As tecnologias do século XXI, incluindo aquelas centrais para um futuro de baixo carbono, dependem de elementos de terras raras e metais. Muitos desses minerais procurados residem em depósitos de cobre pórfiro que contêm centenas de milhões de toneladas métricas de minério. Além do cobre, esses depósitos são uma fonte de quantidades significativas de ouro, molibdênio e rênio. No entanto, a indústria de mineração identificou e explorou a maioria dos grandes e acessíveis depósitos de pórfiro do mundo. Apesar do crescente investimento em exploração mineral, a taxa de descoberta de depósitos minerais está diminuindo.
Em um estudo publicado recentemente no Journal of Geophysical Research:Solid Earth , Zou et ai. apresentam duas novas técnicas de aprendizado de máquina para identificar novos depósitos de cobre pórfiro profundamente enterrados, caracterizando a fertilidade do magma. Magma fértil refere-se a magmas que podem formar depósitos de pórfiro. Magmas estéreis, em contraste, não são propensos a desenvolver minérios ricos. Os autores pretendiam melhorar os indicadores geoquímicos tradicionais atormentados por altas taxas de falsos positivos.

Os autores desenvolveram dois algoritmos, floresta aleatória e rede neural profunda. Eles formularam os modelos usando um conjunto de dados globais da química do zircão, que é usado para avaliar os depósitos de cobre pórfiro no magma. Os autores focaram os modelos em 15 oligoelementos. Eles validaram os modelos com conjuntos de dados independentes de dois depósitos de cobre pórfiro bem caracterizados no centro-sul da Colúmbia Britânica, no Canadá, e no Tibete, na China.

Ambos os modelos resultaram em uma precisão de classificação de 90% ou mais. O modelo de floresta aleatória exibiu uma taxa de falso-positivo de 10%, enquanto o modelo de rede neural profunda teve uma taxa de falso-positivo de 15%. Em comparação, as métricas tradicionais relatam falsos positivos a uma taxa de 23% a 66%.

Európio, ítrio, neodímio, cério e outros elementos surgiram como indicadores significativos da fertilidade do magma. Os desempenhos dos modelos indicam que os algoritmos podem distinguir entre magmas férteis e estéreis usando razões de elementos traços. Notavelmente, o desempenho do modelo não foi afetado por diferenças regionais ou pela configuração geológica entre os conjuntos de dados de avaliação do Canadá e da China.

À medida que a demanda por elementos de terras raras, minerais e metais aumenta, novas técnicas são necessárias para descobrir depósitos anteriormente desconhecidos. De acordo com os pesquisadores, os resultados destacam a promessa do aprendizado de máquina como uma abordagem robusta, precisa e eficaz para identificar e localizar recursos de cobre de pórfiro. + Explorar mais

Estudo revela petrogênese de depósitos de cobre pórfiro no sul do Tibete

Esta história é republicada por cortesia da Eos, organizada pela American Geophysical Union. Leia a história original aqui.