Statistical techniques for leveraging geochemical data in ore and non-ore characterization for mining and environmental stewardship
Notice bibliographique
Résumé
The timeline from exploration through to extraction of a mineral deposit often spans decades, resulting in multi-generational geochemical data collected utilizing a variety of digestion and analytical methods. To extract value from these diverse datasets is challenging. This is due to lack of comparability in elemental concentrations produced by different digestion and analysis methods. Relationships between these multi-generational, variable digest geochemical datasets are typically non-linear, requiring a more sophisticated approach to data integration. Two case studies are presented to address this integration problem using simple machine learning workflows. Case study 1 outlines a workflow to derive a common molar element ratio used in porphyry deposit exploration and alteration quantification (2Ca+K+Na)/Al from four-acid digestion data as a proxy for the degree of feldspar destruction caused by hydrothermal metasomatism. It further illustrates the prediction of this ratio (derived from four-acid digestion geochemistry) using aqua regia digestion geochemical data as an input. Case study 2 illustrates the use of aqua regia derived Ca as a proxy for neutralization potential in mineralogical systems dominated by carbonate dissolution in aqua regia digestion, and presents a workflow to predict neutralization potential from four-acid data, trained to aqua regia Ca. Both case studies showcase the integration of aqua regia and four-acid datasets via non-linear machine learning algorithms, which exploit the mineralogical and elemental controls governing differences between digestion methods.
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 | 0,000 |
| 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 ».