variability through time between the resource and reserve model are discussed.
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 | 0,005 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| 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 ».