基于人工智能的全球矿床系统中黄铁矿成因类型划分

《Journal of Geochemical Exploration》：Artificial intelligence-driven metallogenic typing of pyrite from global ore systems

　　

穆罕默德·阿马尔·古尔（Muhammad Amar Gul）|亚洲·坎瓦尔（Asia Kanwal）|穆罕默德·费萨尔（Mohamed Faisal）|特赫辛·扎法尔（Tehseen Zafar）|里兹万·萨尔瓦尔·阿万（Rizwan Sarwar Awan）|沙米姆·阿克塔尔（Shamim Akhtar）|伊布拉尔·汗（Ibrar Khan）|杨晓勇（Xiaoyong Yang）

• 来自138个矿床的5200个黄铁矿分析数据被用于分类。
• 通过重采样方法，机器学习模型（ML）的准确率达到了97.7%。
• 镍（Ni）、铜（Cu）、锑（Sb）和铅（Pb）被确定为关键的判别元素。
• 机器学习技术提升了基于黄铁矿的金属成因判别能力；同时开发了相应的Web应用程序。