Ved hjelp av maskinlæring har forskere ved NGU generert et kart som viser de mest prospektive områdene med hensyn på en spesiell type malm øst i Vestfold og Telemark. Illustrasjon: NGU
– Det er vårt samfunnsoppdrag å levere gode, gratis tilgjengelige geologiske data. Produktene våre hjelper blant annet selskaper som leter etter mineralforekomster med å målrette sine undersøkelser. Nå jobber vi med å videreutvikle kartene ved å ta i bruk maskinlæring.
Det fortalte Pedro Acosta-Gongora, forsker i Seksjon for samfunnsgeologi ved Norges geologiske undersøkelse (NGU), da han holdt foredrag under Norsk Bergindustris Høstmøte i Stavanger i september.
Bakteppet er verdens økende behov for mineraler og metaller i det grønne skiftet, i en tid da fokuset på sikre leveranser i et geopolitisk perspektiv står i høysetet. Som en del av den nye mineralstrategien og EUs Critical Raw Materials Act, har myndighetene bedt NGU om å prioritere kartlegging i områder som kan være prospektive med hensyn på kritiske mineraler og metaller.
Et slikt område er øst i Vestfold og Telemark. Her finner vi den sørligste delen av Oslofeltet, en innsynkningsstruktur som var preget av riftdannelse og vulkansk aktivitet i senkarbon og perm.
Forskerne kjenner til at noen av de magmatiske bergartene i området fører malm som er rik på jern, titan, fosfat og sjeldne jordartsmetaller (Fe-Ti-P-REE-malm).
De vet også godt at kartlegging i felt kan være svært tidskrevende om det skal gjøres på detaljnivå, og at ressursene som er lettest å finne, trolig allerede er oppdaget.
– Prosjektet i den sørlige delen av Osloriften er ett av flere prosjekter der vi nå har undersøkt hvordan vi kan bruke kunstig intelligens på eksisterende data for å målrette fremtidig kartleggingsarbeid.
Forteller modellen hva som er prospektivt
Det er NGU-forsker Ying Wang som har ledet maskinlæringsstudien som NGU har utført i dette området, og sammen med sine kolleger har hun blant annet benyttet geofysiske datasett. De geofysiske dataene, som blant annet er basert på målinger av magnetisme og radioaktivitet, gir en pekepinn på hva slags bergarter og strukturer som befinner seg på overflaten og dypere ned i grunnen.
Disse dataene er kombinert med forskernes «støvler på bakken»-data: observasjoner og prøver fra felt.
Foredragsholderen forklarte at de i utviklingen av maskinlæringsprosessen matet alle dataene inn i en matematisk modell, der metoden var såkalt veiledet læring (supervised learning).
Kort fortalt er dette en prosedyre der modellen blir fortalt hvilken sammenheng det er mellom inngangsverdiene og utgangsverdiene. For eksempel at høye verdier av magnetisme i kombinasjon med lave verdier av det radioaktive grunnstoffet kalium sannsynliggjør tilstedeværelsen av den typen malm en forventer å finne i den sørlige delen av Oslofeltet.
Bergartsprøvene, mer enn 400 i tallet, var stemplet som «mineralisert» eller «ikke mineralisert», avhengig av om de inneholdt mer eller mindre enn fire vektprosent fosfat. Modellen kunne så regne seg frem til hvor de geofysiske og geologiske forholdene i kombinasjon var optimale med hensyn på å finne mamforekomster.
NGU-forskerne har for øvrig også benyttet ikke-veiledet læring (unsupervised learning) ved andre ML-prosjekter der datagrunnlaget først og fremst har vært geokjemiske data. Slike data kan ha svært mange parametere (ulike konsentrasjoner av en lang rekke grunnstoffer i jordprøver), og da kan ikke-veiledet læring være nyttig for å la maskinen finne ut av plausible sammenhenger på egenhånd, for eksempel ved å gruppere dataene i klynger.
Det fremtidsrettede kartleggingsteamet ved NGU har allerede publisert flere forskningsartikler på nybrottsarbeidet sitt.
Må valideres
Én av disse artiklene ble publisert i tidsskriftet Minerals i april 2024 med Wang som hovedforfatter, og denne publikasjonen inkluderer resultatet av maskinlæringsprosessen for Oslorift-prosjektet: et datagenerert prospektivitetskart som viser hvor en kan forvente å finne den fosfatrike malmen. Totalt ble 0,3 prosent av hele området merket som prospektivt av algoritmen.
Men slike modellutledete spådommer om mineralrikdommer må selvfølgelig valideres, og Acosta-Gongora kunne bekrefte at de har tatt flere «stikkprøver» i felt for å gjøre nettopp dette.
Ett eksempel var et område som ble markert som prospektivt like sør for og parallelt med den allerede kjente Fe-Ti-P-REE-malmforekomsten i Kodal. Ganske riktig oppdaget geologene mineralisering i området som modellen hadde pekt ut.
Studien viste imidlertid også at falske positive resultater kan forekomme. Ett område som var dominert av basaltbergarter ble stemplet som prospektivt, selv om basaltene ikke er kjente for å være vertsbergart for fosfatmalm. Dette mener forskerne kan skyldes at basalt kan gi de samme utslagene som malmen i de geofysiske dataene.
Dette understreker behovet for å bruke all tilgjengelig geologisk informasjon når en genererer og tolker mineralprospektivitetskart, og ikke minst at en erfaren malmleter bør kvalitetskontrollere sluttresultatet.
Like fullt har NGU-forskerne så langt demonstrert at maskinlæring kan være et nyttig verktøy for mer målrettet mineralkartlegging, og arbeidet fortsetter ved flere lokaliteter i landet. De skal også forsøke å innlemme flere datasett i fremtidige modeller.
Utsiktene til bedre kart fra NGU i de kommende årene vil ikke bare komme NGU-kartleggerne selv til gode, men selvfølgelig også leteselskapene som kan bli ledet i retning nye prospektive mål. Det kan på sikt bidra til at nye forekomster kan utvikles, i tråd med regjeringens og EUs ambisjoner om økt hjemlig produksjon av kritiske råmaterialer.
