文献类型：期刊文章

作　　者：刘艳鹏[1,2,3] 朱立新[4] 周永章[1,2,3]

LIU YanPeng;ZHU LiXin;ZHOU YongZhang(School of Earth Sciences and Engineering,Sun Yat-sen University,Guangzhou 510275,China;Guangdong Provincial Key Laboratory of Geological Processes and Mineral Resource Survey,Guangzhou 510275,China;Centre for Earth Environment and Resources,Sun Yat-sen University,Guangzhou 510275,China;China Geological Survey,Beijing 100037,China)

机构地区：[1]中山大学地球科学与工程学院,广州510275 [2]广东省地质过程与矿产资源探查重点实验室,广州510275 [3]中山大学地球环境与地球资源研究中心,广州510275 [4]中国地质调查局,北京100037

出　　处：《岩石学报》

基　　金：国家重点研发计划项目(2016YFC0600506);国家自然科学基金项目(41273040);中国地质调查局(12120113067600);广东省地质过程与矿产资源探查重点实验室基金联合资助

年　　份：2018

卷　　号：34

期　　号：11

起止页码：3217-3224

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、GEOBASE、GEOREFPREVIEWDATABASE、IC、JST、PROQUEST、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：大数据人工智能地质学刚刚起步,基于大数据智能算法的地质研究是非常有意义的探索性实验。利用大数据和机器学习解决矿产预测问题,有助于人们克服不能全面考虑地质变量的困难及评估当前模型在已有数据中的可靠性。元素地表分布特征量主要受原岩成分、成矿作用影响和地表过程的影响,它们携带某些指示矿体就位的信息,即矿体在地下空间就位时在地表的响应,且未在地表过程中消失。以往的地球化学勘查工作仅仅识别异常,但未能发现矿体在地表响应的成矿特征量。本文以安徽省兆吉口铅锌矿床为例,通过机器学习,利用卷积神经网络算法,不断挖掘元素Pb分布特征与矿体地下就位空间的耦合相关性。经过1000次训练后,可以得到准确率0. 93,损失率0. 28的卷积神经网络模型。这种神经网络模型就是矿体在地下就位时元素在地表分布的响应,可以用来进行矿产资源预测。应用该模型对未知区进行预测,结果显示第53号区域具有很大概率存在尚未发现的矿体。

关 键 词：大数据  成矿预测 卷积神经网络 机器学习  地球化学 兆吉口铅锌矿床  

分 类 号：P612]