Aplicaciones de aprendizaje automático en minerales de meteoritos lunares: De clasificación a predicción de propiedades mecánicas

Ante la escasez de meteoritos lunares y la necesidad imperiosa de preservar su valor científico, los métodos de prueba no destructivos son esenciales. Esto se traduce en la aplicación de experimentos de mecánica de rocas a microescala y microscopía electrónica de barrido para el análisis de la composición de la superficie. Este estudio explora la aplicación de algoritmos de aprendizaje automático para predecir las propiedades mineralógicas y mecánicas de los meteoritos lunares DHOFAR 1084, JAH 838 y NWA 11444 basándose únicamente en sus composiciones en porcentaje atómico. Aprovechando un modelo de red ajustado a datos previos, logramos puntajes de clasificación casi perfectos para meteoritos, grupos minerales y minerales individuales. Los modelos de regresión, en particular el modelo K-Neighbor, proporcionaron una estimación excepcional de las propiedades mecánicas—anteriormente medidas por pruebas de nanoindentación—como dureza, módulo de Young reducido y recuperación elástica. Consideraciones adicionales sobre la naturaleza y las propiedades físicas de los minerales que forman estos meteoritos, incluida la porosidad, la orientación cristalina o el grado de choque, son esenciales para refinar las predicciones. Nuestros hallazgos subrayan el potencial del aprendizaje automático para mejorar la identificación de minerales y la estimación de propiedades mecánicas en la exploración lunar, lo que allana el camino para nuevos avances y evaluaciones rápidas en la minería, procesamiento e investigación de minerales extraterrestres.