确定富铌含煤地层中金红石来源的方法：结合微量元素地球化学与机器学习的技术

《International Journal of Coal Geology》：Constraining rutile provenance in Nb-rich coal-bearing strata: An approach integrating trace element geochemistry and machine learning

钛铁矿 provenance 识别研究通过机器学习与 geochemistry 整合，在鄂尔多斯盆地铌富集序列（煤、吨斯通、泥岩）中建立高效分类框架。激光拉曼光谱鉴定主要相为金红石，结合 EPMA 与 LA-ICP-MS 定量分析揭示煤源金红石富集 V-Nb-Zr-Cr，而吨斯通/泥岩金红石以 Si-V-Fe-Nb 为主。Geochemical 图解与 Zr含量热力学测温确认主源为华北地台北部（TNCO）和 Khondalite带（KB），随机森林模型优化后能精准区分混合来源，为煤炭铌矿床成因和沉积再造提供新方法。

　　

郝慧迪|邱波|黄文辉|王兆国|秦斌超|黄凌浩

中国地质大学（北京）能源资源学院，北京 100083，中国

摘要

二氧化钛（主要是金红石）是含煤地层中铌的重要储库，然而其来源的区分在方法上仍然具有挑战性。本研究通过集成机器学习和金红石微量元素地球化学方法，为鄂尔多斯盆地中富含铌的序列（煤、硬煤、泥岩）建立了一个稳健的金红石来源区分框架。利用激光拉曼光谱（LRS）、电子探针微分析（EPMA）和激光烧蚀-电感耦合等离子体质谱（LA-ICP-MS）进行的综合分析表明：LRS识别出金红石是主要的Ti相，而锐钛矿含量较少；微量元素图谱显示，煤中的金红石富集V-Nb-Zr-Cr，而硬煤/泥岩中的金红石富集Si-V-Fe-Nb。地球化学判别图显示大多数数据点位于变质带内，具有少量的岩浆/矿物化特征；金红石中的Zr测温进一步确认了Khondalite带（KB）和北华北造山带（TNCO）为主要来源。通过对微量元素数据集（Si、Fe、Ti、Cr、Nb、Ta、Zr）进行机器学习处理，并使用优化的随机森林（RF）模型，确定了东部KB和北部TNCO为核心源区。这项研究不仅为煤中关键金属富集机制提供了新的来源约束，还为沉积盆地中的多源追踪建立了一种可转移的机器学习-地球化学方法，对战略性矿产勘探具有实际意义。

引言

由于煤是一种有机-无机复合材料，其复杂的性质使得沉积物的来源分析面临持续挑战（Dai等人，2021；Nechaev等人，2021）。煤中的主要地球化学信号经常被多阶段的成岩过程所覆盖，包括有机物降解和黄铁矿化，这掩盖了原始来源特征，使得准确的来源区分变得复杂（Dai和Finkelman，2018；Hower等人，2019）。此外，整体岩石的地球化学分析无法区分来自不同矿物相（如石英、粘土矿物和副矿物相）的贡献。这导致在多源环境中来源特异性信号的稀释和混合，经常导致解释结果不明确。

金红石由于其高密度（4.2）和硬度（6.5莫氏硬度），在风化和运输过程中非常稳定，可以在多种地质环境中形成，并以碎屑颗粒的形式存在于沉积物中（Morton和Hallsworth，1994）。其微量元素组成（如Nb、Cr、V）保留了来自母岩的特征，使其成为一种强大的来源示踪剂（Triebold等人，2007；Morton和Chenery，2009；Triebold等人，2012）。除了来源信息外，金红石的地球化学特征还记录了多种地质过程：Zr含量可作为温度计（Tomkins等人，2007），V/Fe比值反映了氧逸度（Sutton等人，2005；Liu等人，2014b），而Nb和Ta的系统则追踪了地壳演化（Huang等人，2012）。尽管金红石有潜力补充锆石U-Pb数据来重建构造-热历史（Pereira和Storey，2023），但目前的应用主要集中在铝土矿和粘土矿床（Liu等人，2020；Zhao等人，2021；Bohm等人，2022），含煤地层的研究仍然相对不足。

机器学习技术能够有效解码高维数据集中的复杂地球化学特征，实现稳健的矿物来源区分（Bergen等人，2019；Zhang等人，2023）。与传统岩石学方法不同，这些方法揭示了传统分析中隐藏的潜在遗传关系和多阶段蚀变过程（Chen等人，2024）。在关键矿物系统中的开创性应用包括区分岩石类型（Bérubé等人，2018）、区分矿物成因（Sun等人，2022；Zhu等人，2023；Li等人，2024）、变质作用与热液作用的区别（Kang等人，2024）以及追踪沉积物循环历史（Zhong等人，2021；Chen等人，2022）。可解释的框架如SHapley Additive Explanations（SHAP）进一步量化了特征贡献，例如，将Eu/Eu*比值作为锆石中的关键来源指标（Zhong等人，2023）。从“黑箱”模型到透明算法的这一范式转变，使机器学习成为重建含煤盆地多源沉积物运移系统的不可或缺的工具，特别是在沉积后覆盖层影响传统示踪剂的情况下。

在本研究中，我们建立了一个集成的机器学习-地球化学框架，利用微量元素特征来确定含煤沉积物（煤、硬煤、泥岩）中金红石的来源。该方法包括：（1）通过拉曼光谱识别TiO₂多形体并进行高分辨率微量元素定量分析的矿物表征和成分分析；（2）利用地球化学判别图和金红石中的Zr测温进行常规来源验证；（3）通过优化的随机森林模型处理多元素数据集进行算法区分，并使用SHAP解释量化特征贡献。

样本描述与制备

根据ASTM D4596-22（2022）标准，系统收集了三种代表性的沉积物样本，包括煤、泥岩和硬煤（变质的火山灰）。采样地点位于中国北方鄂尔多斯盆地准噶尔煤田的太原组第6煤层（39.68° N, 110.51° E）（图1）。第6煤层被认为可能是富含Al-Ga-Nb的煤层。

激光拉曼光谱特征

使用共聚焦激光拉曼光谱确定了两种TiO₂多形体，即金红石和锐钛矿（图5）。金红石和锐钛矿的标准光谱具有明显差异，金红石的特征峰位于240、450和615 cm^?1，而锐钛矿的特征峰位于143、400、516和642 cm^?1。对选定的颗粒进行了60组随机测试的激光拉曼光谱分析。我们样本中的锐钛矿主要显示特征峰位于140–144、196–200、396–399、516–519和638–642 cm^?1。

TiO₂多形体之间的地球化学差异

由于在沉积和成岩过程中的机械和化学稳定性，TiO₂能够保留来自原始源岩的信息，使其成为来源的宝贵指示剂（Morton和Hallsworth，1999）。金红石中的铌（Nb）、钽（Ta）和其他高熔点元素（HFSE）被广泛用作地质过程的地球化学指标，包括岩浆演化和俯冲带变质作用（Rudnick等人，2000）。LA-ICP-MS和EPMA对金红石的分析揭示了微量元素的显著异质性。

结论

本研究通过将机器学习与微量元素地球化学相结合，建立了金红石在富含铌的煤中的稳健来源区分框架。该方法成功区分了古元古代Khondalite带、新太古代华北克拉通和北华北造山带的混合来源贡献。这一突破使得能够定量重建中国北方煤盆地中的复杂沉积物运移系统。此外，我们新开发的矿物成因分析方法也有助于...

CRediT作者贡献声明

郝慧迪：撰写——审稿与编辑，撰写——初稿，概念构思。邱波：撰写——审稿与编辑，资源获取，资金筹集。黄文辉：监督，项目管理，资金筹集。王兆国：方法学，数据管理。秦斌超：资源获取，调查。黄凌浩：可视化，验证。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了国家重点研发计划（编号：2021YFC2902003）和国家自然科学基金（编号：42302193；42272201）的财政支持。