基于卷积神经网络和黄铁矿大数据判别金矿类型

黄铁矿是金矿中普遍存在的金属硫化物,其微量元素含量信息可以揭示出矿物形成时的相关矿物和流体组成与结晶特征,因此不同期次与金矿有关的黄铁矿及微量元素信息可以被用来预测矿床的类型。且相关研究历史已久,积累了大量的研究资料,然而由于研究思想和手段的局限性,传统方法往往存在无解性或多解性问题。随着大数据思想的发展和推广,研究人员试图采用机器学习算法来解决此类问题,已取得不错的效果。本次研究根据深度学习思想建立黄铁矿微量元素数据集并进行深入研究,采用“成分数据图像化”和“数据增强”等手段,解决了前人采用深度学习方法进行此类分类任务时遇到的数据不平衡问题和卷积神经网络无法直接读取数据的问题。本文对比分析了基于四种卷积神经网络模型(Mobilenet V2、Resnet 50、VGG 16和VIT)采用黄铁矿微量元素成分数据进行金矿类型分类任务的精度与效果,发现采用卷积神经网络算法可以基于黄铁矿成分数据对不同类型金矿进行较为精准的分类任务。此方法比传统图解法具备更高的精准度与泛化能力,通过对金矿类型的预测可以为找矿勘查和深部预测工作节省成本,也为深度学习在地质矿产研究方面的应用和推广提供全新思路,具...     

磷灰石Eu/Y-Ce:基于大数据的源区类型判别新图解SCIEI北大核心CSCD

磷灰石广泛分布于火成岩、沉积岩和变质岩中,是一种常见的、包含丰富微量元素的副矿物。磷灰石晶格可容纳丰富的微量元素,且因其形成的物理化学条件不同会表现出差异明显的微量元素特征。利用磷灰石微量元素特征可以追踪物质来源和演化。现在常用的方法是利用磷灰石的微量元素绘制二元判别图解,经典判别图解包括Sr-Y、Sr-Mn、Y-(Eu/Eu^(*))和(Ce/Yb)_(N)-REE图解。随着微区测试技术发展,磷灰石微量元素数据日渐丰富,同时由于磷灰石化学成分的复杂性,传统图解已逐渐无法有效利用这些数据所携带的信息,进而无法准确判别其生成环境。建立能准确判别磷灰石物源的新型判别图解故而迫切。近年来,磷灰石微量元素数据的大量积累,为运用以大数据为依托,准确判别磷灰石物源奠定了数据基础。本研究将大数据技术与地球化学数据相结合,共收集整理了1925个代表性磷灰石测试点的微量元素数据,对富碱性火成岩、超镁铁质岩石、镁铁质火成岩、长英质花岗岩、中-低级变质岩、高级变质岩六种类型中磷灰石微量元素数据进行穷举端元处理,共获得7140个磷灰石物源判别图解端元组合,在轮廓系数限定下,进一步有效筛选并提取出能判别磷灰石物源类型的最优图解端元。本文构建了Eu/Y-Ce磷灰石判别新图解,相较于之前的磷灰石判别图解,其涵盖了更全面的物源类型,可以更准确地判别源区类型。     

幔源岩浆岩源区成分判别原理及峨眉山玄武岩地幔源区性质

提出了用微量元素丰度关系探索幔源岩浆岩源区成分特征的原理、推论和方法。认为:并非所有亲岩浆(不相容)元素都是幔源成分的良好指示剂;两个强亲岩浆元素的比值,或两个亲岩浆性相同的元素的比值,不受岩浆形成方式和演化程度的影响,而保持岩浆形成前地幔源区成分特点;这些特点与不同的幔壳结构和动力学有关。峨眉山玄武岩系的幔源成分类似于南大西洋拉开时形成的孪生洋脊玄武岩和巴西陆缘玄武岩,它们可能具有类似的源区和构造环境。     

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。     

塔里木盆地巴楚断隆古生代沉积构造背景和物源区性质的探讨

关于塔里木盆地构造类型和基底性质的认识大致可以分为两种：一种认为它是一个具有前寒武纪陆壳基底的复杂的叠合复合盆地;另一种则认为它是一个具有洋壳（大洋岩石圈）基底的残余的弧后盆地（或由昆仑岛弧、塔中残余岛弧和柯坪-库鲁克塔格残余岛弧挟持的两个残余弧间盆地组成）。和3、和4井位于塔中构造带的巴楚断隆上,取两井的古生界砂岩、粉砂岩样品做主量元素化学分析,用不同方法进行沉积构造背景和物源区性质判别,证明本区志留纪到石炭纪属于稳定的大陆克拉通盆地,沉积物源来自成熟大陆区。这一结果支持关于塔里木具有陆壳基底的认识。     

基于大数据方法建立大洋安山岩构造环境判别图

岩浆岩的地球化学元素往往对其构造环境具有一定的指示作用,前人使用构造环境判别图描述二者之间的关联关系。然而,安山岩因其岩石成因的复杂性和构造环境的"单调性",在判别图研究领域并未受到重视。收集了GEOROC和PetDB两个数据库中的全球新生代洋中脊安山岩(MORA)、洋岛安山岩(OIA)和岛弧安山岩(IAA)。使用43个元素组成的924个比值建立超过42万个直角坐标系,将三类安山岩数据投入坐标系中,并通过MATLAB计算三者之间的交叠率筛选出4个最佳判别图:lg(Ga/Cs)-lg(Ba/Nb)、lg(TFeO/Ga)-lg(Eu/Pb)、lg(K2O/Nb)-lg(Ga/Cs)和lg(MnO/Pb)-lg(Cs/Nb)。利用核密度曲线对比图分析判别图中的元素及元素比值,结果表明:①LILE(大离子亲石元素)与HFSE(高场强元素)的比值关系能有效区分MORA和IAA;②LILE与其他元素的比值关系则更有利于从三者中识别出OIA;③LILE在一定程度上比HFSE更易于判别大洋安山岩的构造环境。研究表明,安山岩可以成为一种使用范围更广泛的构造环境指示剂,其判别效果甚至优于玄武岩判别图。这也进一步说明,安山岩的成因虽然比玄武岩复杂,但是大数据方法是提取出具有构造环境指示意义的相关关系的有效途径。     

基于改进遗传算法一神经网络的玄武岩构造环境判别及对比实验

通过岩浆岩的地球化学特征判别岩浆形成的大地构造环境和岩浆源区的化学性质是地球化学全岩分析最重要的应用之一。该方法利用全岩地球化学数据,包括主量元素、微量元素和同位素组成数据,对给定岩浆岩(玄武岩、花岗岩等)的大地构造环境进行判别。作为人工智能技术在地球化学研究领域中的新尝试,机器学习判别方法逐渐成为经典判别图解法的补充研究手段。然而,高维数据特征筛选和繁多未知参数确定是影响算法分类准确性的两个主要因素。为此,提出一种遗传算法优化神经网络耦合判别方法(GA-NNDM)。该方法利用特征选择、参数确定和分类性能之间的反馈联系,将分类准确率、所选特征数量和特征代价作为适应度函数,通过迭代演化寻求最佳特征子集和未知参数,从而达到减少特征、优化参数和提高性能的目的。此外,根据公开玄武岩样品地球化学数据,通过K折交叉验证等方法设置纵向、横向比较实验来验证GA-NNDM在玄武岩构造环境判别方面的准确性、稳定性和外延性。仿真实验结果表明,GA-NNDM具有优良的判别效果和泛化能力,其总体分类准确率能达到90%。因此,GA-NNDM值得在地球化学领域做进一步推广应用。     

正确使用构造判别图解和地球化学数据的一些建议

本文在考虑影响构造判别图妥因素的基础上，提出了一些选择地球化学数据指标进行构造环境判别时应遵循的原则，并建议使用模糊ISODATA法进行构造环境的判别。     

福建西部早古生代杂砂岩特征及其源区和构造背景

福建西部早古生代杂砂岩属富石英杂砂岩类。稳定碎屑石英的高含量和不稳定碎屑长石、岩屑的强烈贫化,表现了沉积物具再旋回特点。很高的SiO_2含量及CaO、Na_2O的贫化,并以低的Fe_2O_3+MgO、Al_2O_3/SiO_2、TiO_2和高的变化极大的K_2O/Na_2O、Al_2O_3/(CaO+Na_2O)与被动大陆边缘沉积的杂砂岩相类似。稀土元素模式及其参数特征相似于现代的和古代的被动大陆边缘环境沉积的杂砂岩。分析表明,本套杂砂岩的源岩是以沉积岩、浅变质岩为主和中—酸性火成岩混合组成,所处的大地构造背景为构造上不活动的被动大陆边缘或弧后盆地环境。     

漠河盆地西缘漠河组形成时代及物源区构造环境判别

大兴安岭北部漠河盆地广泛发育漠河组,其形成时代、物源区特征及大地构造背景等对研究盆地的形成与演化具有重要意义.本文在漠河盆地西缘恩和哈达地区漠河组内发现了2层凝灰岩夹层.采用LA-ICP-MS U-Pb测年方法进行了锆石U-Pb年代学研究,分别获得(158±1)Ma、(157±2)Ma的年龄,表明漠河组形成于晚侏罗世早...     

基于BP神经网络的滑坡监测多源异构数据融合算法研究

针对滑坡监测中的多源异构数据融合问题,论文提出了一种基于BP神经网络的多源异构监测数据融合算法。该算法将影响滑坡变形的温度、湿度、风力、云量、单日降水量和累计降水量等多环境因子变量作为输入变量,以滑坡位移变化量数据作为期望输出数据,并利用各环境因子变量和滑坡位移变化量的相关性及显著性进行环境因子变量筛选,以提高算法的预测精度。论文采用甘肃省永靖县黑方台党川滑坡的实测数据进行了试验,结果表明：反向传播（Back-Propagation,BP）神经网络数据融合算法适用于具有多源异构监测数据的滑坡变形预测;在进行环境变量因子筛选后,BP神经网络数据融合算法的决定系数达到0.985,均方根误差（RMSE）达到0.4787 mm,从而有效提高了变形预测结果的精度。     

Kohonen neural network and factor analysis based approach to geochemical data pattern recognition

Kohonen neural network (KNN) and factor analysis are applied to regional geochemical pattern recognition for a Pb–Zn–Mo–Ag mining area around Sheduolong in Qinghai Province, China. Prior to factor analysis, the geochemical data are classified by KNN. The results demonstrate that the 4-factor model accounted for 67% of the variation in the data. Factor F1, a Pb–Zn–Mo factor and Factor F4, an Au–Ag factor, correlates with monzonitic granite intrusions and particularly with Pb–Zn–Mo–Ag mineralization within those rocks. Factor F2, an As–Co factor, correlates with metamorphic rocks of paleoproterozoic Baishahe formation. Factor F3, a Bi–Cu factor, correlates with granodiorite intrusions. The factor score maps suggest a revised location of faults and their mineralization significance in coarse geological map. The approach not only effectively interprets the geological significance of the factors, but also reduces the area of exploration targets.     

大数据环境下数字填图数据集成服务技术

应用数字填图技术形成了大量地质填图图幅数据,这些数据空间结构化和非结构化特征并存,如何在网络环境下提供高效的数据服务是急需解决的一个难题。大数据技术的发展为数字填图、数据集成服务提供了一种新的途径。通过对数字填图数据特征的分析,在研究地质调查信息网格大数据处理框架的基础上,提出了结构化和非结构化数据相结合的有序化组织管理、发布与服务方法,并对关键技术进行了研究与试验,取得了良好的效果。     

大数据环境下数字填图数据集成服务技术

应用数字填图技术形成了大量地质填图图幅数据,这些数据空间结构化和非结构化特征并存,如何在网络环境下提供高效的数据服务是急需解决的一个难题。大数据技术的发展为数字填图、数据集成服务提供了一种新的途径。通过对数字填图数据特征的分析,在研究地质调查信息网格大数据处理框架的基础上,提出了结构化和非结构化数据相结合的有序化组织管理、发布与服务方法,并对关键技术进行了研究与试验,取得了良好的效果。     

火成岩地表复杂区地震资料的构造解释及应用

北部湾盆地的迈陈凹陷东部地区浅层广泛分布第四纪火成岩,地表条件复杂,发育多期断裂系统,构造破碎,导致地震资料品质较差,构造解释及圈闭描述难度大。笔者在开展解释处理一体化以提高地震资料品质的同时,建立区域构造地质模型,综合运用多种解释技术手段,进行构造解释研究。解决了速度及多期活动小断层的识别及断层组合的解释等问题,提高了圈闭的可信度和构造解释方案的准确性。     

锆石微量元素对成矿岩体的判别——来自大数据思维的应用

华南钦杭结合带燕山期岩浆活动异常活跃,且具有较明显的成矿专属性。近年来微区测试技术日益成熟,积累了大量锆石微量数据。通过全体数据挖掘的思维方法,对前人发表的数据进行了进一步数据挖掘,利用锆石稀土元素对岩体成矿潜力进行判别,探讨有效的找矿地球化学标志。利用Python语言编程,对采用的13种稀土元素及元素比值进行穷举式组合,获得了4095个二元图解及121485个三元图解,并设计筛选算法,自动筛选出能有效区分锆石母岩成矿类型的图解。结果表明,锆石稀土元素含量及比值图解对不同成矿类型岩体的区分程度各异:与Ce、Eu有关的地球化学指标可以较清晰地对斑岩铜矿和钨锡(锡)矿床进行判别,这可能与岩体的氧逸度和含水量有关。此外,还挖掘出一些新的元素组合图解,如Dy/Lu-Er/Lu、Gd/Dy-Er/Yb等,可以有效区分岩体成矿类型,其隐含的地球化学机制尚待进一步解释。地球化学数据挖掘结果可以作为找矿标志使用,为华南燕山期岩浆-热液矿床研究及找矿勘查提供了科学依据,也是大数据技术在矿床学方面应用研究的积极探索。     

基于滑坡监测数据的Elman神经网络动态预测

滑坡在我国是一种极为频发的地质灾害,且其积累位移监测曲线有着复杂的非线性特性,对此各研究者建立过许多预测模型,然而这些模型的预测精度不尽如人意。基于Elman神经网络可以任意精度逼近任意非线性函数的特征,并以sigmoid为方程的核函数,在选择隐含层数时用了试用法,通过\