Mineralogical_Characterization v1.0.0
Notice bibliographique
Résumé
Machine learning approach to predict the mineral compositions using conventional and geochemical well logs Github: Jon-GSC/Mineralogical_Characterization Download link-note: The goal of this study is using a combined approach with previous U-Net and XGBoost algorithm for mineralization composition analysis with petrophysical logs from selected formations. The code has been tested without any issue in PyCharm IDE. Requirements: Install python 3.8/newer and anaconda packages: conda install keras-2.8.0, tensorflow-2.8.0, scipy, scikit-image, tqdm, pandas, numpy, seaborn, shutil, matplotlib, lasio etc. libraries. Dataset: The original datasets of conventional and geochemical logs are from Horn River Basin. The loaded data are edited and used for testing purpose only. Instruction: The three main python codes and /itools, /data need be save in same folder. Before run the code, need install open-source Python packages. forWeb1_Data_prepare.py is used to loading '.las' files, generate the training dataset, and save as '.csv/.pkl'. forWeb2_Model_training.py is used to create the models, and training/validation with datasets from step 2. All of the weight parameters will be saved in one folder, code will run through each of the components and save all of the results in one folder. forWeb3_Prediction.py is used for predicting mineral composition with conventional petrophysical logs, and plotting output figures. For pilot running, user does not need change any parameters, just run the code files in steps 3,4. The code should run without any error if environment setting is correct. Please contact at following email address if any bugs popup. Hardware tested: HP-7920 workstation: 56core CPU; 64G memory; one Nvidia Quadro P5000 GPU. Acknowledgments: This Mineralogical characterization study used open source codes and library from github, google, and open-sourced geoscience packages lasio. Please cite the related references in your publications.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,090 | 0,103 |
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 ».