Repurposing deep closed mines as seismic forecasting research platforms
Notice bibliographique
Résumé
Seismic forecasting remains constrained by surface noise and low spatial resolution, limiting reproducible predictions. Although deep borehole stations and underground laboratories improve conditions, they face high costs, sparse coverage, and narrow disciplinary scope. In this work, the strategic reuse of deep closed mines as seismic forecasting laboratories was evaluated. Closed mines, abundant and deep with extensive tunnels and reusable infrastructure, provide ideal low-noise, near-source environments for scalable observation networks. They can lower construction costs, enable simultaneous monitoring of natural and induced earthquakes, and support comparative studies of source mechanisms and forecasting methods. Key challenges include processing massive data volumes, integrating multi-source information, and ensuring equipment reliability in harsh environments. Future directions emphasize building three-dimensional, multiphysics monitoring networks, advancing interdisciplinary and international collaboration, and developing an integrated “observation–warning–prevention” platform. Repurposing closed mines not only expands underground space utilization but also offers a potential paradigm shift in seismic monitoring, providing a novel pathway to overcome longstanding forecasting bottlenecks. Document Type: Perspective Cited as: Li, P., Tang, C., Li, Y., Zhang, Y., Gorjian, M., Cai, M. Repurposing deep closed mines as seismic forecasting research platforms. Advances in Geo-Energy Research, 2025, 18(1): 1-6. https://doi.org/10.46690/ager.2025.10.01
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 | 0,012 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,013 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».