一种隐伏矿三维定量预测方法、计算机设备、介质及产品

技术领域

本发明涉及地质勘探领域，特别是涉及一种隐伏矿三维定量预测方法、计算机设备、介质及产品。

背景技术

近年来矿产勘查态势和资源潜力评价表明，地球深部具有巨大找矿前景，向地球深部找矿进军，是今后矿产资源潜力预测评价重要发展趋势。传统的矿产资源定量预测是基于二维图层的叠加分析预测，随着计算机图形学技术及三维空间数据处理研究不断深入发展，采用三维立方体模型进行隐伏矿体(即第二找矿空间)的资源预测评价已经成为矿产勘查领域的热点。随着地表和浅层矿床的减少，矿产勘探主要集中在深部隐伏矿体上，大规模的成矿预测带来了新的机遇和挑战。

目前矿产资源预测评价方法正向模型综合化、信息分析智能化和深部非线性立体化迈进。然而，目前矿产资源三维预测一直面临着找矿预测深度不断增大和深部有效信息相对缺乏这一基本矛盾存在着预测结果的可靠性随预测深度增加而逐步降低的问题，制约了深部资源勘查的发展。

发明内容

本发明的目的是提供一种隐伏矿三维定量预测方法、计算机设备、介质及产品，可缓解预测结果的可靠性随预测深度增加而逐步降低的问题，提高预测结果的可靠性。

为实现上述目的，本发明提供了一种隐伏矿三维定量预测方法，包括：

获取目标矿区的地质资料；

根据所述目标矿区的地质资料，分析所述目标矿区的成矿过程，确定所述目标矿区的控矿要素，并构建所述目标矿区的三维找矿模型；

根据所述目标矿区的三维找矿模型确定三维建模范围，并根据所述目标矿区的地质资料，采用多尺度分层叠加的方法构建所述三维建模范围内的三维地质模型；

对所述三维地质模型进行量化分析，构建三维定量预测模型；所述三维定量预测模型中包括每个控矿要素的最佳有利成矿区间；

基于所述三维定量预测模型，采用机器学习算法确定所述目标矿区内每个空间位置处存在矿体的概率值；

根据所述目标矿区内每个空间位置处存在矿体的概率值，确定所述目标矿区的深部三维靶区。

为实现上述目的，本发明还提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述隐伏矿三维定量预测方法的步骤。

为实现上述目的，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述隐伏矿三维定量预测方法的步骤。

为实现上述目的，本发明还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述隐伏矿三维定量预测方法的步骤。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明通过构建三维找矿模型、三维地质模型和三维定量预测模型，并结合机器学习算法对目标矿区内每个空间位置处存在矿体的概率值进行预测，进而确定目标区域的深部三维靶区，缓解了预测结果的可靠性随预测深度增加而逐步降低的问题，并且，本发明采用多尺度分层叠加的方法构建三维建模范围内的三维地质模型，解决了深部成矿预测信息相对匮乏的问题，进一步提高了预测结果的可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为深部矿产资源成矿预测过程的示意图；

图2为本发明提供的隐伏矿三维定量预测方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

面对不断加大的预测深度，本发明的目的是提供一种隐伏矿三维定量预测方法、计算机设备、介质及产品，认为大数据的相关性预测方法和常用的综合信息矿产预测方法一致，采用大数据时代的预测思维方法，结合对深部资源的特殊勘探开发进行具体的研究，探讨大规模深矿化预测和评价的四种基本理论模型：矿产预测地质模型理论、多学科信息相关理论、矿产区域趋势分析理论和矿产预测地质分化理论，并总结数字和信息时代大规模深度资源预测的主要工作流程，包括成矿系统地质找矿模型的建立、多尺度三维地质建模以及深部资源的三维定量预测，以此指导隐伏矿的定量预测工作。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明首先研究大规模深矿化预测和评价的四种基本预测理论：矿产预测地质模型理论、矿产预测相关性理论、矿产预测趋势理论和矿产预测求异性理论，具体介绍如下。

(1)矿产预测地质模型理论。

应用矿床模型进行科学预测是地质专家最常用的预测方法，如应用斑岩矿床模型对中国系列斑岩铜矿的勘查与发现，王登红等对“五层楼加地下室”钨矿模型的总结，推动了中国对深部隐伏钨矿的预测评价；唐菊兴等应用成矿系列“缺位”理论，发现了甲玛等一系列铜矿。主导的矿产资源评价计划也都是从模型出发的，如20世纪80年代美国本土资源评价运用麦卡门矿床模型法，并通过特征分析进行定量预测。美国Singer倡导的全球“三部式”评价方法，也以建立的全球矿床描述性模型为出发点。重要矿产资源预测工作发展了以成矿系列“矿床式”为纲的矿床模型综合地质信息预测方法，强调了矿床模型的纲领性导向作用。朱裕生等总结的异相定位预测理论和“缺位”预测理论可统一归为该类。矿床模型预测理论符合事物的因果理论，通过矿床学研究查明矿床生成环境、成因机理，从而进行科学预测。由于矿床成因复杂，具多成因性，目前的技术水平很难彻底查明矿床成因，造成矿床多成因观点，使得预测评价工作得出不正确的结果。矿床模型预测理论要求使用大数据挖掘找矿信息时，要始终以模型为样板，通过相似类比方法，识别多元找矿信息中与模型区最相似的地区和资源潜力。

(2)矿产预测相关性理论。

大数据时代也带来了对客观世界认识和预测的数据分析思维的大改变，大数据思维要求在预测和分析自然社会现象规律时，知道是什么，而没必要知道为什么。相关分析理论是符合事物联系性客观规律的，整个矿产地质调查评价工作都是围绕矿产资源发现与评价进行的，地球、物理、化学、遥感、矿产等多专业、多领域的调查评价工作为矿产预测评价提供了海量的预测数据，这些专业型数据隐含了关于预测矿产、预测矿床类型的预测信息。相关性分析主体是预测矿床类型，因此要使用大数据相关性方法研究这些多专业信息的成矿相关性。关于使用相关性分析方法，王世称等提出综合信息矿产预测方法体系，其思想和大数据相关分析方法异曲同工。其总结了矿产预测三大难点：地质工作不平衡性、矿产多成因观点、物化遥信息多解性。一个矿床从勘探到开采完都对成因有不同认识，而且研究矿床成因要花费大量时间和人力，物、化、遥信息对预测评价矿产地质没有唯一对应性，在工作程度低的地区，地质资料相对少，要进行相关性信息转换。大数据相关分析是指2组变量或多变量的线性或非线性分析。如重要矿产资源潜力评价总结的矿床成矿系统规模与资源量线性关系模型，高芯蕊等总结的矿产资源需求的s型分布模型。大数据下资源预测评价要以基础成矿理论为指导，以矿产预测类型为纲，通过多专业综合信息预测编图进行数据清洗、整合和综合相关性分析，使用大数据挖掘技术建立矿产预测相关性模型，让多专业数据发出关于有可能发现矿床的位置及矿床资源潜力的声音。

(3)矿产预测趋势理论。

趋势是客观世界变化的一种规律。在矿产预测评价过程中，研究矿床的时空变化趋势是一种行之有效的方法，地质勘探专家根据矿体在走向和倾向上的变化趋势，进行探边摸底找矿预测。如在攀枝花铁矿潜力评价预测工作中，预测人员在整理研究矿区勘探历史资料时发现，主矿体在深部变化趋势没有尖灭，而且还有变厚的趋势，通过钻探验证深部存在厚大矿体，扩大了储量；山东胶东焦家式金矿深部找矿预测工作同样是通过研究矿化体及其控矿构造三维变化趋势，认为在矿区深部控矿构造为阶梯状变化规律，存在第二找矿空间，在矿区外围近海领域矿体有延伸趋势，通过科学钻探工作使得中国最大金矿区储量翻倍。地质趋势分析表明，地质对象(现象)在时间、空间上的变化既有随机性，又有相关趋势性。在矿产预测评价中，要研究一个地区矿床形成随时间的变化趋势，从中找出规律。如中国铁矿在太古宙成矿潜力最大，该时期是最重要的成矿时代，要研究矿床及其控矿要素或地质体的空间变化趋势，需剔除随机性因素，找出趋势性规律。定量研究方法有移动平均、趋势分析、地质统计学方法等。趋势预测理论是大数据相关性理论在空间、时间上的相关性延伸与补充。

(4)矿产预测求异性理论。

赵鹏大等率先提出地质异常预测理论，在矿床模型预测中通过圈定各类地质异常，特别是致矿地质异常来进行成矿预测。与通过模型理论进行相似类比预测方法相比，求异理论在矿产预测中简称对等求异，求异是在类比求同达不到预测目的的基础上筛选出定位机制与已知矿床不同的标志，识别未知区与已知矿床不同的成矿信息，科学地推断新类型、新矿种。成矿系列的“缺位”预测方法实质是在成矿系列基础上的求异预测。如长江中下游与燕山期壳幔源中、酸性浅成侵入活动有关的铁、铜、钼、金、银矿床成矿系列，包括斑岩型、接触交代型、中温热液型、中低温热液型和风化壳型5种主要类型，认为该系列的“全位”是5个类型。在另一个成矿地质背景相似的区内若只发现斑岩型和接触交代型矿床，说明尚有中温热液、中低温热液和风化壳型3个类型有可能发现，这3类矿床称“缺位”矿床。对一个矿床成矿系列的“全位”和“缺位”见解，从矿床成矿系列的理论上指示了一个成矿区(带)或亚区(亚带)内的矿产资源远景。求异理论方法要求在实际找矿预测中，不仅要注意已知矿种、矿床类型的找寻预测，还要时刻注意对新型矿产、新类型、新深度矿床的预测评价。在大数据处理分析中，不仅要注意与模型区相似的样本，还要注意与模型区不一致的异常点。如20世纪80年代山东焦家式金矿新类型的发现与识别，使得胶东地区金矿储量倍增。甘肃大桥、寨上大型金矿的发现，也是通过艰苦的野外工作从长期找蚀变岩金矿转为硅质角砾岩型金矿得到突破。青海东昆仑祁漫塔格地区夏日哈木镍矿的发现，使东昆仑成矿带成为新的镍矿成矿带和开发基地。其找矿发现也是求异理论方法的创新。1：5万矿调最初是在该地区部署找铜铅锌多金属矿的，在实际矿调工作中，发现了基性—超基性岩体，并有铜、镍等化探异常，从而调整找矿方向，获得找矿突破。

如图1所示，本发明在上述四种基本预测理论的指导下，从三个方面开展深部矿产资源成矿预测：成矿系统地质找矿模型的建立、多尺度三维地质模型的建立以及深部资源三维定量预测，重点是解决深部成矿空间三维结构重建机制、深部矿化定位机制及深部预测途径等重大科学问题，具体介绍如下。

(1)成矿系统地质找矿模型的建立。

成矿系统是在系统科学的基础上衍生出来的概念。成矿系统是地质系统过程的产物，是人们根据经济需求和生产技术水平划出的特定部分。对于运用成矿系统开展矿产预测是Wyborn et al.(1994)提出成矿系统的初衷，一方面重点研究地理信息系统(Geographic Information System，GIS)平台下的矿产预测专家系统；另一方面重点研究如何将成矿过程要素转化为可预测的要素(Wyborn，1994；Porwal，2015)。按照Wyborn对成矿系统的定义，成矿系统包括所有控制矿床生成及保存的要素及涉及矿床形成过程的源-运-储-保等过程成因。成矿系统是地质历史过程中的特殊事件，矿床是成矿系统的最终产物和保存对象痕迹，如何将成矿作用过程及关键因素(源、运、储等)转化为可预测的具体空间要素是成矿预测和靶区圈定关键。

成矿系统地质找矿模型研究重点总结五大成矿系统的三维结构特征，作为地质基础，在成矿带尺度以成矿系统理论为指导，总结不同成矿作用类型的“源、运、聚、变、保”三维结构特征；在勘查区尺度以“三位一体”找矿预测理论为指导，总结不同类型成矿作用的“成矿地质体、成矿构造与结构面、成矿特征标志”等三维结构特征。涉及到的方法包括基于大数据文本的挖掘方法和基于矿床的研究方法。

(2)多尺度三维地质模型的建立。

多尺度三维地质建模研究重点突破勘查区与成矿带两个尺度的三维建模工作，重点研究内容为多尺度分层叠加三维地质建模方法。另两个尺度的三维建模工作如表1所示。

多尺度三维地质模型的建立分为3个部分：成矿要素空间数据库、三维地质架构模型和三维地质精细模型。成矿要素空间数据库中包括实测剖面、图切剖面图、大、中比例尺地质图、遥感数据与解译结果以及工程勘探(钻探、探槽)。三维地质架构模型包括地质实体模型、构造实体模型和岩体实体模型，采用显式建模方法(遗传算法)构建。三维地质精细模型包括矿体模型、结构面模型、岩性模型和物化信息模型，采用隐式建模方法(知识-数据联合约束；贝叶斯数据同化)构建。

在地质资料详实的区域和有效建模深度内(勘查区)，通过三维建模软件，结合多元地学数据库中的勘探剖面和钻孔数据，建立三维地质精细模型。

在地质资料匮乏的大范围小比例区(成矿带)，通过地质知识推理，结合地球物理数据进行三维重磁反演，然后以浅部的三维实体模型为约束，开展深部和边部成矿地质异常三维空间重构。

表1三维地质建模工作的两个尺度

(3)深部资源三维定量预测。

随着矿产资源评价理论发展的同时，各种成矿预测方法也在不断的进步，成矿预测方法可分类两大类：知识驱动和数据驱动。知识驱动是基于专家的知识经验对各种参数进行赋值，从而达到整合多元信息的目的。数据驱动基于预测要素和已知矿点相关关系的定量分析，根据建立的数学模型进行成矿预测。常用于成矿预测的数学模型有证据权法、逻辑回归、人工神经网络、支持向量机和随机森林等。

深部资源三维定量预测分为3个部分：“定位”预测、“定量”预测和不确定分析。其中，“定位”预测采用传统统计分析算法或机器学习算法实现。“定量”预测采用地质体积参数法实现。

本发明提供的隐伏矿三维定量预测方法基于上述的基本预测理论以及开展深部矿产资源成矿预测的流程，对目标矿区的深部矿体进行三维定量预测。作为一种示例，目标矿区为蒿坪沟矿区。如图2所示，本发明提供的隐伏矿三维定量预测方法包括：

S1：获取目标矿区的地质资料。具体地，所述地质资料包括地质图件、地球物理数据、地球化学数据、遥感数据、基础的参考文献及调查报告等。

S2：根据所述目标矿区的地质资料，分析所述目标矿区的成矿过程，确定所述目标矿区的控矿要素，并构建所述目标矿区的三维找矿模型。

具体地，步骤S2基于上述基本预测理论中的矿产预测地质模型理论和矿产预测相关性理论构建目标矿区的三维找矿模型。

首先根据所述目标矿区的地质资料，基于成矿系统理论及三位一体勘查区找矿预测理论，分析所述目标矿区的成矿过程，确定不同成矿作用类型的三维结构特征，以确定所述目标矿区的控矿要素。

所述控矿要素包括成矿地质体、成矿构造及成矿元素等。

S3：根据所述目标矿区的三维找矿模型确定三维建模范围，并根据所述目标矿区的地质资料，采用多尺度分层叠加的方法构建所述三维建模范围内的三维地质模型。其中，主要根据区域构造展布形态确定三维建模范围。

具体地，步骤S3包括：

S31：根据所述目标矿区的地质资料，确定所述三维建模范围内的勘查区及成矿带。勘查区即资料详实区域(多钻孔数据资料区域)，成矿带即资料缺少区域。

S32：根据所述勘查区的地质资料，采用三维建模软件构建所述勘查区的三维地质模型。

S33：采用地质知识推理方法，根据所述成矿带的地质资料，进行三维重磁反演，并以浅部的三维实体模型为约束，进行深部和边部成矿地质异常三维空间重构，以得到所述成矿带的三维地质模型。其中，浅部的三维实体模型预先基于地质资料构建得到。

S34：根据所述勘查区的三维地质模型及所述成矿带的三维地质模型，确定所述三维建模范围内的三维地质模型。

本发明基于多尺度三维地质建模过程，针对勘查区采用显示建模的方法构建三维地质模型，针对成矿带采用隐式建模的方法构建三维地质模型，解决了深部成矿预测信息相对匮乏的问题。

S4：对所述三维地质模型进行量化分析，构建三维定量预测模型。所述三维定量预测模型中包括每个控矿要素的最佳有利成矿区间。

具体地，首先确定所述三维地质模型的最大坐标值，以确定三维预测范围。最大坐标值包括最大X轴坐标值、最大Y轴坐标值和最大Z轴坐标值。然后基于所述三维预测范围内的矿体三维实体模型，对所述三维地质模型进行控矿要素地质异常分析，确定每个控矿要素的最佳有利成矿区间，以构建三维定量预测模型。其中，所述矿体三维实体模型预先基于地质资料构建得到。三维定量预测模型是在三维预测范围的基础上构置的立方体。

本发明对搜集到的地质数据、地球物理数据、采集到的地球化学数据进行地质异常分析，该分析过程首先依据构建的矿体三维实体模型，设置含矿单元(即含矿体矿块为1，不含矿体矿块为0)，然后对三维地质模型进行控矿要素地质异常分析。分析方法主要依据三维地质模型与三维定量预测模型的比例值，选择累计频数法，确定控矿要素的最佳有利成矿区间。

例如对成矿地质体花岗斑岩进行地质异常分析，通过结合已知矿体做辅助控制，在三维定量预测模型(立方体)中通过计算块体与岩体三维实体模型的距离得到岩体影响范围，岩体缓冲区分析指示了岩体影响的范围，是岩浆热液活动特征的一项重要标志。以花岗斑岩体为中心，分别进行20m、40m、60m、80m、100m缓冲区的内矿体数目/块体数目的统计，计算不同缓冲区范围内的含矿比率和块体比率，在40m处为花岗斑岩体最佳缓冲区范围，40m范围内包含了39.41％的矿体数。

S5：基于所述三维定量预测模型，采用机器学习算法确定所述目标矿区内每个空间位置处存在矿体的概率值。

具体地，以三维定量预测模型中的控矿要素作为预测变量，以成矿元素的边界品位为阈值，筛选出定量预测训练样本集。例如以钻孔最大深度为约束深度，Au的边界品位1g/t为约束值，将三维定量预测模型中Au元素值大于1g/t的数据作为正样本，小于1g/t的数据为负样本，形成定量预测训练样本集。

将定量预测训练样本集输入机器学习算法，设置迭代次数为100进行模型训练。模型的输出结果为目标矿区内每个空间位置处存在矿体的概率值。

作为一种具体的实施方式，所述机器学习算法为梯度提升决策树算法。

S6：根据所述目标矿区内每个空间位置处存在矿体的概率值，确定所述目标矿区的深部三维靶区。

具体地，对每个空间位置处存在矿体的概率值进行筛选，依据地质知识，筛选掉已知矿体的三维空间位置，在高概率值(如概率值大于0.7)的区域圈定深部三维靶区。

本发明基于成矿系统理论总结出的矿床形成的地质过程(源-运-储-变-保)和深度学习方法(即定量化矿床形成过程)进行成矿系统圈定，依据三维找矿建模+三维地质建模+三维定量预测建模的联合驱动，缓解了预测结果的可靠性随预测深度增加而逐步降低的问题，无论在理论上还是在数据挖掘方法上都保证了高度的准确性。对于最终圈定的成矿系统范围结合具体的实地考察和已有的地层、岩体、矿物和矿床方面的研究结果，完善成矿系统，对成矿系统进行可靠性分级。选取研究区内典型成矿系统作为模型区，探索区内成矿地质体范围，延深，含矿率等资源量估算参数在多元信息中的反映，最终实现成矿系统的“定位”，“定量”，“定概率”预测。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是数据库，该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待处理事务。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述隐伏矿三维定量预测方法的步骤。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述隐伏矿三维定量预测方法的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述隐伏矿三维定量预测方法的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述隐伏矿三维定量预测方法的步骤。

需要说明的是，本申请所涉及的对象信息(包括但不限于对象设备信息、对象个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经对象授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory，MRAM)、铁电存储器(Ferroelectric RandomAccess Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static RandomAccessMemory，SRAM)或动态随机存取存储器(Dynamic RandomAccessMemory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。