CN117609848A - 基于深度学习矿产资源分类预测方法及系统 - Google Patents
基于深度学习矿产资源分类预测方法及系统 Download PDFInfo
- Publication number
- CN117609848A CN117609848A CN202311211482.0A CN202311211482A CN117609848A CN 117609848 A CN117609848 A CN 117609848A CN 202311211482 A CN202311211482 A CN 202311211482A CN 117609848 A CN117609848 A CN 117609848A
- Authority
- CN
- China
- Prior art keywords
- tungsten
- data
- area
- tin
- tin ore
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 36
- 239000011707 mineral Substances 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 30
- AWXLLPFZAKTUCQ-UHFFFAOYSA-N [Sn].[W] Chemical compound [Sn].[W] AWXLLPFZAKTUCQ-UHFFFAOYSA-N 0.000 claims description 158
- 239000002689 soil Substances 0.000 claims description 58
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 49
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 44
- 229910052718 tin Inorganic materials 0.000 claims description 44
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 44
- 229910052721 tungsten Inorganic materials 0.000 claims description 44
- 239000010937 tungsten Substances 0.000 claims description 44
- 229910052787 antimony Inorganic materials 0.000 claims description 39
- WATWJIUSRGPENY-UHFFFAOYSA-N antimony atom Chemical compound [Sb] WATWJIUSRGPENY-UHFFFAOYSA-N 0.000 claims description 39
- 229910052750 molybdenum Inorganic materials 0.000 claims description 39
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims description 38
- 239000011733 molybdenum Substances 0.000 claims description 38
- 238000013136 deep learning model Methods 0.000 claims description 35
- 239000011435 rock Substances 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 23
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 22
- 229910052742 iron Inorganic materials 0.000 claims description 22
- 229910052710 silicon Inorganic materials 0.000 claims description 22
- 239000010703 silicon Substances 0.000 claims description 22
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 21
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 21
- 229910052717 sulfur Inorganic materials 0.000 claims description 21
- 239000011593 sulfur Substances 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 20
- 229910052782 aluminium Inorganic materials 0.000 claims description 19
- 238000000547 structure data Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 claims description 11
- 239000010453 quartz Substances 0.000 claims description 11
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 150000003839 salts Chemical class 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 210000003462 vein Anatomy 0.000 claims description 5
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 claims description 4
- WYWFMUBFNXLFJK-UHFFFAOYSA-N [Mo].[Sb] Chemical compound [Mo].[Sb] WYWFMUBFNXLFJK-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 3
- 239000011135 tin Substances 0.000 description 44
- 235000010755 mineral Nutrition 0.000 description 21
- 239000010410 layer Substances 0.000 description 7
- 239000011573 trace mineral Substances 0.000 description 6
- 235000013619 trace mineral Nutrition 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229910052604 silicate mineral Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052569 sulfide mineral Inorganic materials 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 229910001662 tin mineral Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于深度学习矿产资源分类预测方法及系统,涉及地球信息科学技术领域,本发明使用深度学习中的卷积神经网络构成深度学习模型,利用现有的钨锡矿所在区域的位置信息、地质构造数据、岩性数据、地层数据和地貌地形数据作为样本集进行训练,利用训练好的深度学习模型,利用现有的地质图中的数据,对于可能产生钨锡矿的区域进行预测,从地质数据的层次对于钨锡矿的位置进行预测,将深度学习和土壤地球化学测量方法相结合,利用钨锡矿形成区域的土壤中标志性的元素的含量异常的特点,对于该区域是否含有钨锡矿进行深入的预测,与深度学习的结果相互验证,并使用伴生元素的含量值,对于钨锡矿的种类进行预测。
Description
技术领域
本发明涉及地球信息科学技术领域,具体为一种基于深度学习矿产资源分类预测方法及系统。
背景技术
我国是世界上钨矿产资源和锡矿资源十分丰富,其中钨矿产资源占全球总量60%以上,其储量和产量都居全球首位。国内锡矿资源的储量、产量都位居世界前列,钨锡通常伴生成矿,经过多年的勘探和开采,地表出露的钨锡已被发现并开发,且资源逐渐减少并濒临枯竭,很对钨锡多金属矿的表面因植被茂密,基岩出露极差,地表很难发现矿化信息。
常规寻找钨锡矿的主要方法是地质探测,但是此种方法无疑是大海捞针,效果较差,但是随着深度学习技术的不断应用,为预测钨锡矿的位置提供了新的思路,深度学习是机器学习领域的一个分支,旨在通过模拟人脑神经网络结构和学习机制,实现对复杂数据的高效处理和分析,并在大量数据和强大的计算能力支持下取得了显著的进展。
现有技术中的,普遍单纯依靠深度学习算法对于矿产资源进行分类预测,例如公开号为CN114997501A提供的一种基于样本失衡的深度学习矿产资源分类预测方法及系统,其通过对地理位置信息和地球化学元素信息的深度分析,对化探数据异常的区域进行分析,来对矿产资源进行预测和分类,但是并没有引入地质条件来进行预测,虽然钨锡矿往往会集中在一片地理区域内上,但是地质条件是钨锡矿资源形成的基础,钨锡矿资源的形成通常需要特定的地质条件,包括岩石类型、构造活动、沉积环境等,不同类型的矿产资源有不同的地质形成条件,对一些没有进行过钨锡矿的挖掘的区域,上述的方法的适用性较差,预测的准确度较低,而且并不能详细预测钨锡矿的种类。
因此,现有技术中缺乏一种使用深度学习,针对钨锡矿所处矿床的地质情况和钨锡矿的成矿规律,系统性对钨锡矿进行预测和分类的方法。
发明内容
本发明的目的在于提供一种基于深度学习矿产资源分类预测方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于深度学习矿产资源分类预测方法,包括:
S1:获取现有钨锡矿所在区域的位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据,构成各个区域的数据集,在地质图数据上进行标注,将现有的钨锡矿标注成相同面积的区域,构成样本标签,并将每个区域的数据集和每个区域的样本标签一一对应;
S2:构建基于卷积神经网络的深度学习模型,将数据集划分为训练集和验证集,将训练集中各个区域的地质构造数据、岩性数据、地层数据、地貌地形数据输入深度学习模型,比较输出的结果与其对应的样本标签的误差,并根据误差通过反向传播和优化算法调整模型的权重和参数,并使用验证集评估训练后的模型,直至评估结果的准确率和精确率满足需求,输出验证后的深度学习模型;
S3:使用验证后的深度学习模型对于数字化的地质图中的未开采区域进行识别,根据地质图中提供的地质特征信息,在数字化的地质图中划分出钨锡矿的预测区域的中心坐标及半径;
S4:针对钨锡矿的一预测区域,在区域内进行土壤的采样,每个区域内采集N个点的土壤样本中,分别测量各个点采集的土壤中的钨、锡、锑、钼、硅、铝、硫、铁的含量,并根据钨、锡、锑、钼的含量分别计算偏度值和峰度值,并依据钨、锡、锑、钼的偏度值和峰度值综合生成钨锡矿权重系数;
S5:将钨锡矿权重系数和预设的权重阈值进行对比,若钨锡矿权重系数小于预设的权重阈值,则预测该区域不存在钨锡矿,否则判断存在钨锡矿,并根据每个区域内N个点的土壤样本中的硅、铝、硫、铁的含量,综合生成种类判断系数,用于进一步判断钨锡矿的种类;
S6:根据种类判断系数和预设的种类阈值进行对比,判断出对应区域的钨锡矿的种类,钨锡矿的种类包括石英脉型钨锡矿、硫化物型钨锡矿中的盐型钨锡矿。
进一步地,所述步骤S1中钨锡矿所在区域的位置信息包括在区域内的至少三个点的坐标信息,地质构造数据包括该区域的断裂带、褶皱带、隆起带、沉降盆地的数据,岩性数据包括火山岩、沉积岩、变质岩的石种分布数据,地层数据包括不同地层的分布和顺序数据,地貌地形数据包括地形线、等高线展示地势起伏的地貌特征数据。
进一步地,所述断裂带的具体数据包括断裂带中的断层密度、断层的平均长度和平均断距,褶皱带的具体数据包括褶皱线的平成长度、平均波长、平均幅度和平均倾角,隆起带的具体数据包括隆起的最大高度和平均高度,沉降盆地的具体数据包括盆地的面积、沉积层平均厚度和最大厚度,火山岩、沉积岩、变质岩的石种分布数据包括火山岩、沉积岩、变质岩的排列顺序和厚度,不同地层的分布和顺序数据为不同地层的种类和分布顺序,地形线的具体数据为地形线的密度、地形线对应的最高点的高度和最低点的高度,等高线的具体数据为等高线的密度。
进一步地,所述步骤S1中每个样本标签对应的区域的面积、形状均相同,形状均为圆形,每个区域对应的样本标签包括中心点的坐标数据和面积数据。
进一步地,所述步骤S2中深度学习模型卷积神经网络中的ResNet架构,所述深度学习模型输出的结果为对应区域的中心坐标信息和半径,训练集和验证集的划分比例为7:3。
进一步地,所述输出的结果与其对应的样本标签的误差包括输出的中心点数据和样本标签的中心点的坐标数据的距离,输出的半径数据构成的圆形区域面积和样本标签内区域面积的重合程度,准确率的定义为输出的中心点数据和样本标签的中心点的坐标数据的距离和样本标签对应的原型区域的半径的比值,精确率定义为输出的半径数据构成的圆形区域面积和样本标签内区域面积的重合程度和样本标签对应的圆形区域面积的比值。
进一步地,所述步骤S4中根据N个点的土壤样本数据中钨、锡、锑和钼含量数据的偏度值和个点的土壤样本数据中钨、锡、锑和钼含量数据的峰度值,采用对数函数进行拟合,生成钨锡矿权重系数,生成钨锡矿权重系数所依据的公式为:
其中,WXq为钨锡矿权重系数,Skw、SkSn、SkSb和SkMo分别为N个点的土壤样本数据中钨、锡、锑和钼含量数据的偏度值,KuW、KuSn、KuSb和KuMo分别为N个点的土壤样本数据中钨、锡、锑和钼含量数据的峰度值,α、β分别为钨锡加权系数、锑钼加权系数,且α+β=1,α>β>0。
进一步地,所述步骤S5中预设的权重阈值的取值为2.4,所述生成种类判断系数所依据的方法为将区域内采集的N个点的土壤样本中的硅元素和铝元素的含量之和比上硫、铁的含量之和后,采用对数函数进行拟合后,即可生成种类判断系数。
进一步地,所述步骤S6中判断钨锡矿的种类所依据的判断逻辑为:
当δ1<Zp时,判断对应区域的钨锡矿的种类为石英脉型钨锡矿;
当δ2<Zp<δ1时,判断对应区域的钨锡矿的种类为硅酸盐型钨锡矿;
当δ2>Zp时,判断对应区域的钨锡矿的种类为硫化物型钨锡矿;
其中,Zp为种类判断系数,δ1为种类阈值上限,δ2为种类阈值下限,δ1的取值范围为(2.9,4.6),δ2的取值范围为(-4.6,-2.9)。
基于相同的发明构思,本发明另外还提供一种基于深度学习矿产资源分类预测系统,所述预测系统用于实现上述的基于深度学习矿产资源分类预测方法,包括:
训练集生成模块,用于获取现有钨锡矿所在区域的位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据,构成各个区域的数据集,并在地质图数据上进行标注,将现有的钨锡矿标注成相同面积的区域,构成样本标签,并将每个区域的数据集和每个区域的样本标签一一对应;
学习模型构造模块,用于构建基于卷积神经网络的深度学习模型,将数据集划分为训练集和验证集,将训练集中各个区域的地质构造数据、岩性数据、地层数据、地貌地形数据输入深度学习模型,比较输出的结果与其对应的样本标签的误差,并根据误差通过反向传播和优化算法调整模型的权重和参数,并使用验证集评估训练后的模型,直至评估结果的准确率和精确率满足需求,输出验证后的深度学习模型;
矿产区域预测模块,用于使用验证后的深度学习模型对于数字化的地质图中的未开采区域进行识别,根据地质图中提供的地质特征信息,在数字化的地质图中划分出钨锡矿的预测区域的中心坐标及半径;
土壤样本测量模块,用于对钨锡矿的一预测区域,在区域内进行土壤的采样,每个区域内采集N个点的土壤样本,分别测量各个点采集的土壤中的钨、锡、锑、钼、硅、铝、硫、铁的含量,并根据钨、锡、锑、钼的含量分别计算偏度值和峰度值,并依据钨、锡、锑、钼的偏度值和峰度值综合生成钨锡矿权重系数;
矿产区域验证模块,用于将钨锡矿权重系数和预设的权重阈值进行对比,若钨锡矿权重系数小于预设的权重阈值,则预测该区域不存在钨锡矿,否则判断存在钨锡矿,并根据每个区域内N个点的土壤样本中的硅、铝、硫、铁的含量,综合生成种类判断系数,进一步判断钨锡矿的种类;
种类预测模块,用于根据种类判断系数和预设的种类阈值进行对比,判断出对应区域的钨锡矿的种类,钨锡矿的种类包括石英脉型钨锡矿、硫化物型钨锡矿中的盐型钨锡矿。
与现有技术相比,本发明的有益效果是:
本发明使用深度学习中的卷积神经网络构成深度学习模型,利用现有的钨锡矿所在区域的位置信息、地质构造数据、岩性数据、地层数据和地貌地形数据作为样本集进行训练,利用训练好的深度学习模型,利用现有的地质图中的数据,对于可能产生钨锡矿的区域进行预测,不受该地是否开采过钨锡矿等条件的限制,以钨锡矿资源的形成通常需要特定的地质条件为依据,从地质构造数据、岩性数据、地层数据和地貌地形的层次对于钨锡矿的位置进行系统的预测;
本发明将深度学习和土壤地球化学测量方法相结合,利用深度学习预测钨锡矿的大概区域,利用钨锡矿形成区域的土壤中钨、锡、锑和钼等标志性的元素的含量异常的特点,对于该区域是否含有钨锡矿进行深入的预测,能够与深度学习的结果相互验证,保证预测的准确率较高,并在预测可能具有钨锡矿资源的前提下,使用硅、铝、硫和铁四种伴生元素的含量值,对于钨锡矿的种类进行进一步的预测。
附图说明
图1为本发明整体方法流程示意图;
图2为本发明整体系统结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例:
请参阅图1,本发明提供一种技术方案:
一种基于深度学习矿产资源分类预测方法,具体步骤包括:
S1:获取现有钨锡矿所在区域的位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据,构成各个区域的数据集,在地质图数据上进行标注,将现有的钨锡矿标注成相同面积的区域,构成样本标签,并将每个区域的数据集和每个区域的样本标签一一对应;
本实施例中的所采用的钨锡矿所在区域均是我国已经进行开采和挖掘的钨锡矿,该地的位置信息包括在区域内的至少三个点的坐标信息,地质构造数据包括该区域的断裂带、褶皱带、隆起带、沉降盆地的数据,岩性数据包括火山岩、沉积岩、变质岩的石种分布数据,地层数据包括不同地层的分布和顺序数据,地貌地形数据包括地形线、等高线展示地势起伏的地貌特征数据。
进一步地,断裂带的具体数据包括断裂带中的断层密度、断层的平均长度和平均断距,褶皱带的具体数据包括褶皱线的平成长度、平均波长、平均幅度和平均倾角,隆起带的具体数据包括隆起的最大高度和平均高度,沉降盆地的具体数据包括盆地的面积、沉积层平均厚度和最大厚度。
进一步地,火山岩、沉积岩、变质岩的石种分布数据包括火山岩、沉积岩、变质岩的排列顺序和厚度,不同地层的分布和顺序数据为不同地层的种类和分布顺序,地形线的具体数据为地形线的密度、地形线对应的最高点的高度和最低点的高度,等高线的具体数据为等高线的密度。
本实施例中,每个样本标签对应的区域的面积、形状均相同,形状均为圆形,每个区域对应的样本标签包括中心点的坐标数据和面积数据。
S2:构建基于卷积神经网络的深度学习模型,将数据集划分为训练集和验证集,将训练集中各个区域的地质构造数据、岩性数据、地层数据、地貌地形数据输入深度学习模型,比较输出的结果与其对应的样本标签的误差,并根据误差通过反向传播和优化算法调整模型的权重和参数,并使用验证集评估训练后的模型,直至评估结果的准确率和精确率满足需求,输出验证后的深度学习模型。
本实施例中,深度学习模型卷积神经网络中的ResNet架构,所述深度学习模型输出的结果为对应区域的中心坐标信息和半径。
输出的结果与其对应的样本标签的误差包括输出的中心点数据和样本标签的中心点的坐标数据的距离,输出的半径数据构成的圆形区域面积和样本标签内区域面积的重合程度,本实施例中,训练集和验证集的划分比例为7:3,准确率和精确率所依据的具体公式为:
其中,γ为评估的准确率,β为评估的精确率,(xi、yi、zi)为深度学习模型输出的对应区域的中心坐标数据,(x0、y0、z0)为对应标签样本中的区域的中心坐标数据,S0为对应标签样本中的区域的面积数据,πR1 2∩S0为深度学习模型输出的半径数据构成的圆形区域面积和样本标签内区域面积的重合面积。
当且仅当验证集中超过的80%的数据集验证后的准确率和精确率满足γ≤15%、β≤10%时,证明深度学习模型满足要求,可以输出验证后的深度学习模型,否则根据误差通过反向传播和优化算法调整模型的权重和参数,直至满足条件。
S3:使用验证后的深度学习模型对于数字化的地质图中的未开采区域进行识别,根据地质图中提供的地质特征信息,在数字化的地质图中划分出钨锡矿的预测区域的中心坐标及半径。
本实施例中,地质图是现有技术,用来描述地球地质构造和地质现象的图形表示,它通过符号、颜色、线型等方式将地球表面的地质特征清晰地展示出来,地质图常见的要素包括:地质构造、岩性、地层、地貌和地形和地震活动等信息,数字化的地质图是将传统的纸质地质图转换为数字形式的地质信息数据集,通过数字化地质图,可以实现地质信息的电子存储、分析和展示,提高地质数据的可靠性、可访问性和可操作性,让深度学习模型能够直接访问。
因为数字化的地质图中包括我国各个区域的位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据,因此使用训练后的深度学习模型能够根据位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据预测出可能含有钨锡矿的区域的中心点坐标以及半径,本实施例中,以预测到的某一区域的中心坐标为(x、y、z),半径为R为例进行进一步的说明。
S4:针对钨锡矿的一预测区域,在区域内进行土壤的采样,每个区域内采集N个点的土壤样本中,分别测量各个点采集的土壤中的钨(W)、锡(Sn)、锑(Sb)、钼(Mo)、硅(Si)、铝(Al)、硫(S)、铁(Fe)的含量,并根据钨(W)、锡(Sn)、锑(Sb)、钼(Mo)的含量分别计算偏度值和峰度值,并依据钨(W)、锡(Sn)、锑(Sb)、钼(Mo)的偏度值和峰度值综合生成钨锡矿权重系数。
本实施例中,各个元素的含量单位统一采用mg/500g,表示每500g的土壤中,元素的重量,采集的N个点的土壤样本中:
钨的含量分别为:W1、W2、...、Wi、...、Wn,锡的含量分别为:Sn1、Sn2、...、Sni、...、Snn,锑的含量分别为:Sb1、Sb2、...、Sbi、...、Sbn,钼的含量分别为:Mo1、Mo2、...、Moi、...、Mon,其中Sni、Sni、Sbi和Moi分别表示第i个采集点的含量值,并依次计算钨、锡、锑和钼含量的偏度值和峰度值,所依据的公式为:
其中,μW、μSn、μSb和μMo分别为N个点的土壤样本数据中钨、锡、锑和钼含量数据的均值,σW、σsn、σSb和σMo分别为N个点的土壤样本数据中钨、锡、锑和钼含量数据的标准差,Skw、SkSn、SkSb和SkMo分别为N个点的土壤样本数据中钨、锡、锑和钼含量数据的偏度值,KuW、KuSn、KuSb和KuMo分别为N个点的土壤样本数据中钨、锡、锑和钼含量数据的峰度值。
在区域的土壤中,钨、锡、锑和钼等微量元素大致服从对数正态分布,而且数据过于离散,钨、锡、锑和钼元素是与钨锡矿形成过程相关的元素,它们在地球表层环境中的富集可能与钨锡矿床的存在有关,若钨、锡、锑和钼元素在检验后不服从对数正态分布,则表明元素在该区可能经历了不同期次的地质作用,元素重新分配,从而导致了元素分布型式的变化,元素产生了局部富集,有利于钨锡矿的形成。
可以根据偏度和峰度两个指标来检验数据是否符合对数正态分布,若对应元素的偏度和峰度的绝对值均小于1,则表示该元素含量的概率分布型式服从对数正态分布,若不符合或者也不近似服从对数正态分布,则偏度和峰度均大于1,表明大概率存在钨锡矿。
本实施例中,根据N个点的土壤样本数据中钨、锡、锑和钼含量数据的偏度值和个点的土壤样本数据中钨、锡、锑和钼含量数据的峰度值,采用对数函数进行拟合,生成钨锡矿权重系数,生成钨锡矿权重系数所依据的公式为:
其中,WXq为钨锡矿权重系数,α、β分别为钨锡加权系数、锑钼加权系数,且α+β=1,α>β>0。
本实施例中,一区域采集的样本点N至少为200个,且在进行样本点的采集时,有土壤覆盖的地区采样目的层为土壤的B层,基岩出露区采样目的层为C层,粒度为20目,取样深度大于20cm,样重≥500g。
S5:将钨锡矿权重系数和预设的权重阈值进行对比,若钨锡矿权重系数小于预设的权重阈值,则预测该区域不存在钨锡矿,否则判断存在钨锡矿,并根据每个区域内N个点的土壤样本中的硅、铝、硫、铁的含量,综合生成种类判断系数,用于进一步判断钨锡矿的种类。
本实施例中,钨锡矿权重系数和预设的权重阈值进行对比所依据的判断逻辑为:
当WXq≥2.4时,预测该区域的内部存在钨锡矿;
当WXq<2.4时,预测该区域不存在钨锡矿。
本实施例中,采集的N个点的土壤样本中:
硅的含量分别为:Si1、Si2、...、Sii、...、Sin,铝的含量分别为:Al1、Al2、...、Ali、...、Aln,硫的含量分别为:S1、S2、...、Si、...、Sn,铁的含量分别为:Fe1、Fe2、...、Fei、...、Fen,其中Sii、Ali、Si和Fei分别表示第i个采集点的硅、铝、硫、铁的含量值,生成种类判断系数所依据的公式为:
其中,Zp为种类判断系数。
S6:根据种类判断系数和预设的种类阈值进行对比,判断出对应区域的钨锡矿的种类,钨锡矿的种类包括石英脉型钨锡矿、硫化物型钨锡矿中的盐型钨锡矿,判断所依据的公式为:
当δ1<Zp时,判断对应区域的钨锡矿的种类为石英脉型钨锡矿;
当δ2<Zp<δ1时,判断对应区域的钨锡矿的种类为硅酸盐型钨锡矿;
当δ2>Zp时,判断对应区域的钨锡矿的种类为硫化物型钨锡矿;
其中,δ1为种类阈值上限,δ2为种类阈值下限,δ1的取值范围为(2.9,4.6),δ2的取值范围为(-4.6,-2.9)。
本实施例中,在石英脉型钨锡矿的土壤中,存在较高的硅、铝、钾和钠等元素含量,这与石英脉型矿床周围的花岗岩等岩石有关,此时土壤中的硅、铝含量远大于土壤中的硫、铁含量,即远大于/>此时Zp的值为正值。
在酸盐型钨锡矿的土壤中,存在较高的硅、铁、锡和钨等元素含量,这与硅酸盐型钨锡矿中的硅酸盐矿物和伴生矿物有关,此时硅、铁的含量均较高,而铝、硫的含量较低,此时和/>的值较为相近,Zp的值在零点上下的区间内。
在硫化物型钨锡矿的土壤中,存在较高的硫、铁、铜、锡和锑等元素含量,这与硫化物型钨锡矿关联的硫化物矿物和伴生矿物有关,此时土壤中的硅、铝含量远小于于土壤中的硫、铁含量,即远小于于/>此时Zp的值为负值。
请参阅图2,基于相同的发明构思,本发明另外还提供一种基于深度学习矿产资源分类预测系统,所述预测系统用于实现上述的基于深度学习矿产资源分类预测方法,包括:
训练集生成模块,用于获取现有钨锡矿所在区域的位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据,构成各个区域的数据集,并在地质图数据上进行标注,将现有的钨锡矿标注成相同面积的区域,构成样本标签,并将每个区域的数据集和每个区域的样本标签一一对应;
学习模型构造模块,用于构建基于卷积神经网络的深度学习模型,将数据集划分为训练集和验证集,将训练集中各个区域的地质构造数据、岩性数据、地层数据、地貌地形数据输入深度学习模型,比较输出的结果与其对应的样本标签的误差,并根据误差通过反向传播和优化算法调整模型的权重和参数,并使用验证集评估训练后的模型,直至评估结果的准确率和精确率满足需求,输出验证后的深度学习模型;
矿产区域预测模块,用于使用验证后的深度学习模型对于数字化的地质图中的未开采区域进行识别,根据地质图中提供的地质特征信息,在数字化的地质图中划分出钨锡矿的预测区域的中心坐标及半径;
土壤样本测量模块,用于对钨锡矿的一预测区域,在区域内进行土壤的采样,每个区域内采集N个点的土壤样本,分别测量各个点采集的土壤中的钨、锡、锑、钼、硅、铝、硫、铁的含量,并根据钨、锡、锑、钼的含量分别计算偏度值和峰度值,并依据钨、锡、锑、钼的偏度值和峰度值综合生成钨锡矿权重系数;
矿产区域验证模块,用于将钨锡矿权重系数和预设的权重阈值进行对比,若钨锡矿权重系数小于预设的权重阈值,则预测该区域不存在钨锡矿,否则判断存在钨锡矿,并根据每个区域内N个点的土壤样本中的硅、铝、硫、铁的含量,综合生成种类判断系数,进一步判断钨锡矿的种类;
种类预测模块,用于根据种类判断系数和预设的种类阈值进行对比,判断出对应区域的钨锡矿的种类,钨锡矿的种类包括石英脉型钨锡矿、硫化物型钨锡矿中的盐型钨锡矿。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于深度学习矿产资源分类预测方法,其特征在于,具体步骤包括:
S1:获取现有钨锡矿所在区域的位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据,构成各个区域的数据集,在地质图数据上进行标注,将现有的钨锡矿标注成相同面积的区域,构成样本标签,并将每个区域的数据集和每个区域的样本标签一一对应;
S2:构建基于卷积神经网络的深度学习模型,将数据集划分为训练集和验证集,将训练集中各个区域的地质构造数据、岩性数据、地层数据、地貌地形数据输入深度学习模型,比较输出的结果与其对应的样本标签的误差,并根据误差通过反向传播和优化算法调整模型的权重和参数,并使用验证集评估训练后的模型,直至评估结果的准确率和精确率满足需求,输出验证后的深度学习模型;
S3:使用验证后的深度学习模型对于数字化的地质图中的未开采区域进行识别,根据地质图中提供的地质特征信息,在数字化的地质图中划分出钨锡矿的预测区域的中心坐标及半径;
S4:针对钨锡矿的一预测区域,在区域内进行土壤的采样,每个区域内采集N个点的土壤样本中,分别测量各个点采集的土壤中的钨、锡、锑、钼、硅、铝、硫、铁的含量,并根据钨、锡、锑、钼的含量分别计算偏度值和峰度值,并依据钨、锡、锑、钼的偏度值和峰度值综合生成钨锡矿权重系数;
S5:将钨锡矿权重系数和预设的权重阈值进行对比,若钨锡矿权重系数小于预设的权重阈值,则预测该区域不存在钨锡矿,否则判断存在钨锡矿,并根据每个区域内N个点的土壤样本中的硅、铝、硫、铁的含量,综合生成种类判断系数,用于进一步判断钨锡矿的种类;
S6:根据种类判断系数和预设的种类阈值进行对比,判断出对应区域的钨锡矿的种类,钨锡矿的种类包括石英脉型钨锡矿、硫化物型钨锡矿中的盐型钨锡矿。
2.根据权利要求1所述的一种基于深度学习矿产资源分类预测方法,其特征在于:所述步骤S1中钨锡矿所在区域的位置信息包括在区域内的至少三个点的坐标信息,地质构造数据包括该区域的断裂带、褶皱带、隆起带、沉降盆地的数据,岩性数据包括火山岩、沉积岩、变质岩的石种分布数据,地层数据包括不同地层的分布和顺序数据,地貌地形数据包括地形线、等高线展示地势起伏的地貌特征数据。
3.根据权利要求2所述的一种基于深度学习矿产资源分类预测方法,其特征在于:所述断裂带的具体数据包括断裂带中的断层密度、断层的平均长度和平均断距,褶皱带的具体数据包括褶皱线的平成长度、平均波长、平均幅度和平均倾角,隆起带的具体数据包括隆起的最大高度和平均高度,沉降盆地的具体数据包括盆地的面积、沉积层平均厚度和最大厚度,火山岩、沉积岩、变质岩的石种分布数据包括火山岩、沉积岩、变质岩的排列顺序和厚度,不同地层的分布和顺序数据为不同地层的种类和分布顺序,地形线的具体数据为地形线的密度、地形线对应的最高点的高度和最低点的高度,等高线的具体数据为等高线的密度。
4.根据权利要求1所述的一种基于深度学习矿产资源分类预测方法,其特征在于:所述步骤S1中每个样本标签对应的区域的面积、形状均相同,形状均为圆形,每个区域对应的样本标签包括中心点的坐标数据和面积数据。
5.根据权利要求1所述的一种基于深度学习矿产资源分类预测方法,其特征在于:所述步骤S2中深度学习模型卷积神经网络中的ResNet架构,所述深度学习模型输出的结果为对应区域的中心坐标信息和半径,训练集和验证集的划分比例为7:3。
6.根据权利要求5所述的一种基于深度学习矿产资源分类预测方法,其特征在于:所述输出的结果与其对应的样本标签的误差包括输出的中心点数据和样本标签的中心点的坐标数据的距离,输出的半径数据构成的圆形区域面积和样本标签内区域面积的重合程度,准确率的定义为输出的中心点数据和样本标签的中心点的坐标数据的距离和样本标签对应的原型区域的半径的比值,精确率定义为输出的半径数据构成的圆形区域面积和样本标签内区域面积的重合程度和样本标签对应的圆形区域面积的比值。
7.根据权利要求1所述的一种基于深度学习矿产资源分类预测方法,其特征在于:所述步骤S4中根据N个点的土壤样本数据中钨、锡、锑和钼含量数据的偏度值和个点的土壤样本数据中钨、锡、锑和钼含量数据的峰度值,采用对数函数进行拟合,生成钨锡矿权重系数,生成钨锡矿权重系数所依据的公式为:
其中,WXq为钨锡矿权重系数,Skw、SkSn、SkSb和SkMo分别为N个点的土壤样本数据中钨、锡、锑和钼含量数据的偏度值,Kuw、KuSn、Kusb和KuMo分别为N个点的土壤样本数据中钨、锡、锑和钼含量数据的峰度值,α、β分别为钨锡加权系数、锑钼加权系数,且α+β=1,α>β>0。
8.根据权利要求7所述的一种基于深度学习矿产资源分类预测方法,其特征在于:所述步骤S5中预设的权重阈值的取值为2.4,所述生成种类判断系数所依据的方法为将区域内采集的N个点的土壤样本中的硅元素和铝元素的含量之和比上硫、铁的含量之和后,采用对数函数进行拟合后,即可生成种类判断系数。
9.根据权利要求1所述的一种基于深度学习矿产资源分类预测方法,其特征在于:所述步骤S6中判断钨锡矿的种类所依据的判断逻辑为:
当δ1<Zp时,判断对应区域的钨锡矿的种类为石英脉型钨锡矿;
当δ2<Zp<δ1时,判断对应区域的钨锡矿的种类为硅酸盐型钨锡矿;
当δ2>Zp时,判断对应区域的钨锡矿的种类为硫化物型钨锡矿;
其中,Zp为种类判断系数,δ1为种类阈值上限,δ2为种类阈值下限,δ1的取值范围为(2.9,4.6),δ2的取值范围为(-4.6,-2.9)。
10.一种基于深度学习矿产资源分类预测系统,其特征在于:所述预测系统用于实现权利要求1-9任一项所述的基于深度学习矿产资源分类预测方法,包括:
训练集生成模块,用于获取现有钨锡矿所在区域的位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据,构成各个区域的数据集,并在地质图数据上进行标注,将现有的钨锡矿标注成相同面积的区域,构成样本标签,并将每个区域的数据集和每个区域的样本标签一一对应;
学习模型构造模块,用于构建基于卷积神经网络的深度学习模型,将数据集划分为训练集和验证集,将训练集中各个区域的地质构造数据、岩性数据、地层数据、地貌地形数据输入深度学习模型,比较输出的结果与其对应的样本标签的误差,并根据误差通过反向传播和优化算法调整模型的权重和参数,并使用验证集评估训练后的模型,直至评估结果的准确率和精确率满足需求,输出验证后的深度学习模型;
矿产区域预测模块,用于使用验证后的深度学习模型对于数字化的地质图中的未开采区域进行识别,根据地质图中提供的地质特征信息,在数字化的地质图中划分出钨锡矿的预测区域的中心坐标及半径;
土壤样本测量模块,用于对钨锡矿的一预测区域,在区域内进行土壤的采样,每个区域内采集N个点的土壤样本,分别测量各个点采集的土壤中的钨、锡、锑、钼、硅、铝、硫、铁的含量,并根据钨、锡、锑、钼的含量分别计算偏度值和峰度值,并依据钨、锡、锑、钼的偏度值和峰度值综合生成钨锡矿权重系数;
矿产区域验证模块,用于将钨锡矿权重系数和预设的权重阈值进行对比,若钨锡矿权重系数小于预设的权重阈值,则预测该区域不存在钨锡矿,否则判断存在钨锡矿,并根据每个区域内N个点的土壤样本中的硅、铝、硫、铁的含量,综合生成种类判断系数,进一步判断钨锡矿的种类;
种类预测模块,用于根据种类判断系数和预设的种类阈值进行对比,判断出对应区域的钨锡矿的种类,钨锡矿的种类包括石英脉型钨锡矿、硫化物型钨锡矿中的盐型钨锡矿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311211482.0A CN117609848A (zh) | 2023-09-19 | 2023-09-19 | 基于深度学习矿产资源分类预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311211482.0A CN117609848A (zh) | 2023-09-19 | 2023-09-19 | 基于深度学习矿产资源分类预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117609848A true CN117609848A (zh) | 2024-02-27 |
Family
ID=89948504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311211482.0A Pending CN117609848A (zh) | 2023-09-19 | 2023-09-19 | 基于深度学习矿产资源分类预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117609848A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934019A (zh) * | 2024-03-22 | 2024-04-26 | 南京海关工业产品检测中心 | 一种基于深度学习的铜精矿样品溯源方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111045097A (zh) * | 2019-12-30 | 2020-04-21 | 核工业北京地质研究院 | 一种钠交代型铀矿化的初步圈定方法 |
CN111625575A (zh) * | 2020-04-23 | 2020-09-04 | 中国地质大学(武汉) | 基于地质变异度的化探异常提取和评价方法 |
CN113488117A (zh) * | 2019-04-27 | 2021-10-08 | 烟台市牟金矿业有限公司 | 一种具有深度学习能力的深部金矿床成矿找矿方法 |
RU2767159C1 (ru) * | 2020-10-02 | 2022-03-16 | Акционерное общество "Сибирский научно-исследовательский институт геологии, геофизики и минерального сырья" | Способ поиска золоторудных и золотосодержащих месторождений по рудно-геохимическим ассоциациям |
CN114776304A (zh) * | 2022-05-30 | 2022-07-22 | 广州海洋地质调查局 | 一种深海矿产异常区识别的方法、装置、设备及介质 |
CN114997501A (zh) * | 2022-06-08 | 2022-09-02 | 河海大学 | 基于样本失衡的深度学习矿产资源分类预测方法及系统 |
US20230154150A1 (en) * | 2021-11-18 | 2023-05-18 | Hochschild Mining Holdings Limited | Method and system for the automatic classification of rocks according to their minerals |
-
2023
- 2023-09-19 CN CN202311211482.0A patent/CN117609848A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113488117A (zh) * | 2019-04-27 | 2021-10-08 | 烟台市牟金矿业有限公司 | 一种具有深度学习能力的深部金矿床成矿找矿方法 |
CN111045097A (zh) * | 2019-12-30 | 2020-04-21 | 核工业北京地质研究院 | 一种钠交代型铀矿化的初步圈定方法 |
CN111625575A (zh) * | 2020-04-23 | 2020-09-04 | 中国地质大学(武汉) | 基于地质变异度的化探异常提取和评价方法 |
RU2767159C1 (ru) * | 2020-10-02 | 2022-03-16 | Акционерное общество "Сибирский научно-исследовательский институт геологии, геофизики и минерального сырья" | Способ поиска золоторудных и золотосодержащих месторождений по рудно-геохимическим ассоциациям |
US20230154150A1 (en) * | 2021-11-18 | 2023-05-18 | Hochschild Mining Holdings Limited | Method and system for the automatic classification of rocks according to their minerals |
CN114776304A (zh) * | 2022-05-30 | 2022-07-22 | 广州海洋地质调查局 | 一种深海矿产异常区识别的方法、装置、设备及介质 |
CN114997501A (zh) * | 2022-06-08 | 2022-09-02 | 河海大学 | 基于样本失衡的深度学习矿产资源分类预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
张如放 等: "广西富贺钟地区钨锡多金属矿成矿地质条件及找矿方向", 《矿产与地质》, vol. 30, no. 4, 31 August 2016 (2016-08-31), pages 531 - 536 * |
张立: "基于核主成分分析和多重分形的地球化学综合异常信息提取", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 04, 15 April 2015 (2015-04-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934019A (zh) * | 2024-03-22 | 2024-04-26 | 南京海关工业产品检测中心 | 一种基于深度学习的铜精矿样品溯源方法及系统 |
CN117934019B (zh) * | 2024-03-22 | 2024-05-28 | 南京海关工业产品检测中心 | 一种基于深度学习的铜精矿样品溯源方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Carranza | Controls on mineral deposit occurrence inferred from analysis of their spatial pattern and spatial association with geological features | |
Agterberg | Geomathematics: theoretical foundations, applications and future developments | |
Lindsay et al. | Data fusion and porphyry copper prospectivity models, southeastern Arizona | |
Schütte et al. | Geodynamic controls on Tertiary arc magmatism in Ecuador: Constraints from U–Pb zircon geochronology of Oligocene–Miocene intrusions and regional age distribution trends | |
Payne et al. | From 2D to 3D: Prospectivity modelling in the Taupo volcanic zone, New Zealand | |
Partington | Developing models using GIS to assess geological and economic risk: An example from VMS copper gold mineral exploration in Oman | |
Li et al. | GEM: a dynamic tracking model for mesoscale eddies in the ocean | |
Lawley et al. | Prospectivity modelling of Canadian magmatic Ni (±Cu±Co±PGE) sulphide mineral systems | |
CN117609848A (zh) | 基于深度学习矿产资源分类预测方法及系统 | |
KR20180055518A (ko) | 3차원 잠재광산 부존지 예측 시스템 및 방법 | |
CN108960429B (zh) | 矿产资源覆盖区、深部矿床勘查预测方法及系统 | |
Mote et al. | Application of mass-balance modeling of sources, pathways, and sinks of supergene enrichment to exploration and discovery of the Quebrada Turquesa exotic copper orebody, El Salvador district, Chile | |
Wahlgren et al. | Geology Laxemar. Site descriptive modelling SDM-Site Laxemar | |
Barnett et al. | Mineral exploration using modern data mining techniques | |
Hildenbrand et al. | Geologic structures related to New Madrid earthquakes near Memphis, Tennessee, based on gravity and magnetic interpretations | |
Akbari et al. | Using fractal and multifractal methods to reveal geophysical anomalies in Sardouyeh District, Kerman, Iran | |
Voegele et al. | Microstratigraphic analysis of fossil distribution in the lower Hornerstown and upper Navesink formations at the Edelman Fossil Park, NJ | |
Ray et al. | Quantifying the past glacial movements in Schirmacher Oasis, East Antarctica | |
Passey et al. | Surface interpolation within a continental flood basalt province: an example from the Palaeogene Faroe Islands Basalt Group | |
Partington et al. | Prospectivity mapping using GIS with publicly available earth science data—a new targeting tool being successfully used for exploration in New Zealand | |
Yang et al. | A step-by-step relinquishment method for cobalt-rich crusts: a case study on Caiqi Guyot, Pacific Ocean | |
Rabeau et al. | Log-uniform distribution of gold deposits along major Archean fault zones | |
He et al. | Gold resources potential assessment in eastern Kunlun Mountains of China combining weights-of-evidence model with GIS spatial analysis technique | |
Jafari et al. | Comparison accuracy of Fuzzy-GAMMA and analytical hierarchy process (AHP) two methods with the potential detection of Cu metal in Malayer-Aligoudarz-Esfahan metallogenic zone | |
Payne et al. | Geochemistry in prospectivity modelling: investigating gold mineralization in the Taupo Volcanic Zone, New Zealand |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |