社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

GSAB 高光谱岩芯成像和机器学习,对锂与黏土矿物进行毫米级定量填图

地刊速览 • 1 月前 • 134 次点击  

随着新能源产业发展,锂资源重要性不断上升。铝土矿伴生黏土型锂矿是一种沉积型锂矿,在滇中盆地广泛分布。小石桥矿区是典型代表,Li₂O储量3.4×10⁵ t,面积7.2 km²。但锂主要赋存在哪些黏土矿物、如何富集,仍有不同认识。研究用高光谱岩芯成像和机器学习,对锂与黏土矿物进行毫米级定量填图。

研究采集682件黏土岩样品,来自露头、探槽和钻孔。样品用ICP-MS和ICP-OES测定Li等元素,用XRD定量蒙脱石、伊利石、高岭石和绿泥石,并用高光谱成像仪扫描岩芯和压片。高光谱数据覆盖950-2500 nm,共288个波段,空间分辨率可达0.7 mm。研究提取吸收位置、深度、面积和光谱吸收指数等337个特征,建立Transformer-多层感知机(MLP)回归模型,并与PLSR、SVR、XGBoost和传统MLP比较。

结果显示,Transformer-MLP对锂含量预测精度高。训练集R²=0.92,交叉验证集R²=0.91,盲测集R²=0.89,RPD均大于3,RMSE为247.15-277.55 μg/g。盲测集R²=0.89、RPD=3.07,优于PLSR的0.76、SVR的0.82、XGBoost的0.80和传统MLP的0.84。对黏土矿物,伊利石和高岭石反演最好,盲测R²约为0.85和0.90,RPD大于2.5;绿泥石R²约为0.77,RPD约为2.07;蒙脱石R²约为0.67,RPD约为1.74,精度稍低,但仍能反映分布趋势。蒙脱石精度受2200 nm附近与伊利石、高岭石光谱重叠影响,也受高含量样品较少影响。

把模型用于钻孔高光谱图像后,得到锂和黏土矿物的毫米级分布图。ZK1506和ZK2306两个钻孔均显示,锂高值区与蒙脱石高值区高度一致,与伊利石、高岭石、绿泥石没有明显空间对应关系。显微尺度验证也支持这一结论:LA-ICP-MS、微区拉曼和光学显微镜分析表明,锂含量由高到低为蒙脱石 >> 高岭石 > 伊利石。这说明蒙脱石是研究区主要载锂矿物,其强吸附能力控制锂富集。

高光谱填图还揭示了传统离散采样难以发现的细节。传统分析常按1 m间隔取样,只能得到平均结果;高光谱反演可在毫米级连续观察。研究发现,富锂层内部存在多个锂含量高低变化的旋回,蒙脱石和伊利石也呈周期性变化。结合古地理指标,研究区经历了由海到陆再到海的沉积循环。石炭纪为浅海碳酸盐潮坪,海水Li⁺浓度低且缺少吸附锂的黏土矿物,锂含量极低。二叠纪倒石头组沉积期,气候变干、水位下降,形成陆相湖盆,湖水逐渐浓缩,Li⁺被黏土矿物吸附,锂开始富集。随后气候进一步变干,环境转为湖盆-沼泽过渡,蒸发作用使Li⁺浓度升高,蒙脱石大量形成并强烈吸附锂,形成富锂矿层。早二叠世栖霞组沉积期海平面上升,环境回到浅海碳酸盐潮坪,Li⁺浓度快速下降,黏土层锂含量也随之降低。

古地理指标也印证了这一过程。Ga含量和Sr/Ba比值可反映水体盐度:咸水中Ga<8 μg/g、Sr/Ba>1.0,淡水中Ga>17 μg/g、Sr/Ba<0.6。Mo和Re可反映氧化还原条件:Mo>25 μg/g、Re>0.03 μg/g指示还原环境,Mo<5 μg/g、Re<0.01 μg/g指示氧化环境。研究区上部湖盆部分层段Mo>20 μg/g、Re>0.02 μg/g,为弱还原环境,对应碳质黏土岩与煤线,说明当时处于湖盆与沼泽过渡。富锂层内,干旱期湖水蒸发使Li⁺浓缩,湿润期蒙脱石形成并吸附锂,构成干旱-湿润小旋回控制下的锂富集模式。

这项研究表明,高光谱岩芯成像与Transformer-MLP结合,可以快速、无损地预测岩芯锂含量和黏土矿物含量,并在毫米尺度展示锂与蒙脱石的空间关系。该方法能为黏土型锂矿的找矿评价和古地理重建提供新工具,也为滇中盆地寻找大规模锂资源提供重要依据。

图1:早二叠世古地理、研究区地质与钻孔高光谱图像。

图2:光谱描述参数示意图。

图3:低、中、高锂品位样品光谱曲线。

图4:Transformer-MLP回归流程图。

图5:锂含量反演建模结果。

图6:黏土矿物定量建模结果。

图7:ZK1506钻孔锂与矿物分布图。

图8:ZK2306钻孔锂与矿物分布图。

图9:代表性样品显微尺度验证。

图10:锂变化相关古地理指标剖面。

图11:基于ZK1506的锂富集机制示意图。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/201286