XRF tabanlı nikel laterit sınıflandırması için makine öğrenmesi modellerinin geliştirilmesi ve analitik uygulamanın tasarlanması

Nikel, özellikle paslanmaz çelik sektörü ve net sıfır emisyon politikaları kapsamındaki batarya geliştirme çalışmalarıyla küresel talebi sürekli artan kritik bir metaldir. Dünyanın ana nikel kaynağı olan nikel laterit yatakları, tropikal iklimlerde ultramafik kayaçların yoğun ayrışmasıyla oluşur. Bu yatakların dikey profilinde yer alan Fe bakımından zengin limonitik zon ile Mg ve Si açısından zengin saprolitik zon arasında yapılan doğru sınıflandırma, verimli işleme rotalarının belirlenmesi açısından hayati öneme sahiptir. Bu araştırma, Dalga Boyu Dağılımlı X-Işını Floresans (WDXRF) analizinden elde edilen kimyasal bileşim verilerini kullanarak nikel laterit cevherlerinin otomatik ve nesnel bir şekilde sınıflandırılması için makine öğrenmesi tabanlı bir metodoloji geliştirmeyi ve doğrulamayı amaçlamaktadır. Araştırmanın metodolojisi, 524 laterit örneğinden oluşan bir veri setini kullanmaktadır. Veri seti üzerinde yapılan tanımlayıcı istatistiksel analiz, ortalama %1,16 Ni, %32,11 Fe ve %4,15 Mg konsantrasyonları ile laterit yatağının heterojen kimyasal yapısını ortaya koymuştur. Korelasyon ısı haritası, Fe ile Cr arasında çok güçlü pozitif (r = 0,94) ve Mg ile Fe arasında çok güçlü negatif (r = -0,95) ilişkiler gibi karmaşık element etkileşimlerini göstermiş, bu da çok değişkenli analizlerin gerekliliğini vurgulamıştır. Veriler, denetimsiz K-means ve dört denetimli sınıflandırma modeli - Rassal Ormanlar (RF), Gradyan Artırma Sınıflandırıcısı (GBC), Destek Vektör Makineleri (SVM) ve Çok Katmanlı Algılayıcı (MLP) - ile analiz edilmiştir. Araştırmanın sonuçları, optimum küme sayısının belirlenmesinde kullanılan Elbow yönteminin K=3 noktasında belirgin bir dirsek oluşturduğunu ve bu bulgunun Silhouette skorunun pratik yorumuyla da desteklenerek jeokimyasal olarak tutarlı üç kümenin varlığını doğruladığını göstermiştir: Bu üç küme limonit, saprolit ve geçiş zonu olarak tanımlanmıştır. Denetimli modellerin değerlendirilmesinde, topluluk tabanlı yöntemler olan RF ve GBC, %100'lük kusursuz bir doğruluk, kesinlik ve F1-skoru ile mutlak bir üstünlük sergilemiştir. SVM ve MLP modelleri de sırasıyla %96 ve %94'lük çok iyi performans göstermesine rağmen, jeokimyasal olarak birbirine yakın sınıfları ayırt etmede küçük hatalar vermiştir. Tüm modellerde nikel içeriğinin en belirleyici özellik olarak öne çıkması, makine öğrenmesi sürecinin jeolojik geçerliliğini doğrulamıştır. Araştırmanın zirve noktası olarak, performansı kanıtlanan RF modeli, fonksiyonel bir web uygulamasına başarıyla entegre edilmiştir. Bu çalışma, makine öğrenmesinin, karmaşık cevher sınıflandırma sürecini hızlı, nesnel ve otomatik bir prosedüre dönüştürmek için güvenilir bir çözüm sunduğunu kanıtlamaktadır ve böylece madencilik endüstrisinde kaynak değerlendirmesinin verimliliğini artırmak için büyük bir potansiyele sahip pratik bir prototip ortaya koymaktadır.