Apprentissage statistique pour la rationalisation des processus d’exploration minière : applications à une province uranifère de classe mondiale (bassin de l’Athabasca, Canada)
Bibliographic record
Abstract
Le bassin paléoprotérozoique de l'Athabasca (Saskatchewan, Canada) contient les gisements d'uranium à plus forte teneur connue (jusqu'à 25% à McArthur River) et a été prospecté par les compagnies d'exploration de manière continue depuis les années 1960. Le paradigme actuel de l'exploration de ces gisements postule que leur localisation préférentielle se situe à la proximité immédiate de l'intersection entre la discordance bassin-socle et des linéaments structuraux riches en graphites, appelés conducteurs graphiteux, réactivés dans le bassin. À la suite d'une première étape de délinéation des conducteurs graphiteux par géophysique, des campagnes de forages visent à cibler les zones potentiellement favorables pour la découverte de nouveaux gisements. Ces campagnes de forages génèrent des volumes importants de données (spectroscopie à ondes courtes [SWIR], géochimie, pétrophysique, photographies de carottes standardisées), habituellement étudiées dans le cadre de campagnes de forages annuelles mais rarement intégrées à l'échelle de l'ensemble des bases de données disponibles. L'objectif du manuscrit de thèse présenté ici est d'évaluer le potentiel des méthodes d'analyse multivariée et d'apprentissage statistique pour améliorer la connaissance actuelle des empreintes associées aux gisements, et leur intégration dans une perspective opérationnelle d'exploration. Un modèle global pour le développement de jeux de données d'exploration (de la structuration des données, à la définition d'empreintes puis à l'étude des stratégies de forage permettant leur détection en exploration) est proposé et mis en application pour différents jeux de données acquis dans l'exploration minière.
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 | 0.005 | 0.018 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".