使用XRF数据预测铁矿矿石元素度的先进深度学习模型:与ICP-MS方法的成本有效替代方案

科学领域:

• 地质化学 地质化学
• 人工智能的人工智能
• 矿产勘探 矿产勘探 矿产勘探 矿产勘探

背景情况:

• 精确的元素分析对于矿产勘探至关重要,但传统的方法,如诱导合等离子体质谱法 (ICP-MS) 是昂贵而复杂的.
• 伊朗的矿业部门对高效,可持续和具有成本效益的分析解决方案的需求日益增长.
• 先进的深度学习为快速和经济地化学分析提供了一个有希望的替代方案.

研究的目的:

• 开发和评估一种基于深度学习的方法,用于预测铁矿石矿床中的关键元素 (As,Li,Sb,V).
• 为了比较卷积神经网络 (CNN),门式循环单元 (GRU) 和空间注意网络 (SAN) 的性能,用于地化学预测.
• 展示AI在利用低成本X射线光 (XRF) 数据用于矿产勘探方面的潜力.

主要方法:

• 来自X射线光 (XRF) 的地化学数据被用作深度学习模型的输入.
• 开发和比较了三个深度学习架构:CNN,GRU和SAN.
• 基于目标元素的预测准确度和错误率来评估模型性能.

主要成果:

• 卷积神经网络 (CNN) 模型在预测元素度方面表现出卓越的表现,优于GRU和SAN.
• 美国有线电视新闻网 (CNN) 实现了最低的错误率,并有效地捕获了地化学数据中的复杂空间模式.
• 基于CNN的3D建模显示了矿产勘探的巨大潜力,特别是识别低度和高度范围.

结论:

• 深度学习,特别是CNN,为矿产勘探中的地化学分析提供了一种有效且具有成本效益的方法.
• 拟议的人工智能驱动框架减少了对昂贵的分析技术 (如ICP-MS) 的依赖.
• 这种方法通过先进的数据分析,有助于实现更可持续和更有效的矿产勘探实践.