排序方式： 共有4条查询结果，搜索用时 15 毫秒
1
1.
厂坝-李家沟SEDEX型铅锌矿床成矿作用研究 总被引：4，自引：1，他引：3
厂坝-李家沟铅锌矿床是典型的海底热水沉积(SEDEX型)矿床。矿床地质特征、矿区地层的地球化学特征、以及同位素地球化学特征和区内古地热异常与热事件等的综合分析,表明厂坝-李家沟铅锌矿床的成矿金属元素主要来源于元古界碧口群和志留系白龙江群;多期(包括加里东+海西+印支)构造运动和幅度较大的裂陷发育史,为大量矿质的喷流和聚集提供了十分有利的导矿和容矿构造条件;花岗岩类及其他岩类的岩浆活动,不仅导致了地热异常的产生,为含矿热液对流体系形成与运行提供了巨大热源,同时还为区内成矿作用提供了部分矿源和水源。 相似文献
2.
祥霖铺夕卡岩型钨多金属矿床位于南岭纬向构造带的中段,矿床产于NE向、NW向和EW向断裂的交汇处,矿化集中赋存于背斜的倾伏端附近.通过对矿床地质特征、地球物理、地球化学特征等方面的研究,认为燕山期构造运动所导致的岩浆活动为矿床的形成提供了大量热源,区内的断裂构造为成矿提供了良好的构造条件,中泥盆统棋梓桥组在成矿过程中提供了大量的物质来源;在夕卡岩化过程中形成了不同的矿物组合,成矿过程可以分为2个成矿期、4个成矿阶段;预测在矿区的西部有望找到隐伏矿体. 相似文献
3.
岩土工程现场及室内参数测试数据是工程施工、设计、评价的基础。异常数据的存在往往会误导施工、设计等参数的确定, 数据异常检测是确保工程安全可靠的最基本但极为重要的工作。针对传统异常检测算法没有模型选择这一过程而导致检测的盲目性, 提出了基于元学习的异常检测算法(meta-learning outlier detection, MetaOD)和数据挖掘算法相结合的异常检测模型体系。该体系首先根据数据的特点选择适合不同数据类型的初始模型类型及其参数, 并对选择出的同类型算法的参数进行求均值处理; 然后再采用遴选出的算法进行数据异常诊断, 进而提高异常检测的准确性。为了评估模型的有效性, 采用加州大学欧文分校提出的机器学习检验数据集(glass数据集)进行检验分析。结果显示, 采用该模型体系进行异常检测时查准率达到96.41%, 远高于其他检测算法。最后, 应用该模型体系对澳门花岗岩单轴抗压强度数据集和均昌隧道的地下水位监测数据进行了异常检测分析, 并分别识别出9个和10个异常点。 相似文献
4.
1