机器学习驱动的地化学指纹和矿物尘埃的风险表征在埃及El-Gedida铁矿的不同操作环境中

科学领域:

• 环境地质化学环境地质化学
• 矿业 环境科学 矿业 环境科学
• 应用地质化学应用地质化学

背景情况:

• 采矿活动中的矿物灰尘可能含有潜在有毒元素 (PTEs).
• 评估环境风险和确定尘埃中PTE的来源对于有针对性的干预措施至关重要.
• 地化学指纹可以区分矿山内的各种操作设置.

研究的目的:

• 为了界定El-Gedida铁矿的尘埃中PTE污染模式.
• 识别与特定采矿操作相关的高风险微环境和地化学指纹.
• 为建立以尘埃为媒介的元素概况作为基于证据的环境管理的标志物.

主要方法:

• 使用ICP-AES进行特定地点的尘埃采样和PTE的地化学分析.
• 监督机器学习 (支持向量机器,多项式逻辑回归) 和多变量统计学 (主要组件分析) 的应用.
• 利用污染指数 (污染负载指数) 和健康风险建模进行综合评估.

主要成果:

• 平均PTE度按照Fe>Mn>Zn>Cr>Pb>Cu>Ni的顺序进行,Cu的变化很大.
• 在所有样本中观察到大量污染 (平均PLI=2.21),Cr和Ni对儿童构成不可接受的癌症风险.
• 机器学习模型通过MLR准确地区分了地化学指纹 (例如,船中的Cu-Pb,矿石区的Fe-Mn) 的准确度为95.8%.

结论:

• 粉尘带来的元素配置文件作为有效的追踪器,用于采矿区的环境干预.
• 监督机器学习为识别污染源和风险评估提供了一个强大的框架.
• 该研究强调了矿山环境管理中综合地质化学和机器学习方法的实际适用性.