664033; ул. Фаворского, 1А,; Иркутск
Alexandra S. Myasnikova
664033; 1A Favorsky st.; Irkutsk
664033; ул. Фаворского, 1А,; Иркутск
Roman Yu. Shendrik
664033; 1A Favorsky st.; Irkutsk
664033; ул. Фаворского, 1А,; Иркутск
Igor A. Eliseev
664033; 1A Favorsky st.; Irkutsk
664033; ул. Фаворского, 1А,; Иркутск
Olga I. Chachanagova
664033; 1A Favorsky st.; Irkutsk
664033; ул. Фаворского, 1А,; Иркутск
Alexander M. Fedorov
664033; 1A Favorsky st.; Irkutsk
664033; ул. Фаворского, 1А,; Иркутск
Alexander I. Nepomniyschikh
664033; 1A Favorsky st.; Irkutsk
Объект исследования. Кварциты из различных участков Восточно-Саянского кварценосного района.
Цель. Целью данного исследования является применение методов машинного обучения для эффективной классификации образцов кварцитов по их химическому составу, включая идентификацию ключевых микроэлементов, таких как марганец, и выявление геохимических различий между образцами.
Материалы и методы. В исследовании использовались данные химического анализа 776 образцов кварцита, которые были подвергнуты интерпретации с помощью методов машинного обучения. В качестве методов были применены стандартные техники предварительной обработки данных, такие как нормализация, а также аугментация данных с использованием SMOTE для решения проблемы дисбаланса классов. В итоге был выбран алгоритм CatBoost, который показал высокую точность классификации.
Результаты. Результаты кросс-валидации показали, что алгоритм CatBoost достиг точности классификации до 97 %. Важность признаков указывает на то, что марганец является ключевым элементом в классификации образцов, в то время как такие элементы, как алюминий и калий, оказывают вспомогательное влияние. Также успешно проведен анализ классификации по цвету кварцитов с точностью до 0.94.
Выводы. Исследование демонстрирует эффективность применения методов машинного обучения для анализа химического состава кварцитов, предоставляя новые возможности для геохимических и археологических исследований.
Research subject. Quartzites from Different Sites of the East Sayan Quartz-Bearing Region.
Aim. The aim of this study is to apply machine learning methods to effectively classify quartzite samples by their chemical composition, including the identification of key trace elements such as manganese and the detection of geochemical differences between samples.
Materials and methods. The study used chemical analysis data from 776 quartzite samples, which were interpreted using machine learning methods. Standard data preprocessing techniques such as normalization were applied as well as data augmentation using SMOTE to solve the class imbalance problem. As a result, the CatBoost algorithm was selected, which showed high classification accuracy.
Results. Cross-validation results showed that the CatBoost algorithm achieved classification accuracy of up to 97 %. The importance of features indicates that manganese is a key element in the classification of samples, while elements such as aluminum and potassium have a supporting effect. The analysis of the classification by color of quartzites with an accuracy of 0.94 was also successfully carried out.
Conclusions. The study demonstrates the effectiveness of applying machine learning methods to the analysis of the chemical composition of quartzites, providing new opportunities for geochemical and archaeological research.
The authors declare that there are no conflicts of interest present.