Composition en éléments traces de la chalcopyrite : son potentiel comme minéral indicateur et les implications dans l'exploration minérale

La chalcopyrite est un sulfure de cuivre et de fer trouvé dans une grande variété de gîtes minéraux. Sa composition en éléments traces est très variable. Parmi les facteurs les plus importants qui contrôlent sa concentration en éléments traces se trouvent la structure cristalline, les cœfficients de partage (chalcopyrite-liquide, chalcopyrite-minéraux qui co-cristallisent) et la composition du magma/fluide hydrothermal, lesquels reflètent les conditions physico-chimiques de l'environnement géologique de formation. Ces caractéristiques, ainsi que ses propriétés physiques, favorisent la chalcopyrite comme un potentiel minéral indicateur pour l'exploration. Avec l'objectif de déterminer les critères géochimiques permettant son utilisation comme un minéral indicateur, des échantillons appartenant à 8 types de dépôts à l'échelle mondiale, dont 2 magmatiques (sulfures à Ni-Cu et EGP lités) et 6 hydrothermaux (porphyres, sulfures massifs volcanogènes (SMV), iron-oxide-copper-gold (IOCG), skarn, or épithermal et or orogénique), ont été analysés par microsonde électronique (EPMA) et par ablation laser et spectrométrie de masse à plasma à couplage inductif (LA-ICP-MS). La composition en éléments traces de la chalcopyrite a été examinée à l'aide de méthodes statistiques pour caractériser sa variation dans les différents types de dépôts, lesquelles combinées avec l'apprentissage automatique, a permis le développement de modèles de discrimination. Cette étude montre que la différence la plus importante dans la composition de la chalcopyrite demeure entre les systèmes magmatiques et hydrothermaux. Le Ni détermine cette différence, enrichi dans la chalcopyrite magmatique par rapport à celle hydrothermale. Dans les systèmes magmatiques (chapitre 1), les processus ayant lieu pendant la cristallisation qui exercent une influence sur certains éléments ont été identifiés. La chalcopyrite des dépôts d'EGP lités est enrichie en Se et appauvrie en Te-Sn-Bi-In, comme une conséquence des rapports élevés magma/liquide sulfuré (facteur-R) pendant la cristallisation. La cristallisation fractionnée du liquide sulfuré dans les dépôts de sulfures à Ni-Cu impacte également sur la composition en éléments traces dans la chalcopyrite. Ainsi, la chalcopyrite formée à partir d'une solution solide intermédiaire (iss), cristallisant en dernier à partir d'un liquide résiduel riche en Cu, est enrichie en éléments incompatibles (Ag-Bi-Cd-Pb-Se-Sn-Tl), par rapport à celle formée d'une solution solide de monosulfure (mss) riche en Fe. Cela constitue la base des modèles de classification supervisée par l'analyse discriminante par les moindres carrés partiels (PLS-DA) développés dans cette étude, lesquels permettent de discriminer entre les deux types de dépôts magmatiques (sulfure à Ni-Cu vs. EGP lités) et le type de minerais. Dans les dépôts de SMV (chapitre 2), la concentration des éléments traces dans la chalcopyrite dépend de la composition (conditionnée par la roche encaissante), la température et de la nature du fluide hydrothermal. La PLS-DA indique que la composition en éléments traces de la chalcopyrite varie en fonction du sous-type lithostratigraphique. Ainsi, la chalcopyrite des SMV du sous-type ultramafique est enrichie en Ni-Co-Te, tandis que celle des SMV dans les environnements siliciclastique-felsique a des teneurs élevées en Sb-Bi-In. Dans les SMV en contexte mafique et siliciclastique-mafique, le Pb et Mn sont, respectivement, enrichis dans la chalcopyrite, tandis que dans celle des dépôts bimodal-felsique et mafique montrent une composition similaire. Des modèles de prédiction Random Forest (RF) ont été développés, un algorithme plus adapté et performant que la PLS-DA en raison du nombre élevé de classes (types de gîtes), afin de classifier la chalcopyrite parmi les 6 contextes lithostratigraphiques des SMV. Quatre algorithmes d'apprentissage automatique (Artificial Neural Network (ANN), RF, K-Nearest Neigbor (KNN) et Naïve Bayes (NB)) et une méthode statistique de classification supervisée (PLS-DA) sont comparés afin de classifier la chalcopyrite parmi les 8 types de dépôts (chapitre 3), dont le RF donne une performance plus élevée. Trois modèles RF ont été développés: le premier, permettant la classification entre chalcopyrite hydrothermale et magmatique; le deuxième, pour déterminer sa provenance selon le type de dépôt magmatique (sulfures à Ni-Cu vs. EGP lités); et le troisième, lequel discrimine la chalcopyrite parmi les 6 types de dépôts hydrothermaux. Ces modèles ont été testés sur des données compilées de la littérature et sur des grains analysés de chalcopyrite récupérés de sédiments de tills et eskers de la Province de Churchill (Québec, Canada), et démontre l'utilisation de la chimique de la chalcopyrite pour déterminer sa provenance aux fins d'exploration minérale. Une importante variation des éléments traces dans la chalcopyrite est présente dans chaque type de dépôt; néanmoins, sa composition a une signature particulière selon le contexte de formation. Cela met en évidence le fort potentiel de discrimination de la source de minéralisation, démontré par les modèles de discrimination. Cette étude démontre que la chalcopyrite peut être utilisée comme un minéral indicateur et offre l'opportunité d'appliquer ces méthodes dans les sédiments en exploration minérale.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.