| 查看: 910 | 回复: 0 | ||
yexuqing木虫之王 (文学泰斗)
太阳系系主任
|
[交流]
李恒旭：基于统计分析和机器学习方法的不同矿床类型黄铁矿地球化学判别
|
|
李恒旭：基于统计分析和机器学习方法的不同矿床类型黄铁矿地球化学判别【AM，2024】 2024-06-03 阅读：264次 黄铁矿普遍存在于多种矿床和岩石类型中，并且不易受到后期风化和蚀变作用的影响，可以保存相对完整的地球化学信息。黄铁矿内可以赋存多种微量元素，这些微量元素组成可以反映黄铁矿形成时的物理化学环境，包括流体的温度、氧逸度、水逸度、pH值及流体成分等，进而用来判断矿床的形成过程和矿床的类型。传统的黄铁矿微量元素二元图可以在一定程度上判断矿床的类型，但当矿床种类超过三种时，二元图上不同种类的黄铁矿会具有很大范围的重合，很容易造成对矿床类型的误判。 针对上述科学问题，我校2019级博士研究生李恒旭在“岩浆-热液演化与金属成矿”求真群体张招崇教授的指导下，收集了前人报道的来自基鲁纳型矿床（或IOA型）、铁氧化物-铜-金矿床（IOCG型）、矽卡岩型铜-（铁）矿床、斑岩型铜-钼矿床、造山型金矿床、块状硫化物矿床（VMS型）、喷流-沉积型矿床（SEDEX型）中的黄铁矿和与矿床无关的沉积型黄铁矿的微量元素数据，通过对这些数据进行统计分析和机器学习（包括神经网络、支持向量机和随即森林），取得以下认识。 不同矿床类型中的黄铁矿在某些微量元素含量上有比较明显的差异（图1）。比如，IOA型矿床和IOCG型矿床的Co和Ni含量都非常高，几乎比其他类型的黄铁矿高出一个数量级；VMS矿床中的黄铁矿Ag、Se、Te、Bi含量相对更高；斑岩型铜-钼矿床中的黄铁矿As、Pb、Sb含量相对更低；而那些与成矿作用无关的沉积型黄铁矿，Cu、Zn、Pb的含量则相对较高。因此，黄铁矿的微量元素含量具有一定的潜力对不同类型的矿床进行分类。 图1 不同类型矿床中黄铁矿微量元素箱线图 将上述八种来源的黄铁矿先分为两个大类：第一大类包括IOA型矿床、IOCG型矿床、矽卡岩型铜-（铁）矿床、斑岩型铜-钼矿床中的黄铁矿，第二大类包括造山型金矿床、VMS型矿床、SEDEX型矿床中的黄铁矿和与矿床无关的沉积型黄铁矿。再通过判别分析的方法对这两大类分别提出了基于黄铁矿Co、Ni、Cu、Zn、As、Se、Ag、Sb、Te、Au、Pb、Bi这12种元素的矿床类型判别图（图2）。两个判别图均可以较好的区分各类矿床，总体的准确度可以达到90%左右。其中，矽卡岩型铜-（铁）矿床和斑岩型铜-钼矿床在判别图上具有一定范围的重合，可能与两种矿床具有相似的成矿流体和成矿物质来源有关；SEDEX型矿床和不含矿的沉积型黄铁矿具有小范围的重合可能是因为二者都与沉积作用有密切的关系。因此，在判别那些落在重合范围的黄铁矿的类型时，需要结合区域地质背景、矿床地质特征等多个方面进行分析，以免造成误判。 为了进一步改善分类的效果，避免对矿床类型的误判，提高判别的准确率。在人为地将八种来源的黄铁矿分为上述两个大类后，应用神经网络、支持向量机和随机森林这三种机器学习的方法对黄铁矿进行分类。结果表明每种方法的准确率都可以达到95%以上（图3）。在这三种机器学习的方法中，支持向量机的分类效果最好，对IOA型矿床、IOCG型矿床、矽卡岩型铜-（铁）矿床、斑岩型铜-钼矿床中黄铁矿的分类准确率可以达到98%，对造山型金矿床、VMS型矿床、SEDEX型矿床中黄铁矿和不含矿的沉积成因黄铁矿的分类准确率可以达到97%（图4），证明了黄铁矿的微量元素数据结合支持向量机是一种非常有效的对矿床类型进行判别的方法。 这项研究的创新之处在于通过高效的统计分析和机器学习技术，成功实现了对不同矿床类型中黄铁矿的准确鉴别，为资源勘探和相关领域的研究和实践提供了有力支持。 图2 基于黄铁矿微量元素的矿床类型判别图 图3 两个大类黄铁矿的混淆矩阵，上面三个是大类A（包括IOA型矿床、IOCG型矿床、矽卡岩型铜-（铁）矿床、斑岩型铜-钼矿床中的黄铁矿）的混淆矩阵，下面三个是大类B（包括造山型金矿床、VMS型矿床、SEDEX型矿床中的黄铁矿和与矿床无关的沉积型黄铁矿）的混淆矩阵 图4 各个类型黄铁矿的接受者操作特性曲线，其中蓝色线条代表随机森林，绿色线条代表神经网络，红色线条代表支持向量机 上述成果受国家重点研发项目（2022YFC2903705）资助，发表在国际矿物学领域权威期刊《American Mineralogist》上，论文信息Hengxu Li, Zhaochong Zhang*, Ruixuan Zhang, Qiuhong Xie, Lei Zhang, M. Santosh, Geochemical discrimination of pyrite in diverse ore deposit types through statistical analysis and machine learning techniques, American Mineralogist, 2024, 109, 846-857。 全文链接：https://doi.org/10.2138/am-2023-8976 |
回复此楼
40