Les technologies du XXIe siècle, y compris celles qui sont essentielles à un avenir à faible émission de carbone, reposent sur des terres rares et des métaux. Bon nombre de ces minéraux recherchés résident dans des gisements de cuivre porphyrique qui contiennent des centaines de millions de tonnes métriques de minerai. En plus du cuivre, ces gisements sont une source de quantités importantes d'or, de molybdène et de rhénium. Cependant, l'industrie minière a identifié et exploité la plupart des grands gisements de porphyre accessibles au monde. Malgré des investissements croissants dans l'exploration minière, le taux de découverte de gisements miniers diminue.

Dans une étude récemment publiée dans le Journal of Geophysical Research :Solid Earth , Zou et al. présentent deux nouvelles techniques d'apprentissage automatique pour identifier de nouveaux gisements de cuivre porphyrique profondément enfouis en caractérisant la fertilité du magma. Le magma fertile fait référence aux magmas qui peuvent former des dépôts de porphyre. Les magmas stériles, en revanche, ne sont pas susceptibles de développer des minerais riches. Les auteurs visaient à améliorer les indicateurs géochimiques traditionnels en proie à des taux élevés de faux positifs.

Les auteurs ont développé deux algorithmes, random forest et deep neural network. Ils ont formulé les modèles à l'aide d'un ensemble de données globales sur la chimie du zircon, qui est utilisé pour évaluer les gisements de cuivre porphyrique dans le magma. Les auteurs ont concentré les modèles sur 15 éléments traces. Ils ont validé les modèles avec des ensembles de données indépendants provenant de deux gisements de cuivre porphyrique bien caractérisés dans le centre-sud de la Colombie-Britannique, au Canada, et au Tibet, en Chine.

Les deux modèles ont donné une précision de classification de 90 % ou plus. Le modèle de forêt aléatoire présentait un taux de faux positifs de 10 %, tandis que le modèle de réseau de neurones profonds présentait un taux de faux positifs de 15 %. En comparaison, les mesures traditionnelles signalent des faux positifs à un taux de 23 % à 66 %.

L'europium, l'yttrium, le néodyme, le cérium et d'autres éléments sont apparus comme des indicateurs significatifs de la fertilité du magma. Les performances des modèles indiquent que les algorithmes peuvent faire la distinction entre les magmas fertiles et stériles en utilisant des ratios d'éléments traces. Notamment, les performances du modèle n'ont pas été affectées par les différences régionales ou le contexte géologique entre les ensembles de données d'évaluation du Canada et de la Chine.

Alors que la demande d'éléments de terres rares, de minéraux et de métaux augmente, de nouvelles techniques sont nécessaires pour découvrir des gisements jusque-là inconnus. Selon les chercheurs, les résultats mettent en évidence la promesse de l'apprentissage automatique en tant qu'approche robuste, précise et efficace pour identifier et localiser les ressources de cuivre porphyrique. + Explorer plus loin

Une étude révèle la pétrogénèse des gisements de cuivre porphyrique dans le sud du Tibet

Cette histoire est republiée avec l'aimable autorisation d'Eos, hébergée par l'American Geophysical Union. Lisez l'histoire originale ici.