中国含铝岩系中稀土元素的赋存形式：主量元素数据驱动的集成机器学习分析

摘要

铝土矿及含铝岩系中的稀土元素是重要的潜在供应源，随着技术进步和市场需求增长，其勘探、开发和利用变得日益重要。目前，对含铝岩系中稀土元素的主要赋存形式和富集机制仍有争议，尤其是重稀土（HREE）。本研究汇编了中国含铝岩系的地球化学数据，利用机器学习方法预测轻稀土（LREE）和重稀土（HREE）含量，探讨其赋存形式。研究构建了随机森林（RF）、极限梯度提升（XGBoost）、支持向量机（SVM）和多层感知器（MLP）4种模型，并结合最优的2种模型构建集成模型，以提高预测性能。结果表明，集成模型在预测HREE和LREE含量方面表现更佳，能较好预测剖面尺度的稀土变化规律，并对高稀土含量剖面更敏感。特征重要性评估显示，P₂O₅和TFe₂O₃是预测HREE含量的关键变量，表明铁相矿物和磷酸盐矿物是HREE的主要载体。HREE可能通过类质同象替代和内环络合形式在磷酸盐矿物和铁相矿物中富集。含铝岩系中铁相矿物的存在是赋存HREE的基础，而磷酸盐矿物则是富集HREE的关键。对于LREE,P₂O₅的重要性显示含磷矿物是其重要赋存载体，即含磷稀土矿物为代表的独立稀土矿物是中国含铝岩系LREE的重要赋存形式。黏土矿物和铝矿物的离子吸附形式作为一种背景现象同样存在，但对稀土异常富集影响较小。研究建议，在找矿勘查中，针对LREE应关注P₂O₅含量较高的层位，含铝岩系的岩性应关注贫铁铝土矿和黏土质铝土矿。对于HREE,应首先关注TFe₂O₃含量较高的层位，若同时有较高的P₂O₅含量，则HREE富集可能性更大，建议关注的岩性包括富铁铝土矿和铝土质黏土岩。本研究建立的稀土含量预测模型在中国含铝岩系伴生稀土预测方面展现出潜力，需进一步验证、优化与应用。

关键词

集成模型 / 铁相矿物 / 磷酸盐矿物 / 稀土矿物