شناسایی زون‌های کانی‌سازی عمیق و زون‌های فرسایش یافته با استفاده از آنومالی‌های فرکانسی ژئوشیمیایی و مقایسه آن با روش زونالیته

نوع مقاله: مقاله پژوهشی

نویسنده

گروه مهندسی معدن، مجتمع آموزش عالی گناباد

10.29252/anm.2020.10682.1366

چکیده

تمایز زون‌های کانی‌زایی فرسایش یافته از مناطق کانی‌سازی پنهان یکی از چالش‌های مهم در اکتشاف ذخایر معدنی است. روش زونالیته ژئوشیمیایی و مدل‌های آلتراسیونی روش‌های سنتی هستند که به منظور اکتشاف ذخایر عمیق به ویژه کانی‌سازی‌های مس پورفیری و طلای رگه‌ای مورد استفاده قرار می‌گیرند. در این مطالعه ابتدا با استفاده از روش فرکتالی عیار-مساحت حد آستانه آنومالی را برای عناصر موثر در محاسبه شاخص‌های زونالیته در منطقه تنورچه مورد استفاده قرار گرفته است و در ادامه 4 شاخص مهم زونالیته بر روی داده‌های ژئوشیمیایی مورد استفاده قرار گرفته است. علاوه بر این روش‌های سنتی، با استفاده از تحلیل داده‌های ژئوشیمیایی در حوزه فرکانس نیز می‌توان به اطلاعات مفیدی در این زمینه دست یافت. با تحلیل آنومالی‌های فرکانسی در روش ضرایب فرکانسی عناصر می‌توان در خصوص ذخایر عمیق و زون‌های فرسایش یافته اظهار نظر نمود. در این مطالعه پتانسیل کانی‌سازی عمیق در یکی از بخش‌های منطقه کانی‌سازی مس و طلای کاشمر با استفاده از روش ضرایب فرکانسی عناصر مورد بررسی قرار گرفته و نتایج به دست آمده با روش زونالیته و اطلاعات گمانه‌های اکتشافی عمیق مورد مقایسه قرار گرفته است. روش ضرایب فرکانسی عناصر عدم وجود زون کانی‌سازی قابل توجه در عمق به ویژه برای عنصر مس را نشان می‌دهد. نتایج روش ضرایب فرکانسی عناصر بر خلاف روش زونالیته به خوبی به وسیله نتایج حفاری‌های عمیق مورد تایید قرار گرفته است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Identification of Deep Blind Mineralization and Dispersed Zones Using Geochemical Frequency Anomaly in Comparison with Zonality Method

نویسنده [English]

  • hossein Mahdiyanfar
Dept. of Mining, University of Gonabad, Gonabad, Iran
چکیده [English]

Summary
Discrimination of the dispersed mineralization zones and the blind mineralization area is an important challenge in minerals exploration. Geochemical Zonality method and alteration models are traditional methods that have been utilized for the exploration of deep ore deposits especially Cu porphyry and Au veiny deposits. In addition to these traditional methods, the situation of deep deposits and dispersed zones can be surveyed using a new method in the frequency domain of geochemical data. In this study, the potential of deep mineralization in one part of the Kashmar Au and Cu mineralization area has been surveyed by frequency coefficients method (FCM) and obtained results have been compared to the Zonality method and deep exploratory boreholes. The results of the newly proposed method have properly been confirmed using the results of deep drillings, unlike the Zonality method.
 
Introduction
Some researchers used the zonality method and alteration models for discrimination of blind Cu and Au mineralization and dispersed mineralization zones. The Zonality method has been utilized in the spatial domain of geochemical data. Several researchers have applied the Fourier transform for the interpretation of geochemical data in the frequency domain. In this study, the state of the art application of FCM, a new method in the frequency domain, for identification of deep disperse mineralization zone was shown and the results were compared to the traditional methods.
 
Methodology and Approaches
FCM as an effective technique in the frequency domain of geochemical data was applied for distinguishing of dispersed Au-Cu mineralization zone in this study. There are four-steps for FCM application as bellow:
Step 1: the transformation of geochemical data to the frequency domain
Step 2: application of several filter functions
Step 3: application of PCA method on frequency bands
Step 4: Delineation of frequency coefficients diagram
 
Results and Conclusions
In this research, the deep Cu-Au mineralization in the Kashmar area is surveyed by performing a novel frequency coefficient method based surface geochemical data and the traditional Zonality method. The Zonality method showed that there are deep Au and Cu mineralization zone in this area. While there is not any frequency anomaly in the FCM diagram. The frequency anomalies on the FCM diagram can be related to a geochemical anomaly in the spatial domain. FCM diagram can show the probability of mineralization at the depth. FCM diagram illustrated there is a non-mineralized zone at the depth. In the next step, drilled exploration boreholes showed there is not notably mineralization and concentration for Au and Cu at the depth. Therefore, these boreholes confirm the results of the proposed FCM approach against the Zonality method.

کلیدواژه‌ها [English]

  • Frequency anomaly
  • Fourier transform
  • Blind Mineralization
  • dispersed zone
  • fractal method

شناسایی و تمایز بین زون­های کانی‌سازی عمیق و زون‌های کانی­سازی فرسایش یافته یکی از مباحث مهم در اکتشافات معدنی است. این موضوع با لحاظ مواردی از قبیل نوع آلتراسیون، نوع کانی‌سازی و نحوه تهی­شدگی و غنی‌شدگی هاله­های ژئوشیمیایی مورد تحقیق و بررسی قرار می‌گرفته است [1]. با توجه به اینکه ویژگی‌های ژئوشیمیایی هاله­های اولیه ذخایر معدنی قابل استخراج است می­توان با استفاده از آنها اطلاعات اکتشافی مناسبی از ذخایر معدنی به دست آورد [2]. روش زونالیته ژئوشیمیایی که بر اساس توزیع عناصر در هاله‌های ژئوشیمیایی استوار است به عنوان معیاری جهت شناسایی کانی‌سازی‌های عمیق و کانی‌سازی‌های فرسایش یافته مورد استفاده قرار گرفته است [8-3].

[1]           Carranza, E.J.M., Sadeghi, M. (2012). Primary geochemical characteristics of mineral deposits - Implications for exploration, Ore Geology Reviews 45.1–4
 
 
[2]           Kekelia, S.A., Kekelia, M.A., Kuloshvili, S.I., Sadradze, N.G., Gagnidze, N.E., Yaroshevich, V.Z., Asatiani, G.G., Doebrich, J.L., Goldfarb, R.J., Marsh, E.E. (2008). Gold deposits and occurrences of the Greater Caucasus, Georgia Republic: their genesis and prospecting criteria. Ore Geol. Rev. 34, 369–386.
[3]           Grigorian, S.V. (1985). Secondary Lithochemical Halos in Prospecting for Hidden Mineralization. Nedra Publishing House, Moscow.
[4]           Grigorian, S.V. (1992). Mining Geochemistry. Nedra Publishing House, Moscow.
[5] Beus, A.A., Grigorian, S.V. (1977). Geochemical Exploration Methods for Mineral Deposits. Applied Publishing Ltd., Wilmette, Illinois. 287 p.
[6]           Distler, V.M., Yudovskaya, M.A., Mitrofanov, G.L., Prokof'ev, V.Y., Lishnevskii, E.N. (2004). Geology, composition, and genesis of the Sukhoi Log noble metals deposit, Russia. Ore Geol. Rev. 24, 7–44.
[7]           Gundobin, G.M. (1984). Peculiarities in the zoning of primary halos. J. Geochem. Explor. 21, 193–200.
[8] Ziaii, M., Carranza, E.J.M, Ziaei, M. (2011). Application of geochemical zonality coefficients in mineral prospectivity mapping. Comput. Geosci. 37, 1935–1945.
[9]           Shahi, H. (2017). Prediction of dispersed mineralization zone in depth using frequency domain of surface geochemical data. Journal of Mining and Environment, 8(3), pp.433-446.
[10]         Cao, L., Cheng, Q. (2012). Quantification of anisotropic scale invariance of geochemical anomalies associated with Sn-Cu mineralization in Gejiu, Yunan Province, China, Geochemical Exploration 122, 47–54.
[11]         Cheng, Q., Zhao, P. (2011). Singularity theories and methods for characterizing mineralization processes and mapping geo-anomalies for mineral deposit prediction. Geoscience Frontiers, 2(1), 67-79.
[12]         Cheng, Q., Xu, Y., Grunsky, E. (2000). Integrated Spatial and Spectrum Method for Geochemical Anomaly Separation, Natural Resources Research, Vol. 9, No.1.
[13]         Cheng, Q. (1999). Spatial and scaling modelling for geochemical anomaly separation. Journal of Geochemical Exploration 65, 175–194.
[14]         Hassani, H., Daya, A., Alinia, F. (2009). Application of a fractal method relating power spectrum and area for separation of geochemical anomalies from background. Aust J Basic Appl Sci, 3(4), 3307-3320
[15]         Zuo, R., Wang, J. (2015). Fractal/multifractal modeling of geochemical data: A review. Journal of Geochemical Exploration.
[16]         Zuo, R., Carranza, E.J.M., Cheng, Q. (2012). Fractal/multifractal modelling of geochemical exploration data. Journal of Geochemical Exploration 122, 1-3.
[17]         Zuo, R., Xia, Q., Zhang, D. (2013). A comparison study of the C-A and S-A models with singularity analysis to identify geochemical anomalies in covered areas. Applied Geochemistry 33, 165-172.
[18]         Wang, J., Zuo, R. (2015). A MATLAB-based program for processing geochemical data using fractal/multifractal modeling. Earth Science Informatics, 1-11.
[19]         Zuo, R. (2011). Decomposing of mixed pattern of arsenic using fractal model in Gangdese belt, Tibet, China. Applied Geochemistry 26, S271-S273.
[20]         Wang, H., Zuo, R. (2015). A comparative study of trend surface analysis and spectrum–area multifractal model to identify geochemical anomalies. Journal of Geochemical Exploration, 155, 84-90.
[21]         Zuo, R. (2011). Identifying geochemical anomalies associated with Cu and Pb–Zn skarn mineralization using principal component analysis and spectrum–area fractal the Gangdese Belt, Tibet (China). J. Geochemical Exploration. 111, 13-22.
[22]         Shahi, H., Ghavami, R., Kamkar Rouhani, A., Asadi-Haroni, H. (2014). Identification of mineralization features and deep geochemical anomalies using a new FT-PCA approach, journal of Geopersia, 4 (2), 101-110.
[23]         Shahi, H., Ghavami Riabi, R., Kamkar Ruhani, A. and Asadi Haroni, H. (2015). Prediction of mineral deposit model and identification of mineralization trend in depth using frequency domain of surface geochemical data in Dalli Cu-Au porphyry deposit. Journal of Mining and Environment, 6(2), pp.225-236.
[24]         Shahi, H., Ghavami, R., & Rouhani, A. K. (2016). Detection of deep and blind mineral deposits using new proposed frequency coefficients method in frequency domain of geochemical data. Journal of Geochemical Exploration.
[25]         Zarmehr Company. (2004). exploration report of Tnurcheh Au –Cu mineralization area, in Persian.
[26]         Ziaii, M., Carranza, E. J. M., & Ziaei, M. (2011). Application of geochemical zonality coefficients in mineral prospectivity mapping. Computers & geosciences, 37(12), 1935-1945.
[27]         Ziaii, M. (1996). Lithogeochemical Exploration Methods for Porphyry Copper Deposit in Sungun, NW Iran. Unpublished M.Sc. Thesis, Moscow State University (MSU), Moscow, 98 pp. (in Russian).
[28]         Ziaii, M., Pouyan, A.A., Ziaei, M. (2009). Neuro-fuzzy modelling in mining geochemistry: Identifications of geochemical anomalies, Journal of Geochemical Exploration 100, 25-26.
[29]         Davis, J.C., (2002), Statistics and Data Analysis in Geology,3rd ed. John Wiley & Sons Inc., NewYork, 550pp.
[30]         Hassanpour, S., & Afzal, P. (2013). Application of concentration–number (C–N) multifractal modeling for geochemical anomaly separation in Haftcheshmeh porphyry system, NW Iran. Arabian Journal of Geosciences, 6(3), 957-970.
[31]         Cheng, Q., Agterberg, F. P., Ballantyne, S. B. (1994). The separation of geochemical anomalies from background by fractal methods. Journal of Geochemical Exploration, 51(2), 109-130.
[32]         Dobrin, M.B. and Savit, C.H. (1998). Geophysical propecting: McGraw-Hill Book Co., New York, 867 P.
[33]         Bhattacharyya, B.K. (1966). Continuous spectrum of the total-magnetic-field anomaly due to a rectangular prismatic body. Geophysics. 31 (1): 97121.
[34]         Gonzalez, R.C. and Woods, R.E. (2002). Digital image processing. Prentice-Hall, Upper Saddle River, NJ. 793 P.