基于机器学习的闪锌矿微量元素特征在铅锌矿床类型识别中的应用

摘要

闪锌矿微量元素特征是识别铅锌矿床成因类型的重要指标。拟通过机器学习方法识别出判断铅锌矿床成因类型的关键控制元素，建立基于闪锌矿微量元素特征的广义铅锌矿成因类型判别图。系统收集了密西西比河谷型、火山块状硫化物型、喷流-沉积型、矽卡岩型4种成因类型铅锌矿床中3 700条闪锌矿的12种微量元素数据(Cd, Mn, Ag, Cu, Pb, Sn, Ga, In, Sb, Co, Ge和Fe),使用支持向量机和随机森林2个机器学习分类模型对其进行分类，对这些特征元素重要性进行排序。基于闪锌矿微量元素特征，利用大数据和机器学习方法构建的铅锌矿床分类模型可以有效地区分不同成因类型的铅锌矿床，支持向量机和随机森林分类模型在测试集上的准确率分别为98.5%和96.9%。同时，通过主成分分析对12种元素特征进行统计分析和降维可视化，并结合随机森林模型特征元素重要性排序，识别出能区分铅锌矿床4种成因类型的关键化学元素。结果显示，闪锌矿的12种微量元素中，Mn, Ge, In, Co, Sb和Ga这6种元素用于区分铅锌矿床成因类型效果显著。新构建了4种成因类型铅锌矿床闪锌矿ln(Mn/Cd)-ln(Ge/Cd)-ln(Co/Cd)三元二维图，以及ln(Mn)-ln(Sb)、ln(Co)-ln(Ga)和ln(Mn)-ln(In/Ge)二元二维图，可用来有效区分密西西比河谷型、火山块状硫化物型、喷流-沉积型、矽卡岩型4种类型铅锌矿床。

关键词

闪锌矿 / 微量元素 / 机器学习 / 大数据分析 / 铅锌矿床