Πώς η μηχανική μάθηση μπορεί να βοηθήσει στον εντοπισμό νέων πορφυριτικών κοιτασμάτων χαλκού σε μεγάλα βάθη

Πώς η μηχανική μάθηση μπορεί να βοηθήσει στον εντοπισμό νέων πορφυριτικών κοιτασμάτων χαλκού σε μεγάλα βάθη

Σύμφωνα με ερευνητές, ο κύριος στόχος της μελέτης ήταν να βελτιώσουν τους παραδοσιακούς γεωχημικούς δείκτες που χαρακτηρίζονται από υψηλά ποσοστά ψευδώς θετικών ενδείξεων.

Disclaimer: Απαγορεύεται η αναδημοσίευση, αναπαραγωγή, ολική, μερική ή περιληπτική ή κατά παράφραση ή διασκευή ή απόδοση του περιεχομένου του παρόντος διαδικτυακού τόπου με οποιονδήποτε τρόπο, χωρίς αναφορά στο RAWMATHUB.GR (με ενεργό link) ή χωρίς την προηγούμενη γραπτή άδεια του RAWMATHUB.GR. 

Μία πρόσφατη μελέτη που δημοσιεύτηκε στο περιοδικό Journal of Geophysical Research: Solid Earth, παρουσιάζει δύο νέες τεχνικές μηχανικής μάθησης (machine learning) για τον εντοπισμό νέων, πορφυριτικών κοιτασμάτων χαλκού σε μεγάλα βάθη, μέσα από τα χαρακτηριστικά του μάγματος. Με τον τρόπο αυτό, οι ερευνητές προσδιορίζουν το μάγμα το οποίο μπορεί να σχηματίσει εναποθέσεις πορφυρίτη (fertile magma) σε αντίθεση με εκείνο που δεν σχηματίζει (barren magma)

Για να επιτύχουν το στόχο τους, οι ερευνητές ανέπτυξαν δύο αλγόριθμους, τους οποίους ονόμασαν «random forest» και «deep neural network». Στη συνέχεια διατύπωσαν μοντέλα αξιοποιώντας ένα παγκόσμιο σύνολο δεδομένων χημείας ζιρκονίου, το οποίο συνήθως χρησιμοποιείται για την αξιολόγηση των εναποθέσεων πορφυριτικού χαλκού στο μάγμα.

Τα μοντέλα εστίασαν σε 15 ιχνοστοιχεία και τα αποτελέσματα που προέκυψαν επικυρώθηκαν με ανεξάρτητα σύνολα δεδομένων από δύο γνωστά κοιτάσματα πορφυριτικού χαλκού στη νότια-κεντρική Βρετανική Κολομβία του Καναδά και στο Θιβέτ.

Και τα δύο μοντέλα είχαν ως αποτέλεσμα ακρίβεια ταξινόμησης τουλάχιστον 90%. Το μοντέλο «random forest» εμφάνισε ποσοστό ψευδώς θετικών 10%, ενώ το μοντέλο «deep neural network» είχε ποσοστό ψευδώς θετικών 15%. Για λόγους σύγκρισης αναφέρεται ότι οι παραδοσιακά χρησιμοποιούμενες τεχνικές αναφέρουν ψευδώς θετικά αποτελέσματα σε ποσοστό 23 έως 66%. Το ευρώπιο, το ύττριο, το νεοδύμιο, το δημήτριο και άλλα στοιχεία αναδείχθηκαν ως σημαντικοί δείκτες της πιθανότητας το μάγμα να ανήκει στην κατηγορία fertile magma. 

Οι επιδόσεις των μοντέλων δείχνουν ότι οι αλγόριθμοι μηχανικής μάθησης μπορούν να διακρίνουν ανάμεσα στα χαρακτηριστικά του μάγματος χρησιμοποιώντας αναλογίες ιχνοστοιχείων. Οι αποδόσεις των μοντέλων δεν επηρρεάστηκαν από τις επιμέρους διαφορές ανάμεσα στις περιοχές ή άλλους γεωλογικούς παράγοντες.

Κατά την άποψη των επιστημόνων, καθώς η ζήτηση για στοιχεία σπανίων γαιών, ορυκτά και μέταλλα αυξάνεται, η μηχανική μάθηση θα συνεχίσει να χρησιμοποιείται ως μια ακριβής και αποτελεσματική προσέγγιση για την αναγνώριση και εντοπισμό πόρων πορφυριτικού χαλκού.

Πηγή: Mining.com

ΜΕΤΑΦΡΑΣΗ - ΕΠΙΜΕΛΕΙΑ: ΣΥΝΤΑΚΤΙΚΗ ΟΜΑΔΑ RAWMATHUB.GR
Image

Έγκυρη ενημέρωση για την αξιακή αλυσίδα των raw materials

NEWSLETTER