共查询到17条相似文献，搜索用时 281 毫秒
1.
找矿效果取决于找矿靶区预测的准确程度,传统的“综合信息成矿预测”(定性研究)已无法深入挖掘现有地质信息的潜在价值。本文应用大数据思想、方法,对甘肃省祁连山—龙首山地区1∶20万区域化探数据做分幅平差,消除了原始数据的系统误差。应用回归分析建立信息修复模型,增强了化探信息与区域Cu矿的相关关系。通过判别分析算法,构建了区域“化探信息Cu找矿靶区定量优选系列模型”,对研究区Cu找矿靶区做出定量预测。经统计,一、二级预测靶区中包含已知铜矿的比率高于22.0%,其面积仅占总研究区的1.72%。大数据找矿靶区定量预测在大幅提高预测精度的同时,很大程度地缩小了预测找矿靶区的面积。在对系列模型预测效果做出定量评价的同时,通过所建系列模型组合元素的特征分析,该研究也为进一步研究区域矿床成因和控矿条件提供了定量依据。 相似文献
2.
《矿物岩石地球化学通报》2017,(6)
转变思维方式,将航磁数据改变成与化探数据相同的格式,应用多元统计分析方法建立基于物化探综合信息的区域Au找矿靶区定量预测模型。模型中航磁信息展现出优于Au元素的判别能力。以定量预测模型对全区各研究单元与已知有矿单元做相似程度判定,选择相似程度高的53个单元为一级找矿靶区(每个靶区面积25 km~2),其中18个(34%)靶区内有已知矿床(点)产出,认为,其余35个(66%)预测找矿靶区应该是寻找Au矿的有利区域。此结果不但改变了传统(定性)地质研究中认为,航磁成果对Au矿找矿靶区判定效果不佳的结论,同时更加充分说明,海量数据信息中隐藏着极大的潜能,只有转变思维方式,依据大数据的观念,应用定量研究的方法(用数学的方法研究地质问题)才能将其充分地挖掘出来。 相似文献
3.
化探数据挖掘在金矿找矿及靶区优选中的应用——以甘肃玉石山地区为例 总被引：1，自引：1，他引：0
由于自然界中Au元素呈微粒状、不均匀状态分布,致使部分金矿床(点)没有与之对应的Au元素异常出现,增加了通过元素异常开展地质找矿和成矿预测研究的难度。本文依据地学大数据"查明数据间的相关关系,解决地质问题"这一基本思路,以甘肃玉石山地区化探数据为研究对象,建立起研究区全样本Au元素回归模拟模型和异常样本Au元素回归模拟模型,分别计算全样本Au元素回归理论值(Au Q)和异常样本的回归理论值(Au Y)。通过异常查证,在Au Q异常区发现金矿点1处,在Au Y异常区发现金矿点3处(一处达到小型规模),取得了很好的找矿效果。进一步对Au、Au Q、Au Y分别做正规化处理相加获得综合理论值(Au H),以Au H圈定的综合异常使研究区75%金矿床(点)分布在研究区7. 1%面积范围内,有效地缩小了找矿靶区的范围,解决了小范围研究区内因已知矿床(点)不足而无法开展定量找矿预测的难题。结合异常强度和地质背景分析,在研究区划分出3级共10个找矿靶区,为今后在该区找矿工作提供了基础依据。 相似文献
4.
在大数据蓬勃发展的时代背景下,矿产资源定量预测作为地质大数据的核心部分,其综合分析挖掘多元信息的基本思路与大数据的理念不谋而合。以四川拉拉铜矿为例,开展基于机器学习的三维矿产资源定量预测。通过建立三维地质模型,提取成矿有利信息,构建研究区定量预测模型;基于"立方块预测模型"找矿方法,采用机器学习随机森林算法,计算出研究区成矿概率分布,以此圈定出5个找矿远景区。结果表明,随机森林具有更高的预测准确度与稳定性,且能够对控矿要素重要性做出定量评价。该研究成功地将机器学习应用于三维矿产定量预测,为今后的矿产资源预测评价做出了积极的探索。 相似文献
5.
利用北衙整装勘查区1∶20万水系沉积物地球化学数据,综合分析了地层、岩浆岩、典型矿床主要成矿元素Ag、Au、Cu、Pb、Zn的富集规律,对元素分布特征、综合异常特征、相关性及异常元素组合特征进行初步研究,确定了找矿有利指标组合;通过对比北衙金矿区典型矿床成矿地质、地球化学特征,结合地层、岩浆岩等找矿标志预测北衙地区的找矿远景区。结果表明:综合区域上的地层、构造、岩浆岩和区域矿产等资料,对成矿元素异常组合进行地球化学分区是可行的,能有效反映致矿异常,突出矿化信息;根据区域单元素Au、Ag、Pb、Zn、Cu地球化学特征以及组合元素异常特征结合成矿地质背景,指出了炭窑金矿、铅锌矿找矿靶区;马鞍山北部金矿找矿靶区,为北衙整装勘查区外围找矿提供了指导作用。 相似文献
6.
黑龙江木兰县六块地南大地构造位置属于小兴安岭-张广才岭岩浆弧,成矿区带为伊春-延寿多金属成矿亚带的重要组成部分,成矿地质条件优越。为查明该区各成矿元素和矿(化)体的分布特征,实现找矿突破,开展了1：2万土壤地球化学测量及成矿预测工作。利用12种成矿元素进行相关性分析、聚类分析、因子分析、单元素异常分析和组合元素异常分析,圈定了元素异常区,优选了找矿靶区。结果表明,区内Au、As、Sb、Mo元素变异系数值高,成矿潜力较强;As、Sb元素的相关性较好,相关系数为0.73,R型聚类分析将成矿元素分为4类,因子分析将分析元素分为4组;结合区内成矿地质条件和土壤地球化学异常特征,共圈出单元素异常113处,组合异常3处;测区主攻矿种为Au和Zn, Au元素主要找矿靶区为Au-5和Au-7异常区,Zn元素主要找矿靶区为Zn-6异常区,As、Sb、Mo找矿前景非常好,可作为第一找矿目标元素。 相似文献
7.
8.
9.
10.
11.
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。 相似文献
12.
成矿区三维可视化与立体定量预测——以钦-杭成矿带庞西垌地区下园垌铅锌矿区为例 总被引：3，自引：1，他引：2
矿产资源是人类生存与社会进步的根本物质保障。近年来,随着地表矿、浅部矿产资源的日益枯竭,采用新技术、新方法的深部矿产资源预测成为地质勘查的主要研究方向。基于数字化、三维可视化及矿产定量预测为主的三维地质建模技术,为当前矿产资源远景预测与找矿工作提供了有力的工具。本文在现代成矿预测理论研究基础上,运用三维地质建模技术建立了钦杭成矿带下园垌矿区地质、地球物理、地球化学、钻孔等三维模型,揭示了区内构造地质特征、地球化学异常表征及地层岩体要素,据此探讨了矿床的成因及矿体分布特征。并在此基础上,采用证据权方法对研究区地质、地球物理、地球化学等多源信息进行融合,运用断裂缓冲区、地球化学异常、东岗岭组沉积岩地层等为证据因子来计算单位体积成矿后验概率,进行立体成矿预测,并圈定出铁锰矿、方铅闪锌矿、铅锌银综合矿等3处找矿有利靶区及估算出预测区内矿产资源储量总量为88710吨。研究结果表明:综合分析地质、地球物理、地球化学及钻孔数据进行矿区的三维地质空间定位、定量预测研究,可以有效的识别矿致异常信息,圈定找矿远景区,为成矿预测研究领域提供了新方向,可以将此方法应用至其他矿山。 相似文献
13.
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。 相似文献
14.
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。 相似文献
15.
矿产资源预测已从定性走向了定量,从数据稀疏型走向了数据密集型,亟须数据科学支撑。本文在前人研究基础上,讨论了基于数据科学的矿产资源定量预测理论与方法,该方法的理论基础为相关性理论与异常理论,前者采用监督的机器学习方法挖掘地质找矿大数据与矿床的相关性为预测未发现矿床提供了理论基础;后者采用非监督的机器学习方法识别地质找矿大数据蕴含的地质异常为预测矿床提供了理论依据。该理论与方法强调地质找矿大数据和机器学习的重要性,其中,数据种类的多样性及数据精度和质量会影响预测结果的好坏,机器学习可提高特征提取与信息集成融合效率。此外,本文讨论了基于数据科学的矿产资源定量预测理论与方法的技术框架、特征提取、数据集成融合方法,以及该理论与方法引入的不确定性。 相似文献
16.
把地质大数据和人工智能技术引入矿产资源定量评价及成矿预测体系中,提高了海量地质数据的有效信息挖掘,弥补了传统方法的不足。本文基于白象山矿区基础地质资料和物化探成果资料,利用三维地质体建模技术和三维空间分析技术,量化三维控矿因素,建立了一种基于CART 算法的三维成矿预测模型。通过在白象山矿区的实验表明：该模型能较好的定位已知矿体,并且预测出在已知矿体北部、东部、东北部、西部、南部和东南部具有较高的成矿概率,可圈定找矿靶区。该模型将地质大数据应用于找矿勘探工作,具有纯数据驱动、预测精度高、预测结果可靠等优点。研究发现,该模型的预测效果与训练数据集的数量、矿控因素提取、决策树深度等有关。 相似文献
17.
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 总被引：1，自引：0，他引：1
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。 相似文献