磁铁矿的微量元素记录其形成条件和源区特征，据此前人提出了多个磁铁矿成分的判别图解，并用以识别不同成因的矿床类型。但磁铁矿可能存在的复杂环带及可能遭受叠加改造作用（如溶解再沉淀或重结晶作用）会改变磁铁矿中元素的原始组成，导致无法正确提取关键信息，使得现有磁铁矿微量元素成分判别图解在实际使用时还存在很多问题。比如磁铁矿发育出溶结构和具有相对较高的Ti含量通常被当做判断岩浆成因磁铁矿最重要的依据，但近年来在一些高温热液矿床（如矽卡岩铁矿、斑岩铜矿、IOCG矿床）中也发现了具有出溶结构的高钛磁铁矿，这些相对高钛的磁铁矿与热液蚀变矿物紧密共生，为典型的热液成因，并使得现有的磁铁矿图解对高钛磁铁矿的成因判别基本失效。这一问题在玢岩铁矿（又称IronOxideApatite-IOA型铁矿）的研究尤为突出，这一类型矿床长期存在铁矿浆和热液交代两种截然不同的成因模型。因此，确定磁铁矿中的微量元素之间的关系及成因联系，对于正确提取关键元素，优化已知的判别图解和解决玢岩型铁矿床的成因问题均具有重要的科学意义。
2021届硕士毕业生胡斌和博士后曾丽平，在导师赵新福教授指导下，收集了全球典型高温成矿系统，包括岩浆成因矿床（钒钛磁铁矿、铜镍硫化物矿床）、高温热液矿床（斑岩铜矿、IOCG矿床）、IOA矿床及相关的岩浆岩中已发表的原生高钛磁铁矿的LA-ICP-MS元素数据（图1），对数据集进行了两种无监督方法（主成分分析[PCA]和t分布随机邻域嵌入[t-SNE]）的机器学习分析，通过大数据统计分析和建立机器学习模型，建立了不同成因高钛磁铁矿的微量元素组成特征。
图1:研究样品的分布情况
主要取得的认识如下：
1.对数据集中共计59种元素，建立了三个不同元素组合（模型1: Al, Ca, Co, Cr, Cu, Ga, Hf, Mg, Mn, Mo, Nb, Ni, Sc, Si, Sn, Ta, Ti, V, Y, Zn, Zr；模型2: Al, Co, Cr, Ga, Hf, Mg, Mn, Mo, Nb, Ni, Sn, Ta, Ti, V, Zn, Zr；模型3: Al, Co, Mn, Ti, V）的机器学习模型来识别不同成因的磁铁矿，并通过支持向量机分类器（SVM）以及接受者操作特性曲线（ROC）对已建立的模型进行了进一步的评估其分类效能。通过不同模型的对比表明，机器学习的模型性能表现在矿物元素的研究中会受到噪声元素的干扰，保留高特征值的元素有助于优化模型（图2）。
图2:PCA和t-SNE的高钛磁铁矿模型。
PC1和PC2分别代表主成分（principal component）1和主成分2。A，D，G分别为模型1，2，3的PCA分析；B，E，H分别为模型中元素在PC1与PC2的特征值向量；C，F，I分别为模型1，2，3的t-SNE分析。
2.研究结果表明IOA矿床中高钛磁铁矿的成分无论从元素含量或者微量元素之间的相关性上和高温岩浆热液成矿系统（包括IOCG和斑岩矿床）中的高钛磁铁矿具有十分相似的特征，而与典型的岩浆成因磁铁矿间存在明显的差异。最后结合地质认识和模型结果，提出新的高钛磁铁矿的判别图解。
3.我们的研究表明Mg、Mn、Al、Ti、V、Co等元素可以较好的区分不同成因的高钛磁铁矿，在此基础上，我们进一步的将降维结果转换成一般形式的元素组合，并提出新的lg(Al)+lg (Ti)+lg(V) vs lg(Mn)/[lg(Co)+lg(Mg)]判别图解，用以区分岩浆和热液成因的高钛磁铁矿（图3）。新的判别图解可以避免原有判别图解带来的问题，在指示磁铁矿成因类型等方面提供更加丰富和准确地解释。
图3:本次研究新提出的针对高钛磁铁矿的判别图解
备注：位于横坐标轴上的样品点为缺少相应元素值的非可用数据点。
论文信息
以上研究成果于近期发表在矿床学领域国际著名期刊Economic Geology:
Bin Hu, Li-Ping Zeng, Wang Liao, Guang Wen, Hao Hu, Martin Yan Hei Li, Xin-Fu Zhao; The Origin and Discrimination of High-Ti Magnetite in Magmatic-Hydrothermal Systems: Insight from Machine Learning Analysis.Economic Geology2022; doi:https://doi.org/10.5382/econgeo.4946
作者简介
胡斌，本科和硕士均毕业于太阳成集团的官方网站（武汉），攻读硕士学位期间师从赵新福教授，目前在澳大利亚莫纳什大学攻读博士学位。主要从事铁矿床成矿过程，实验岩石学，热力学模拟的研究工作。
