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

Abstract

A proposta da tese de doutorado é caracterizar a assinatura da mineralização aurífera da Formação Serra do Córrego, unidade basal do Grupo Jacobina, através do estudo dos padrões de dados multifonte (petrofísica, espectrorradiometria, geoquímica e química mineral) através da integração de dados utilizando aprendizado de máquina. 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 não-supervisionadas para extrair informações sobre a estruturação das amostras nos dados de LA-ICP-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 multivariado 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.