排序方式： 共有2条查询结果，搜索用时 22 毫秒
1
1.
锆石是在自然界中多种温压条件下能够稳定保存,并记录原岩年龄信息的副矿物。锆石微量元素能完整记录地质演化过程信息。通过微量元素分析锆石成因的研究已久,通常利用Th-U图解和LaN-(Sm/La)N图解等二元图解对锆石进行分类研究。然而,随着锆石研究的深入,以及二元图解无法呈现数据高维度信息的局限性,传统图解已经不能满足对锆石类型进行准确判别,且对已知类型的锆石出现判定偏差。因此,本文将地质大数据与机器学习相结合,训练出高维度锆石成因分类器。文中收集了3 498条不同成因类型的锆石微量元素数据,并通过测试和运用随机森林、支持向量机、人工神经网络和k近邻等4种机器学习算法,最终得出准确率为86.8%的线性支持向量机锆石成因分类器,用于锆石类型的判定与预测。这项工作为锆石分类研究提供了更高维度的判别手段,极大提高了微量元素分析成因结果的精度。将锆石微量元素数据与机器学习方法相结合,是大数据分析与机器学习技术在地球化学研究中的积极探索。 相似文献
2.
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。 相似文献
1