矿物中包裹体气体成分的物理化学参数图解

已知流体包裹体的挥发性成分，主要为H2O，CO2，CO，CH4，H2和O3，假设它们之间存在下列三种基本化学反应；H2 1/2 O2==H2O；CO 1/2O2=CO2和CH4 2O2=CO2 2H2O3并已达到平衡。作者等对超临界状态的成岩成矿作用，作出了几种压力下的lgfo1-T2 lgfGO2-T和Eh-T图解。利用这些图解，不必经过繁琐的计算，可得出成岩成矿的氧逸度，二氧化碳逸度，还原电位，平衡温度和平衡压力。本文还举例作了说明，并对几个矿床的形成，得到了成功的解释。     

MAPGIS处理系统在地下管线探测中的应用

以MAPGIS6．0版本为基础，介绍利用图解法、测量展绘、图形数字化及智能扫描数字化四种处理地下管线探测成果的处理方法及工作程序、应用范围及精度等，为管网的设计、施工、运行、维护、抢修等提供可靠的信息。使用该方法简化了专业管线设计规划的过程，提高地下管线管理及资料查找的效率，尤其方便了煤气管网信息系统管理中的补、绘图工作。     

关于A型花岗岩判别过程中若干问题的讨论

自A型花岗岩提出(1979年)30年来,其内涵和外延相对于原始定义而言已发生了很大的变化。主要针对A型花岗岩的各种判别方法(尤其是判别图解)的有效性和局限性进行了讨论。这些判别方法对于A型花岗岩的判定并不总是奏效,所以在实践过程中不能过于依赖判别图解,否则就很容易得出错误的结论。 实际上,A型花岗岩最本质的特征很可能在于它是一种高温花岗岩(相对于I型和S型花岗岩),因此较高地温梯度下的各种地球动力学背景均有利于这一类型花岗岩的发育。     

运用机器学习和锆石微量元素构建花岗岩成矿潜力判别图解：以东昆仑祁漫塔格为例

由于锆石在中酸性岩中广泛存在且成分稳定、不易受到后期热液活动的扰动,因此锆石成分可以有效记录成矿岩浆信息。其中,锆石的Ce4+/Ce3+、Ce/Ce*、Eu/Eu*和Ce/Nd值可以反映岩浆氧逸度和含水量等成矿信息,已被广泛用于花岗岩类成矿潜力评价。然而,随着研究的深入发现,这些地球化学指标并不完全具有普适性。此外,以往研究均是根据对成矿岩体的“已知认识”提出成矿潜力判别方法,但考虑到成矿过程的复杂性,许多反映岩浆成矿能力的地球化学信息可能均尚未被揭露。为此,笔者以东昆仑祁漫塔格成矿带为例,借助当前广泛应用的机器学习算法之一——支持向量机,对来自该成矿带斑岩−矽卡岩Cu−Fe−Pb−Zn多金属矿床成矿岩体和全球非成矿岩体的锆石数据开展机器学习训练,目的在于挖掘能够反映岩浆成矿能力的锆石微量元素特征,从而构建花岗岩成矿潜力判别图解。模型训练结果显示,在21个常见的锆石微量元素特征中,Gd、Dy、Yb、Y、Tm等5种元素特征对识别岩浆成矿能力最为重要。在此基础上,笔者新建立了10个二元判别图解,它们在识别成矿岩体和非成矿岩体时的准确率均接近1。研究表明,利用机器学习方法和地质大数据,可以挖掘传统研究方法难以发现的新的地球化学指标和图解,这对深入认识矿床成因、指导找矿勘查具有重要意义。     

基于WPF的岩石地球化学图解软件的研究与开发

RockPlot岩石地球化学图解软件是以岩石地球化学参数计算与图解为研究对象,应用计算机处理岩石地球化学数据的一次新的尝试.系统整体运用WPF技术,采用松耦合的插件式设计,既保证岩石化学计算与图解的独立性,也维持了系统的整体性;采用简单、易于读写的JSON轻量级数据格式作为岩石化学计算与图解的统一配置模块,提供了高度灵活的扩展功能,并实现了矢量化输出.系统集计算与图解功能于一身,提供了综合、整体的岩石地球化学数据处理应用体验.     

膨胀土滑坡土体多维图解反算法评价

膨胀土滑坡土体具有特殊的力学性质,滑坡体稳定分析中的重要指标——抗剪强度很难用一般试验方法确定。采用多维图解反算法可以准确方便地确定膨胀土地区滑坡土体的抗剪强度指标,本文用滑坡体算例具体说明了该方法的有效性。     

徐州地区山西组砂岩岩石学特征及物源分析

徐州地区山西组砂岩中碎屑组分鉴定统计的结果显示,长石的含量为29%~52%,平均40%,明显高于周边地区。研究区岩石类型以长石砂岩为主,分选差-中等,磨圆次棱角状-次圆状,说明碎屑为短距离搬运;砂岩中斜长石的牌号显示源区主要为酸性岩;砂岩组分的Dickinson三角图解表明,物源总体来自大陆物源区的隆起基底,经分析确定物源区为丰-沛隆起。     

轻矿物物源分析研究进展

文章对Dickinson图解、石英阴极发光、石英氧同位素在物源分析方面的研究进展进行了综述,探讨目前存在的问题和未来的发展趋势。Dickinson图解的使用必须建立在Gazzi-Dickinson计数法、三级流域采样、杂基含量25%、没有遭受强烈风化作用、多图解配合使用等前提条件下,同时存在粒度分异、岩屑分类简单、成岩蚀变、不同构造环境的时空过渡与重叠、统计误差等一系列问题。除阴极发光为深红色的变质岩石英可区分外,火山岩与侵入岩石英、变质岩与岩浆岩石英、侵入岩与热液石英的阴极发光光谱均存在重叠,其结果并不可靠。与扫描电镜(SEM)结合,进行CL/SEM组构分析,并与传统显微光学特征对比,可识别不同成因类型的石英。通过石英氧同位素,可区分沉积自生石英与岩浆石英,而变质石英形成条件复杂,其氧同位素变化大,与岩浆石英和沉积自生石英的氧同位素均存在交集。碎屑岩成分受源岩、化学风化、机械磨蚀、水动力分选、自生矿物和成岩作用等因素的影响,反演源岩成分需要排除其它因素的干扰。利用现代环境进行各影响因素的正演分析,同时结合其它方法(如碎屑锆石U-Pb年龄、Nd同位素等)的优势,才能全面、准确的解释物源。     

岩浆混合花岗岩微量元素成因图解尝试--以西秦岭温泉岩体为例

岩浆混合花岗岩主要是指壳源酸性岩浆与幔源基性岩浆,经岩浆混合作用形成的复杂混合花岗岩类。两类岩浆混合及成岩过程中,有显著的元素迁移、成分交换和双扩散。被誉为地球化学指示剂、示踪剂的微量元素,是岩浆混合、成岩作用及岩浆演化这一过程的最好记录,因而其参数和有关图解可提供岩浆混合的成因判别信息。以西秦岭温泉岩浆混合花岗岩为例,介绍了微量元素岩浆混合成因的地球化学证据,讨论了成岩过程中微量元素的双扩散特征,得出了Sr-微量元素组合图解方法,极容易对岩浆混合花岗岩的成因进行区分和识别,这一方法为岩浆混合花岗岩的直观判别、图解化分类以及深入研究提供了重要的地球化学信息和新途径。     

机器学习在岩矿地球化学研究中的应用——综述与思考

岩石与矿物的地球化学成分数据具有高维度特征。传统的岩矿地球化学成分研究主要采用二元/三元图解判别法,准确率不高,在数理统计方法上有欠缺。机器学习方法非常适用于对大样本高维度的岩矿成分数据进行数理统计处理。笔者等在介绍机器学习常见算法基本原理的基础上,总结近5年来国内外学者将机器学习方法应用于岩石矿物成分数据研究的实例,包括：(1)根据矿物成分溯源其母岩(源岩)、判别矿床类型,(2)新生代火山岩溯源,(3)判别变质岩原岩,(4)依据岩浆岩成分判别大地构造环境等。已有的研究实例显示,机器学习方法的准确度明显优于传统的低维度判别法。机器学习本质是分析大样本数据的高维度变量之间的相关、归类等多元统计问题。推广机器学习的应用需要建设开放获取(Open Access)的矿物、岩石成分数据库,同时全面实施开放研究(Open Research)的发表策略。