論文の概要: Bayesian deep learning integration of geophysical and drilling data for 3D prediction of copper mineralization and drill targeting: a case study from the Kogodai prospect, Rudny Altai
- arxiv url: http://arxiv.org/abs/2609.09246v1
- Date: Tue, 08 Sep 2026 10:57:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.745114
- Title: Bayesian deep learning integration of geophysical and drilling data for 3D prediction of copper mineralization and drill targeting: a case study from the Kogodai prospect, Rudny Altai
- Title（参考訳）: 銅鉱化・掘削ターゲティングの3次元予測のための物理・掘削データのベイズ的深層学習統合 : 古郷代ルディ・アルタイを事例として
- Abstract要約: ブラウンフィールド探査における時間発見促進のための不確実性を考慮した3次元ワークフローを提案する。
ルダニーアルタイ鉱床県の古郷代鉱床に応用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Exploration drill targeting in structurally complex terranes is hindered by sparse sampling, heterogeneous datasets, and the ambiguity of geophysical inversions. Here, we present an uncertainty-aware 3D workflow for the acceleration of time-to-discovery in brownfield explorations and apply it to the Kogodai prospect in the Rudny Altai metallogenic province. We jointly analyse existing drilling and geophysical data in a comprehensive approach, revealing hidden patterns in already available data. Drillholes and trenches were desurveyed to a common 3D reference frame, and assays were composited to a consistent spatial support to facilitate joint modelling with geophysical inputs. We develop Bayesian deep-learning models to predict 3D fields of Cu grade together with chargeability and apparent resistivity while quantifying epistemic uncertainty via Monte Carlo sampling. The original contribution of this work is to treat the problem not as pointwise regression between co-located observations, but as joint learning of spatially continuous 3D fields from sparse, heterogeneous exploration evidence. The resulting 3D predictions delineate a principal mineralized trend and several localized candidate zones that coincide with elevated induced polarization (IP) responses, while uncertainty mapping highlights where predictions are robust versus where additional drilling would be most informative. The continuous Cu-grade field can also be thresholded to produce binary prospectivity maps, allowing the sensitivity of target delineation to the chosen cutoff to be evaluated. The outputs are intended for qualitative interpretation and risk-aware drill targeting rather than resource estimation, and we discuss key limitations arising from incomplete provenance metadata for geophysical products and heterogeneity of historical sampling.
- Abstract（参考訳）: 構造的に複雑なテランのターゲティングドリルは、スパースサンプリング、異質なデータセット、および地球物理学的逆転の曖昧さによって妨げられている。
ここでは, ブラウンフィールド探査における時間と発見の促進を目的とした不確実性を考慮した3Dワークフローについて述べる。
我々は既存の掘削データと物理データを包括的に分析し、既に利用可能なデータに隠されたパターンを明らかにする。
ドリルホールとトレンチは共通の3次元基準フレームにデサーベイされ、アッセイは物理入力との結合モデリングを容易にするために一貫した空間支持に合成された。
本研究では,Cuグレードの3次元場を充電性と比抵抗とともに予測し,モンテカルロサンプリングによる疫学的不確実性を定量化するためのベイズ深層学習モデルを開発した。
この研究の元々の貢献は、同じ位置にある観測結果間の点的回帰ではなく、不均一な調査証拠から空間的に連続した3Dフィールドの連成学習として、この問題を扱うことである。
結果として得られた3D予測は、主鉱化傾向と、高次誘導分極(IP)応答と一致するいくつかの局所的な候補ゾーンを規定する一方、不確実性マッピングは、予測が堅牢である場所と、追加の掘削が最も有益である場所をハイライトする。
連続Cuグレード場をしきい値にすることで2値の確率分布マップを作成でき、選択したカットオフに対する目標勾配の感度を評価できる。
本研究の成果は,資源推定ではなく,定性的な解釈とリスク対応ドリルターゲティングを目的としたものであり,地球物理製品の未完成な生成物メタデータと歴史的サンプリングの不均一性から生じる重要な制約について論じる。
関連論文リスト
- From Extrinsic to Intrinsic: Geodesic-Guided Representation Learning for 3D Geometric Data [56.41479248637621]
我々は,textbfPreトレーニングのための新しい3D表現学習パラダイムであるtextbfPRISMを紹介した。
PRISMは textbfIntrinsic textbfSurface geodesic textbfMetric を検索して埋め込みを学習する。
提案手法は測地線距離予測において, 良好な精度, 堅牢性, 高効率性を示す。
論文 参考訳（メタデータ） (2026-06-01T13:54:26Z) - A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。
MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。
合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-05-05T20:19:09Z) - Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。
本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。
提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
論文 参考訳（メタデータ） (2026-04-02T08:08:41Z) - Towards geological inference with process-based and deep generative modeling, part 2: inversion of fluvial deposits and latent-space disentanglement [0.0]
フラビアル沈殿物を生成するために訓練されたジェネレーティブ・敵ネットワーク(GAN)は、よく地震データと一致するように逆向きにすることができる。
4、8、20の井戸を持つ3つの試験サンプルに対して4つの反転アプローチを適用した。
GANはすでにジオモデリングへの統合に必要なタスクを処理できる。
論文 参考訳（メタデータ） (2025-10-20T12:22:12Z) - Three-dimensional inversion of gravity data using implicit neural representations [2.7372527234669115]
重力データのインバージョンは、多様な応用に関連する地下密度の変動を研究する重要な方法である。
ここでは,三次元重力インバージョンを連続場として表す科学的機械学習手法を提案する。
論文 参考訳（メタデータ） (2025-10-17T03:55:08Z) - Calibrating Biased Distribution in VFM-derived Latent Space via Cross-Domain Geometric Consistency [52.52950138164424]
特徴抽出にオフザシェルフ(ビジョン)基礎モデルを利用する場合、特徴分布の幾何学的形状はドメインやデータセット間で顕著な伝達性を示す。
我々は,我々の幾何学的知識誘導分布キャリブレーションフレームワークを,フェデレーション学習とロングテール認識の2つの人気かつ挑戦的な設定で具体化する。
長期学習において、サンプル豊富なカテゴリから移動された幾何学的知識を利用して、サンプル・スカース・テールクラスの真の分布を復元する。
論文 参考訳（メタデータ） (2025-08-19T05:22:59Z) - Real-Time Stochastic Terrain Mapping and Processing for Autonomous Safe Landing [0.0]
本稿では,新しいリアルタイムな惑星地形マッピングアルゴリズムを開発した。
サンプル点間の地形的不確実性や、スパース3次元測定による不確かさを考慮に入れている。
論文 参考訳（メタデータ） (2024-09-14T05:12:14Z) - Enhancing Lithological Mapping with Spatially Constrained Bayesian Network (SCB-Net): An Approach for Field Data-Constrained Predictions with Uncertainty Evaluation [0.0]
SCB-Netは、空間的に制約された予測を生成しながら、補助変数からの情報を効果的に活用することを目的としている。
SCB-Netはカナダのケベック州北部の2つの地域に適用されている。
この研究は、特に複雑な空間的特徴学習タスクの処理において、ジオリニアにおけるディープニューラルネットワークの有望な進歩を強調した。
論文 参考訳（メタデータ） (2024-03-29T14:17:30Z) - Generalization with Reverse-Calibration of Well and Seismic Data Using
Machine Learning Methods for Complex Reservoirs Predicting During Early-Stage
Geological Exploration Oil Field [0.0]
本研究の目的は, 研究領域に広がる炭化水素貯水池の確率を予測するための自律的アプローチを開発し, 適用することである。
この手法は二項分類の問題に機械学習アルゴリズムを用いる。
地震波の属性は予測器として使用される。
論文 参考訳（メタデータ） (2023-04-06T13:09:33Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳（メタデータ） (2021-02-15T10:37:52Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Improving Monocular Depth Estimation by Leveraging Structural Awareness
and Complementary Datasets [21.703238902823937]
視覚特徴の空間的関係を利用するために,空間的注意ブロックを有する構造認識ニューラルネットワークを提案する。
第2に,一様点対に対する大域的局所的相対損失を導入し,予測における空間的制約を増大させる。
第3に、先行手法の障害事例の分析に基づいて、挑戦シーンの新たなHard Case (HC) Depthデータセットを収集します。
論文 参考訳（メタデータ） (2020-07-22T08:21:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。