基于机器学习的黑云母成分判别花岗岩成因类型方法研究

摘要

花岗岩成因分类方案的合理性和可操作性仍然备受争议。黑云母作为花岗质岩浆结晶分异过程中重要的镁铁质矿物相，其化学成分能够反映岩浆的物理化学条件和演化历程，这为建立花岗岩成因判别指标提供了关键矿物学依据。本文对来自I型、S型和A型花岗岩的1455个黑云母的主量元素数据进行了统计分析，结果表明：I型花岗岩的黑云母SiO₂、TiO₂、MgO和MnO的含量较高，S型花岗岩的黑云母则较为富含Al₂O₃和Na₂O,A型花岗岩的黑云母FeO^T的含量较高。通过黑云母成分估算表明，I型花岗岩形成于相对高温、低压和高氧逸度环境，而S型花岗岩通常形成于相对高压环境，氧逸度和温度均低于I型花岗岩。I型、S型和A型花岗岩中黑云母的F和Cl含量和富集程度也有明显的区别，其中A型花岗岩中的黑云母F和Cl的含量相对最高。黑云母成分具有判别花岗岩成因类型的巨大潜力，但已有的基于黑云母成分的分类模型仍存在较大不确定性。为了进一步提高黑云母成分对于花岗岩类型的识别可靠程度，本研究对比了基于黑云母离子占位数据应用了PCA、t-SNE、UMAP降维机器学习算法和基于决策树的随机森林（RF）、极端随机树（ERT）、梯度提升决策树（GBDT）、极端梯度提升（XGBoost）、轻量梯度提升（LightGBM）和CatBoost机器学习模型算法，对I型、S型和A型花岗岩成因类型进行判别。结果显示，PCA、t-SNE、UMAP降维算法的判别准确率较低，而基于决策树的机器学习模型能够以94.5%以上的准确率对花岗岩类型进行判别。其中，T.Al、T.Fe³⁺、M.Al、M.Mg和M.Mn等5个阳离子占位是影响机器学习模型分类结果的关键预测因子。基于黑云母成分构建的花岗岩成因类型判别标尺，为解析岩浆源区性质与演化过程提供了定量矿物地球化学约束。

关键词

黑云母 / 机器学习 / I型花岗岩 / S型花岗岩 / A型花岗岩

基金资助

科技部重点研发计划项目(2023YFF0804200)