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

Abstract

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.Nickel is a crucial metal with continuously increasing global demand, primarily driven by the stainless-steel sector and battery development for net-zero emission policies. Nickel laterite deposits, formed from the intensive weathering of ultramafic rocks in tropical climates, are the world's main source of nickel. Accurate classification between the Fe-rich limonitic zone, and Mg- and Si-rich saprolitic zone within these vertical profiles is vital for determining efficient processing routes, such as High-Pressure Acid Leaching (HPAL) for limonite or pyrometallurgy for saprolite. This research aims to develop and validate a machine learning-based methodology for the automatic and objective classification of nickel laterite ores using chemical composition data from Wavelength Dispersive X-Ray Fluorescence (WDXRF) analyses. The research methodology utilized a dataset of 524 laterite samples. Descriptive statistical analysis of the dataset revealed the heterogeneous chemical structure of the deposit, with average concentrations of 1.16% Ni, 32.11% Fe, and 4.15% Mg. Correlation heatmap analysis further indicated complex inter-element interactions, such as a very strong positive correlation between Fe and Cr (r = 0.94) and a very strong negative correlation between Mg and Fe (r = -0.95), confirming the necessity of a multivariate analysis approach. The data were analyzed using the unsupervised K-means algorithm and four supervised classification models: Random Forest (RF), Gradient Boosting Classifier (GBC), Support Vector Machine (SVM), and Multi-Layer Perceptron (MLP). The results show that the Elbow method, used to determine the optimal number of clusters, clearly formed an 'elbow' at K=3. This finding, supported by the practical interpretation of the Silhouette score, confirmed the existence of three geochemically consistent clusters: the limonite, saprolite, and transition zone profiles. In the evaluation of supervised models, the ensemble methods (RF and GBC) demonstrated absolute superiority by achieving a perfect 100% accuracy, precision, and F1-score. The SVM and MLP models also performed very well, with accuracies of 96% and 94%, respectively, but showed minor errors in distinguishing between adjacent classes. Feature importance analysis consistently highlighted nickel content (%Ni) as the most dominant predictor across all models, confirming the geological validity of the machine learning process. As the culmination of the research, the top-performing RF model was successfully implemented into a functional web application. This study proves that machine learning offers a reliable solution to transform the complex ore classification process into a rapid, objective, and automated procedure, thus presenting a practical prototype with significant potential to enhance efficiency in the mining industry.