شناسایی کانسارهای طلای کوهزادی: شواهدی از تفسیر داده های ژئوشیمی پیریت مبتنی بر یادگیری ماشینی

ذخایر طلای کوهزادی بیش از ۳۰ درصد منابع طلای جهان را تامین می کنند که خصوصیات اصلی آنها هنوز به درستی درک نشده است. با ورود علوم زمین به دوران Big Data ، فرایند یادگیری ماشینی توانسته سهم مهمی در حل مسائل زمین شناسی داشته باشد، اما در مباحث زمین شناسی اقتصادی و ژنز ذخایر معدنی تاکنون سهم ناچیزی داشته است. در این پژوهش اهمیت روش های مبتنی بر یادگیری ماشینی به منظور دستیابی به خاستگاه کانسار طلای موته (پهنه سنندج-سیرجان مرکزی ) توسط ژئوشیمی پیریت، انجام شده است. براین اساس، از دو روش ماشین بردار پشتیبان ( SVM ) و جنگل تصادفی ( RT ) برای آموزش مدل های طبقه بندی استفاده شد . پیریت فراوان ترین کانه سولفیدی در اغلب ذخایر طلای کوهزادی بوده که ژئوشیمی عناصر کمیاب آن اثرات قابل توجهی برای درک فرآیندهای تشکیل دهنده کانسار خواهد داشت . نسبت Fe/(S + AS) در پیریت از ۹۱۲ / ۰ تا ۹۷۶ / ۰ ( متوسط ۹۴۴ / ۰ ) متغیر است، که نشان می دهد کانسار موته در عمق متوسط تا عمیق ( ۲ تا ۶ کیلومتر) شکل گرفته است. همبستگی منفی ( ۳۴ / ۰ -) میان آهن و آرسنیک در پیریت نشان می دهد که سیال گرمابی سازنده کانسار موته نسبتا اسیدی است. بر اساس توزیع ناهمگن طلا و عدم همبستگی بین آهن و طلا در پیریت، به نظر می رسد بخش عمده طلا در کانسار موته به صورت نانوذرات طل یا مشارکت در شبکهبلوری پیریت وجود دارد. نتایج یادگیری ماشین بر اساس خصوصیات ژئوشیمی پیریت، کانسار موته را به عنوان یک ذخیره طلای کوهزادی کم عمق ( Epizonal ) طبقه بندی می کند که طلا توسط کمپلکس های –۲Au(HS) و ۴SiO۳AuH در سیال گرمابی مهاجرت کرده و در نتیجه تبادلات وسیع سیال-سنگ و عدم امتزاج سیال نهشته شده است .

Keywords:

یادگیری ماشینی , ژئوشیمی پیریت , طلا , کوهزادی کم عمق , کانسار موته