CN110211244A - 一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法 - Google Patents

Abstract

本发明公开了一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法，包括基于矿床三维结构信息的地质体形态特征图像的构建，以及针对地质体形态特征图像的地质形态控矿特征深度网络。在研究成矿地质体形态展布对矿化空间定位的控制作用时，本发明通过建立矿床三维结构信息对深度卷积神经网络的重组织表达，利用深度神经网络建立矿床三维结构到成矿地质体形态控矿深层次特征及成矿后验概率的映射，同时避免直接将高维的矿床三维结构表达至深度网络带来的高资源开销与大数据依赖。

Description

一种矿床三维结构信息到地质体形态控矿深度网络的重组织 方法

技术领域

本发明属于隐伏矿体三维预测领域，尤其涉及地质体形态分析方法。

背景技术

矿体的形成和就位普遍受到成矿地质体的形态展布控制。因此，分析矿床三维结构信息，从成矿地质体三维模型中提取有利成矿的形态特征，获得有效的地质体形态控矿特征，已成为隐伏矿体三维预测的重要手段。然而，现有的地质体三维形态分析方法，难以有效提取反映地质体形态展布对矿化空间定位制约的深层次特征，严重影响了隐伏矿体三维预测的可靠性和准确性。

随着计算机技术和深度学习技术的发展，深度学习方法在机器学习和模式识别领域取得了较大成功，使得利用深度学习方法对矿体的形态控矿作用分析成为可能。但是，若直接将高维的矿床三维结构信息以体元模型形式输入深度网络进行隐伏矿体三维预测，将产生海量的待训练参数和难以接受的计算开销。

发明内容

本发明的目的是提供一种重组织方法，实现矿床三维结构信息对深度网络的重组织输入，并在深度网络中表达矿床的多地质体-多尺度-多特征的地质形态联合控矿作用。包括：基于矿床三维结构信息的地质体形态特征图像的构建，以及针对地质体形态特征图像的地质形态控矿特征深度网络。

为了实现上述技术目的，本发明的技术方案是，

一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法，包括以下步骤：

步骤一，以G_i表示矿床成矿空间中已知的任一成矿地质体，组成集合{G₁，…，G_k}，计算G_i初级形态特征，并存储至表达G_i，1≤i≤k的体元之中；

步骤二，建立矿床三维结构的形态特征图像：

对目标体元v和集合{G₁，…，G_k}，确定G_i对目标体元v的控制区域Ω_i，根据控制区域Ω_i对图像空间Π_i的映射关系，基于Ω_i内体元的形态控矿潜在特征，对Π_i上栅格属性赋值，建立集合{G₁，…，G_k}在多个尺度下的形态特征多通道图像；

步骤三，构建表达地质体形态控矿作用的深度神经网络：

给定成矿空间中不同地质体在不同尺度下形态特征的多通道图像，构建以这种多通道图像为输入的深度神经网络，表达矿床三维结构中不同成矿地质体在不同成矿作用范围下对矿化空间定位的制约。

所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法，所述的步骤一中，计算已知成矿地质体界面的曲率和形态起伏程度，以此作为成矿地质体的初级形态特征。

所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法，所述的步骤二中，给定成矿空间中任一目标体元v及与其相关的成矿地质体集合{G₁，…，G_k}，对于集合中的G_i，首先寻找G_i表面所有体元中到v最近的体元，设其中心点为p_i；然后构建过v中心点，且法向量方向与p_i-v方向一致，边长为预设成矿作用范围L的正方形平面区域Π_i，以此作为图像空间，并将此图像空间均匀地划分为多个正方形栅格区域；最后，计算G_i上各体元s_ij相对于区域Π_i所在平面的深度d_ij：

沿方向-(p_i-v)，将G_i上的各体元s_ij正射投影至图像空间Π_i所在的平面上，得到s_ij在该平面上的正射投影位置q_ij，对于正射投影位置q_ij落入图像空间区域Π_i的所有体元的集合，则作为G_i对目标体元v的控制区域Ω_i。；在此基础上，给定Π_i上某栅格区域r_uv，根据(1)式，寻找投影至r_uv上所有体元中具有最小投影深度的体元将处所对应的多元形态特征以及距目标体元v的距离，赋给Π_i上的栅格r_uv，从而实现G_i三维形态特征及影响程度到图像空间Π_i的映射；对{G₁，…，G_k}中所有成矿地质体G_i均基于上述映射过程，在不同成矿作用范围L下，构建控制体元v的形态特征图像，以不同成矿地质体G_i，不同尺度为一个图像通道，建立形成集合{G₁，…，G_k}在多个尺度下的形态特征多通道图像。

所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法，所述的步骤三中，在神经网络的前端，针对不同地质体在不同尺度的形态特征图像，构建多个子网络，每个子网络采用AlexNet卷积神经架构；进一步，构建以同一地质体子网络输出结果为输入的全连接层，实现地质体在不同尺度下形态控矿特征的融合；在此基础上，以融合结果为输入，建立融合不同地质体形态控矿特征的全连接层，以提取地质体多尺度形态的联合控矿特征；最后，基于逻辑回归分类器的sigmoid函数，建立地质体多尺度形态的联合控矿特征到体元v成矿后验概率之间的映射，形成实现由形态特征多通道图像到成矿后验概率端到端训练和预测的深度神经网络。

本发明的技术效果在于，通过建立矿床三维结构信息对深度卷积神经网络的重组织表达，利用深度神经网络建立矿床三维结构到成矿地质体形态控矿深层次特征及成矿后验概率的映射，揭示成矿地质体形态展布对矿化空间定位的控制作用，同时避免直接将高维的矿床三维结构表达至深度网络带来的高资源开销与大数据依赖。

附图说明

图1为深度学习网络构建示意图。

具体实施方式：

本发明包括以下步骤：

(1)基于矿床三维结构信息的地质体形态特征图像

对目标体元v和成矿地质体集合{G₁，…，G_k}，首先确定成矿地质体G_i对目标体元的控制区域Ω_i，然后实现控制区域Ω_i对图像空间Π_i的映射，基于此映射关系，根据Ω_i内体元的形态控矿潜在特征对Π_i上栅格属性赋值，建立地质体形态控矿潜在特征的多通道图像。

为确定对目标体元v的控制区域，首先寻找v到地质体G_i上的最近点p_i，构建过v的矩形平面区域Π_i，以此作为图像空间，且Π_i满足法向量方向与p_i-v方向相同，计算地质体G_i上各体元s_ij相对于平面区域Π_i的深度d_ij：

将各体元s_ij沿-(p_i-v)方向正射投影至区域Π_i上，若投影位置q_ij落入Π_i上某栅格区域r_uv，根据式(1)，寻找投影至r_uv上所有体元中具有最小投影深度的体元以此作为地质体G_i对目标体元v的控制体元之一，体元的集合即作为地质体G_i对的目标体元v的控制区域Ω_i。然后，以沿-(p_i-v)方向正射投影作为控制区域Ω_i到图像空间Π_i的映射，将的形态描述特征和对目标体元v控制程度等指标，给Π_i上栅格r_uv的属性赋值。

为了反映不同尺度地质体形态的控制作用，通过采用不同的大小的投影平面区域Π_i建立不同尺度控制区域的投影范围，经特征的投影映射和图像的上采样后，建立不同尺度的形态特征图像表达。

(2)针对地质体形态特征图像的地质形态控矿特征深度网络

针对不同的地质体和尺度，以不同地质体在不同尺度下的形态控矿潜在特征的多通道图像为输入，构建多个子网络。每个子网络采用AlexNet架构，ReLU激活函数和最大池化。为表达成矿空间中体元是否矿化是不同地质体在不同尺度下的联合作用的结果，进一步构建以每个地质体的多个子网络输出特征为输入的全连接融合子网络，实现地质体不同尺度下形态控矿特征的融合。然后以每个地质体的融合结果为输入，建立全连接层融合不同地质体的形态控矿特征，以表达地质体形态多层次多尺度联合控矿作用。最后，以全连接的方式建立输出层，输出每个体元的最终预测结果。上述深度学习网络构建如图1所示。

以下步骤描述矿床三维结构信息到地质体形态控矿深度网络的重组织方法实施，以安徽铜陵凤凰山铜矿床为例。控制凤凰山铜矿床的地质体是新屋里岩体，该岩体与围岩接触面的形态控制了矿床产出的形态和分布。除此之外，地层D_3w亦对矿体定位具有控制作用。下面，以G₁指代新屋里岩体，G₂指代D_3w地层。按以下步骤，实现成矿地质体G₁和G₂信息的重组织：

(1)分别提取地质体G₁和G₂表面的曲率、数学形态学特征，以获得地质体G₁和G₂的初级形态描述指标。

(2)定义矿床的成矿空间的体元模型，对体元模型的体元，分别计算体元到地质体G₁和G₂的最近距离，分别建立关于地质体G₁和G₂距离场，以表达地质体G₁和G₂的形态展布对成矿空间的影响程度。

(3)设置形态特征的图像映射尺度L_i，本例取L₀＝200m，L₁＝400m，L₂＝800m，以实现3个不同尺度下的形态特征重组织。

(4)对成矿空间的所有体元，找出地质体G₁距目标体元v最近的一点p₁，过p₁做法向量为p₁-v的平面Π。平面上取以p₁为中心，边长为L_i的正方形区域，并将区域栅格化为227*227大小的栅格单元。

(5)对地质体上的各体元s_i，求其相对于平面Π的深度d_i：

将各体元s_i沿-(p₁-v)方向正射投影至区域Π上，若投影位置q_1i落入Π上某栅格区域r_uv，根据式(1)，寻找投影至r_uv上所有体元中具有最小投影深度 的体元体元的集合即作为地质体G₁对的目标体元v的控制区域Ω。然后，以沿-(p₁-v)方向正射投影作为控制区域Ω_i到图像空间Π的映射，将的形态描述特征和对目标体元v控制程度等指标，作为属性赋值给Π上的栅格。

(6)根据步骤(3)中所定义的图像映射尺度，对地质体G₁重复步骤(4)-(5)，直到获得所有映射尺度下的重组织图像为止，以表达地质体G₁的形态展布在不同尺度下的控矿作用。

(7)针对地质体G₂，按与G₁一致的方式，重复步骤(4)-(6)，以表达地质体G₂在不同尺度下的形态控矿作用。

(8)对成矿空间中的所有体元，分别将其为目标体元v，执行步骤(4)-(7)。

(9)构建深度神经网络。首先建立6个子网络，每个子网络以地质体G₁或G₂在3个不同尺度下的形态特征图像为输入，每个子网络均采用经典AlexNet网络架构，并将输入层改为多通道图像，激活函数采用ReLU函数，池化层选择最大池化。对各子网络末端输出1000维特征，将同一个地质体在3个不同尺度下的特征采用全连接的方式进行融合为1000维的向量，从而表达单一地质体的深层次控矿特征。然后，将2个地质体的1000×2维控矿特征以全连接的方式进一步融合为1000维的向量，从而获得矿床三维结构中成矿地质体的深层次形态控矿特征。最后，将这1000维向量输入至分类器，获得到成矿后验概率的映射，从而通过深度卷积网络的训练，实现一种矿床三维结构信息到形态控矿特征学习深度网络的重组织。

Claims (4)

1.一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法，其特征在于，包括以下步骤：

步骤一，以G_i表示矿床成矿空间中已知的任一成矿地质体，组成集合{G₁，…，G_k}，计算G_i初级形态特征，并存储至表达G_i，1≤i≤k的体元之中；

步骤二，建立矿床三维结构的形态特征图像：

对目标体元v和集合{G₁，…，G_k}，确定G_i对目标体元v的控制区域Ω_i，根据控制区域Ω_i对图像空间Π_i的映射关系，基于Ω_i内体元的形态控矿潜在特征，对Π_i上栅格属性赋值，建立集合{G₁，…，G_k}在多个尺度下的形态特征多通道图像；

步骤三，构建表达地质体形态控矿作用的深度神经网络：

给定成矿空间中不同地质体在不同尺度下形态特征的多通道图像，构建以这种多通道图像为输入的深度神经网络，表达矿床三维结构中不同成矿地质体在不同成矿作用范围下对矿化空间定位的制约。

2.根据权利要求1所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法，其特征在于，所述的步骤一中，计算已知成矿地质体界面的曲率和形态起伏程度，以此作为成矿地质体的初级形态特征。

3.根据权利要求1所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法，其特征在于，所述的步骤二中，给定成矿空间中任一目标体元v及与其相关的成矿地质体集合{G₁，…，G_k}，对于集合中的G_i，首先寻找G_i表面所有体元中到v最近的体元，设其中心点为p_i；然后构建过v中心点，且法向量方向与p_i-v方向一致，边长为预设成矿作用范围L的正方形平面区域Π_i，以此作为图像空间，并将此图像空间均匀地划分为多个正方形栅格区域；最后，计算G_i上各体元s_ij相对于区域Π_i所在平面的深度d_ij：

沿方向-(p_i-v)，将G_i上的各体元s_ij正射投影至图像空间Π_i所在的平面上，得到s_ij在该平面上的正射投影位置q_ij，对于正射投影位置q_ij落入图像空间区域Π_i的所有体元的集合，则作为G_i对目标体元v的控制区域Ω_i°；在此基础上，给定Π_i上某栅格区域r_uv，根据(1)式，寻找投影至r_uv上所有体元中具有最小投影深度的体元将处所对应的多元形态特征以及距目标体元v的距离，赋给Π_i上的栅格r_uv，从而实现G_i三维形态特征及影响程度到图像空间Π_i的映射；对{G₁，…，G_k}中所有成矿地质体G_i均基于上述映射过程，在不同成矿作用范围L下，构建控制体元v的形态特征图像，以不同成矿地质体G_i，不同尺度为一个图像通道，建立形成集合{G₁，…，G_k}在多个尺度下的形态特征多通道图像。

4.根据权利要求1所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法，其特征在于，所述的步骤三中，在神经网络的前端，针对不同地质体在不同尺度的形态特征图像，构建多个子网络，每个子网络采用AlexNet卷积神经架构；进一步，构建以同一地质体子网络输出结果为输入的全连接层，实现地质体在不同尺度下形态控矿特征的融合；在此基础上，以融合结果为输入，建立融合不同地质体形态控矿特征的全连接层，以提取地质体多尺度形态的联合控矿特征；最后，基于逻辑回归分类器的sigmoid函数，建立地质体多尺度形态的联合控矿特征到体元v成矿后验概率之间的映射，形成实现由形态特征多通道图像到成矿后验概率端到端训练和预测的深度神经网络。