一种基于深度学习的嗅探智能找矿预测方法

1.本发明涉及矿产地质调查与矿产勘查技术领域，具体为一种基于深度学习的智能找矿预测方法。


背景技术：

2.通常矿产资源预测需要考虑的变量具有多样性，涉及地质学、地球化学、地球物理，遥感等多方面的学科，依照传统的方法，即运用数理统计、经验方法等，根据几个指标进行找矿远景预测，不能用概率的形式定量预测以及评价预测结果在已知数据中的可靠性，也不能对所有变量进行合理验证，因此具有很大的缺陷。目前，大数据和人工智能技术的发展促使找矿预测技术进入新的发展阶段，本项发明主要提出了一种基于深度学习的智能预测方法，依靠机器学习对地质大数据进行成矿特征学习，实现以多源数据为驱动力的智能找矿预测


技术实现要素：

3.本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
4.因此，本发明的目的是提供一种基于深度学习的嗅探智能找矿预测方法，实现了以地质、物探、化探、遥感等多源数据为驱动力的智能找矿预测；采用窗口化方式，通过数据增强技术获取模型的训练数据和验证数据。
5.为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
6.一种基于深度学习的嗅探智能找矿预测方法，其包括以下步骤：
7.s1：输入地质、物探、化探和遥感的多源地球科学数据；
8.s2：采用相对属性网格化方法对地质数据进行网格化，采用克里金法等插值方法对物探和化探的多源地球科学数据进行网格化；
9.s3：根据已知矿床，设置合适窗口大小，采用数据增强方法构建训练数据集和验证数据集；
10.s4：采用改进的卷积神经网络架构，进行网络模型训练，生成找矿预测模型；
11.s5：用训练好的模型参数计算研究区的每个窗口区域的找矿概率；
12.s6：根据研究区的成矿地质条件，进一步评价找矿预测区的有效性。
13.作为本发明所述的基于深度学习的嗅探智能找矿预测方法的一种优选方案，其中：所述步骤s3中也可以通过卷积神经网络提取“图像”的纹理结构，网格化的地质、地球物理、地球化学、遥感数据可以看作是“图像”，可以采用卷积方法进行地质、地球化学、地球物理、遥感异常空间结构类型分析，具体步骤如下：
14.(1)根据地质、物探、化探、遥感数据按一定网格间距、对研究区进行网格插值；
15.(2)选取一定窗口大小：16个网格单元
×
16个网格单元或32个网格单元
×
32个网格单元，根据已知矿床所在位置，采用移动、旋转窗口位置等数据增强技术，获取训练数据集。
16.作为本发明所述的基于深度学习的嗅探智能找矿预测方法的一种优选方案，其中：所述步骤s4中以地质、物探、化探、遥感和钻孔的资料为基础，采用深度学习方法，提取矿产地质大数据特征，挖掘已知矿床与所有已知地质要素的关系，从而建立找矿远景预测和找矿靶区圈定的深度学习模型。
17.作为本发明所述的基于深度学习的嗅探智能找矿预测方法的一种优选方案，其中：所述步骤s5中通过矿产地质大数据找矿预测系统采用cnn和自编码等深度学习网络进行降维，并在此基础上进行模式分类，挖掘地质要素与已知矿床之间的关系，采用步骤s4所建立的模型，预测工作区每个网格单元存在矿床的概率，进行找矿区域预测和靶区圈定。
18.与现有技术相比：
19.(1)直接使用可以获取的所有各类地学数据，如dem、地质、化探、物探、遥感等数据基本不经过地质概念的转化，实现以多源数据为驱动力的智能找矿预测。
20.(2)采用基于卷积神经网络学习的“嗅探”方法(orego)进行找矿预测，例如，给定已知矿床位置，orego可以“嗅探”该位置的矿产地质信息，自动提取特征，然后再指定区域搜索获取模型训练数据和测试数据，预测给定位置存在矿床的可能性，为找矿预测提供依据。
21.(3)采用基于卷积神经网络深度学习的“嗅探”方法(orego)进行找矿预测，给定矿床位置，采用该方法可以“嗅探”该位置的矿产地质信息，自动提取特征，然后对指定区域搜索判断是否存在与已知矿床特征类似的区域，为找矿预测提供依据。
22.(4)采用窗口化方法获取模型训练数据和测试数据，例如，根据已知矿床(点)的位置，可将窗口进行平移、旋转、缩放等获取不同的训练数据，该基于深度学习的嗅探智能找矿预测方法，实现了以多源数据为驱动力的智能找矿预测。
附图说明
23.为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
24.图1为本发明的流程图。
具体实施方式
25.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
26.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
27.其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，
表示器件结构的剖面图会不依一般比例作局部放大，而且示意图只是示例，其在此不应限制本发明保护的范围。
28.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
29.本发明提供一种基于深度学习的嗅探智能找矿预测方法，实现了以地质、物探、化探、遥感等多源数据为驱动力的智能找矿预测，采用窗口化方法获取模型的训练数据和验证数据，请参阅图1；
30.请再次参阅图1，包括以下步骤：
31.s1：输入地质、物探、化探和遥感的多源地球科学数据；
32.s2：采用相对属性网格化方法对地质数据进行网格化，采用克里金法等插值方法对物探和化探的多源地球科学数据进行网格化；
33.s3：根据已知矿床，设置合适窗口大小，采用数据增强方法构建训练数据集和验证数据集；
34.s4：采用改进的卷积神经网络架构，进行网络模型训练，生成找矿预测模型；
35.s5：用训练好的模型参数计算研究区的每个窗口区域的找矿概率；
36.s6：根据研究区的成矿地质条件，进一步评价找矿预测区的有效性。
37.请再次参阅图1，所述步骤s3中也可以通过卷积神经网络提取“图像”的纹理结构，网格化的地质、地球物理、地球化学、遥感数据可以看作是“图像”，可以采用卷积方法进行地质、地球化学、地球物理、遥感异常空间结构类型分析，具体步骤如下：
38.(1)根据地质、物探、化探、遥感数据按一定网格间距、对研究区进行网格插值；
39.(2)选取一定窗口大小：16个网格单元
×
16个网格单元或32个网格单元
×
32个网格单元，根据已知矿床所在位置，采用移动、旋转窗口位置等数据增强技术，获取训练数据集。
40.请再次参阅图1，所述步骤s4中以地质、物探、化探、遥感和钻孔的资料为基础，采用深度学习方法，提取矿产地质大数据特征，挖掘已知矿床与所有已知地质要素的关系，从而建立找矿远景预测和找矿靶区圈定的深度学习模型。
41.请再次参阅图1，所述步骤s5中通过矿产地质大数据找矿预测系统采用cnn和自编码等深度学习网络进行降维，并在此基础上进行模式分类，挖掘地质要素与已知矿床之间的关系，采用步骤s4所建立的模型，预测工作区每个网格单元存在矿床的概率，进行找矿区域预测和靶区圈定。
42.实施例
43.1.基于ag、as、au、ba、bi、cd、cu、hg、mn、mo、pb、sb、sn、w、zn等14种元素化探数据、航磁及地质数据，采用基于卷积神经网络的深度学习预测方法对甘肃崖湾
‑
大桥地区进行了找矿预测应用，根据9个金矿床(点)构建了学习数据集，圈定了6个主要找矿远景区。
44.2基于多要素融合的方法在崖湾
‑
大桥地区进行了找矿预测分析，采用地质界线(排序)+断裂(排序)+地化数据融合进行空间分类，结果图显示研究区具有复杂的空间结构变化特征。大桥地区发育了一个近南北向的环带结构，大桥金矿位于该环带结构区的边缘。根据已知矿床(点)所在分类区确定的有利找矿预测区，主要预测区是位于研究区中部的一个ne向条带，包括大桥金矿的多数已知金矿床(点)主要位于该条带上。在安房坝地区存在
一个预测区，安房坝金矿床位于预测区内。此外在研究区西部存在一个有利找矿预测区。
45.3采用本发明的方法，更精准地确定了崖湾
‑
大桥重点工作区的找矿预测靶区。研究区的主要找矿预测区位于研究区中部的北东向的条带上，该带发育三叠系与早古生代地层的接触带，沿该带北东向断裂发育，是研究区最重要的硅化角砾型金矿的找矿预测区。在研究区东南部的预测区也具有良好的金矿找矿潜力，主要发育断裂蚀变岩型、硅化角砾岩型金矿。
46.虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。