تخمين پارامترهاي ترموديناميكي حاصل از مطالعات سيالات درگير با استفاده از روش هاي الگوريتم يادگيري ماشين

Estimation of Thermodynamic Parameters from Fluid Inclusion Studies by Machine Learning Algorithm Method

استفاده از داده هاي سيالات درگير، يكي از شيوه هاي مرسوم در مطالعه كانسارها است. اين روش پيش از اين غالباً در مطالعات زمين شناسي اقتصادي مورد توجه بوده است. در سال هاي اخير استفاده كاربردي از داده هاي سيالات درگير توجه بسياري از محققين را به خود جلب كرده است. در اين مقاله تلاش شده است تا با استفاده از تهيه مدل سه بعدي داده هاي سيالات درگير و بر اساس شرايط ترمودينامكي مساعد براي نهشت كالكوپيريت، مدل پيش گويانه كاني زايي تهيه شود. به منظور بررسي كارايي روش پشنهادي، مطالعه موردي در كانسار مس پورفيري سونگون صورت پذيرفته است. مدل سه بعدي داده هاي سيالات درگير به روش رگرسيون بردار پيشتيبان كه از جمله روش هاي الگوريتم يادگيري ماشين در فرآيند تخمين است، تهيه شد. دقت مدل سازي صورت گرفته براي تخمين داده هاي سيالات درگير شامل دماي همگني، دماي يوتكتيك و شوري سيال درگير به ترتيب برابر 76 ، 71 و 93 درصد مي باشد. بر اساس شرايط ترمودينامكي مستعد نهشت كالكوپيريت در اين كانسار ( بازه دمايي 300 تا 400 درجه سانتي گراد و شوري متوسط تا بالا) مدل پيش گويانه تهيه شد. مقايسه مدل پيش گويانه و مدل عيار مس در كانسار مس پورفيري سونگون نشانگر تطابق بالاي اين دو مدل بوده و كارايي مدلسازي صورت گرفته را نشان مي دهد.

The use of fluid inclusion data is one of the most commonly used methods in the study of deposits that had been considered mainly in economic geology studies. In recent years, the application of fluid inclusion data has attracted the attention of many researchers. In this paper, it has been tried to propose the predictive model of mineralization for the chalcopyrite deposition based on the thermodynamic conditions using the 3D modeling results of the fluid inclusions data. To study the applicability and efficiency of the proposed method, a case study has been done in Sungun porphyry copper deposit, and using the support vector regression (SVR) method, the fluid inclusions data have been modeled three dimensionally. The modeling precision percentages for the estimation of the fluid inclusions data (homogenization and eutectic temperatures and the fluid salinity) have been 76, 71, and 93 respectively. The predictive model of the chalcopyrite deposition in this deposit was prepared based on its favorable thermodynamic conditions (a homogenization temperature range of 300-400oC and moderate-to-high salinity). A comparison of the proposed predictive model with that of the copper grade shows the efficiency of the proposed modeling and high conformity of the two models