|
ИИ может произвести революцию в разведке полезных ископаемых
|
|
|
|
Технологии двадцать первого века, в том числе те, которые имеют решающее значение для низкоуглеродного будущего, основаны на редкоземельных элементах и металлах. Многие из этих востребованных полезных ископаемых находятся в медно-порфировых месторождениях, содержащих сотни миллионов метрических тонн руды. Помимо меди, эти месторождения являются источником значительных количеств золота, молибдена и рения. Однако горнодобывающая промышленность выявила и добыла большинство крупных и доступных месторождений порфира в мире. Несмотря на растущие инвестиции в разведку полезных ископаемых, скорость открытия месторождений полезных ископаемых снижается.
|
|
|
|
В исследовании, недавно опубликованном в Журнале геофизических исследований: Solid Earth, Zou et al. представить два новых метода машинного обучения для выявления новых глубоко залегающих медно-порфировых месторождений путем определения плодородия магмы. Плодородная магма относится к магмам, которые могут образовывать месторождения порфира. Напротив, в бесплодных магмах маловероятно образование богатых руд. Авторы стремились улучшить традиционные геохимические индикаторы, страдающие от высокой доли ложноположительных результатов.
|
|
|
Авторы разработали два алгоритма, случайный лес и глубокую нейронную сеть. Они сформулировали модели, используя глобальный набор данных по химии циркона, который используется для оценки медно-порфировых месторождений в магме. Авторы сосредоточили модели на 15 микроэлементах. Они проверили модели с помощью независимых наборов данных из двух хорошо охарактеризованных медно-порфировых месторождений на юге центральной части Британской Колумбии, Канада, и Тибете, Китай. Обе модели привели к точности классификации 90% или выше. Модель случайного леса показала 10% ложноположительных результатов, тогда как модель глубокой нейронной сети имела 15% ложноположительных результатов. Для сравнения, традиционные метрики сообщают о ложных срабатываниях с частотой 23–66 %.
|
|
|
|
Европий, иттрий, неодим, церий и другие элементы стали важными индикаторами плодородия магмы. Характеристики моделей показывают, что алгоритмы могут различать плодородные и неплодородные магмы, используя соотношения микроэлементов. Примечательно, что на производительность модели не повлияли региональные различия или геологические условия между наборами оценочных данных из Канады и Китая. По мере роста спроса на редкоземельные элементы, минералы и металлы требуются новые методы для обнаружения ранее неизвестных месторождений. По словам исследователей, результаты подчеркивают перспективность машинного обучения как надежного, точного и эффективного подхода к выявлению и местонахождению медно-порфировых ресурсов.
|
|
|
|
Источник
|
