Deep structural features in prospectivity mapping for epigenetic gold mineralization in the Red Lake – Stormy Lake region, Superior province.

Adiban, Parham (2021). Deep structural features in prospectivity mapping for epigenetic gold mineralization in the Red Lake – Stormy Lake region, Superior province. Mémoire. Québec, Maîtrise en sciences de la terre, Université du Québec, Institut national de la recherche scientifique, 143 p.

Prévisualisation

PDF Télécharger (285MB) | Prévisualisation

Résumé

Les gisements d'or épigénétique sont liés à des structures géologiques à différentes profondeurs de la croûte terrestre qui servent de conduits aux fluides hydrothermaux et carbonique-hydrothermaux. La province du Supérieur occidental au Canada abrite des gisements d'or de classe mondiale, comme dans le camp de Red Lake. Dans cette étude, des structures régionales profondes à angles élevés par rapport aux tendances lithologiques et structurelles générales ont été identifiées à partir de données aéromagnétiques, de pseudogravité et de gravité au sol filtrées pour accentuer les structures à différentes profondeurs. Par la suite, afin de produire un modèle statistique qui définit la relation spatiale entre les structures de cisaillement régionales et les gisements d'or épigénétiques, des algorithmes d'apprentissage automatique (spécifiquement les algorithmes Extreme Gradient Boosting et Random Forest) ont été entraînés sur une base de données comprenant une compilation des données géophysiques disponibles sur la zone d’étude ainsi que de nouvelles variables calculées par statistique spatiale sur ces mêmes données géophysiques. Le modèle XGBoost a permis d’identifier 85% à 88% des gisements connus dans la région avec une précision de 41%. L'évaluation du modèle à l'aide des Shapley Additive Explanations (SHAP) a classé les structures profondes à angle élevé par rapport à la tendance régionale comme étant plus importantes que les structures profondes parallèles à la tendance régionale. De plus, le SHAP a montré qu’il y avait une corrélation positive entre les structures profondes à angle élevé par rapport à la direction régionale et les gisements d'or connus, ce qui implique que les structures profondes ont fourni des conduits pour le fluide aurifère circulant du manteau à la croûte supérieure.

Epigenetic (lode or orogenic) gold deposits are linked to geological structures at different crustal depths that act as conduits for hydrothermal fluids. The western Superior province in Canada hosts world-class Au deposits such as the Red Lake gold camp. In this study, deep regional structures at high angles to general mapped lithological and structural trends are identified from enhanced aeromagnetic, pseudo-gravity, and ground gravity data. Machine learning algorithms (notably the Extreme Gradient Boosting and Random Forest algorithms) were trained using a compilation of the geophysical datasets and engineered datasets from buffer analysis and spatial statistics calculated over the geophysical datasets to produce a statistical model that defines the spatial relationship between the regional shear structures and epigenetic gold deposits. The Extreme Gradient Boosting model recovered 85% to 88% of known deposits in the region with a precision of 41%. Evaluation of the model using Shapley Additive Explanations (SHAP) ranked deep structures at a high angle to the regional trend higher than the deep structures parallel to the regional trend. In addition, the SHAP feature rankings showed a positive correlation between the deep structures at a high angle to the regional trend and known gold deposits, implying that deep structures provided conduits for auriferous fluid travelling from the mantle to the upper crust.

Type de document:	Thèse Mémoire
Directeur de mémoire/thèse:	Harris, Lyal
Co-directeurs de mémoire/thèse:	Gloaguen, Erwan
Mots-clés libres:	Red lake; stormy lake; structures profondes; prospectivité; d’or; épigénétique; apprentissage automatique; random forest ; extreme gradient boosting; deep structures; prospectivity; gold; epigenetic; machine learning
Centre:	Centre Eau Terre Environnement
Date de dépôt:	15 oct. 2021 18:15
Dernière modification:	24 janv. 2023 15:27
URI:	https://espace.inrs.ca/id/eprint/12058

Gestion Actions (Identification requise)

Modifier la notice