Probabilistic three-dimensional mineralogical characterisation of drill core using μXRF and XCT: application to the Nautanen North IOCG deposit

Diep onder de grond, waar de aardkorst de belofte van koper, goud en andere metalen inhoudt, vertrouwen geologen op lange, cilindrische gesteenteprofielen die boorkernen worden genoemd om te begrijpen wat er zich onder het oppervlak bevindt. Om deze gesteenten te kunnen interpreteren, moeten ze niet alleen weten welke elementen aanwezig zijn, maar ook precies welke mineralen deze vasthouden, hoe die mineralen zijn gerangschikt en hoe ze met elkaar interageren. Deze gedetailleerde kennis, bekend als geometallurgie, is cruciaal omdat de manier waarop een gesteente uiteenvalt en waardevolle metalen vrijgeeft, volledig afhangt van de interne textuur en samenstelling. Traditioneel moesten wetenschappers kiezen tussen twee imperfecte methoden: chemische tests die vertellen wat de totale hoeveelheid van een element is maar de structuur van het gesteente vernietigen, of hoogresolutie scans die de oppervlakte in detail laten zien maar niet in het gesteente kunnen kijken zonder het in stukken te snijden. De uitdaging is altijd geweest om het gedetailleerde oppervlaktebeeld te verbinden met de verborgen driedimensionale binnenkant zonder het monster te vernietigen.

Een team van onderzoekers heeft een nieuwe manier ontwikkeld om dit puzzelstukje op te lossen door twee krachtige beeldvormingstechnieken te combineren met een slim computermodel. Ze namen vier monsters van boorkernen uit de Nautanen North-afzetting in Noord-Zweden, een locatie die bekend staat om zijn complexe mengsel van mineralen en intense geologische geschiedenis. Eerst gebruikten ze een gespecialiseerde scanner genaamd micro-röntgenfluorescentie om de chemische samenstelling van het blootgestelde oppervlak van het gesteente in kaart te brengen, waardoor een gedetailleerde tweedimensionale kaart van de aanwezige mineralen ontstond. Vervolgens gebruikten ze röntgentomografie, een technologie vergelijkbaar met een medische CT-scan, om een volledig driedimensionaal digitaal model van dezelfde gesteentemonsters te maken, dat laat zien hoe röntgenstralen door de binnenkant van het gesteente gaan. De doorbraak kwam toen ze een computerprogramma leerden om de patronen in de driedimensionale scan te herkennen die overeenkwamen met de mineraalkaarten op het oppervlak. Door te leren van het oppervlak, leerde de computer te voorspellen welke mineralen zich net onder de huid van het gesteente verborgen, waardoor de tweedimensionale kaart effectief werd uitgebreid naar de derde dimensie.

De onderzoekers ontdekten dat deze methode goed werkt voor sommige mineralen, maar moeite heeft met andere, afhankelijk van hoe onderscheidend hun interne kenmerken zijn. Het computermodel was zeer nauwkeurig bij het identificeren van de meest voorkomende mineralen, die de bulk van het gesteente vormen, en kon ook betrouwbaar grote, duidelijke kristallen van granaat en kwarts opsporen. Het ondervond echter aanzienlijke problemen bij het onderscheiden van verschillende soorten ijzerhoudende mineralen, zoals diverse sulfiden en oxiden. Dit komt doordat deze mineralen er voor de röntgenscanner erg hetzelfde uitzien, waardoor ze overlappende signalen produceren die moeilijk te scheiden zijn, vooral wanneer ze in fijne korrels gemengd zijn. In plaats van een enkele, potentieel foutieve conclusie af te dwingen, werd het systeem ontworک om een waarschijnlijkheid te geven, waardoor de geoloog kan zien hoe zeker het is in zijn voorspelling en waar de onzekerheid ligt. Deze aanpak stelt wetenschappers in staat om niet alleen een statische kaart te zien, maar een dynamisch beeld van waar de samenstelling van het gesteente duidelijk is en waar deze ambigu blijft.

De studie toonde aan dat dit probabilistische kader erin slaagde om de minerale verdelingen door het volume van een boorkern te voorspellen, en niet alleen aan het oppervlak. Wanneer de onderzoekers het getrainde model toepasten op de binnenkant van een gesteentemonster, bleven de voorspellingen consistent en coherent naarmate ze dieper in het gesteente gingen, waarbij de ruimtelijke patronen die op het oppervlak werden waargenomen, behouden bleven. Het systeem genereerde een driedimensionaal volume gevuld met waarschijnlijkheidsvelden, die lieten zien welke minerale groepen waarschijnlijk aanwezig waren op elk punt in de kern. Hoewel het model het meest betrouwbaar was in de stabiele binnenkant van het gesteente, nam de zekerheid nabij de gebogen achterrand waar het gesteentemonster eindigde natuurlijk af, een gedrag dat de beperkingen van de data correct reflecteerde in plaats van een falen van de methode. Dit vermogen om een continu, driedimensionaal beeld van de mineralogie te genereren vanuit beperkte oppervlaktedata biedt een krachtig nieuw instrument voor mijnbouwbedrijven. Het stelt hen in staat om waardevolle zones en potentiële verwerkingsuitdagingen diep in een kern te identificeren zonder de kern in stukken te hoeven snijden, waardoor het monster behouden blijft voor verdere tests terwijl een veel rijker begrip van de interne structuur van de ertslichaam wordt verkregen.

Het succes van deze methode berust op het feit dat verschillende mineralen op unieke manieren met röntgenstraling interageren, wat een signatuur creëert die de computer kan leren herkennen. De onderzoekers waren echter voorzichtig om te vermelden dat dit geen perfect identificatiesysteem is voor elk afzonderlijk mineraal. Het model groepeert mineralen in bredere categorieën op basis van hoe ze zich in de scan gedragen, in plaats van te proberen elke specifieke soort te benoemen, wat onmogelijk zou zijn gezien de overlappende signalen. Zo behandelt het systeem een mengsel van ijzeroxiden en sulfiden als één groep, omdat hun röntgensignalen te veel op elkaar lijken om op de schaal van de scan betrouwbaar te scheiden. Deze beperking is geen fout in de technologie, maar een realistische erkenning van de betrokken fysica. Door zich te richten op deze bredere, meer onderscheidbare groepen, creëerden de onderzoekers een systeem dat robuust genoeg is om bij verschillende gesteentemonsters te werken, zelfs wanneer de specifieke minerale mix van het ene gat naar het andere verandert.

De studie benadrukte ook het belang van de voorbereiding en validatie van de gegevens. De onderzoekers gebruikten een strikte testmethode waarbij ze de computer trainden op drie gesteentemonsters en testten op een vierde monster dat het nog nooit eerder had gezien. Dit zorgde ervoor dat het model algemene regels over de structuur van het gesteente leerde, in plaats van alleen de specifieke patronen van de trainingsmonsters te memoriseren. De resultaten toonden aan dat het model inderdaad zijn kennis kon overdragen naar nieuwe, onbekende gesteenten, waarbij het de dominante minerale groepen in de testmonsters correct identificeerde. Deze kruis-monster betrouwbaarheid is essentieel voor praktische toepassing, aangezien geologen erop moeten kunnen vertrouwen dat de patronen die uit het ene boorgat zijn geleerd, ook voor het volgende zullen gelden. De studie bevestigde dat hoewel de computer de verborgen structuur van het gesteente kan leren zien, hij daarvoor wel geleid moet worden door echte, fysieke data van het oppervlak.

Uiteindelijk vormt dit werk een brug tussen de gedetailleerde, tweedimensionale wereld van oppervlaktemineralogie en de complexe, driedimensionale realiteit van de ondergrondse ertslichaam. Het vervangt niet de noodzaak voor gedetailleerde chemische analyse of fysieke tests, maar het biedt een manier om de gaten tussen die tests op te vullen. Door een continu, driedimensionaal kaart van minerale groepen te genereren, samen met een mate van vertrouwen voor elke voorspelling, geeft het kader geologen een nieuwe manier om de variabiliteit van het gesteente te visualiseren. Dit helpt bij het nauwkeuriger definiëren van geologische zones en het selecteren van de meest representatieve monsters voor verdere tests. Het vermogen om in het gesteente te kijken zonder het te vernietigen, terwijl men tegelijkertijd de grenzen begrijpt van wat er te zien is, vertegenwoordigt een belangrijke stap voorwaarts in de manier waarop we de hulpbronnen die zich onder onze voeten bevinden, karakteriseren.