شناسایی کانسارهای طلای کوهزادی: شواهدی از تفسیر داده­های ژئوشیمی پیریت مبتنی بر یادگیری ماشینی

ذخایر طلای کوهزادی بیش از 30 درصد منابع طلای جهان را تامین می­کنند که خصوصیات اصلی آنها هنوز به درستی درک نشده است. با ورود علوم زمین به دورانbig data ، فرایند یادگیری ماشینی توانسته سهم مهمی در حل مسائل زمین­شناسی داشته باشد، اما در مباحث زمین­شناسی اقتصادی و ژنز ذخایر معدنی تاکنون سهم ناچیزی داشته است. در این پژوهش اهمیت روش­های مبتنی بر یادگیری ماشینی به­منظور دستیابی به خاستگاه کانسار طلای موته (پهنه سنندج-سیرجان مرکزی) توسط ژئوشیمی پیریت، انجام شده است. براین اساس، از دو روش ماشین بردار پشتیبان (svm) و جنگل تصادفی (rt) برای آموزش مدل­های طبقه­بندی استفاده شد. پیریت فراوانترین کانه سولفیدی در اغلب ذخایر طلای کوهزادی بوده که ژئوشیمی عناصر کمیاب آن اثرات قابل‌توجهی برای درک فرآیندهای تشکیل دهنده کانسار خواهد داشت. نسبت­ fe/(s + as) در پیریت از 912/0 تا 976/0 (متوسط 944/0) متغیر است، که نشان می­دهد کانسار موته در عمق متوسط تا عمیق (2 تا 6 کیلومتر) شکل گرفته است. همبستگی منفی (34/0-) میان آهن و آرسنیک در پیریت نشان می­دهد که سیال گرمابی سازنده کانسار موته نسبتاً اسیدی است. بر اساس توزیع ناهمگن طلا و عدم همبستگی بین آهن و طلا در پیریت، به نظر می­رسد بخش عمده طلا در کانسار موته به­صورت نانوذرات طلا یا مشارکت در شبکه بلوری پیریت وجود دارد. نتایج یادگیری ماشین بر اساس خصوصیات ژئوشیمی پیریت، کانسار موته را به­عنوان یک ذخیره طلای کوهزادی کم عمق (epizonal) طبقه­بندی می­کند که طلا توسط کمپلکس­های au(hs)2– و auh3sio4 در سیال گرمابی مهاجرت کرده و در نتیجه تبادلات وسیع سیال-سنگ و عدم امتزاج سیال نهشته شده است.