Identifying serpentine minerals by their chemical compositions with machine learning
Notice bibliographique
Résumé
Abstract The three main serpentine minerals, chrysotile, lizardite, and antigorite, form in various geological settings and have different chemical compositions and rheological properties. The accurate identification of serpentine minerals is thus of fundamental importance to understanding global geochemical cycles and the tectonic evolution of serpentine-bearing rocks. However, it is challenging to distinguish specific serpentine species solely based on geochemical data obtained by traditional analytical techniques. Here, we apply machine learning approaches to classify serpentine minerals based on their chemical compositions alone. Using the Extreme Gradient Boosting (XGBoost) algorithm, we trained a classifier model (overall accuracy of 87.2%) that is capable of distinguishing between low-temperature (chrysotile and lizardite) and high-temperature (antigorite) serpentines mainly based on their SiO2, NiO, and Al2O3 contents. We also utilized a k-means model to demonstrate that the tectonic environment in which serpentine minerals form correlates with their chemical compositions. Our results obtained by combining these classification and clustering models imply the increase of Al2O3 and SiO2 contents and the decrease of NiO content during the transformation from low-to high-temperature serpentine (i.e., lizardite and chrysotile to antigorite) under greenschist–blueschist conditions. These correlations can be used to constrain mass transfer and the surrounding environments during the subduction of hydrated oceanic crust.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».