Tjugoförsta århundradets teknologier, inklusive de som är centrala för en framtid med låga koldioxidutsläpp, är beroende av sällsynta jordartsmetaller och metaller. Många av dessa eftertraktade mineraler finns i porfyrkopparfyndigheter som innehåller hundratals miljoner metriska ton malm. Förutom koppar är dessa fyndigheter en källa till betydande mängder guld, molybden och rhenium. Men gruvindustrin har identifierat och brutit de flesta av världens stora och tillgängliga porfyrfyndigheter. Trots växande investeringar i mineralprospektering minskar upptäcktshastigheten för mineralfyndigheter.

I en studie som nyligen publicerades i Journal of Geophysical Research:Solid Earth Zou et al. presentera två nya maskininlärningstekniker för att identifiera nya, djupt begravda porfyrkopparavlagringar genom att karakterisera magma fertilitet. Fertil magma avser magma som kan bilda porfyravlagringar. Karga magma, däremot, kommer sannolikt inte att utveckla rika malmer. Författarna syftade till att förbättra traditionella geokemiska indikatorer som plågades av höga falska positiva siffror.

Författarna utvecklade två algoritmer, slumpmässig skog och djupa neurala nätverk. De formulerade modellerna med hjälp av en global datamängd av zirkonkemi, som används för att utvärdera porfyrkopparavlagringarna i magma. Författarna fokuserade modellerna på 15 spårämnen. De validerade modellerna med oberoende datamängder från två välkarakteriserade porfyrkopparfyndigheter i södra centrala British Columbia, Kanada och Tibet, Kina.

Båda modellerna resulterade i en klassificeringsnoggrannhet på 90 % eller mer. Den slumpmässiga skogsmodellen uppvisade en falsk-positiv frekvens på 10%, medan den djupa neurala nätverksmodellen hade en 15% falsk-positiv frekvens. I jämförelse rapporterar traditionella mätvärden falska positiva resultat på 23–66 %.

Europium, yttrium, neodym, cerium och andra element framträdde som betydande indikatorer på magma fertilitet. Modellernas prestanda indikerar att algoritmerna kan skilja mellan fertila och karga magma med hjälp av spårelementkvoter. Modellens prestanda påverkades inte särskilt av regionala skillnader eller den geologiska miljön mellan utvärderingsdatauppsättningarna från Kanada och Kina.

När efterfrågan på sällsynta jordartsmetaller, mineraler och metaller ökar, krävs nya tekniker för att upptäcka tidigare okända fyndigheter. Enligt forskarna lyfter resultaten fram maskininlärningslöfte som ett robust, korrekt och effektivt tillvägagångssätt för att identifiera och lokalisera porfyrkopparresurser. + Utforska vidare

Studie avslöjar petrogenes av porfyrkopparfyndigheter i södra Tibet

Denna berättelse är återpublicerad med tillstånd av Eos, värd av American Geophysical Union. Läs originalberättelsen här.