基于概率神经网络的智能找矿方法——以四川雅江县木绒锂矿为例

概率神经网络是一种分类准确率高、泛用性强、可以包容一定数量错误样本的人工神经网络,极其适合勘查地球化学找矿中的预测找矿靶区。本文以四川雅江县木绒锂矿为例,运用概率神经网络搭建智能找矿模型,以已知区的Li元素及与其相关性强的Rb-Cs-Al-Fe元素作为训练指标,对模型进行训练,经过多次训练后将Spread值确定为0.08,使模型在训练集和测试集的准确率均大于80%,实现非线性的指标与成矿潜力的对应,得到本矿区的PNN模型,然后对预测区的样本数据进行预测,成功圈定了1处靶区。为检验靶区准确性,以Li、Rb、Cs元素数据累计频率的80%作为异常下限,圈出的异常区域与靶区位置基本重叠。对预测区进行了实地查证工作,发现两条红柱石带,其中一条与靶区位置吻合,表明该神经网络模型准确性高,可用于矿产勘查的预测研究。     

基于CNN神经网络的煤层底板突水预测

为了提高煤层底板突水预测的准确性,建立了基于卷积神经网络的煤层底板突水预测模型。通过综合分析,确定了15个影响煤层底板突水的因素,将这些影响因素进行拼接组合,运用建立的深度计算结构模型对影响因素及其相互联系进行特征提取。用已知的115组数据对模型进行学习训练,并进行了预测。为验证模型的准确性,利用相同的数据对BP神经网络模型和LeNet-5模型进行训练,将建立的模型与BP神经网络模型和LeNet-5模型进行对比。结果表明:该模型通过加深模型的计算深度,综合考虑了影响底板突水因素间的相互联系,提高了突水预测准确性。基于卷积神经网络构建的模型可以对煤层底板突水进行预测,并且准确率相对较高。     

新疆西昆仑大红柳滩矿集区含锂伟晶岩脉识别与找矿预测

锂矿是新兴战略矿产资源。位于西昆仑造山带的大红柳滩地区是近几年中国新发现的又一世界级规模的锂多金属矿集区。矿集区自然条件差，常规的技术方法难以开展有效的伟晶岩脉识别，一定程度上影响了区域进一步找矿预测工作。文章在进行典型岩矿波谱实测分析的基础上，利用资源一号02D卫星（ZY1E）高光谱数据和高分二号（GF-2）高空间分辨率数据，识别有一定规模的伟晶岩脉；采用端员波谱法对ZY1E数据的矿物信息进行了提取，获取锂辉石、钠长石、白云母的端员波谱及空间分布范围，圈定锂矿化异常区，并识别含锂伟晶岩脉。基于ArcGIS平台，将锂矿化异常区与该矿集区内已知矿点叠加分析，发现矿化异常区范围与已知含锂伟晶岩脉矿点分布范围基本一致，以此为依据预测了一个新的找矿靶区，该方法可以作为类似高海拔、浅覆盖区开展伟晶岩型锂矿找矿预测有效的技术方法。     

大数据挖掘与智能预测找矿靶区实验研究——卷积神经网络模型的应用

成矿预测需要通过一定的规则集合将专家观点、地质背景、成矿类型等因素进行综合考虑。但由于受到人类实际计算能力的生物条件限制,影响找矿预测成果的最大因素是找矿者的经验知识。随着大数据时代的到来,成矿预测可充分利用数学计算,即以特定规则对成矿系统进行计算,以概率表示成矿前景。依靠计算机的超级运算能力,结合机器学习的方法技术,可以对地质大数据进行成矿预测特征学习,实现对众多地质变量与矿体相关性之间的验证,从而进行预测。本文以安徽东至兆吉口铅锌矿床为例,示范如何通过机器学习的卷积神经网络方法,学习元素Zn在地表的分布特征与矿体在地下空间就位的耦合关系,并圈定靶区。经过450次训练后,得到了准确率95%,损失率14%的CNN模型,并成功实现智能圈定3块找矿靶区。这种神经网络模型可能表达了矿体在地下就位时元素在地表分布的响应,可以用来进行找矿勘查并圈定靶区。     

基于语义分割深度学习的找矿靶区预测研究——以广东省阳江-茂名地区为例

找矿靶区预测需要综合考虑地质背景、地球化学数据、地球物理勘探数据、遥感数据等因素。随着人工智能时代的到来,靶区预测可以最大限度地利用计算机运算性能,通过特定的规则集成所有地学数据对各类矿种的找矿靶区进行预测,尽可能规避由于数据种类多、数据量大、方法复杂、主观性强造成的预测结果可靠性差等问题。本文以广东省阳江-茂名地区为例,融合地球化学、地层岩性、地质构造、地形地貌等数据,基于PSPNet、SegNet、UNet三种语义分割深度学习模型进行预测,结果表明PSPNet模型在预测精度方面优于SegNet及UNet模型,并预测出了55处铁矿、金矿、铜矿、高岭土矿找矿靶区,其中79.7%的已查明矿点位于预测靶区内,表明该方法在找矿靶区预测中具有较高的可行性,可以用于找矿勘查并圈定靶区。     

大地构造相方法在铜矿预测中的应用——以山东五莲-诸城地区为例

随着全国大地构造相划分方案日渐成熟,如何运用大地构造相方法找矿成为近几年的新课题。对此该文提出一种新的找矿思路：以已知矿产地的大地构造相（亚相）特征作为前提条件,结合已知矿产地地质、物化探找矿标志,在覆盖区圈定根据物化探特征推断出存在与已知矿产地具有相同或相似的岩石构造组合的地区,即为成矿预测区。该文以五莲一诸城地区为例,以五莲县七宝山铜矿作为已知矿产地,应用上述找矿思路,在诸城市瓦店镇附近圈定了铜矿预测区,该方法对其他矿种预测也有借鉴意义。     

西藏玉龙Cu成矿带及其外围地区异常结构模式找矿预测研究

铜矿作为重要的战略性矿产资源之一,备受国家的重视.西藏玉龙斑岩铜(钼)成矿带是中国最大的新生代斑岩铜矿带.纵观国内外重大找矿突破,找矿模式的建立和应用起到了重要的作用.区域地质地球化学异常结构模式找矿预测法已广泛应用于找矿预测评价中.中国的1∶20万和1∶25万区域地球化学调查在矿产勘查工作中发挥了巨大作用,取得了海量的地球化学数据.基于大数据思维,采用新的思路和技术,再挖掘、再开发这些区域地球化学调查数据,开展区域找矿预测评价,应该是实现新的找矿突破的一种重要有效途径.本文利用区域地球化学调查数据,以异常结构模式理论和方法为基础,以玉龙成矿带和已知矿田的区域地球化学异常结构模式为预测评价标准,对玉龙Cu成矿带及其外围地区进行找矿预测研究,划分出有找寻Cu(Mo)及多金属矿前景的7个预测成矿带和19个找矿预测区,显示出玉龙Cu成矿带及其外围地区还具有很大的找矿前景.     

智能矿产地质调查方法——以甘肃大桥-崖湾地区为例

在矿产地质调查理论与实践的基础上,提出一种智能矿产地质调查方法,指出智能矿产地质调查生态系统是与智能矿产地质调查相关的智能数据采集设备、应用、用户、标准、规范、智能地质调查云平台等组成部分及相互关系构成的完整系统。智能矿产地质调查的主要步骤包括：智能数据分析、重点工作区圈定、矿产地质数据采集、重点区野外工作、智能找矿预测等。提出了数据驱动与知识驱动相结合的找矿预测方法,集成了采用深度学习技术进行特征匹配找矿预测的方法和基于知识图谱的找矿预测方法。设计和基本实现了智能矿产地质调查云平台的架构与功能。应用特征匹配找矿预测方法在甘肃大桥-崖湾地区圈定了5个找矿预测区。     

全国斑岩型铜矿床的GIS定量评价预测

魔岩型铜矿是世界主要的铜矿类型,也是我国主要的铜矿床类型.其成矿时代以燕山期为主.矿床蚀变分带一般较明显.全国已知的斑岩型铜矿床大体上可分为3个成矿带,3个次要成矿带和若干零星斑岩铜矿床.本文将全国斑岩铜矿床划分为6个模型区,选择了12个预测变量,利用GIS矿产资源评价系统,对全国10个预测区进行评价,优选出3个找矿靶区.     

西藏班-怒成矿带多龙矿集区斑岩铜矿综合信息找矿预测

通过对西藏班-怒成矿带多龙矿集区的研究,提出了含矿花岗闪长斑岩的特征、构造与铜矿化体的关系、矿体围岩蚀变特征及找矿意义、矿体风氧化带特征、地层接触带与铜矿化的规律、铜矿化的物探异常特征、铜矿化的化探异常特征等8个成矿-找矿模型标志信息,组成找矿靶区定量预测数学模型的8个统计变量.针对区内地质工作基础较差的现实情况,将加权特征分析方法应用到多龙矿集区找矿靶区预测中,优选出10个具代表性的见矿钻孔,作为模型单元,对7个未知预测单元进行了定量预测,优选了找矿靶区.     

Soil geochemical prospecting prediction method based on deep convolutional neural networks-Taking Daqiao Gold Deposit in Gansu Province,China as an example

A method is proposed for the prospecting prediction of subsurface mineral deposits based on soil geochemistry data and a deep convolutional neural network model.This method uses three techniques(window offset,scaling,and rotation)to enhance the number of training data for the model.A window area is used to extract the spatial distribution characteristics of soil geochemistry and measure their correspondence with the occurrence of known subsurface deposits.Prospecting prediction is achieved by matching the characteristics of the window area of an unknown area with the relationships established in the known area.This method can efficiently predict mineral prospective areas where there are few ore deposits used for generating the training dataset,meaning that the deep-learning method can be effectively used for deposit prospecting prediction.Using soil active geochemical measurement data,this method was applied in the Daqiao area,Gansu Province,for which seven favorable gold prospecting target areas were predicted.The Daqiao orogenic gold deposit of latest Jurassic and Early Jurassic age in the southern domain has more than 105 t of gold resources at an average grade of 3-4 g/t.In 2020,the project team drilled and verified the K prediction area,and found 66 m gold mineralized bodies.The new method should be applicable to prospecting prediction using conventional geochemical data in other areas.     

Exploration feature selection applied to hybrid data integration modeling: Targeting copper-gold potential in central Iran

A Sugeno-type fuzzy inference system is implemented in the framework of an adaptive neural network to map Cu–Au prospectivity of the Urumieh–Dokhtar magmatic arc (UDMA) in central Iran. We use the hybrid “Adaptive Neuro Fuzzy Inference System” (ANFIS; Jang, 1993) algorithm to optimize the fuzzy membership values of input predictor maps and the parameters of the output consequent functions using the spatial distribution of known mineral deposits. Generic genetic models of porphyry copper–gold and iron oxide copper–gold (IOCG) deposits are used in conjunction with deposit models of the Dalli porphyry copper–gold deposit, Aftabru IOCG prospect and other less important Cu–Au deposits within the study area to identify recognition criteria for exploration targeting of Cu–Au deposits. The recognition criteria are represented in the form of GIS predictor layers (spatial proxies) by processing available exploration data sets, which include geology, stream sediment geochemistry, airborne magnetics and multi-spectral remote sensing data. An ANFIS is trained using 30% of the 61 known Cu–Au deposits, prospects and occurrences in the area. In a parallel analysis, an exclusively expert-knowledge-driven fuzzy model was implemented using the same input predictor maps. Although the neuro-fuzzy analysis maps the high potential areas slightly better than the fuzzy model, the well-known mineralized areas and several unknown potential areas are mapped by both models. In the fuzzy analysis, the moderate and high favorable areas cover about 16% of the study area, which predict 77% of the known copper–gold occurrences. By comparison, in the neuro-fuzzy approach the moderate and high favorable areas cover about 17% of the study area, which predict 82% of the copper–gold occurrences.     

面向成矿远景评价的MapGIS空间分析模型

以综合信息成矿远景预测评价模型（方法）分析为基础,通过对信息量法的改进,导出基于二态赋值与因子分析的线性加权法、加权闵可夫斯基距离法成矿远景综合评价模型;将信息量法等拓展为地质变量构置、筛选、赋值（变换）的方法,作为面向成矿远景定量预测评价GIS空间分析建模的依据（领域模型）;应用混合型空间模型法,构建了基于变量存在与否赋值的成矿远景定量预测评价MapGIS空间分析模型。以武夷山成矿带1∶5万长坑幅铁、铜、铅锌成矿远景预测为例,应用构建的模型,进行定量预测评价。共圈定铁、铜、铅锌成矿远景区12处,其中,A类3处、B类3处、C类6处。     

证据权模型中两种预测单元划分方式对比

证据权模型作为一种数据综合方法已被广泛应用于矿产资源定量预测与评价。在模糊证据权基础上,发展了基于地质单元思想的矢量证据图层构建和数据综合方法,并通过实例作具体阐述：它以矿点缓冲区图层作为训练图层,以各证据变量图层在空间上的叠置所形成的唯一地质单元作为评价对象,统一计算各个证据变量的证据权重,进而基于地质单元进行证据综合和后验概率成图。与基于栅格（或规则格网）的模型不同,基于矢量证据权模型以具有明确地质内涵的地质单元（而非规则网格单元）为预测单元,易于解释,并且消除了边界误差;相比基于规则格网划分所得到的成矿单元,以矿床（点）缓冲区作为训练对象,提高了已知矿点的代表性。实例表明：若预测单元大小为初始栅格大小整数倍,各缓冲等级平均面积计算误差为0.26%,否则面积平均误差达到6%;即使在预测单元大小为初始栅格大小整数倍情况下,矿点平均计算误差也达到4.78%。因此,基于地质单元思想的证据权预测单元划分方法在精度上优于基于栅格或规则格网方法。     

基于AlexNet网络的二维找矿预测——以松桃—花垣地区沉积型锰矿为例

在大数据的时代背景下,地质大数据逐渐趋于复杂化的模式与其间的空间关联性为基于机器学习算法的矿产资源定量预测带来了更大的挑战。利用深度卷积网络算法优异的分析性能来提取不同成矿条件下多种二维要素图层的空间分布特征与关联性是一项非常有意义的探索性实验。以松桃—花垣地区沉积型锰矿为例,利用深度卷积神经网络模型AlexNet挖掘Mn元素、沉积相、大塘坡组出露、断裂及水系的空间分布与锰矿矿床的就位空间的耦合相关性,以及不同的控矿要素之间的相关性,以此训练出二维矿产预测分类模型。经过训练后,可以得到验证准确率88.89%,召回率为66.67%,损失值0.08的深度卷积神经网络分类模型。应用该模型对未知区进行二维成矿预测,共圈定出91、96、154、184号4个成矿远景区,其中91号和154号的区域含矿概率为1,96号含矿概率为0.5。由此可见,预测区具有很大概率存在尚未发现的矿床。     

卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例

大数据人工智能地质学刚刚起步,基于大数据智能算法的地质研究是非常有意义的探索性实验。利用大数据和机器学习解决矿产预测问题,有助于人们克服不能全面考虑地质变量的困难及评估当前模型在已有数据中的可靠性。元素地表分布特征量主要受原岩成分、成矿作用影响和地表过程的影响,它们携带某些指示矿体就位的信息,即矿体在地下空间就位时在地表的响应,且未在地表过程中消失。以往的地球化学勘查工作仅仅识别异常,但未能发现矿体在地表响应的成矿特征量。本文以安徽省兆吉口铅锌矿床为例,通过机器学习,利用卷积神经网络算法,不断挖掘元素Pb分布特征与矿体地下就位空间的耦合相关性。经过1000次训练后,可以得到准确率0. 93,损失率0. 28的卷积神经网络模型。这种神经网络模型就是矿体在地下就位时元素在地表分布的响应,可以用来进行矿产资源预测。应用该模型对未知区进行预测,结果显示第53号区域具有很大概率存在尚未发现的矿体。     

基于卷积神经网络模型划分成矿远景区——以甘肃大桥地区金多金属矿田为例

大数据和高性能计算使得地质学可能突破种种主客观因素的限制,从传统的定性描述和不确定性作为特点转变为更全面的定量化发展阶段,即地质学更加注重通过挖掘复杂的多元地学数据间的关联关系来探究地质成因过程。为了厘清研究区多元化地质数据并划分成矿远景区,结合现代信息化新方法新技术,智能高效地帮助地学工作者提供辅助决策依据。以甘肃省大桥金矿为研究区,提出了利用一维卷积神经网络替代传统的人工计算,通过对研究区金多金属矿的地球化学元素及地球物理元素数据进行训练,挖掘研究区综合成矿信息,依据训练结果划分出4类成矿远景区。研究结果表明,地质成矿过程复杂,每一个成矿预测要素在地质成矿过程中均发挥重要的作用。在大比例尺度上,应用深度学习网络模型划分成矿远景区能客观地反映多元化地质数据本身的非线性特征,识别地质要素的空间特征,深层次提取和挖掘成矿异常信息,实现矿产资源智能化预测评价。     

遥感技术在多龙铜矿预测区成矿预测中的应用

多龙铜矿集区位于班公湖～怒江成矿带西段,区内已知的典型矿床为多不杂和波龙斑岩型铜矿,是大型的铜多金属矿床,其成矿背景复杂,找矿潜力巨大。利用ETM+遥感影像,对研究区进行构造解译和矿化蚀变信息提取的工作,再结合区域地质、物探、化探等信息进行综合找矿分析,并结合已知矿床点,圈定出二处遥感找矿远景区,为矿产资源潜力评价和成矿预测提供了重要的信息和依据。