Application of Machine Learning to Characterizing Magma Fertility in Porphyry Cu Deposits
Notice bibliographique
Résumé
Abstract Large and easily accessible porphyry Cu deposits have already been identified, exploited, and gradually exhausted. Novel strategies, therefore, are required to identify new, deeply buried deposits. Previous studies have proposed several lithogeochemical and mineralogical approaches for identifying porphyry Cu systems. Most of these methods, however, require significant a priori knowledge of the exploration region and are, generally, of low effectiveness. In this study, machine learning models using Random Forest and Deep Neural Network algorithms are utilized to characterize magma fertility. The two models have first been trained using a large trace‐element data set of magmatic zircon and then validated on unseen data set during the training process. The performance of both models was evaluated using a fivefold cross‐validation technique, which demonstrates that the models provide consistent results and yield good classification accuracy (∼90% on average) with low false positive rates. Feature importance analysis of the models suggests that Eu/Eu*, Eu/Eu*/Y, Ce/Nd, Ce/Ce*, Dy, Hf, and Ti are the important parameters that distinguish fertile and barren zircons. The real‐world applicability of the validated models was evaluated using two well‐characterized porphyry Cu deposits in subduction and postcollisional settings—the Highland Valley porphyry Cu district (south‐central British Columbia, Canada) and the southern Gangdese belt (Tibet, China), respectively. The results demonstrate that our generalized models can discriminate zircon from igneous rocks associated with porphyry Cu deposits from those in nonmineralized systems with high accuracy and independent of geological setting, suggesting that this new approach can be used effectively in greenfield and brownfield exploration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».