基于地質圖編碼及深度殘差網絡的找礦預測方法
——以陜西石泉地區金礦為例

王建邦,薛林福*,于曉飛,李永勝,張運杰,冉祥金,丁 可

(1.吉林大學地球科學學院; 2.中國地質調查局發展研究中心;3.自然資源部礦產勘查技術指導中心; 4.中國石油新疆油田分公司采油一廠)

引 言

人工智能是引領未來的戰略性技術,以深度學習為代表的新一代人工智能在醫療、自動駕駛等領域得到了廣泛應用,基于深度學習方法的找礦預測已成為當前戰略性礦產資源勘查領域的研究熱點之一[1-2]。中國已積累了海量礦產地質數據[3],深度學習方法處理這些高維、異構、多屬性數據具有獨特優勢,能夠更有效地從中挖掘礦床與數據之間的深層次相關性[4],研究如何利用深度學習方法來組織和處理這些數據并進行找礦預測具有十分重要的意義。

首先,利用地質數據進行找礦預測主要集中在化探異常識別和利用物探、化探數據進行找礦遠景區圈定等方面。例如:CHEN等[5]提出了采用一種空間約束自動編碼器(SCMA)方法來處理多元地球化學異常識別問題。LI等[6]利用元素地球化學數據二維卷積神經網絡進行金礦找礦預測。WU等[7]采用遷移學習和孿生神經網絡相結合的方法提高了提取多元地球化學異常的能力。其次,綜合利用多種地質數據進行找礦遠景區預測越來越受到專家和學者的重視。例如,李忠潭等[8]提出一種將航磁和地球化學數據輸入卷積神經網絡模型進行銅礦找礦預測的方法。

相比傳統的機器學習方法,深度學習方法具有特征工程自動化的優點,模型經過大量原始數據的訓練就可達到特征自動提取并實現分類、預測等目的[9]。深度學習方法一般分為無監督方法和有監督方法兩大類。其中,無監督方法是主要利用自編碼網絡等模型進行多元地球化學異常識別并圈定找礦遠景區的方法[10-12];有監督方法方面,一維卷積神經網絡和二維卷積神經網絡等方法已被應用到部分區域礦產資源的智能化預測評價工作中[13-18]。例如:DING等[19]提出了利用地質、物探和化探數據,通過孿生神經網絡對有礦樣本和無礦樣本進行對比來實現找礦預測的方法。

盡管上述方法均取得了一定的效果,但目前仍存在一些尚未解決的問題:①地質圖中包含的重要信息在找礦預測中尚未被有效利用;②使用模型的精度不夠,獲得預測靶區的面積較大。因此,本文提出了一種基于地質圖ONE-HOT編碼方法及深度殘差網絡模型的找礦預測方法,該方法通過將地質圖中的地層、巖體進行ONE-HOT編碼,形成二維數組,實現地質圖信息的量化表示,并根據斷裂與網格單元的距離關系將地質圖中的斷裂轉化為成礦影響強度,在一定程度上解決了以往無法有效利用地質圖信息的問題,采用此方法在陜西石泉地區進行了找礦預測研究。

1 地質背景

1—第四系 2—石泉組 3—大楓溝巖組上段 4—大楓溝巖組中段 5—大楓溝巖組下段 6—石家溝巖組上段 7—石家溝巖組下段 8—梅子埡巖組上段 9—梅子埡巖組中段 10—梅子埡巖組下段 11—斑鳩關巖組上段 12—斑鳩關巖組中段 13—斑鳩關巖組下段 14—洞河巖組中段 15—箭竹壩巖組 16—耀嶺河組 17—楊坪巖組 18—輝長巖脈 19—中酸性花崗巖脈 20—地質界線 21—角度不整合界線 22—性質不明斷裂 23—韌性剪切斷裂 24—正斷裂 25—逆斷裂 26—金礦及編號 27—包含已知金礦的找礦遠景區 28—不包含已知金礦的找礦遠景區及編號 29—一級構造單元界線 30—二級構造單元界線 31—三級構造單元界線 32—研究區 Ⅲ1—秦嶺—大別山新元古代—中生代造山帶南秦嶺邊緣海盆留壩—旬陽晚古生代陸緣海盆舟曲—安康早古生代裂谷揚子陸塊北緣鎮巴弧形逆沖帶圖1 石泉地區地質與金礦預測圖(A)及大地構造位置圖(B)

研究區共發現金礦共15處(見表1,其中金礦編號與圖1-B相同),除寧陜縣堰溝金礦外,其余均分布在研究區中部斑鳩關巖組和梅子埡巖組中,呈北西向—南東向展布,主要受一系列脆韌性剪切帶及次級脆性斷裂控制[26-27]。

表1 石泉地區典型金礦統計結果

2 數據網格化方法

2.1 地質圖ONE-HOT編碼網格化

ONE-HOT編碼方法是對研究區地質圖中的各地質體進行數量化表示。研究區共有19類地質體,包括17類地層和2類侵入巖。將研究區以50 m×50 m網格化為383×477個網格,對每個網格用長度為19 m的一維ONE-HOT編碼數組進行地質體表示,如[0,0,0,1,…,0,0,0]。當確定了每個網格單元的編碼后,將各網格單元地質體的ONE-HOT編碼數組進行組合得到1個三維數組,其形狀為(383,477,19),以此來數量化表示整個圖幅內各網格的地質體。為方便與地球化學數據疊加后輸入卷積神經網絡,將形狀為(383,477,19)的三維ONE-HOT編碼數組采用自編碼神經網絡(AE)降維方法壓縮為(383,477)形狀的二維數組(見圖2)。

圖2 石泉地區地質體編碼方法

2.2 斷裂成礦影響強度網格化

成礦作用通常在斷裂或斷裂附近比較發育,隨著與斷裂距離的增加,成礦作用強度總體呈衰減趨勢。可以用指數函數將與斷裂的距離表示成斷裂對成礦作用的影響強度(I),計算函數見式(1):

I=ae-bx

(1)

式中:a為影響的幅度值,取1.0;b為衰減系數,其值越大,衰減速率越快,取0.1;x為與地質要素的距離(m)[28]。

研究區斷裂影響強度見圖3。由圖3可知:除少數金礦外,大部分金礦都位于高或較高影響強度區附近,這與研究區金礦(化)體主要受脆韌性剪切斷裂及次級脆性斷裂控制的情況相符。

圖3 石泉地區斷裂影響強度

2.3 地球化學數據網格化

將研究區內16種元素的1∶5萬水系沉積物地球化學數據以50 m×50 m為網格單元進行網格化,繪制出了8種與成礦密切相關的元素等值線圖,結果見圖4。

圖4 石泉地區元素地球化學等值線圖

研究區內Au元素地球化學場分布自東北至西南方向具有一定的分帶性,主要表現為中間高、南北低的地球化學場格局。高值區呈北西向分布于斑鳩關巖組和梅子埡巖組內,這2組地層為研究區內金礦主要的賦礦地層。低值區主要分布于南部的洞河巖組內,北部大楓溝巖組亦有小面積分布。

Ag、Cu、Zn、As、Sb、Cd、Mo高值區沿泥盆系與志留系接觸界面下方分布,總體呈北西向展布。除上述高值區地段之外的廣大地區都為低值區。Ag低值區在東北部泥盆系地層中多呈團塊狀分布,與地層走向不一致。Cu、Zn、Cd、Mo低值區分布在東北角泥盆系地層。在西南角,Cu、Zn高值區沿斑鳩關巖組、洞河巖組和元古代地層綠片巖相的斷裂接觸界線呈串珠狀分布,串珠之間多以背景區相連。As、Sb在西南角分布一致,高值區呈孤峰狀分布在斷裂交會處。

3 深度殘差網絡找礦預測方法

深度殘差網絡找礦預測方法是通過平移、旋轉、縮放等數據增強方法從網格化數據中獲取訓練樣本,再對深度殘差網絡進行訓練及優化超參數后獲得預測模型,最終將預測模型應用于研究區金礦找礦預測任務。其關鍵步驟為:數據樣本集生成、模型構建、模型訓練與超參數優化。ResNet神經網絡預測模型找礦預測流程見圖5。

圖5 ResNet神經網絡預測模型找礦預測流程

3.1 數據樣本集生成

根據金礦與其所在區域的地球化學及地質特征的相關性,將圍繞金礦獲取一定格網窗口大小的數據樣本作為正樣本,在無金礦的位置隨機選取一定格網窗口大小的數據樣本作為負樣本。僅利用研究區15個金礦生成的數據樣本很難訓練出在全區具有泛化能力的預測模型。為獲得更多的數據樣本,對于每個金礦,通過窗口平移、縮放、旋轉等方式從不同位置、不同距離、不同角度對周圍的地球化學及地質特征進行樣本獲取(見圖6)。采用此種數據增強方法在研究區共獲得了26 611個數據樣本。

圖6 通過格網窗口平移生成更多數據樣本的方法

3.2 深度殘差網絡找礦預測模型構建

相比于普通的卷積神經網路(CNN),深度殘差網絡引入了跨層的恒等連接,使得網絡模型更容易被訓練[20]。通過恒等連接,中間層被跳過,使深度網絡更容易被訓練,恒等映射不貢獻任何額外的參數[29]。深度殘差網絡模型不是直接堆疊層以滿足特定的底層映射F(x),而是堆疊層以適應殘差映射H(x),讓H(x)表示所需的底層映射,從而使得網絡映射[20]:

F(x)=H(x)-x

(2)

轉化為:

H(x)=F(x)+x

(3)

考慮到多維地質數據不同于圖像數據,本文采用的基本殘差單元去除了批規范(Batch Normalization,BN)層,避免BN層將網絡學習的地質數據特征進行強制歸一化,造成數據損失。本文構建的深度殘差網絡找礦預測模型由6個殘差單元構成(見圖7)。優化器選擇Adam優化器,學習率初始化為0.001,并在訓練過程中逐步降低。

圖7 深度殘差網絡找礦預測模型架構

3.3 模型訓練與參數優化

利用從地球化學、斷裂及地質體在網格化數據中獲取的數據樣本,對ResNet神經網絡預測模型進行100輪訓練。其中,75 %的數據用于模型訓練,25 %的數據用于模型驗證。為確定最優超參數,在訓練過程中將各超參數設定一系列的預設值,通過對比試驗結果確定最優值。

3.3.1 AE數據壓縮維度

由于經網格化后的數據量較大,模型不易收斂。因此,采用自編碼神經網絡(AE)數據壓縮方法在模型訓練前對數據進行壓縮。將格網窗口規定為16×16網格數,進行數據壓縮維度參數分別為3,5,7,9的對比試驗,結果見表2。由表2可知:當AE數據壓縮維度為7時,在保證數據量少的同時,找礦遠景區面積占比(7.12 %)也較小。因此,訓練時將AE數據壓縮維度設置為7。

3.3.2 格網窗口大小

格網窗口大小對結果有一定的影響,窗口越小,通過數據增強所得到的訓練數據就越少;窗口越大,找礦遠景區面積也會越大。將數據壓縮維度設置為7,對不同窗口大小8×8、16×16、24×24和32×32(網格數)的數據進行對比,結果見表3。當格網窗口大小為16×16(網格數)時,模型驗證精度最高,為99.64 %,且找礦遠景區面積占比較小,為6.54 %。因此,格網窗口大小最優值為16×16。

表3 格網窗口大小對預測結果的影響

3.3.3 batch_size參數

合適的batch_size值能夠使模型訓練收斂最快或者收斂效果最好。將數據壓縮維度設為7,窗口大小設為16×16(網格數)后,分別進行了batch_size為32,64,128和256 4種情況的對比試驗。當batch_size為128時,驗證精度(99.64 %)達到最優,且找礦遠景區面積占比最小,為6.54 %(見表4)。因此,batch_size最優為128。

表4 batch_size對預測結果的影響

4 結果與討論

4.1 金礦預測結果

用試驗篩選出的最優參數,數據壓縮維度為7,窗口大小為16×16(網格數),batch_szie為128,對預測模型進行訓練,結果見圖8。由圖8可知:模型經過50輪訓練后,模型精度趨于穩定,此時驗證集精度約為99.6 %。最后,將預測模型應用于研究區進行金礦找礦預測,經過多次預測結果的綜合分析,共圈定19處找礦遠景區(見圖1)。其中,11處找礦遠景區包含已知金礦,8處找礦遠景區為不包含已知金礦的新找礦遠景區,新找礦遠景區特征如下。

圖8 模型訓練精度曲線

P-1找礦遠景區:該找礦遠景區位于溫家溝南部,北西向斷裂較為發育,地層主要為斑鳩關巖組;該區存在Zn、As、Cd元素異常高值區,具有良好的找礦潛力。

P-2找礦遠景區:該找礦遠景區位于溫家溝南部,地層主要為斑鳩關巖組和梅子埡巖組,該區為Ag、Cu、Zn、As、Cd元素異常高值區。

P-3找礦遠景區:該找礦遠景區位于北西向珍珠河—酒店韌性剪切斷裂內,地層主要為斑鳩關巖組,巖性為泥砂質結晶灰巖夾石榴石二云石英片巖、鈣質黑云卷云石英片巖;該區存在Au、Ag、As、Mo元素異常高值區。

P-4找礦遠景區:該找礦遠景區位于北西向珍珠河—酒店韌性剪切斷裂內,地層主要為斑鳩關巖組,巖性為泥砂質結晶灰巖夾石榴石二云石英片巖、鈣質黑云卷云石英片巖;該區存在Ag、As、Mo元素異常高值區。

P-5、P-6找礦遠景區:該找礦遠景區位于平定寨北部,北西向斷裂較為發育,地層主要為斑鳩關巖組,巖性為炭質絹云石英片巖、黑色石英巖和黑云母絹云石英片巖,存在Ag、As、Mo元素異常高值區。

P-7找礦遠景區:該找礦遠景區位于干飯溝東北部,受北西向斷裂影響,主要地層為斑鳩關巖組和梅子埡巖組;該區存在Ag、Cu、Zn、As、Cd、Mo元素異常高值區。

P-8找礦遠景區:該找礦遠景區主要位于北西向珍珠河—酒店韌性剪切斷裂內,地層主要為斑鳩關巖組、梅子埡巖組;該找礦遠景區為石英脈韌性變形與脆性變形強硅化區,Au、Ag、Sb元素異常明顯。

4.2 不同數據集的結果對比

為對比地質圖ONE-HOT編碼數據和斷裂影響強度數據的預測效果,構建了3種數據集,分別為地球化學數據、斷裂影響強度+地質圖ONE-HOT編碼數據、地球化學+斷裂影響強度+地質圖ONE-HOT編碼數據,來討論地質圖數據對預測結果的影響,結果見圖9。

圖9 石泉地區3種數據集金礦預測結果對比圖

使用地球化學數據預測時,找礦遠景區僅僅是依據區域地球化學異常得到的,表現出找礦遠景區面積較大且分布散亂。使用斷裂影響強度+地質圖ONE-HOT編碼數據時,找礦遠景區呈條帶狀,與地層展布方向和斷裂走向一致,但未加入地球化學數據進行控制,找礦遠景區面積較大且多處找礦遠景區未包含已知金礦。綜合利用地球化學+斷裂影響強度+地質圖ONE-HOT編碼數據后,多數已知金礦包含在找礦遠景區內,且找礦遠景區主要分布在梅子埡巖組和斑鳩關巖組中,且在斷裂附近。此時找礦遠景區面積(占比6.5 %)最小。

4.3 與不同預測方法的結果對比

采用證據權重法、CNN及ResNet3種方法對陜西石泉迎豐街地區進行找礦預測,結果見表5、圖10。3種方法的找礦遠景區均呈北西向展布,且斷裂走向一致。ResNet方法相比其他方法具有更好的預測精度和最小的找礦遠景區面積。

表5 3種方法的預測結果對比

圖10 石泉地區3種方法金礦預測結果對比圖

5 結 論

1)通過地質圖ONE-HOT編碼網格化及斷裂影響強度網格化,實現了將巖性和斷裂信息加入基于深度學習方法的找礦預測過程,有效利用了已有地質數據。

2)在融合地球化學和地質數據后,采用基于深度殘差網絡找礦預測方法提高了找礦預測的精度和可靠性。與證據權重法和CNN預測方法比較,深度殘差網絡找礦預測模型可以獲得更高的預測精度和更小的找礦遠景范圍。

3)基于深度殘差網絡模型在石泉地區圈定了8處新的找礦遠景區,為在該區進一步開展金礦找礦提供了新的方向。