基于注意力卷积神经网络的焦家金矿带三维成矿预测及构造控矿因素定量分析

焦家金矿带是我国重要的金矿产地,随着开采深度不断增加,深部找矿已成为目前工作重点,为此,从数据科学视角出发,利用深度学习技术,开展焦家矿带三维成矿预测及控矿因素定量分析工作。在建立三维地质模型和控矿指标基础上,构建引入CBAM注意力机制模块的卷积神经网络模型,从初始控矿指标中抽取具有矿化指示性的信息特征,建立焦家断裂面与矿化定位间的非线性关联关系,并与其他方法构建的成矿预测模型进行对比,验证本文方法构建的模型的准确性与可靠性。利用DeepLIFT方法解构深度网络特征,明确各控矿指标输入对网络输出的贡献,以此定量分析焦家矿带控矿因素对金成矿的影响。研究结果表明:焦家断裂距离场对成矿影响最显著,其次为坡度和坡度变化率,形态起伏度对成矿影响较弱;在矿带深部2000~3000 m圈定找矿有利靶区3处,其中,纱岭勘查区矿体深部延伸部位和曲家勘查区北段深部具有较大找矿潜力,焦家与曲家勘查区连接部位深部可能存在新的矿化富集区。

基于多重主成分分析的地球化学异常提取

地球化学异常识别是勘察地球化学工作中的中重要环节。充分利用地球化学元素的频率分布和空间分布规律,对识别多变量地球化学异常的方法有重要意义。本文以山东省胶东半岛西北部地区为例,提出一种基于多重主成分分析的地球化学异常提取新方法。从高维数据的角度出发,通过多重主成分分析提取地球化学数据空间维度和元素维度的主要信息。捕捉地球化学数据的元素相关性和空间结构,重建出地球化学数据,进而通过原始值与重建值之间的距离计算地球化学异常得分。已知金矿点分布在异常得分分数高的区域;使用AUC指标评价异常得分与已知金矿点之间的空间关联度(AUC = 0.856)。结果显示,本文提取的地球化学异常分数与已知金矿床之间存在密切的空间相关性,基于多重主成分分析的方法能够有效提取地球异常。