شناسايي كانسارهاي طلاي كوهزادي: شواهدي از تفسير داده­هاي ژئوشيمي پيريت مبتني بر يادگيري ماشيني

ذخاير طلاي كوهزادي بيش از 30 درصد منابع طلاي جهان را تامين مي­كنند كه خصوصيات اصلي آنها هنوز به درستي درك نشده است. با ورود علوم زمين به دورانBig Data ، فرايند يادگيري ماشيني توانسته سهم مهمي در حل مسائل زمين­شناسي داشته باشد، اما در مباحث زمين­شناسي اقتصادي و ژنز ذخاير معدني تاكنون سهم ناچيزي داشته است. در اين پژوهش اهميت روش­هاي مبتني بر يادگيري ماشيني به­منظور دستيابي به خاستگاه كانسار طلاي موته (پهنه سنندج-سيرجان مركزي) توسط ژئوشيمي پيريت، انجام شده است. براين اساس، از دو روش ماشين بردار پشتيبان (SVM) و جنگل تصادفي (RT) براي آموزش مدل­هاي طبقه­بندي استفاده شد. پيريت فراوانترين كانه سولفيدي در اغلب ذخاير طلاي كوهزادي بوده كه ژئوشيمي عناصر كمياب آن اثرات قابل‌توجهي براي درك فرآيندهاي تشكيل دهنده كانسار خواهد داشت. نسبت­ Fe/(S + AS) در پيريت از 912/0 تا 976/0 (متوسط 944/0) متغير است، كه نشان مي­دهد كانسار موته در عمق متوسط تا عميق (2 تا 6 كيلومتر) شكل گرفته است. همبستگي منفي (34/0-) ميان آهن و آرسنيك در پيريت نشان مي­دهد كه سيال گرمابي سازنده كانسار موته نسبتاً اسيدي است. بر اساس توزيع ناهمگن طلا و عدم همبستگي بين آهن و طلا در پيريت، به نظر مي­رسد بخش عمده طلا در كانسار موته به­صورت نانوذرات طلا يا مشاركت در شبكه بلوري پيريت وجود دارد. نتايج يادگيري ماشين بر اساس خصوصيات ژئوشيمي پيريت، كانسار موته را به­عنوان يك ذخيره طلاي كوهزادي كم عمق (Epizonal) طبقه­بندي مي­كند كه طلا توسط كمپلكس­هاي Au(HS)2– و AuH3SiO4 در سيال گرمابي مهاجرت كرده و در نتيجه تبادلات وسيع سيال-سنگ و عدم امتزاج سيال نهشته شده است.