Dyktige geovitere og kunstig intelligens har skapt et nytt kart for mineralleting i deler av Vestfold. Her er det blant annet påvist et nytt mulig prospektivt område sør for tettstedet Kodal i Sandefjord.
- Kartet kan vise seg å bli et svært nyttig verktøy for å påvise mineralressurser vi ennå ikke har funnet, sier en optimistisk seksjonsleder Kari Aslaksen Aasly ved Norges geologiske undersøkelse (NGU). Resultatet av arbeidet er publisert i det vitenskapelige tidsskriftet Minerals.
Høy etterspørsel
Sju NGU-forskere, med Ying Wang og Nolwenn Coint i spissen, har brukt store mengder geologiske og geofysiske data, kombinert med geofaglig kompetanse og maskinlæring, for nettopp å lage et slikt prospekteringskart.
Bakteppet er den høye etterspørselen etter kritiske og strategiske råvarer; mineraler og metaller med høy forsyningsrisiko og stor betydning for europeisk industri. Det grønne skiftet og overgangen til bærekraftige, fornybare energikilder krever tilgang til mye og nye ressurser. EUs liste over kritiske og strategiske råvarer omfatter 34 mineraler og metaller.
I likhet med mange andre land legger Norge til rette for økt innsats i både kartlegging og leting etter mineralske råvarer, og for en bærekraftig utvinning og produksjon av ressursene.
Størkningsbergarter
- Vi har konsentrert oss om et litt utvidet område rundt Larvik og Sandefjord i Vestfold, i de sørlige delene av det vi geologer kaller Oslo-feltet, forteller forsker Nolwenn Coint.
Området er godt geologisk kartlagt. Berggrunnen består av størkningsbergarter; det som også heter magmatiske bergarter. Kodal-forekomsten av jern, titan, fosfor og sjeldne jordarter i Sandefjord er også kjent og solid dokumentert.
- Vi har kombinert alle relevante kart og data vi har fra området; fra berggrunnskartlegging, kartlegging av mineralressursene, og resultater av geofysiske målinger fra fly og helikopter. Vi har samtidig analysert 429 prøver, hvorav 23 er mineraliseringer av jern, titan, fosfat og sjeldne jordarter, opplyser Coint.
Kunstig intelligens
Så har forskerne tatt i bruk maskinlæring, en spesialisering innenfor kunstig intelligens (KI). De har matet alle opplysningene inn i en matematisk modell, «trent» den opp og bedt datamaskinene finne mønstre i de omfattende datamengdene.
- Et fint område å gjøre dette arbeidet i. Her har vi hatt mulighet til nettopp å kombinere datasett. Ettersom magmatiske bergarter inneholder mineralet magnetitt, gir det for eksempel utslag på magnetiske kart fra geofysiske undersøkelser. På samme måte gir grunnstoffene kalium, uran og thorium utslag på geofysiske kart som viser radioaktiv stråling, forklarer Coint.
Større forekomster
Hun understreker samtidig at det ferdige kartet er tolket og kvalitetssikret av kloke geologiske hoder.
- Vi vet at det kan være muligheter for større forekomster av jern, titan, fosfat og sjeldne jordarter i dette området. Vi har funnet nye mulige leteområder sør for den allerede kjente Kodal-forekomsten. Kartet sier imidlertid ingenting om hvor mye ressurser som finnes, men samlet sett mener vi at informasjonen er interessant for leteselskapene som jakter på malm, understreker NGU-forsker Nolwenn Coint.
Ref.: Ying Wang et al: Leveraging Domain Expertise in Machine Learning for Critical Metal Prospecting in the Oslo Rift: A Case Study for Fe-Ti-P-Rare Earth Element Mineralization. Minerals 2024, 14(4), 377; https://doi.org/10.3390/min14040377
