留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于数据驱动的南岭地区花岗岩岩体含矿性判别

花旗 夏庆霖 刘奇锋

花旗, 夏庆霖, 刘奇锋. 基于数据驱动的南岭地区花岗岩岩体含矿性判别[J]. 地质科技通报. doi: 10.19509/j.cnki.dzkq.tb20230363
引用本文: 花旗, 夏庆霖, 刘奇锋. 基于数据驱动的南岭地区花岗岩岩体含矿性判别[J]. 地质科技通报. doi: 10.19509/j.cnki.dzkq.tb20230363
Ore-bearing discrimination of granite rock mass in Nanling area based on data-driven[J]. Bulletin of Geological Science and Technology. doi: 10.19509/j.cnki.dzkq.tb20230363
Citation: Ore-bearing discrimination of granite rock mass in Nanling area based on data-driven[J]. Bulletin of Geological Science and Technology. doi: 10.19509/j.cnki.dzkq.tb20230363

基于数据驱动的南岭地区花岗岩岩体含矿性判别

doi: 10.19509/j.cnki.dzkq.tb20230363
基金项目: 国家级-国家自然科学基金项目(41672328)

Ore-bearing discrimination of granite rock mass in Nanling area based on data-driven

  • 摘要: 【目的】花岗岩作为成矿作用的重要参与者,对它的研究有利于了解钨锡成矿作用的地球化学过程和区分岩体的含矿性。【方法】本文收集了南岭地区含钨花岗岩、含钨锡花岗岩和不含矿花岗岩的主量元素和稀土元素数据,共42个岩体466组数据。总结对比了三类岩体的地球化学特征,从数据驱动和机器学习的角度区分了三类岩体的含矿性和岩石地球化学特征之间的关联,运用受限玻尔兹曼机来训练自编码神经网络以消除主量元素和稀土元素之间量级的差别,并且提取中间特征,再将中间特征输入随机森林和多层BP神经网络,建立AE-RF和AE-BP岩体含矿性分类模型。通过随机森岭输出了分类特征重要性。【结果】结果表明,含钨花岗岩的演化程度最高,含钨锡花岗岩次之,不含矿花岗岩最低。两种模型在测试集上都有很高的正确率(>90%),并且在盲测试集上AE-BP模型的实际运用效果更好。随机选择了6组岩体作为盲测试集,二十一个岩体中有13个岩体正确率大于80%,有两个岩体正确率大于70%小于80%,有两个岩体正确率大于50%小于70%。还有四个岩体正确率小于50%。铁锰磷钙镁等主量元素和轻重稀土元素是区分三类岩体的重要特征。【结论】机器学习能够很好地反映出三类花岗岩的含矿性,地球化学特征的相似性会导致模型错误分类,陂头岩体有一定的成矿潜力。铁锰磷钙镁等主量元素决定了岩体能否含矿,而轻稀土是区分含钨岩体和含钨锡岩体的重要指标,认为岩浆的分异演化程度决定了岩体能否含矿,而幔源物质的加入是区别岩体含钨还是含钨锡的特征。

     

  • 加载中
计量
  • 文章访问数:  38
  • PDF下载量:  3
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-06-28
  • 网络出版日期:  2023-12-17

目录

    /

    返回文章
    返回