Métodos de machine learning aplicados a la química mineral de cloritas para su uso en exploración de pórfidos cupríferos. Caso de estudio: El Teniente, Chile.

Abstract

La química de la clorita es considerada una herramienta de vectorización a pórfidos cupríferos. En El Teniente, este mineral fue estudiado por Wilkinson et al. (2020) y Schulz (2020). Wilkinson et al. (2020) realizaron una regresión simple de la distancia al centro de El Teniente a partir de la razón ln(Ti/Sr) en la clorita, con un error de ±640 m (1σ). Además de la química mineral, Schulz (2020) investigó las cloritas del Adit 71 (el antiguo túnel de acceso) mediante microscopía óptica y definió tres colores de interferencia (verde-grisáceo, marrón-anaranjado y azul-violeta), cuya distribución se relaciona con los dominios hidrotermales y con la distancia a la Brecha Braden, aunque el control químico sobre esta propiedad óptica aún no está del todo comprendido. Las muestras del Adit 71 registran la zonación de sulfuros del sistema porfídico, caracterizada por un halo de mena (> 1% calcopirita y < 3% pirita) proximal, seguido de un halo pirítico (> 2% pirita and ≤ 1% calcopirita) y un halo periférico (< 1% calcopirita y pirita) hacia sectores más distales. Considerando estos antecedentes y el auge de la inteligencia artificial, los análisis de las cloritas de El Teniente han sido refinados utilizando algoritmos de machine learning (ML), para mejorar su uso como vector. Dada la alta incidencia de contaminación mineral reportada en microanálisis de cloritas, y a que los modelos de ML dependen de la calidad de los datos, es necesario estudiar el problema de contaminación y establecer un criterio de control de calidad eficiente. En la primera parte de esta Memoria, se realizó un análisis detallado de la contaminación mineral y de los métodos de control de calidad actuales. Se utilizaron herramientas estadísticas clásicas y se evaluaron aspectos texturales, mineralógicos, analíticos, y mineraloquímicos. La búsqueda de vectores de contaminación y de cambios en los patrones de distribución de elementos químicos, observados en diagramas de dispersión, permitieron reconocer y caracterizar la contaminación por titanita, rutilo, circón, entre otros. Además, permitió discutir la variabilidad química de Ti, Zr, Ca, K y Na en microanálisis de cloritas. Los hallazgos encontrados fueron incorporados en la etapa de depuración de los análisis de cloritas de El Teniente, recopilados para su modelamiento con ML. En la segunda parte, se realizó un análisis exploratorio y se construyeron los siguientes modelos, utilizando algoritmos de ML: dos modelos para clasificar el color de interferencia de la clorita, uno a partir de su composición mayoritaria y variables cristaloquímicas, y otro a partir de los análisis LA-ICP-MS; un modelo para clasificar la zona de sulfuros en la que se encuentra una clorita, a partir de los análisis LA-ICP-MS; un modelo regresivo para predecir la distancia al centro de El Teniente a una muestra de clorita, a partir de su composición química. Todos los modelos fueron construidos utilizando variables (cristalo-)químicas de la clorita como variables predictoras. Para los modelos de clasificación se utilizó el algoritmo CART y solo se incluyeron las cloritas del Adit 71. El modelo regresivo utilizó los análisis LA-ICP-MS de cloritas de El Teniente de ambos trabajos, y se abordó mediante el algoritmo Random Forest (RF). El color de interferencia de la clorita se relacionó con la proporción de Fe en el sitio M1, el cual distingue el verde-grisáceo del azul-violeta. El color marrón-anaranjado fue reconocido por enriquecimientos sutiles en Ni+Zn a razones Fe/Mg intermedias; el comportamiento de Ni y Zn en las cloritas de este color es similar al de otros metales de transición divalentes (ej. Mn), y coincide con un empobrecimiento de cationes trivalentes. Dado que estos elementos varían con la distancia al centro de pórfidos de cobre, el color de interferencia de la clorita es una potencial herramienta de vectorización de bajo costo. Los halos sulfurados fueron clasificados mediante la razón Ti/Na, V y Co: el halo de mena se distingue por altos contenidos de V y bajas razones Ti/Na, mientras que mayores razones Ti/Na y bajos contenidos de Co son característicos de las cloritas del halo pirítico. Un análisis posterior sugiere que la clorita monitorea los procesos de mineralización metálica, al hospedar Co (y posiblemente otros metales) en ausencia de sulfuros, deprimiéndose en este elemento cuando co-cristaliza con pirita. El modelo de regresión permitió disminuir cerca de tres veces el error de la regresión simple de Wilkinson et al. (2020), siendo las variables más importantes el Ti y Sr; este modelo considera tanto el gradiente termal del depósito como los procesos de mineralización metálica, haciéndolo robusto frente a sistemas infértiles. Al reentrenar el modelo regresivo con datos de cloritas y epidotas, se obtuvieron mejores rendimientos, reconociéndose el potencial de una aproximación multi-mineral en la exploración. En conclusión, los algoritmos de ML permiten expandir el conocimiento de los factores que controlan la composición química de la clorita, así como mejorar el uso de este mineral como herramienta de vectorización.