Construction and prediction of a prospecting model based on recurrent neural network
-
摘要:
在大数据和人工智能背景下，基于已有的传统地质找矿模型建立与应用基础，提出基于循环神经网络的找矿模型构建与预测方法，实现对地质数据的深入分析和理解。针对地质找矿模型构建与预测的需求，结合数据清洗理论，对传统地质找矿模型进行归纳与总结，建立地质找矿知识库，为深度学习算法提供训练数据。通过分类算法研究，综合对比结果的准确率与分类所用时间，最终选用RNN分类算法对找矿概念模型进行分类。在建立研究区找矿模型中，通过关键词与控矿要素完成模型匹配，利用模型计算对模型匹配结果进行数据分析，实现区域地质找矿模型的构建与矿产资源的预测评价和分析。以大水金矿为例，快速准确地实现了找矿模型的构建，有效地对矿产资源预测工作提供了指导，验证了该方法的可行性。
Abstract:Under the background of big data and artificial intelligence and on the basis of the establishment and application basis of existing traditional geological prospecting model, this paper proposes a prospecting model construction and prediction method based on cyclic neural network, with the purpose of achieving in-depth analysis and understanding of geological data. According to the requirements for construction and prediction of geological prospecting model, the authors combined the data cleaning theory to systematically summarize and summarize the traditional geological prospecting model, thus establishing a geological prospecting knowledge base and providing training data for deep learning algorithms. The accuracy of the comparison results and the time used for classification were comprehensively analyzed. Finally, the RNN classification algorithm was selected to classify the conceptual model of prospecting. In the process of establishing the prospecting model of the study area, by using the key words and ore control elements to complete the model matching, the model was used to analyze the model matching results so as to realize the construction of the regional geological prospecting model and the prediction and analysis of the mineral resources. With the Dashui gold deposit as an example, the construction of the prospecting model was realized quickly and accurately, which effectively provides guidance for the prediction of mineral resources and verifies the feasibility of the method.
-
Key words:
- prospecting model /
- RNN classification algorithm /
- ore control elements /
- model matching
-
-
表 1 大水金矿控矿要素提取
Table 1. Extraction of ore-controlling factors from the Dashui gold deposit
控矿要素类型 特征参数描述 成矿地质背景 秦祁昆造山带, 处在东昆仑—南秦岭褶皱带 甘肃省南部的南秦岭晚古生代—中生代多金属成矿带 金矿赋存于三叠系马热松多组的一套灰岩和白云质灰岩中 成矿期 燕山期、三叠系与成矿密切相关 含矿岩系 白云质灰岩、灰岩、闪长玢岩及花岗闪长岩 构造条件 构造运动控矿、深大断裂构造及次级断裂 深大断裂、断裂破碎带 围岩蚀变 方解石化、硅化及赤铁矿化 
下载: 导出CSV
表 2 找矿模型构建
Table 2. Construction of the prospecting model
要素类型 控矿要素 特征变量 相关重要性 地层条件 大地构造位置 秦祁昆造山系 文献提取 成矿时代 燕山期、三叠纪 岩体条件 成矿有利岩体 花岗闪长岩、闪长玢岩 13.6 围岩蚀变 矿化蚀变带 岩体缓冲区 方解石脉缓冲区、花岗闪长玢岩缓冲区、闪长玢岩缓冲区 构造条件 断裂缓冲区 断裂缓冲区 文献提取 构造展布特征 断裂等密度、断裂频数、断裂异常方位、断裂方位异常度 地球化学 地球化学 Au、Ag、Sb、Fe、Cu、Au、As、Pb（Mo、Sn）晕异常及金分散流异常 13.8 地球物理 磁法 磁异常、△T高异常 12 重力 重力正异常、重力高值异常 12 激电 激发极化异常、高阻异常 3 重砂异常 自然重砂异常 10
下载: 导出CSV
-
[1] 肖克炎, 孙莉, 李楠, 等.大数据思维下的矿产资源评价[J].地质通报, 2015, 34(7):1266-1272. doi: 10.3969/j.issn.1671-2552.2015.07.003 http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20150703&flag=1
[2] 赵鹏大, 张寿庭, 陈建平.危机矿山可接替资源预测评价若干问题探讨[J].成都理工大学学报(自然科学版), 2004, 31(2):111-117. doi: 10.3969/j.issn.1671-9727.2004.02.001
[3] 郑啸, 李景朝, 王翔, 等.大数据背景下的国家地质信息服务系统建设[J].地质通报, 2015, 34(7):1316-1322. doi: 10.3969/j.issn.1671-2552.2015.07.009 http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20150709&flag=1
[4] 赵鹏大.大数据时代数字找矿与定量评价[J].地质通报, 2015, 34(7):1255-1259. doi: 10.3969/j.issn.1671-2552.2015.07.001 http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20150701&flag=1
[5] 周顺平, 徐枫.大数据环境下地理信息产业发展的几点思考[J].地理信息世界, 2014, 21(1):45-50. doi: 10.3969/j.issn.1672-1586.2014.01.027
[6] 朱月霞.基于大数据的地质数据存储与管理研究[C]//江苏省测绘地理信息学会.江苏省测绘地理信息学会2014年学术年会论文集, 2014: 3.
http://cpfd.cnki.com.cn/Article/CPFDTOTAL-XDCH201412001036.htm [7] 严光生, 薛群威, 肖克炎, 等.地质调查大数据研究的主要问题分析[J].地质通报, 2015, 34(7):1273-1279. doi: 10.3969/j.issn.1671-2552.2015.07.004 http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20150704&flag=1
[8] 黄宜华.大数据机器学习系统研究进展[J].大数据, 2015, 1(1):35-54. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dasj201501005
[9] 张震, 王文发.人工智能原理在人类学习中的应用[J].吉首大学学报(自然科学版), 2006, (1):39-42. doi: 10.3969/j.issn.1007-2985.2006.01.009
[10] 张丽芳.浅谈机器学习的现状及策略[J].现代经济信息, 2009, (6):155, 157. http://d.old.wanfangdata.com.cn/Periodical/xdjjxx200906120
[11] 陈建平, 陈勇, 朱鹏飞, 等.数字矿床模型及其应用——以新疆阿勒泰地区可可托海3号伟晶岩脉稀有金属隐伏矿预测为例[J].地质通报, 2011, 30(5):630-641. doi: 10.3969/j.issn.1671-2552.2011.05.002 http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20110502&flag=1
[12] 于萍萍, 陈建平, 柴福山, 等.基于地质大数据理念的模型驱动矿产资源定量预测[J].地质通报, 2015, 34(7):1333-1343. doi: 10.3969/j.issn.1671-2552.2015.07.011 http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20150711&flag=1
[13] 弓小平, 王世称, 杨兴科, 等.地质矿产预测信息化相关问题的探讨[J].地质找矿论丛, 2005, (1):66-70. doi: 10.3969/j.issn.1001-1412.2005.01.013
[14] Anderson T W. An Introduction to Multivariate Statisical Analysis[M]. New York:John Wiley & Sons, 2003.
[15] Wu X, Kumar V, Ross-Quinlan J, et al. TOP 10 algorithms in data mining[J]. Knowl. Inf. Syst., 2007, 14:1-37. http://cn.bing.com/academic/profile?id=0922afbe2f505e7935e508249812b224&encoded=0&v=paper_preview&mkt=zh-cn
[16] 翟裕生, 邓军, 李晓波.区域成矿学[M].北京:地质出版社, 1999.
[17] 涂光炽.超大型矿床的找寻和理论研究[J].矿产与地质, 1989, (1):1-8. http://www.cnki.com.cn/Article/CJFDTotal-KCYD198901000.htm
[18] 朱裕生, 梅燕雄.成矿模式研究的几个问题[J].地球学报, 1995, (2):182-189. http://www.cnki.com.cn/Article/CJFDTotal-DQXB502.006.htm
[19] 程裕淇, 陈毓川, 毛景文, 等.初论矿床的成矿系列问题[J].中国地质科学院院报, 1979, (1):1-7. http://d.old.wanfangdata.com.cn/NSTLQK/10.1017-jfm.2011.328/
[20] 李玉斌, 吴静哲, 陈小格.基于关键词聚类的深度学习研究[J].软件导刊, 2019, 18(3):199-203. http://d.old.wanfangdata.com.cn/Periodical/rjdk201903045
[21] 吴永亮, 贾志杰, 陈建平, 等.基于大数据智能的找矿模型构建与预测[J].中国矿业, 2017, 26(9):79-84. http://d.old.wanfangdata.com.cn/Periodical/zgky201709016
[22] Li S, Chen J P, Xiang J. Prospecting Information Extraction by Text Mining Based on Convolutional Neural Networks A case study of the Lala Copper Deposit, China[J]. IEEE Access, 2018, 6:52286-52297. doi: 10.1109/ACCESS.2018.2870203
[23] 龚千健.基于循环神经网络模型的文本分类[D].华中科技大学硕士学位论文, 2016.
http://cdmd.cnki.com.cn/Article/CDMD-10487-1016781801.htm [24] 尹汉钊.基于递归神经网络与集成算法的时间序列预测应用研究[D].西安电子科技大学硕士学位论文, 2010.
http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y1866190 [25] 林蕾.基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究[D].中国科学院大学(中国科学院遥感与数字地球研究所)博士学位论文, 2018.
http://cdmd.cnki.com.cn/Article/CDMD-80070-1018995618.htm [26] Alom M Z, Hasan M, Yakopcic C, et al. Inception Recurrent Convolutional Neural Network for Object Recognition[J]. arXiv: 1704.07709, 2017: 1-11.
https://arxiv.org/abs/1704.07709 [27] 刘腾飞, 于双元, 张洪涛, 等.基于循环和卷积神经网络的文本分类研究[J].软件, 2018, 39(1):64-69. doi: 10.3969/j.issn.1003-6970.2018.01.013
[28] Nallapati R, Zhai F, Zhou B. SummaRuNNer:A Recurrent Neural Network based Sequence Model for Extractive Summarization of Documents[J]. AAAI, 2017, 1:1. http://cn.bing.com/academic/profile?id=dc721f44c24e25e87a026fdc5f78a52a&encoded=0&v=paper_preview&mkt=zh-cn
[29] 刘婷婷, 朱文东, 刘广一.基于深度学习的文本分类研究进展[J].电力信息与通信技术, 2018, 16(3):1-7. http://d.old.wanfangdata.com.cn/Periodical/dlxxh201803001
[30] Qin Y, Song D J, Chen H F, et al. A Dual-Stage Attention-Based Recurrent Neural Network for Time Series Prediction[J]. arXiv: 1704.02971, 2017: 1-7.
http://www.ijcai.org/proceedings/2017/366 -
图(8)
表(2)
计量
- 文章访问数: 1144
- PDF下载数: 9
- 施引文献: 0