Caractérisation du bruit électromagnétique dans les tunnels miniers profonds et application de la méthode de débruitage
Bibliographic record
Abstract
Comme les ressources minérales superficielles sont presque épuisées, les mines existantes rencontrent des difficultés pour maintenir leur production. Une solution relativement économique consiste à trouver des corps minéralisés à proximité des propriétés minières. Ces corps sont souvent hors de la capacité de détection des méthodes de prospection conventionnelles de surface en raison de leur taille ou de leur profondeur. Les trous de forage et les galeries des mines fournissent d'excellents chemins d'accès pour les méthodes d'exploration en profondeur. Le but de ce projet est d’aider l'industrie minière à résoudre les problèmes rencontrés lors de l'exploration en profondeur. \nLa méthode électromagnétique transitoire (TEM) dans les galeries pourrait aider l'industrie minière à atteindre les objectifs d’extension en profondeur. L’un des défis pour effectuer des mesures TEM dans les galeries est l’espace restreint, qui nous force à utiliser de petites boucles d’émetteur. Par conséquent, les signaux sont plus affectés par le bruit. Dans ce projet, nous avons caractérisé les sources de bruit potentielles dans un environnement minier profond. Ceci facilitera le traitement des données et améliora précision de l'interprétation des données électromagnétiques. \nLa méthode électromagnétique transitoire en forage est devenue une pratique omniprésente dans l'exploration en profondeur grâce à sa capacité à détecter des cibles dans un rayon de plusieurs centaines de mètres autour du forage. Une combinaison des mesures dans les galeries et dans les trous de forage, permet de chercher des informations géologiques en trois dimensions. Afin d'améliorer le rapport signal sur bruit des signaux électromagnétiques mesurés, nous avons développé une méthodologie de débruitage en utilisant les fonctions de la transformée en ondelettes discrète dans la boîte à outils d'ondelettes de Matlab. Les résultats ont démontré que l’application de la transformée en ondelettes discrète seule peut effectivement réduire le niveau de bruit, mais dans certain cas, une méthode supplémentaire est nécessaire pour éliminer les résidus de petites perturbations. Ensuite, une méthode d'ajustement de courbe, plus d'analyse de corrélation se sont ajoutées dans la procédure de traitement de données.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".