中国地质调查局主办
高级检索

基于卷积神经网络模型划分成矿远景区——以甘肃大桥地区金多金属矿田为例

,  ,  ,  ,  ,  , 

文章导航 > 地质通报 > 2019 > 38(12): 1999-2009

上一篇

下一篇

蔡惠慧, 徐永洋, 李孜轩, 曹豪豪, 冯雅兴, 陈思琼, 李永胜. 基于卷积神经网络模型划分成矿远景区——以甘肃大桥地区金多金属矿田为例[J]. 地质通报, 2019, 38(12): 1999-2009.
引用本文: 蔡惠慧, 徐永洋, 李孜轩, 曹豪豪, 冯雅兴, 陈思琼, 李永胜. 基于卷积神经网络模型划分成矿远景区——以甘肃大桥地区金多金属矿田为例[J]. 地质通报, 2019, 38(12): 1999-2009.
shu
CAI Huihui, XU Yongyang, LI Zixuan, CAO Haohao, FENG Yaxing, CHEN Siqiong, LI Yongsheng. The division of metallogenic prospective areas based on convolutional neural network model: A case study of the Daqiao gold polymetallic deposit[J]. Geological Bulletin of China, 2019, 38(12): 1999-2009.
Citation: CAI Huihui, XU Yongyang, LI Zixuan, CAO Haohao, FENG Yaxing, CHEN Siqiong, LI Yongsheng. The division of metallogenic prospective areas based on convolutional neural network model: A case study of the Daqiao gold polymetallic deposit[J]. Geological Bulletin of China, 2019, 38(12): 1999-2009.
shu

基于卷积神经网络模型划分成矿远景区——以甘肃大桥地区金多金属矿田为例

  • 1.

    中国地质调查局发展研究中心, 北京 100037

  • 2.

    中国地质大学(北京), 北京 100083

  • 3.

    中国地质大学(武汉)智能空间认知实验室, 湖北 武汉 430074

  • 基金项目:
    中国地质调查局项目《地质矿产智能化调查系统开发与应用》（编号：DD20190416）、《智能地质调查系统开发与推广》（编号：DD20160355）和科学技术部项目《深部矿产资源评价理论与方法》（编号：2016YFC0600510）
详细信息
    作者简介: 蔡惠慧(1986-), 女, 博士, 助理研究员, 从事矿产资源定量预测评价方法技术研究。E-mail:caihuihui6@126.com
    通讯作者: 徐永洋(1989-), 男, 博士, 副教授, 从事人工智能和时空数据挖掘方面研究。E-mail:yongyangxu@cug.edu.cn

  • 中图分类号: P618.51;P628

The division of metallogenic prospective areas based on convolutional neural network model: A case study of the Daqiao gold polymetallic deposit

  • 1.

    Development Research Center, China Geological Survey, Beijing 100037, China

  • 2.

    China University of Geosciences, Beijing 100083, China

  • 3.

    Intelligent Spatial Cognition Laboratory, China University of Geosciences, Wuhan 430074, Hubei, China

More Information

    摘要

  • 大数据和高性能计算使得地质学可能突破种种主客观因素的限制，从传统的定性描述和不确定性作为特点转变为更全面的定量化发展阶段，即地质学更加注重通过挖掘复杂的多元地学数据间的关联关系来探究地质成因过程。为了厘清研究区多元化地质数据并划分成矿远景区，结合现代信息化新方法新技术，智能高效地帮助地学工作者提供辅助决策依据。以甘肃省大桥金矿为研究区，提出了利用一维卷积神经网络替代传统的人工计算，通过对研究区金多金属矿的地球化学元素及地球物理元素数据进行训练，挖掘研究区综合成矿信息，依据训练结果划分出4类成矿远景区。研究结果表明，地质成矿过程复杂，每一个成矿预测要素在地质成矿过程中均发挥重要的作用。在大比例尺度上，应用深度学习网络模型划分成矿远景区能客观地反映多元化地质数据本身的非线性特征，识别地质要素的空间特征，深层次提取和挖掘成矿异常信息，实现矿产资源智能化预测评价。

    Big data and high performance computing make it possible for geology to break through the limitations of various subjective and objective factors and transform from the traditional qualitative description and uncertainty to a more comprehensive quantitative development stage, that is, geology pays more attention to exploring the geological genesis process by mining the correlation between complex and multiple geoscience data. In order to clarify the diversity of geological data in the study area and divide the metallogenic prospective area, the authors aimed to help the geoscientists to make decisions intelligently and efficiently by combining the new methods and technologies of modern informatization. With the Daqiao gold deposit in Gansu Province as the study area, the authors proposed to use one-dimensional convolutional neural network instead of traditional manual calculation and, through training the geochemical and geophysical element data in the study area, excavated the comprehensive metallogenic information in the study area, and then recognized four types of metallogenic prospective areas based on the training results. The results show that the geological mineralization process is complex, and each element of metallogenic prediction plays an important role in the geological mineralization process. On a large scale, the deep learning network model can objectively reflect the nonlinear characteristics of diversified geological data, identify the spatial characteristics of geological elements, extract and excavate the information of mineralization anomalies, and realize the intelligent prediction and evaluation of mineral resources.

    • HTML全文
  • 加载中

  • 图 1  一维卷积找矿预测神经网络结构图

    Figure 1. 

    下载: 全尺寸图片 幻灯片

    图 2  激活函数示意图

    Figure 2. 

    下载: 全尺寸图片 幻灯片

    图 3  神经网络分类模型样本学习点位图

    Figure 3. 

    下载: 全尺寸图片 幻灯片

    图 4  网络模型不同迭代轮数下的模型损失函数趋势图

    Figure 4. 

    下载: 全尺寸图片 幻灯片

    图 5  不同学习率下预测精度图

    Figure 5. 

    下载: 全尺寸图片 幻灯片

    图 6  学习率为0.002时不同数据结构的预测精度

    Figure 6. 

    下载: 全尺寸图片 幻灯片

    图 7  分类网络模型综合信息预测图

    Figure 7. 

    下载: 全尺寸图片 幻灯片

    图 8  化探数据网络模型预测结果与F3异常对比图

    Figure 8. 

    下载: 全尺寸图片 幻灯片

    图 9  地球化学数据叠加地球物理数据前后结果（c1和c3：叠加前；c2和c4：叠加后）

    Figure 9. 

    下载: 全尺寸图片 幻灯片

    图 10  地球化学数据叠加地质数据前后结果（d1：叠加前；d2：叠加后）

    Figure 10. 

    下载: 全尺寸图片 幻灯片

    图 11  深度卷积神经网络模型预测图（加虚线框9处远景区范围）

    Figure 11. 

    下载: 全尺寸图片 幻灯片

    表 1  一维卷积神经找矿预测分类网络参数

    Table 1.  Parameters of one-dimensional convolutional neural ore-prospecting prediction classification network

    编号 网络层 卷积核大小/步长 卷积核数目 输出大小(宽度*深度） 零补
    1 卷积1 3*1/1 16 17*16 是
    2 卷积2 3*1/1 16 17*16 是
    3 池化1 2*1/2 16 8*16 否
    4 卷积3 3*1/1 32 8*32 是
    5 卷积4 3*1/1 32 8*32 是
    6 池化2 2*1/2 32 4*32 否
    7 卷积5 3*1/1 64 4*64 是
    8 卷积6 3*1/1 64 4*64 是
    9 池化3 2*1/2 64 2*64 否
    11 Softmax 4 1 4
    下载: 导出CSV

    表 2  成矿预测要素

    Table 2.  Metallogenic prediction elements

    成矿预测要素 内容描述
    成矿地质条件与标志 岩石组合 三叠系滑石关组的硅化角砾岩、纹层状硅质岩、硅质胶结角砾岩
    构造控矿标志 NE向构造及其与NW向构造交会部位；环形构造产状变化部位
    地表找矿标志 硅化或硅质角砾岩 硅化角砾岩、纹层状硅质岩、硅质胶结角砾岩
    地球化学标志 水系、土壤元素组合及指示元素异常 指示元素Au、Ag、Cu、Pb、Zn、As、Sb、Hg、W、Sn、Bi、Mo等元素异常；AuAsBiWCu3Sb2组合显示金矿化与岩浆热液有关；组合元素叠加部位对找寻大型矿床具有重要意义
    地球物理标志 高磁 环形构造与线性构造的交会部位；NE向线性构造及其与NW向线性构造的交会部位。
    航磁 NE向、NNE向线性构造及其与N向线性构造的交会部位
    重力 NE向和NW向构造交会部位；环形构造产状变化部位
    下载: 导出CSV

    表 3  网络模型学习样本库数据结构类型

    Table 3.  Data structure types of network model learning sample database

    数据集编号 数据结构类别
    1 地球化探
    2 地球化探叠加地球物理
    3 地球化探叠加地质数据
    4 地球化探，地质数据，地球物理三者叠加
    下载: 导出CSV
    • 参考文献(23)
  • [1]

    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. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20150704&flag=1

    [2]

    Chen L R, Guan Q F, Xiong Y H, et al. A Spatially Constrained Multi-autoencoder Approach for Multivariate Geochemical Anomaly Recognition[J]. Computers and Geosciences, 2019:43-54. http://cn.bing.com/academic/profile?id=fb2c06344f20a0c74107c95ab1e01c6b&encoded=0&v=paper_preview&mkt=zh-cn

    [3]

    陈建平, 李靖, 崔宁, 等.大数据背景下的地质云的构建[J].地质通报, 2015, 34(7):1260-1265. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20150702&flag=1

    [4]

    Chen L R, Guan Q F, Feng B, et al. AMulti-convolutional Autoencoder Approach to Multivariate Geochemical Anomaly Recognition[J]. Minerals, 2019:1-23. http://cn.bing.com/academic/profile?id=2595d3e042d6efa4f6b0d7a5cb602ba5&encoded=0&v=paper_preview&mkt=zh-cn

    [5]

    蔡惠慧, 朱伟, 李孜轩, 等.基于深度学习的钨钼多金属矿矿产资源预测评价[J].地球信息科学学报, 2019, (6):

    [6]

    Xiong Y H, Zuo R G. Recognition of Geochemical Anomalies Using a Deep Autoencoder Network[J]. Computers & Geosciences, 2016:75-82. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=f659583bb053f79afe258c22bcc05d8a

    [7]

    吴冲龙, 刘刚.大数据与未来地质的发展[J].地质通报, 2019, 38(7):1081-1088. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20190701&flag=1

    [8]

    吴冲龙, 刘刚, 张夏林, 等.地质科学大数据及其利用的若干问题探讨[J].科学通报, 2016, 61(16):1797-1807. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=kxtb201616010

    [9]

    李德仁, 王树良, 李德毅.空间数据挖掘理论与应用[M].北京:科学出版社, 2013.

    [10]

    周飞燕, 金林鹏, 董军.卷积神经网络研究综述[J].计算机学报, 2017, 40(6):1229-1251. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjxb201706001

    [11]

    刘月高, 吕新彪, 张振杰, 等.甘肃西和县大桥金矿床的成因研究[J].矿床地质, 2011, 30(6):1085-1099. http://d.old.wanfangdata.com.cn/Periodical/kcdz201106009

    [12]

    卢欣祥, 董有, 常秋玲, 等. Indosinian Shahewan rapakivi granite in Qinling and its dynamic significance[J]. Science in China, 1996, 39(3):266-272.

    [13]

    张宗清, 张国伟, 唐索寒, 等.秦岭沙河湾奥长环斑花岗岩的年龄及其对秦岭造山带主造山期结束时间的限制[J].科学通报, 1999, 44(9):981-984. http://d.old.wanfangdata.com.cn/Periodical/kxtb199909020

    [14]

    Zhong N C. Wang W. Yao P, et al. Prevalence of chronic obstructive pulmonary disease in China: a large, population-based survey[J]. American Journal of Respiratory & Critical Care Medicine, 2006, 176(8): 753.

    [15]

    刘建宏, 张新虎, 赵彦庆, 等.西秦岭成矿系列、成矿谱系研究及其找矿意义[J].矿床地质, 2006, 25(6):727-734. http://d.old.wanfangdata.com.cn/Periodical/kcdz200606009

    [16]

    闫玉梅, 李永军.西秦岭礼县长安一带西汉水群牙形刺特征及时代讨论[J].甘肃地质, 1994, (2):18-26. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QK199400110939

    [17]

    张复新, 季军良, 龙灵利, 等.南秦岭卡林型-似卡林型金矿床综合地质地球化学特征[J].地质论评, 2001, 47(5):492-499. http://d.old.wanfangdata.com.cn/Periodical/dzlp200105007

    [18]

    尤关进, 张忠平.甘肃大桥金矿地质特征及其发现的意义[J].甘肃地质, 2009, 18(4):1-8. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gsdzxb200904002

    [19]

    李永琴, 赵建群, 赵彦庆.西秦岭金成矿系统分析[J].甘肃地质, 2006, 15(1):47-52. http://d.old.wanfangdata.com.cn/Thesis/Y859897

    [20]

    孙则明, 王自翔, 徐亮, 等.甘肃大桥金矿硅质岩地球化学特征及其地质意义探讨[J].地球化学, 2016, 45(5):499-509. http://d.old.wanfangdata.com.cn/Periodical/dqhx201605006

    [21]

    张凤霞, 吴玉雯, 张玉辉, 等.甘肃大桥金矿地球化学异常特征对比[J].甘肃地质, 2015, 24(3):36-41. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gsdzxb201503006

    [22]

    常亮, 邓小明, 周明全, 等.图像理解中的卷积神经网络[J].自动化学报, 2016, 42(9):1300-1312. http://d.old.wanfangdata.com.cn/Periodical/zdhxb201609002

    [23]

    张文宇, 刘畅.卷积神经网络算法在语音识别中的应用[J].信息技术, 201, 8(10): 147-152.

    • 相关文章
  • 施引文献
  • 资源附件(0)
  • 加载中

图(11)

表(3)

计量
  • 文章访问数:  1391
  • PDF下载数:  19
  • 施引文献:  0
出版历程
收稿日期:  2019-04-17
修回日期:  2019-07-25
刊出日期:  2019-12-15

目录

    版权所有：中国地质调查局发展研究中心 copyright @2020
    返回