Tạp chí
 
Năm 2025
 
Số 6 [12 - 2025], Năm thứ XXXIV - Xem trước

Ứng dụng học máy và phương pháp Kriging trong nghiên cứu địa chất mỏ đất hiếm dạng hấp phụ ion

https://tapchi.hoimovietnam.vn/vi/archives?article=25062

  • Cơ quan:

    1 Liên đoàn Địa chất Xạ - Hiếm, Xuân Phương, Hà Nội, Việt Nam
    2 Viện Khoa học Địa chất và Khoáng sản, 67 Chiến Thắng, Hà Nội, Việt Nam
    3 Trường Đại học Mỏ - Địa chất, 18 Phố Viên, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 19-09-2025
  • Sửa xong: 18-10-2025
  • Chấp nhận: 20-10-2025
  • Ngày đăng: 01-12-2025
Trang: 13 - 22
Lượt xem: 225
Xem onlineXem online
Lượt tải: 5
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Mỏ đất hiếm dạng hấp phụ ion là loại hình khoáng sản có giá trị chiến lược, phân bố phổ biến trong các vỏ phong hóa tại vùng nhiệt đới ẩm. Tuy nhiên, việc đánh giá tài nguyên và phân vùng triển vọng đối với kiểu mỏ này còn gặp nhiều thách thức do đặc điểm phân bố phức tạp và dữ liệu thực địa hạn chế. Trong nghiên cứu này, các phương pháp hiện đại gồm nội suy địa thống kê Kriging và mô hình học máy như Random Forest (RF) và Support Vector Machine (SVM) đã được tích hợp để phân tích dữ liệu địa hóa và mô hình hóa phân bố tài nguyên đất hiếm (REE) trên diện tích khảo sát 10 km². Trên cơ sở 30 điểm mẫu thực nghiệm và lưới dữ liệu mô phỏng gồm 10.000 điểm, các mô hình học máy đã được huấn luyện để xác định vùng triển vọng theo hàm lượng REE_sum. Kết quả phân vùng cho thấy khu vực trung tâm có xác suất triển vọng cao, được cả hai mô hình RF và SVM đồng thuận. Phép nội suy Kriging cho thấy phân bố hàm lượng REE giảm dần từ trung tâm ra rìa với mức độ liên tục không gian cao. Dữ liệu cũng được chia theo block 500 m × 500 m để tính toán tài nguyên, với tổng tài nguyên ước tính đạt khoảng 11.300 tấn REE, chủ yếu tập trung tại các block trung tâm. Mô hình khối 3D đã được xây dựng nhằm hỗ trợ trực quan hóa và định hướng khai thác. Nghiên cứu này khẳng định hiệu quả của việc tích hợp phương pháp Kriging và các mô hình học máy (machine learning models) trong mô hình hóa không gian và đánh giá tài nguyên mỏ đất hiếm hấp phụ ion. Kết quả không chỉ có ý nghĩa phương pháp mà còn mang giá trị khoa học và thực tiễn, góp phần định hướng các nghiên cứu và điều tra tài nguyên đất hiếm (REE_sum) tại Việt Nam trong thời gian tới.

Trích dẫn
Trịnh Đức Thiện, Trịnh Đình Huấn, Hoàng Văn Dũng, Hoàng Thị Thoa và Ngô Xuân Đắc, 2025. Ứng dụng học máy và phương pháp Kriging trong nghiên cứu địa chất mỏ đất hiếm dạng hấp phụ ion, Tạp chí Công nghiệp Mỏ, số XXXIV, kỳ 6, tr. 13-22.
Tài liệu tham khảo

[1]. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.

[2]. Carranza, E. J. M. (2022). Machine learning for mineral exploration and resource assessment: Practical applications. Springer.[3]. Castor, S. B., & Hedrick, J. B. (2006). Rare earth elements. In J. E. Kogel, N. C. Trivedi, J. M. Barker, & S. T. Krukowski (Eds.), Industrial minerals and rocks (7th ed., pp. 769–792). Society for Mining, Metallurgy, and Exploration.

[4]. Cressie, N. (1993). Statistics for spatial data. Wiley-Interscience.

[5]. Goovaerts, P. (1997). Geostatistics for natural resources evaluation. Oxford University Press.

[6]. Grunsky, E. C., Mueller, U., & Corrigan, D. (2009). A study of the association between multi-element geochemistry and geology using multivariate analysis. Geochemistry: Exploration, Environment, Analysis, 9(1), 33–44.

[7]. Journel, A. G., & Huijbregts, C. J. (1978). Mining geostatistics. Academic Press.

[8]. Li, C., & Liu, G. (2015). Machine learning in mineral prospectivity mapping: A case study from China. Ore Geology Reviews, 71, 839–852.

[9]. Li, C., Li, J., Chen, W., et al. (2023). Application of machine learning in mineral prospectivity mapping: A case study of rare earth deposits in South China. Journal of Geochemical Exploration, 247, 107138.

[10]. Vapnik, V. N. (1998). Statistical learning theory. Wiley-Interscience.

[11]. Wackernagel, H. (2003). Multivariate geostatistics: An introduction with applications (3rd ed.). Springer.

[12]. Webster, R., & Oliver, M. A. (2007). Geostatistics for environmental scientists (2nd ed.). Wiley.

[13]. Xu, C., Pei, R., Zhang, W., Wang, R., & Hu, B. (2020). A review of rare earth mineral exploration in China. Ore Geology Reviews, 116, 103594.

[14]. Zuo, R. (2017). Machine learning in geochemical exploration: A review. Ore Geology Reviews, 91, 80–91.

Các bài báo khác