Technologieën van de eenentwintigste eeuw, inclusief die welke essentieel zijn voor een koolstofarme toekomst, zijn afhankelijk van zeldzame aardelementen en metalen. Veel van deze gewilde mineralen bevinden zich in porfierkoperafzettingen die honderden miljoenen tonnen erts bevatten. Naast koper zijn deze afzettingen een bron van aanzienlijke hoeveelheden goud, molybdeen en renium. De mijnindustrie heeft echter de meeste van 's werelds grote en toegankelijke porfierafzettingen geïdentificeerd en gedolven. Ondanks toenemende investeringen in de exploratie van mineralen, neemt het ontdekkingspercentage voor minerale afzettingen af.

In een recentelijk gepubliceerd onderzoek in het Journal of Geophysical Research:Solid Earth , Zou et al. presenteren twee nieuwe machine learning-technieken om nieuwe, diep begraven porfierkoperafzettingen te identificeren door de vruchtbaarheid van magma te karakteriseren. Vruchtbaar magma verwijst naar magma's die porfierafzettingen kunnen vormen. Onvruchtbare magma's daarentegen zullen waarschijnlijk geen rijke ertsen ontwikkelen. De auteurs waren gericht op het verbeteren van traditionele geochemische indicatoren die worden geplaagd door hoge fout-positieve percentages.

De auteurs ontwikkelden twee algoritmen, willekeurig bos en diep neuraal netwerk. Ze formuleerden de modellen met behulp van een wereldwijde dataset van zirkoonchemie, die wordt gebruikt om de porfierkoperafzettingen in magma te evalueren. De auteurs hebben de modellen gericht op 15 sporenelementen. Ze valideerden de modellen met onafhankelijke datasets van twee goed gekarakteriseerde porfierkoperafzettingen in het zuiden van centraal British Columbia, Canada en Tibet, China.

Beide modellen resulteerden in een classificatienauwkeurigheid van 90% of meer. Het willekeurige bosmodel vertoonde een foutpositief percentage van 10%, terwijl het diepe neurale netwerkmodel een foutpositief percentage van 15% had. Ter vergelijking:traditionele statistieken rapporteren valse positieven met een percentage van 23%–66%.

Europium, yttrium, neodymium, cerium en andere elementen kwamen naar voren als belangrijke indicatoren voor de vruchtbaarheid van magma. De prestaties van de modellen geven aan dat de algoritmen onderscheid kunnen maken tussen vruchtbare en onvruchtbare magma's met behulp van sporenelementverhoudingen. De modelprestaties werden met name niet beïnvloed door regionale verschillen of de geologische setting tussen de evaluatiegegevenssets uit Canada en China.

Naarmate de vraag naar zeldzame aardelementen, mineralen en metalen stijgt, zijn nieuwe technieken nodig om voorheen onbekende afzettingen te ontdekken. Volgens de onderzoekers benadrukken de resultaten de belofte van machine learning als een robuuste, nauwkeurige en effectieve benadering voor het identificeren en lokaliseren van porfierkoperbronnen. + Verder verkennen

Studie onthult petrogenese van porfierkoperafzettingen in Zuid-Tibet

Dit verhaal is opnieuw gepubliceerd met dank aan Eos, georganiseerd door de American Geophysical Union. Lees hier het originele verhaal.