Automated facies prediction in drillholes using machine learning

Blouin, Martin; Cate, Anthony D.; Perozzi, Lorenzo; Gloaguen, Erwan

doi:10.3997/2214-4609.201701657

Cited by 5 publications

(1 citation statement)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Nas últimas três décadas houve um aumento no número de estudos de aplicação de técnicas de estatística multivariada, data analytics e aprendizado de máquina nas geociências, com as mais diversas finalidades, tais como: identificação de padrões, seleção de alvos de exploração, determinação de propriedades dos materiais geológicos pela combinação de diferentes medidas. São exemplos: Determinação da litologia, porosidade e grau de faturamento utilizando análise fatorial regressão linear e multilinear em dados de perfilagem geofísica (Pechnig et al, 1997); Determinação de contatos geológicos a partir da aplicação de redes neurais em dados de densidade, porosidade neutrônica, e gama natural (Maiti et al, 2007); Aplicação de diversos algoritmos de aprendizado de máquina para a classificação de fácies e determinação de intervalos mineralizados em ouro (Blouin et al, 2017;Caté et al, 2017).…”

Section: Introductionunclassified

Aplicação de Aprendizado Supervisionado em Dados de Perfilagem Geofísica para a Classificação Automatizada de Litotipos na Exploração de Minério de Ferro em Carajás.

Prieto¹

View full text Add to dashboard Cite

Na indústria da mineração a principal forma de investigação geológica é através da sondagem exploratória, e das etapas subsequentes de descrição geológica de testemunhos de sondagem, preparação de amostras e análises químicas. Essas são atividades de mineração que possuem processos bem estabelecidos e elevado grau de confiabilidade. Entretanto os prazos envolvidos nessas etapas, no melhor dos cenários, variam na escala de semanas a meses. Nesse trabalho foi utilizado um conjunto de dados integrando as bases de dados de perfilagem geofísica convencional e de descrição geológica, na jazida de S11D, Província Mineral de Carajás, com o objetivo de desenvolver um modelo de classificação automatizada de litotipos a partir dos dados de perfilagem geofísica, sob a abordagem de aprendizado supervisionado, acelerando o processo de descrição e modelagem geológica a escala de dias. Os procedimentos para a classificação de dados visaram a individualização de diferentes litotipos no contexto da exploração de minério de ferro em S11D, e também de acordo com seu valor econômico (Minério de Ferro e Não-minério). Os dados obtidos pela perfilagem geofísica convencional refletem, nessa jazida, diferenças geológicas que permitiram, a classificação e predição bem sucedidas dos litotipos (F1 = 0.6079), pelo modelo Decision Tree, e a identificação dos intervalos contendo minério de ferro pelo modelo Naïve Bayes (F1 = 0.8246).

show abstract

Section: Introductionunclassified

Aplicação de Aprendizado Supervisionado em Dados de Perfilagem Geofísica para a Classificação Automatizada de Litotipos na Exploração de Minério de Ferro em Carajás.

Prieto¹

View full text Add to dashboard Cite

show abstract

70 years of machine learning in geoscience in review

Dramsch

2020

Advances in Geophysics

182

View full text Add to dashboard Cite

This review gives an overview of the development of machine learning in geoscience. A thorough analysis of the codevelopments of machine learning applications throughout the last 70 years relates the recent enthusiasm for machine learning to developments in geoscience. I explore the shift of kriging toward a mainstream machine learning method and the historic application of neural networks in geoscience, following the general trend of machine learning enthusiasm through the decades. Furthermore, this chapter explores the shift from mathematical fundamentals and knowledge in software development toward skills in model validation, applied statistics, and integrated subject matter expertise. The review is interspersed with code examples to complement the theoretical foundations and illustrate model validation and machine learning explainability for science. The scope of this review includes various shallow machine learning methods, e.g., decision trees, random forests, support-vector machines, and Gaussian processes, as well as, deep neural networks, including feed-forward neural networks, convolutional neural networks, recurrent neural networks, and generative adversarial networks. Regarding geoscience, the review has a bias toward geophysics but aims to strike a balance with geochemistry, geostatistics, and geology, however, excludes remote sensing, as this would exceed the scope. In general, I aim to provide context for the recent enthusiasm surrounding deep learning with respect to research, hardware, and software developments that enable successful application of shallow and deep machine learning in all disciplines of Earth science.

show abstract