La mina Morenci en Arizona es uno de los proveedores de cobre y otros minerales más importantes del mundo. A medida que crece la demanda de elementos y metales de tierras raras para impulsar la tecnología mundial, se requieren nuevas técnicas para encontrar los próximos grandes depósitos de pórfido de cobre. Crédito:Stephanie Salisbury/Wikimedia, CC BY 2.0
Las tecnologías del siglo XXI, incluidas aquellas fundamentales para un futuro bajo en carbono, se basan en metales y elementos de tierras raras. Muchos de estos minerales buscados residen en depósitos de pórfido de cobre que contienen cientos de millones de toneladas métricas de mineral. Además de cobre, estos depósitos son una fuente de cantidades significativas de oro, molibdeno y renio. Sin embargo, la industria minera ha identificado y explotado la mayoría de los depósitos de pórfidos grandes y accesibles del mundo. A pesar de la creciente inversión en exploración minera, la tasa de descubrimiento de depósitos minerales está disminuyendo.
En un estudio publicado recientemente en el Journal of Geophysical Research:Solid Earth , Zou et al. presentan dos nuevas técnicas de aprendizaje automático para identificar nuevos depósitos de pórfido de cobre profundamente enterrados mediante la caracterización de la fertilidad del magma. Magma fértil se refiere a magmas que pueden formar depósitos de pórfido. Los magmas estériles, por el contrario, no es probable que desarrollen minerales ricos. Los autores intentaron mejorar los indicadores geoquímicos tradicionales plagados de altas tasas de falsos positivos.
Los autores desarrollaron dos algoritmos, bosque aleatorio y red neuronal profunda. Formularon los modelos utilizando un conjunto de datos globales de la química del circón, que se utiliza para evaluar los depósitos de pórfido de cobre en el magma. Los autores centraron los modelos en 15 elementos traza. Validaron los modelos con conjuntos de datos independientes de dos depósitos de pórfido de cobre bien caracterizados en el centro sur de la Columbia Británica, Canadá, y el Tíbet, China.
Ambos modelos dieron como resultado una precisión de clasificación del 90% o más. El modelo de bosque aleatorio mostró una tasa de falsos positivos del 10 %, mientras que el modelo de red neuronal profunda tuvo una tasa de falsos positivos del 15 %. En comparación, las métricas tradicionales informan falsos positivos a una tasa del 23 % al 66 %.
Europio, itrio, neodimio, cerio y otros elementos surgieron como indicadores significativos de la fertilidad del magma. El rendimiento de los modelos indica que los algoritmos pueden distinguir entre magmas fértiles y estériles utilizando proporciones de elementos traza. En particular, el rendimiento del modelo no se vio afectado por las diferencias regionales o el entorno geológico entre los conjuntos de datos de evaluación de Canadá y China.
A medida que aumenta la demanda de elementos de tierras raras, minerales y metales, se requieren nuevas técnicas para descubrir depósitos previamente desconocidos. Según los investigadores, los resultados destacan la promesa del aprendizaje automático como un enfoque sólido, preciso y eficaz para identificar y localizar recursos de pórfido de cobre.
Esta historia se vuelve a publicar por cortesía de Eos, organizada por la Unión Geofísica Estadounidense. Lea la historia original aquí. Un estudio revela la petrogénesis de los depósitos de pórfido de cobre en el sur del Tíbet