Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco

Detalhes bibliográficos
Autor(a) principal: Silva, Guilherme Ferreira da
Data de Publicação: 2022
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: https://repositorio.unb.br/handle/10482/44558
Resumo: Texto parcialmente liberado pelo autor. Capítulos restritos: 2 e 3.
id UNB_1075da40adf20ea2bcec2793c1b1406c
oai_identifier_str oai:repositorio.unb.br:10482/44558
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São FranciscoAprendizagem de máquinaProspecção mineralIntegração de dadosGeociênciasTexto parcialmente liberado pelo autor. Capítulos restritos: 2 e 3.Tese (doutorado) — Universidade de Brasília, Instituto de Geociências, Programa de Pós-Graduação em Geologia, 2022.Neste trabalho foram adquiridas variáveis categóricas e numéricas relacionadas a propriedades físicas das rochas, tais como densidade, susceptibilidade magnética, condutividade elétrica, concentração de radioelementos, reflectância entre outras propriedades químicas. As análises químicas de rocha foram obtidas através de medidas in situ de fluorescência de raios-X portátil (pXRF). Adicionalmente, foram analisadas descrições petrográficas e análises de química mineral quantitativas e semiquantitativas em amostras chave para a compreensão do sistema mineral. Ao todo, foram processadas 1950 análises de pXRF, 2484 medidas de espectrorradiometria, 7490 medidas de susceptibilidade magnética, 5720 medidas de condutividade elétrica, 598 medidas de densidade, 541 análises de química mineral (ablação de laser de espectrômetro de massa, LA-ICP-MS) e 304 medidas de radioelementos, além de 20 análises petrográficas por microscópio óptico e 5 análises por microscópio eletrônico. Utilizamos abordagens supervisionadas para fazer previsões e fornecer informações sobre as mineralizações auríferas em rochas do Grupo Jacobina, Cráton do São Francisco, usando os parâmetros petrofísicos e litogeoquímicos em escala de amostra. Um modelo de aprendizado de máquina baseado no algoritmo Random Forests foi aplicado para prever a mineralização em amostras de testemunho de sondagem. As acurácias médias foram de 0,87 para treinamento de validação cruzada, 0,91 para os dados de teste e 0,86 para previsão de todas as amostras. O resultado permitiu estimar a importância das variáveis de entrada para a predição e essas estimativas foram validadas por uma interpretação petrográfica de microscopia óptica e eletrônica de varredura, que foram realizadas para esclarecer a relação entre minerais de diferentes estágios com a mineralização do ouro. Paralelamente, utilizamos abordagens nãosupervisionadas para extrair informações sobre a estruturação das amostras nos dados de LAICP-MS e de reflectância espectral. Usamos métodos de Agrupamento Aglomerativo (Hierarchical Clustering) para avaliar os padrões de elementos traços de acordo com o tipo de pirita (detrítica ou epigenéticas) e níveis estratigráficos. Em seguida, implementamos a técnica Uniform Manifold Approximation and Projection (UMAP) para reduzir a dimensionalidade avaliada para uma projeção bidimensional buscando inspecionar a estrutura interna dos dados. Elementos como Cu, Zn, Ag, Sb, Te, Au, Pb e Bi são mobilizados durante a alteração mineral e foram cristalizados em minerais recém-formados, como calcopirita, pirrotita e esfalerita, que estão espacialmente associados à pirita epigenética e ouro. O padrão das piritas do Grupo Jacobina parece não variar ao longo da estratigrafia, o que sugere uma manutenção da fonte de sedimento ao longo da história de sedimentação ou um posterior reequilíbrio químico. Relativo às análises de reflectância espectral, aplicamos o algoritmo de Self-Organizing Maps (SOM) para segmentar dados em vários agrupamentos baseados na matriz de distância das unidades e, em seguida, usamos a projeção UMAP para compactar a estrutura de dados para um gráfico bidimensional, mantendo os principais padrões de dados e comparando com os espectros de minerais conhecidos descritos nos metaconglomerados. Assim, estimamos a composição mineral com base na distância de cada medição dos minerais conhecidos e validamos essa inferência usando dados geoquímicos. Os resultados da inferência mineral corresponderam ao esperado pela análise geoquímica, validando a estimativa da composição mineral das amostras. Baseado nestes resultados, separamos as assinaturas das propriedades físicas e químicas nas zonas mineralizada, proximal e estéril e indicamos critérios que podem ser utilizados para a prospecção de ouro em zonas de paleoplacer modificado, como presença de calcopirita, esfalerita e outros sulfetos na matriz, além de pirita, teores de cromo, potássio e enxofre, susceptibilidade magnética, densidade e a presença de argilominerais.This thesis aims to characterize the signature of gold mineralization of the Serra do Córrego Formation, the basal unit of the Jacobina Group, using multisource data (petrophysics, spectroradiometrics, geochemistry, and mineral chemistry) through data integration and pattern verification using machine learning. Categorical and numerical variables related to the physical properties of rocks were acquired, such as density, magnetic susceptibility, electrical conductivity, the concentration of radioelements, and reflectance, among other chemical properties. Rock chemical analyzes were obtained by in situ portable X-ray fluorescence (pXRF) measurements. Petrographic descriptions and quantitative and semi-quantitative mineral chemistry analyses were also considered in samples for understanding the mineral system. Altogether, 1950 pXRF analyses, 2484 spectroradiometric measurements, 7490 magnetic susceptibility measurements, 5720 electrical conductivity measurements, 598 density measurements, 541 mineral chemistry analyses (mass spectrometer laser ablation, LA-ICPMS), and 304 measurements of radio elements, in addition to 20 petrographic analyzes by optical microscope and 5 analyzes by electron microscope. We use supervised approaches to make predictions and provide information on gold mineralizations in rocks of the Jacobina Group, São Francisco Craton, using sample-scale petrophysical and lithogeochemical parameters. A machine learning model based on the Random Forests algorithm was applied to predict mineralization in drill core samples. Average accuracies were 0.87 for cross-validation training, 0.91 for testing, and 0.86 for all-sample prediction. The result allowed us to estimate the importance of the input variables for the prediction. These estimates were validated by a petrographic interpretation of optical and scanning electron microscopy, which were performed to understand better the relationship between minerals of different stages of gold mineralization. In parallel, we used unsupervised approaches to extract information about sample structuring from LA-ICP-MS and spectral reflectance data. We used Hierarchical Clustering methods to evaluate trace element patterns according to pyrite type (detrital or epigenetic) and stratigraphic levels. Then, we implemented the Uniform Manifold Approximation and Projection (UMAP) technique to reduce the evaluated dimensionality to a two-dimensional projection, seeking to inspect the internal structure of the data. Elements such as Cu, Zn, Ag, Sb, Te, Au, Pb, and Bi are mobilized during mineral alteration and crystallized into newly formed minerals such as chalcopyrite, pyrrhotite, and sphalerite, which are spatially associated with epigenetic pyrite and gold. The multivariate pattern of the pyrites of the Jacobina Group does not seem to vary along with the stratigraphy, which suggests maintenance of the sediment source throughout the sedimentation history or a subsequent chemical rebalancing. Concerning spectral reflectance analyses, we apply the Self-Organizing Maps (SOM) algorithm to segment data into various groupings based on the best unit machine distance matrix. We then use the UMAP algorithm to compress the data structure into a two-dimensional graph, maintaining the main data patterns and comparing them with the spectra of known minerals described in the metaconglomerates. Thus, we estimate the mineral composition based on the distance of each measurement from known minerals and validate this inference using geochemical data. The results of the lithogeochemistry validate the estimate of the mineral composition of the samples. Based on all presented results, we separated the signatures of the physical and chemical properties in the mineralized, proximal and sterile zones. We indicated criteria that can be used for prospecting for gold in modified paleoplacer zones, such as chalcopyrite, sphalerite, and other sulfides in the matrix and pyrite, besides Cr, K, and S contents, magnetic susceptibility, density, and the presence of clay minerals.Instituto de Geociências (IG)Programa de Pós-Graduação em GeologiaSilva, Adalene MoreiraToledo, Catarina Labouré Bemficagferrsilva@gmail.comSilva, Guilherme Ferreira da2022-08-17T21:34:57Z2022-08-17T21:34:57Z2022-07-172022-04-22info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfSILVA, Guilherme Ferreira da. Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco. 2022. xiv, 192 f., il. Tese (Doutorado em Geologia) — Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/44558A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-02-20T16:42:30Zoai:repositorio.unb.br:10482/44558Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-02-20T16:42:30Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco
title Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco
spellingShingle Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco
Silva, Guilherme Ferreira da
Aprendizagem de máquina
Prospecção mineral
Integração de dados
Geociências
title_short Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco
title_full Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco
title_fullStr Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco
title_full_unstemmed Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco
title_sort Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco
author Silva, Guilherme Ferreira da
author_facet Silva, Guilherme Ferreira da
author_role author
dc.contributor.none.fl_str_mv Silva, Adalene Moreira
Toledo, Catarina Labouré Bemfica
gferrsilva@gmail.com
dc.contributor.author.fl_str_mv Silva, Guilherme Ferreira da
dc.subject.por.fl_str_mv Aprendizagem de máquina
Prospecção mineral
Integração de dados
Geociências
topic Aprendizagem de máquina
Prospecção mineral
Integração de dados
Geociências
description Texto parcialmente liberado pelo autor. Capítulos restritos: 2 e 3.
publishDate 2022
dc.date.none.fl_str_mv 2022-08-17T21:34:57Z
2022-08-17T21:34:57Z
2022-07-17
2022-04-22
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SILVA, Guilherme Ferreira da. Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco. 2022. xiv, 192 f., il. Tese (Doutorado em Geologia) — Universidade de Brasília, Brasília, 2022.
https://repositorio.unb.br/handle/10482/44558
identifier_str_mv SILVA, Guilherme Ferreira da. Machine learning aplicado na caracterização da assinatura petrofísica, espectral e geoquímica dos depósitos auríferos da Serra de Jacobina, Cráton São Francisco. 2022. xiv, 192 f., il. Tese (Doutorado em Geologia) — Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/44558
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508333566001152

Registros relacionados