Labrador Uranium Inc. kondigde de voltooiing aan van de eerste fase van haar Regional Exploration Targeting, waarbij een Mineral Systems Approach gecombineerd met Machine Learning wordt geïntegreerd, over haar Central Mineral Belt Project (de oCMBo of oCMB Projecto) in Centraal-Labrador, Canada. De studie heeft met succes specifieke gebieden voor verdere werkzaamheden gedefinieerd en meerdere projectgebieden in verschillende stadia ontregeld. In de eerste fase van kunstmatige intelligentie (oAIo) voor exploratiedoeleinden wordt een workflow met machinaal leren (oMLo) geïmplementeerd, gericht op het mogelijke bestaan van onbekende uranium- en koperafzettingen.

Dit werd vergemakkelijkt door de recente vrijgave en compilatie van zowel openbare als particuliere aëromagnetische, radiometrische en geologische gegevens over de gehele Centrale Mineralengordel. De integratie van de aanpak van mineralensystemen, die zich richt op de processen van bron, transport en afzetting, helpt bij het concentreren van de gegevensverzameling en -interpretatie zonder te vertrouwen op één enkel afzettingsomodel. Het gebruik van de locatie van bekende afzettingen en prospects maakt de training van het ML-algoritme mogelijk, dat objectief de locatie van afzettingen voorspelt zonder een vooropgezet idee van het belang dat typisch is voor één of meer afzettingstypen.

Het primaire doel van deze gegevensgestuurde methodologie is om in een vroeg stadium het targeting-risico over het CMB-project te verminderen, en meer doelgebieden voor te bereiden op directe opsporingsmethoden zoals boren.