A Machine Learning Zircon Trace Element Tool to Predict Porphyry Deposit Type and Resource Size
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Porphyry deposits are primarily known for their association with base metals like copper and to some extent molybdenum and gold. Here we present machine learning models, based on zircon composition, that provide quantitative distinction between different deposit types and resource sizes. Using a global zircon compositional database for different porphyry deposits (9,649 samples), we trained several machine learning models. A porphyry deposit type model (PDT model) was developed using XGBoost, which distinguishes between barren, Cu, and Mo bearing deposits. Furthermore, porphyry Cu and Mo reserve models (Porphyry Cu Reserve [PCR] and Porphyry Mo Reserve [PMR] model) were also developed using XGBoost and LightGBM, respectively, to give prediction of resource size in unexplored area. F1‐scores for the models are 0.97, 0.91, and 0.82. The model‐built feature importance and Shapley Additive exPlanations values imply that (Eu N /Eu N *)/Y, Th/U, Th/U and Ce are important in the PDT model, Ti, T (°C), U, and Hf are important for the PCR model, and Hf, U, Th/U, and Eu N /Eu N * are important for the PMR model. From a mineral system perspective, the three models imply that water, temperature, and magma evolution are pivotal to the type of deposits that forms. Temperature and magma evolution in particular are important in prediction of Cu and Mo resource size. Application of models to the Wunugetushan deposit gives ore type and resource predictions that are consistent with known deposit occurrence and geochemistry. These findings suggest that machine learning models may not only assist in understanding the main geological processes linked to porphyry mineralization, but also have application in reducing exploration risk.
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.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle