Prediction of lithium concentrations in Chilean thermal spring fluids

Abstract

Chile, conocido por su abundancia en recursos minerales y potencial geotérmico, fue el foco de esta tesis, desarrollada en el marco del proyecto chileno-alemán Brine-Mine. Este proyecto busca una tecnología innovadora que permita concentrar salmue-ras geotérmicas para recuperar minerales disueltos y producir agua dulce, aprove-chando la energía de las aguas termales. El presente estudio aplica una red neuronal artificial (ANN, por sus siglas en in-glés) para predecir concentraciones de litio en fluidos geotermales en Chile, utilizando datos geoquímicos históricos. Se recopilaron 825 muestras de aguas termales, seleccio-nándose 323 con parámetros esenciales (pH, coordenadas, concentraciones de sodio, magnesio, calcio, potasio, cloruro, litio, sílice, sulfato, boro y temperaturas tanto en superficie como en reservorio) para entrenar el modelo. El preprocesamiento de datos incluyó normalización e imputación de datos, optimizando el rendimiento mediante una arquitectura de 8 capas ocultas con 30 neuronas por capa, y se usó el 80% de los datos para entrenamiento y el 20% para validación, aplicando regularización y elimina-ción de outliers. El modelo mostró un gran desempeño, con un coeficiente de determinación de 0.99 y bajo error porcentual absoluto medio en muestras relevantes para la exploración de este mineral (>10 mg/L de litio). El análisis de variables destacó el sodio, cloruro, potasio y magnesio como factores clave en las predicciones, además, la sensibilidad del modelo evidenció la importancia de una base de datos amplia para mantener la preci-sión. En conclusión, esta metodología con ANN resultó efectiva para la predicción de litio, proporcionando una herramienta precisa para la exploración geotermal, con po-tencial de optimizar costos y tiempos en proyectos futuros en Chile, mediante una mi-nería verde.

Chile, known for its abundance of mineral resources and geothermal potential, was the focus of this thesis, developed within the framework of the Chilean-German BrineMine project. This project aims to create an innovative technology that allows for the concentration of geothermal brines to recover dissolved minerals and produce fresh water, harnessing the energy from thermal waters. The present study applies an artificial neural network (ANN) to predict lithium concentrations in geothermal fluids in Chile, using historical geochemical data. A total of 825 thermal water samples were collected, and 323 were selected based on essential parameters (pH, coordinates, concentrations of sodium, magnesium, calcium, potassium, chloride, lithium, silica, sulfate, boron, and temperatures both at the surface and in the reservoir) to train the model. Data preprocessing included normalization and data imputation, optimizing performance through an architecture with 8 hidden layers, each containing 30 neurons. 80% percent of the data was used for training and 20% for validation, applying regularization and outlier removal. The model demonstrated high performance, with a coefficient of determination of 0.99 and a low mean absolute percentage error for samples relevant to lithium exploration (>10 mg/L of lithium). The variable analysis highlighted sodium, chloride, potassium, and magnesium as key factors in the predictions. Additionally, the model’s sensitivity underscored the importance of a comprehensive database to maintain accuracy. In conclusion, this ANN methodology proved effective for lithium prediction, providing an accurate tool for geothermal exploration, with potential to optimize costs and time in future projects in Chile through green mining practices.