排序方式: 共有28条查询结果,搜索用时 250 毫秒
21.
为降低深部找矿的不确定性、提高深部找矿效率,有必要探索可以获取更多深部地质信息的新方法。本次研究尝试利用火山角砾岩携带的深部岩石角砾指示深部地质特征、指导火山岩覆盖区深部找矿。选取鄂东南金牛火山盆地东缘鸡冠嘴铜金矿区覆盖的上侏罗统马架山组火山角砾岩作为研究对象,通过详细的岩心编录、岩相学观察和电子探针测试,发现火山角砾岩除了包含泥砂岩、灰岩/大理岩等沉积/变质岩角砾之外,还携带了次火山岩类(安山玢岩)、闪长玢岩类(闪长玢岩、黑云母闪长玢岩)、闪长岩类(石英闪长岩、黑云母花岗闪长岩)和正长岩类(黑云母石英正长岩)等岩浆岩角砾和块状赤铁矿磁铁矿矿石角砾;矿石角砾中的新鲜磁铁矿MgO含量高(1.99%~2.31%),在TiO2-Al2O3-(MgO+MnO)图解中投点于矽卡岩型磁铁矿区域。将这些角砾与鸡冠嘴矿区及鄂东南区域进行岩性、蚀变及矿化特征对比,认为盆地深部存在较多的闪长岩类和一定规模的偏酸性岩体,其岩性组合与区内地表出露的灵乡、鄂城、金山店等杂岩体的岩性组合具有相似性;发育钾化、硅化等热液蚀变;缺乏与鸡冠嘴相似的矽卡岩... 相似文献
22.
23.
24.
25.
26.
27.
28.
为了探索高效且能大区域应用的基岩填图方式,本文整合水系沉积物地球化学数据和局部空间Moran’s I指数、高程、坡度、坡向变率、高磁、断层、矿点、水系等多元地学数据作为附加特征,采用浅层机器学习决策树及其Bagging和Boosting集成算法,以及深度学习的图卷积网络,分别训练了不同的基岩判别模型。结果表明,相比浅层机器学习的决策树及其集成算法,深度学习的图卷积神经网络基岩判别模型仅使用20%带标签数据就获得了最高的78.31%判别精度。应用基于图卷积网络的基岩类型判别模型对察汗乌苏河地区第四系覆盖物下伏基岩填图,预测结果与其周边基岩类型协调一致,该模型可用来探究更全面的区域基岩分布情况。 相似文献