Le tecnologie del ventunesimo secolo, comprese quelle centrali per un futuro a basse emissioni di carbonio, si basano su elementi e metalli delle terre rare. Molti di questi ricercati minerali risiedono in depositi di rame porfido che contengono centinaia di milioni di tonnellate di minerale. Oltre al rame, questi depositi sono fonte di notevoli quantità di oro, molibdeno e renio. Tuttavia, l'industria mineraria ha identificato ed estratto la maggior parte dei giacimenti di porfido grandi e accessibili del mondo. Nonostante i crescenti investimenti nell'esplorazione mineraria, il tasso di scoperta di giacimenti minerari sta diminuendo.

In uno studio pubblicato di recente sul Journal of Geophysical Research:Solid Earth , Zou et al. presentare due nuove tecniche di apprendimento automatico per identificare nuovi depositi di rame porfido profondamente sepolti caratterizzando la fertilità del magma. Il magma fertile si riferisce ai magmi che possono formare depositi di porfido. Al contrario, è improbabile che i magmi sterili sviluppino minerali ricchi. Gli autori miravano a migliorare gli indicatori geochimici tradizionali afflitti da alti tassi di falsi positivi.

Gli autori hanno sviluppato due algoritmi, foresta casuale e rete neurale profonda. Hanno formulato i modelli utilizzando un set di dati globale della chimica dello zircone, che viene utilizzato per valutare i depositi di rame porfido nel magma. Gli autori hanno concentrato i modelli su 15 oligoelementi. Hanno convalidato i modelli con set di dati indipendenti provenienti da due giacimenti di rame porfido ben caratterizzati nella Columbia Britannica centro-meridionale, in Canada, e nel Tibet, in Cina.

Entrambi i modelli hanno prodotto una precisione di classificazione del 90% o superiore. Il modello di foresta casuale ha mostrato un tasso di falsi positivi del 10%, mentre il modello di rete neurale profonda aveva un tasso di falsi positivi del 15%. In confronto, le metriche tradizionali segnalano falsi positivi con una percentuale del 23%–66%.

Europio, ittrio, neodimio, cerio e altri elementi sono emersi come indicatori significativi della fertilità del magma. Le prestazioni dei modelli indicano che gli algoritmi possono distinguere tra magmi fertili e sterili utilizzando rapporti di elementi in traccia. In particolare, le prestazioni del modello non sono state influenzate dalle differenze regionali o dall'impostazione geologica tra i set di dati di valutazione del Canada e della Cina.

Con l'aumento della domanda di elementi di terre rare, minerali e metalli, sono necessarie nuove tecniche per scoprire depositi precedentemente sconosciuti. Secondo i ricercatori, i risultati evidenziano la promessa dell'apprendimento automatico come approccio solido, accurato ed efficace per identificare e localizzare le risorse di rame porfido. + Esplora ulteriormente

Lo studio rivela la petrogenesi dei depositi di rame porfido nel Tibet meridionale

Questa storia è stata ripubblicata per gentile concessione di Eos, ospitata dall'American Geophysical Union. Leggi la storia originale qui.