Dados da Submissão

Título

Classificador geoquímico de granitos "Tipo I" e "Tipo S" utilizando modelos SVM - Machine Learning

Texto do resumo

Os granitoides exibem aspectos estruturais, texturais, mineralógicos e geoquímicos altamente variáveis, o que demonstra que estas rochas podem ter sua origem associada à diversos processos petrogenéticos e ocorrem nos mais distintos ambientes geotectônicos. Essa diversidade proporcionou o surgimento de uma série de classificações para os granitoides. Sendo uma das mais importantes a classificação em granitos “Tipo I” e “Tipo S”, uma classificação clássica que introduz o conceito da dualidade dos granitos e leva em consideração sua gênese. Considerando que as principais metodologias que adotam análises litogeoquímicas são anteriores à década de 1990 e consideram apenas 2 ou 3 elementos para a classificação, este trabalho se propõe a treinar um modelo de classificação para granitos tipo I e S com base em todos os óxidos e em alguns elementos traços e terras raras. Para isso, foram compiladas análises litogeoquímicas de trabalhos consagrados nos dois tipos de granitos. Foram testados 3 modelos de Machine Learning para classificação supervisionada (Decision Tree, Random Forest e SVM), sendo adotado o modelo SVM por apresentar as melhores métricas de avaliação. A seleção dos melhores parâmetros para o modelo foi feita com o GridSearchCV, da biblioteca sklearn. Os melhores parâmetros encontrados para o modelo são: Kernel polinomial; C=10, dregree = 4; Gamma=0,01. Foram treinados três modelos distintos, sendo eles: Modelo A - Apenas com os óxidos: SiO2, Al2O3, Fe2O3, MgO, CaO, Na2O, K2O, TiO2, P2O5 e MnO. Modelo B - Óxidos + elementos traços: SiO2, Al2O3, Fe2O3, MgO, CaO, Na2O, K2O, TiO2, P2O5, MnO, Rb, Ba, Sr, Zr, Y e Nb. Modelo C - Óxidos + elementos traços + 1 ETR: SiO2, Al2O3, Fe2O3, MgO, CaO, Na2O, K2O, TiO2, P2O5, MnO, Rb, Ba, Sr, Zr, Y, Nb e La. OS resultados para o mModelo A foram: Acurácia da classificação: 0,8911; Erro da classificação: 0,1089; Precisão: 0,8679; Recall: 0,9200; ROC AUC: 0,8923. Para o modelo B os resultados foram: Acurácia da classificação: 0,9307; Erro da classificação: 0,0693; Precisão: 0,9057; Recall: 0,9600; ROC AUC: 0,9320. Para o modelo C os resultados foram: Acurácia da classificação: 0,9604; Erro da classificação: 0,0396; Precisão: 0,9434; Recall: 0,9804; ROC AUC: 0,9613. As métricas de avaliação demonstram que o melhor modelo é o Modelo C, que abrange todos os óxidos, alguns elementos traços e um elemento terra rara (La). Mesmo o Modelo A, que apresentou os piores resultados, demonstra grande capacidade para classificação de granitos. Algum erro é esperado na classificação dos granitos, uma vez que, quanto mais evoluído for o magma, mais semelhanças os dois tipos de granitos apresentam.

Palavras Chave

Support Vector Machines; Classificação de granitos; Machine Learning