Trace Element Composition of Chalcopyrite from Volcanogenic Massive Sulfide Deposits: Variation and Implications for Provenance Recognition
Notice bibliographique
Résumé
Abstract Chalcopyrite from 51 volcanogenic massive sulfide (VMS) and sea-floor massive sulfide (SMS) deposits from six lithostratigraphic settings was analyzed for trace elements by laser ablation-inductively coupled plasma-mass spectrometry (LA-ICP-MS) to evaluate its potential as an indicator mineral for exploration. Partial least squares discriminant analysis (PLS-DA) results reveal that chalcopyrite from different lithostratigraphic settings has different compositions reflecting host-rock assemblages and fluid composition. Three random forest (RF) classifiers were developed to distinguish chalcopyrite from the six lithostratigraphic settings with a divisive approach. This method, which primarily classifies according to the major host-rock affinity and subsequently according to VMS settings, yielded an overall accuracy higher than 0.96 on test data. The model validation with literature data having the same elements required by the models yielded the highest accuracies (>0.90). In validation using published data with missing elements, the accuracy is moderate to high (0.60–1); however, the performances decrease significantly (<0.50) when the most important elements are missing. Similarly, RF regression models developed using all sets of analyzed elements to determine ccp/(ccp + sp) ratio (ccp = chalcopyrite; sp = sphalerite) in chalcopyrite within a single VMS setting reported high performances, thus showing a potential to predict the Cu/Zn ratio (Cu-rich vs. Zn-rich) of the mineralization based on chalcopyrite composition. This study demonstrates that trace element concentrations in chalcopyrite are primarily controlled by lithotectonic setting and can be used as predictors in an RF classifier to distinguish the different VMS subtypes.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».