Недавнее исследование, опубликованное в журнале Geophysical Research: Solid Earth, представляет два новых метода машинного обучения для выявления новых, глубоко погребенных месторождений порфировой меди путем характеристики плодородия магмы.

открытая добыча меди

По словам авторов статьи, их основной целью было улучшение традиционных геохимических показателей, страдающих от высоких ложноположительных результатов.

Для достижения такой цели исследователи разработали два алгоритма, которые они назвали ‘случайный лес’ (random forest) и ‘глубокая нейронная сеть’ (deep neural network). Они сформировали модели, используя глобальный набор данных по химии циркона, который обычно используется для оценки залежей порфировой меди в магме.

Если быть точнее, то они сосредоточили созданные модели на 15 микроэлементах. Затем они проверили модели с помощью независимых наборов данных из двух хорошо охарактеризованных месторождений порфировой меди в юго-центральной части Британской Колумбии, Канада, и Тибете, Китай.

Обе модели привели к точности классификации 90% или более. Модель «случайный лес» показала 10% ложноположительных результатов, в то время как модель «глубокой нейронной сети» имела 15% ложноположительных результатов. Для сравнения, традиционные показатели сообщают о ложноположительных результатах с частотой 23-66%.

Европий, иттрий, неодим, церий и другие элементы стали важными индикаторами плодородия магмы.

Характеристики моделей показывают, что алгоритмы могут различать богатые и бедные слои магмы, используя соотношения микроэлементов. Примечательно, что на производительность модели не повлияли региональные различия или геологические условия.

По мнению ученых, по мере роста спроса на редкоземельные элементы, минералы и металлы машинное обучение будет продолжать использоваться в качестве надежного, точного и эффективного подхода к выявлению и локализации ресурсов порфировой меди.

Источник:
https://phys.org/news/2022-08-machine-revolutionize-mineral-exploration.html