文献

J-GLOBAL ID：202202234904638591   整理番号：22A0776846

2つの既存機械学習法を用いた鉱物資源とその不確実性の定量化【JST・京大機械翻訳】

Quantifying Mineral Resources and Their Uncertainty Using Two Existing Machine Learning Methods

著者 (3件)： Mery Nadia (Polytechnique Montreal, Montreal, QC, Canada) ,  Mery Nadia (Department of Mining Engineering, University of Chile, Santiago, Chile) ,  Marcotte Denis (Polytechnique Montreal, Montreal, QC, Canada)
資料名： Mathematical Geosciences  (Mathematical Geosciences)
巻： 54  号： 2  ページ： 363-387  発行年： 2022年 
JST資料番号： A1077A  ISSN： 1874-8961  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 鉱物資源は,異なる資源カテゴリーのグレード-トン数曲線を推定することによって典型的に定量化される。しかし,統計資源評価報告(例えばNI-43-101)は,採掘プロジェクトに必要な主要な投資にもかかわらず,開示された資源の不確実性の尺度を含んでいない。条件付きシミュレーションは,資源推定のための信頼区間(CI)を提供できるが,それは,強い定常性仮定を必要とし,選択されるバリオグラムモデルに依存し,それは,利用可能なデータでよく定義されない。これらの限界を避けるために,本研究では,2つの機械学習(ML)法,多重線形回帰および多層ニューラルネットワークの使用および比較を提案し,データから直接音量曲線およびそれらのCIを生成した。古典的バリオグラムモデリングステップを,選択したバリオグラムモデルの各パラメータに対する間隔の仕様によって置き換えた。学習は,既知のバリオグラムを用いたシミュレーションを用いて,完全制御環境において行った。多くの参照堆積物をサンプリングし,各1つに対して,一連の条件付き実現は平均トン数とCI曲線を定義する。全データセットに対して計算した異なる統計を入力として用いて,ML法によりトン数とCI曲線を予測した。結果は,ML方法の間に有意差がないことを示した。さらに,ML資源予測は,通常のクリギング,制約クリギング,均一条件付けおよび間接対数正規補正で得られたものを凌駕し,離散Gaussモデルによってのみ凌駕した。それにもかかわらず,これらの予測因子は真のバリオグラムモデルの使用により有利であった。さらに,異なるCIのカバレッジ確率は,適切な資源不確実性定量化を示す名目レベルに達する。最後に,2つの事例研究は,トン数予測と不確実性定量化のための提案した方式の有効性を検証した。Copyright International Association for Mathematical Geosciences 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *不確実性 ,  曲線 ,  堆積物 ,  音量 ,  採掘 ,  事例研究 ,  対数 ,  有効性 ,  Gauss模型 ,  指標 ,  *機械学習 ,  クリギング
準シソーラス用語： バリオグラム ,  定常性 ,  予測因子 ,  多重線形回帰 , 【Automatic Indexing@JST】

著者キーワード (5件)： 機械学習 ,  回復曲線 ,  トンケージ曲線 ,  信頼区間 ,  地質学的不確実性

分類 (5件)： 鉱山評価  (UA02030P) ,  パターン認識  (JE07000S) ,  測樹学  (FF01040T) ,  岩石圏の地球化学一般  (DD01041C) ,  オペレーティングシステム  (JD03020J)

タイトルに関連する用語 (4件)： 機械学習 ,  鉱物資源 ,  不確実性 ,  定量化