Évaluation environnementale et géométallurgique de minerais sulfurés polymétalliques, basée sur une approche minéralogique pluridisciplinaire
Bibliographic record
Abstract
Ce travail de thèse a pour objectif de développer une méthodologie permettant de prédire l’impact environnemental des futurs projets miniers, dès l’étape d’exploration. Le drainage minier acide, connu comme le principal problème environnemental des gisements sulfurés, se produit lors de l’oxydation des sulfures par l’oxygène et l’eau. Des échantillons de sulfures et sulfosels ont été soumis à des tests géochimiques afin d’étudier leur taux de réactivité. Les minéraux ont été classés par ordre décroissant: gersdorffite > pyrrhotite > arsénopyrite > Ni-pyrite > Ni-pyrrhotite > Fe-sphalérite > pyrite > galène > chalcopyrite. L’influence des interactions galvaniques sur le taux de réactivité de la pyrite, la chalcopyrite et la sphalérite a été étudiée. La pyrite est protégée galvaniquement en présence de chalcopyrite mais n’est pas complètement protégée en présence de sphalérite. Des mélanges synthétiques de minéraux purs ont permis la modification du calcul de potentiel de génération d’acidité par l’ajout d’un facteur cinétique, basée sur les équations de Paktunc (1999) et Bouzahzah et al. (2013). Dix minerais polymétalliques et aurifères ont été caractérisés selon une méthodologie pluridisciplinaire. La caractérisation minéralogique des minerais a permis de connaître leur composition minéralogique quantitative et de détecter les éléments contaminants ainsi que leur spéciation. Une méthode automatisée de quantification minéralogique basée sur la microscopie optique multispectrale a été développée. Cette innovation vise à développer la microscopie optique pour des applications métallurgiques et environnementales de routine
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 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".