Développement d'un modèle d'apprentissage automatique pour classer les gisements minéraux en utilisant la chimie de la sphalérite et les assemblages minéraux

La sphalérite est un minéral fréquemment présent dans les systèmes naturels et un minéral indicateur prominent utilisé dans l'exploration des ressources. Sa chimie et les assemblages minéraux associés sont tous deux contrôlés par les conditions physico-chimiques de l'environnement local, telles que la température et la fugacité du soufre. En conséquence, la chimie de la sphalérite et la nature des minéraux associés fournissent des indices précieux sur la classification des gisements minéraux et leur environnement de formation. Néanmoins, une dépendance exclusive à la chimie des éléments traces de la sphalérite pour la classification des gisements a ses limites étant donné la multitude de facteurs (par exemple, le type de gisement, la température, la pression et les concentrations de fond d'éléments) qui influencent sa chimie. Pour relever ce défi, nous développons des modèles d'apprentissage automatique en utilisant la méthode SHapley Additive exPlanations (SHAP) pour évaluer l'importance de la chimie des éléments traces de la sphalérite et des informations sur l'assemblage minéral pour distinguer cinq types de gisements minéraux pétrogénétiquement distincts. Cette contribution démontre qu'un modèle composite qui intègre les deux types de données améliore considérablement la précision de la discrimination des types de gisements. Le modèle composite est composé de deux sous-modèles, Random Forest (RF) et Extra Random Trees (ERT), qui sont spécifiquement employés pour traiter les données des éléments traces et les données des assemblages minéraux, respectivement, en raison de leurs performances supérieures dans le traitement de ces deux types distincts de jeux de données. Pour simplifier l'expérience de l'utilisateur final, nous fournissons un fichier exécutable du classificateur basé sur l'apprentissage automatique, permettant de l'appliquer facilement comme outil d'exploration à l'aide d'entrées simples. En résumé, ce travail améliore substantiellement la confiance dans la classification des types de gisements Pb-Zn utilisant la sphalérite et introduit une perspective innovante sur l'application de l'apprentissage automatique pour résoudre des problèmes géologiques complexes.