SCI论文（www.lunwensci.com）
摘要：为了提供准确的资源量预测结果，设计了基于深度学习算法的区域地质矿产资源量预测方法。首先进行人工采样，并测试土壤湿度、重金属含量等参数，然后根据地区勘查历史数据统计该区域的岩浆活动频率并提取控制成矿的因素以了解其地质条件。接着使用网格化处理技术来校正地质勘查测线，调整勘查与探测中的线距并划分区域网格。在20m×20m的网格内，采用线性变量Kriging作为线性处理的插值，并磁化处理数据以完成对矿区地质勘查数据的预处理。随后利用这些预处理数据，使用深度学习模型建立区域地质矿产资源模型，并利用自编码神经网络来划分成矿网格。最后使用随机变量函数的概率分布采样来构建资源的概率分布模型以预测区域的矿产资源量。
关键词：深度学习算法,网格划分,预测方法,矿产资源量,地质,区域
地质矿产资源量预测工作是一项综合性、系统性与难度性较高的工作。区域地质勘查所涉及的数据量庞大、种类繁多，技术人员需要不仅定量、定性分析地质数据和图表，还需要参考卫星定位数据、遥感影像资料、地球化学等资料。如何将现有的地质数据与地质现象结合起来，成为了地质工作者预测地质矿产资源量的重点与难点。由于数据量过于庞大，因此使用传统的人工统计和核对方式处理数据已经十分困难。在当前各类数据源不断增加的情况下，相关单位提出了利用计算机设备和数字化技术预测矿产资源量的方案。通过对数据的管理、分析和处理，可以实现对大规模矿产资源的精准评估。目前，已有地质工程单位在此方面实施了一系列的探索与实践，并提出矿产资源量预测是指在未探明地区对矿产资源储量评估的过程。以往的矿床预测工作大多由岩土专家主观判断确定矿床的远景和范围。但随着地质找矿工作难度加大，找矿单位开始将工作重点置于区域地质矿产资源量预测方面。为满足此方面的工作需求，科研单位提出了将深度学习算法作为地质勘查找矿工作的关键技术。利用此算法迭代、训练现有数据，可以掌握区域矿产资源数量、规模、空间位置、有效产出量、采矿标识等信息。然而，目前相关内容的研究仍局限在理论阶段。因此，本文将结合地区找矿工作的具体需求，引进深度学习算法，设计区域地质矿产资源量预测方法。旨在通过此次设计，为后续其他地区矿产工程提供指导与依据。
1提取区域控矿因素
为实现对区域地质矿产资源量的精确预测，应在开展相关方法设计之前，提取区域控制矿床形成的因素，掌握影响区域成矿的地质条件，以为找矿工作的实施提供支持数据。
在此过程中，采用人工取样的方式收集区域土壤样品，并将其带回实验室进行检测。检测内容包括土壤的湿润度、重金属物质含量等，并辅助多种物探设备，对区域地质环境进行探测，掌握地质结构的构成、矿层的时空分布规律等。在此基础上，分析地质单元构造，提取单元构造基础位置或其附近位置是否存在岩浆作用带。如果存在显著的岩浆作用或断裂带发育，则可将此区域圈定为地质活动频繁区域。在圈定过程中，根据地区勘查历史数据，统计区域岩浆频繁活动次数，以此为依据判定并识别地区的成矿作用期。在此基础上，标识区域矿点。
通常情况下，地区构造带发育的节点位置位于断层及其交汇处，可以将地质结构断层与断层交汇点作为区域地质成矿的主要依据。根据断裂带的类型与差异，初步预测地区成矿类型。当矿区存在基底层断裂带时，提取此断裂带的特征信息，将此断裂带作为控制区域矿产资源类型与沉积矿体规模的依据；壳状断裂层作为区域不同内生金属矿的控矿因素；岩石圈断裂带则作为超镁矿、铁矿、岩浆岩等矿床的形成条件。大部分矿产资源存在具有长期活动性的断层中，因此在提取区域控矿因素时，可以将底层活动、断裂带构造等作为成矿的主要条件。
除上述提出的内容外，地质裂缝、构造带迁移也是地表在构造作用力下产生的控矿因素。通常情况下，变形带、应力带在地质结构中呈现集中状态。在断裂带的作用下，成矿岩浆将呈现上升趋势。因此，在提取区域控矿因素时，需根据岩浆的上升方式和浆液的运移路径，圈定区域内有利的成矿场所。在圈定的有利成矿场所中，使用物探、化探等技术手段采集特征作为控矿因素。结合有利成矿区域的分布，在必要的情况下，使用遥感设备收集地段的时空分布信息。同时，可将地质勘查找矿区域内的岩体破裂、裂隙液运移途径、大型断层、剪切带、破碎带、角砾岩带作为区域导矿结构。研究区域变质核杂岩的构造演化作用、构造剥蚀作用以及地壳深层岩层岩体的向内移动方式，再通过构造活动和与之相关的岩浆、液相结合方式，将其作为在有利成矿条件下的区域控矿因素。通过上述方式，勘查区域地质形态、地质结构，以此为依据，实现对区域控矿因素与成矿条件的提取。
2矿区地质勘查数据预处理
完成对地质数据的获取后，为确保采集的地质数据在矿产资源量预测中能够发挥预期效果，需在上述研究内容的基础上根据具体工作需求对地质勘查调研数据进行预处理。
在实地外业探测中，测点与测线之间的间距通常在40m~50m之间，测线长度通常在80m~120m范围内。然而，在测量过程中，由于多种原因，常常出现测线与期望测点不在同一水平面上的情况，从而导致采集的数据与预期数据存在偏差。为了降低这种偏差对区域地质矿产资源量预测造成的影响，可采用网格化处理技术校正地质勘查测线，调节地质勘探与探测中的线距以符合基本工作需求。处理时，可以根据现有的地质勘查大量实践经验，划分区域网格，在每个单元网格内调节线距，并将网格化处理后的线距控制在实际线距偏差的20%以内。本次设计选用20m×20m的网格，在处理时，对网格内的标线点进行初始化处理，在单元中选择若干个重心点作为网格中心点。同时，选用coif族小波，通过操作功能栏可编辑界面定义数据的分解参数，通过对所获取数据的分解处理，去除数据集合中的噪声内容和冗余信息，使局部信息的闭合圈更加圆滑。
在上述处理内容的基础上，对网格化数据进行极化处理。在处理时，选择线性变量Kriging作为线性处理的插值方式，在20m×20m的网格内进行磁化处理数据。通过处理可以初步掌握不同地质层结构下的矿产资源埋深，并根据异常埋深绘制地质结构等值线。在绘制过程中，根据地质深度不断延长等值线高度，使基底层结构的等值线呈现相同的变化状态，以此种方式掌握矿产资源所在区域的基底层主体结构空间走向。同时，提取区域内的高磁性区域，计算不同单元与网格中的异常磁场，掌握局部磁场中异常磁场的分布、密度等参数。通过使用小波离析处理的方法，得到局部磁场示意图，圈定高密度磁场、低密度磁场等不同区域内的位置、范围和界限，从而得到异常磁场的场强。在计算磁场时，可选择两个具有不同深度的向下拓展层，提取下延过程中浅层矿体与深层矿体的磁力异常分布情况，并大致推断可能存在矿产资源的地质范围。为避免在此过程中，地质勘查数据偏差影响范围的圈定，可在圈定后对地质数据进行二阶求导，根据二阶求导结果检验初步圈定的采矿区域可信度。此外，在确定区域内构造边界位置时，可采用绘制零值线的方式提取同相轴磁化率异常区域，并根据提取的结构圈定闭向轴边界，从而判定构造带上的裂缝属性与延伸情况。对于所提取的相关数据或信息可以按照上述方式进行预处理，通过这些步骤，完成矿区地质勘查数据的预处理。
3基于深度学习算法的矿产资源靶区圈定
完成上述研究后，利用预处理的矿区地质勘查数据建立区域地质矿产资源深度学习模型。在此过程中，使用化探手段深度剖析矿区地质数据与样本，并根据地质沉积物的含量定性训练数据，圈定靶区以预测矿产资源含量。结合前期地质勘查情况，以及区域地形、地势等情况，使用遥感影像和遥感光谱来描述地质特征和表征，反映区域裸露地表层的矿产赋存情况。同时，利用深度学习算法中的极限学习机对地表层影像进行像素分级处理，划分地质结构层级，确保在持续训练过程中不断缩小靶点与靶区的圈定范围。
对于区域内植被覆盖的研究区，考虑到直接利用光谱特征成像无法实现对靶区地表层矿点或矿物质特性信息的识别。因此，在完成对数据的预处理后，可使用主成分分析法识别现有数据中的一些高权重系数数据作为参照，选定高产量矿物元素。同时，利用深度学习算法中的非监督学习方法和深度对抗神经网络方法建立区域地质矿产资源深度学习模型，以定位地质区域内异常化学元素的空间异常分布情况。通过异常分布的划分，识别不同勘查点的异常值，从而掌握区域内元素的化学异常分布区域。在此基础上，使用利用异常值提取的方式精准圈定地质找矿靶区。具体步骤如下：
第一步：将预处理后的各种地质勘查数据划分为多个类别，包括原始数、地质化数据、非地质化数据、单元素数据和多元素集合数据。统一处理数据格式，整理并统计现有数据，并利用网络将其录入计算机终端。
第二步：使用集成在计算机中的深度学习算法，对数据进行非监督性学习。根据圈定的靶区，反复训练数据集合，并详细描述矿区地质构造。选择区域内聚类程度较高的元素区域作为靶区，通过深度学习划分不同类型的矿产资源。在训练过程中，考虑到部分地区成矿较为复杂，直接利用地球化学数据可能存在预测靶点与矿区线性分布异常的问题。因此，需要在已有处理内容的基础上，使用深度学习算法中的多变量统计方法，结合地质分型方法，对矿区样本进行离散处理。
第三步：部分地区的地质产出数据较少，可能会在训练中出现识别误差问题，由于数据量不足。因此，可以在重构误差较高的区域中，选择地球化学异常指示变量或重构误差值较高的区域，与已知的矿点进行比对，以掌握空间结构的相关性，并从中提取出异常矿化点。
第四步：通过将提取的异常矿化点与地质体和构造分布进行匹配，并进行对比验证，可掌握区域内栅格化异常值提取的范围。在此基础上，可以圈定该区域，并完成基于深度学习算法的矿产资源靶区圈定。
4区域成矿网格划分与自编码
完成上述处理后，为实现对区域地质矿产资源量的精准预测，使用自编码神经网络来划分区域成矿网格，并对网格采取措施进行自编码处理。在此过程中，输入包括W元素、Mo元素、Ag元素、As元素、Bi元素、Co元素、Cr元素、Mn元素、Ni元素、Ti元素、Zr元素等化探元素数据到神经网络中。数据将会流通进入中间层训练，并通过输出重构结构的过程，渲染出区域地质结构与地质构造分布图。在训练过程中，考虑到自编码神经网络具有较强的对称性，因此输入数据与输出数据之间的损失度较小。在训练后，还可以将输出的重构数据作为输入数据的估量依据。但是需要明确的是，在这个过程中，尽管输入与输出数据之间的差异性较小，但训练后仍会出现一定的偏差，称为重构偏差。通常可以利用这种偏差来检测数据异常或成矿划分网格之间的差异。在常规条件下，当输入与输出数据之间的重构偏差较大时，可以认为前端存在明显的异常数据输入，并且可以根据输入层的大小计算出此误差。
在这个基础上，考虑到网格区域的划分与自编码过程受到RBM输入参数的限制。即，部分网格区域的输入数据只能是“1”或者“0”。当空间数据分布为0与1时，可以认为数据在空间中呈现离散化状态。但是这些数据不满足连续分析与统计需求。因此，在进行此部分内容的自编码处理时，引入连续CRBM。在现有数据中掺入标准的高斯白噪声，并将其放入待操作或待处理的数据中，以控制呈现规律分布的噪声数据，使离散数据在空间中呈现高斯分布形态。通过这种方式，离散化数据具有了连续性。
为了降低在划分单元网格过程中，重构偏差对其造成的影响，可以按照以下步骤进行自编码神经网络训练，从而微调或传导地质勘探数据。
第一步：使用CRBMS，可以将数据集拆分，并将具有相同特征的数据集聚类在一起。然后可以逐个进行训练。
第二步：具体训练步骤如下：将所有完成CRBMS训练的数据堆叠在一起，形成一个具有多层特征的反向传播自编码网络。
第三步：可以利用反向传播算法调整网络节点参数，激活节点属性，控制sigmoid函数逼近0。
通过上述方式，可以使空间数据从无噪音状态逐步转变为二元随机状态。根据状态属性，按顺序对矿区进行编码。
5基于统计概率分布的矿产资源量预测
统计概率分布测试是基于统计取样理论的，利用随机变量函数的概率分布采样建立资源概率分布模型，从而在一定条件下有效预测区域环境某项具体属性。在特定地质条件下，矿产资源量具有规律性，因此基于概率的预测方法是切实可行的。在对矿产资源进行预测时，可以通过分析随机变量间相互关系和特性，得到不同的概率分布模式。其中矿产资源量的质量特性和数量特性都是由资源量和资源质量决定的，定义矿产资源量相关参数为随机变量。利用统计实验法对资源量进行预测，具体预测步骤如下：
第一步，首先，需要建立矿产资源量的随机概率分布模型。然后，针对区域地质矿产资源量的预测需求，确定与矿产资源量预测相关的参数条件，并建立随机变量方程，以统计网格划分单元区域内的资源量。最后，根据区域内不同参数的分布，可以计算出区域内资源的总量。
第二步，需要建立参数的随机统计分布函数。具体步骤如下：通过观测现有的数据量、靶点、靶区等数据，并对数据进行统计和模拟，计算参数的分布情况，绘制区域产矿直方图，并选定某个特定的理论值代替参数在空间中分布。在此过程中，需要注意对区域内地质特征参数的显著性校验，确保两者之间没有明显差异后，才能进行分布验算。
第三步，需要利用构造函数，对参数与资源在空间中的分布进行模拟，并拟合直方图算法。同时，采用随机抽样法模拟地质区域内矿产资源的分布情况，计算随机数，使随机数具有均匀分布的特点。通过抽样模拟的方式，计算分布函数，使得矿产资源量可以以一种较为直观的方式呈现。通过建立概率分布模型，对矿区的特点进行精准表达或描述，从而实现对该区域内矿产资源的预测。在进行上述步骤时，需要注意对地质结构、网格单元和构造进行赋值，选取一些研究程度较高的标志性数据作为参照对象，利用这些数据建立矿产资源产出量变异序列。参照变异序列及其所在的空间位置和地质构造，判断区域内是否存在矿产资源并确定资源产出量。通过以上方式，可以完成基于统计概率分布的矿产资源量预测，实现基于深度学习算法的区域地质矿产资源量预测方法的研究。
6结语
本文通过提取区域控矿因素、地质勘查数据预处理、矿产资源靶区圈定、区域成矿网格划分与自编码以及基于统计概率分布的矿产资源量预测，完成了基于深度学习算法的区域地质矿产资源量预测方法的设计。尽管此次设计成果已相对完善，但要实现将此方法在地质找矿等相关工作领域内推广，还应在现有工作的基础上，根据具体需求，检验此次设计方法在实际应用中的效果。通过这种方式，可以掌握设计成果在实际应用中的优势和不足，并为我国矿产行业的发展提供进一步的指导和技术支持。
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/61065.html
