科研之友
微信
新浪微博
Facebook
分享链接
摘要
地球化学异常识别在矿产勘查中发挥着重要作用。本文利用机器学习方法解决矿产勘查问题，有助于人们能全面考虑地质变量并对模型的可靠性进行评价。以吉林省靖宇区铁矿床为研究案例，采用研究区地表Fe元素浓度及分布位置数据，绘制Fe元素浓度图，运用卷积神经网络算法，挖掘地表Fe元素分布与矿体地下位置空间的关系。经过25次训练后，模型的准确率可达到96.88%,损失函数值仅为0.16。通过本文研究发现：卷积神经网络可以深入探索地表元素分布与矿体地下位置联系。该模型揭示出元素在地表的分布与矿体的空间对应关系。传统地球化学异常识别是通过对研究区元素含量水平进行统计分析。在地球化学勘察中仅区分研究区背景和异常，根据背景值的强弱来划分异常，但背景和异常没有一个“清晰”的界限，在不同条件下，背景和异常可以相互转换。在此情形下，仅通过对异常值的识别不能反映地表元素与地下矿体的关联性。本文转变以往思路，运用卷积神经网络模型表达矿体位置与元素分布之间的对应关系，可以为未来地球化学异常识别研究提供参考方向。
-
单位数理学院; 成都理工大学
