论文部分内容阅读
矿产资源是人类社会发展必不可少的物质基础。目前,近地表矿产已近开采殆尽,找矿重点转向覆盖区和深部找矿。在复杂的地质条件下,找矿勘查面临诸多难题。随着大数据时代的到来,将深度学习方法引入地学领域,有助于处理复杂的地学信息,提高找矿预测效率。虽然深度学习方法已逐步应用于找矿预测中,但由于矿点数据少,严重限制了有监督深度学习方法在找矿预测工作中的应用和发展。本文提出一种基于卷积自编码神经网络找矿预测方法,使用卷积操作提取地球化学数据空间模式,结合卷积自编码神经网络和高斯混合模型（Gaussian Mixture Model,GMM）进行无监督数据增强,构建训练样本数据集,最后利用经过预训练的卷积神经网络进行找矿预测,圈定找矿远景区。本文主要取得以下几个方面的进展:（1）应用窗口化采样方法构建数据集,采用卷积自编码神经网络提取元素地球化学空间模式,将压缩后的空间模式数据作为样本,利用GMM识别地球化学异常。将空间模式数据和单点数据分别作为输入样本进行异常识别,对比得出基于空间模式数据进行找矿预测时的效果更好,AUC（Area Under Curve）值为0.91,圈定的异常区包含研究区81.25%的已知矿床,异常区面积仅占15.46%。（2）提出了基于卷积自编码神经网络和高斯混合模型学习样本数据集构建方法,利用该方法进行无监督的数据增强。该方法使用卷积自编码神经网络提取样本空间模式信息并压缩,然后使用高斯混合模型计算样本异常得分,将高异常得分样本划定为含矿样本,将低异常得分样本划分为不含矿样本。结合传统样本增强方法,对研究区内16个矿点样本进行数据增强,设定含矿样本和不含矿样本比例为1:1,共得到6880个标签样本。使用卷积神经网络对经数据增强后的样本集展开训练并预测,验证集准确率为95.46%,研究区87.5%的矿床落入10%的预测区内。在随机验证实验中,100%的随机验证矿点落入预测区内。（3）研究了应用地球化学元素筛选和地质约束优化找矿预测方法,缩小了预测区面积,提升了找矿预测的准确率。实验使用ROC曲线下面积从15种地球化学元素中筛选出11种与该地区金矿具有较高相关度的元素,将预测面积从24%缩小到10%;利用断裂和地层界面对预测结果进行约束,将验证集准确率从90%提高到96%,预测区内落入矿点百分比从75%提升到87.5%。