基于大数据的智慧探矿模式实验研究与进展

Experimental research on big data-based intelligent exploration models and advance

摘要

本文是贵州省锰矿“产学研用”科技创新人才团队近些年来在贵州开展基于大数据的智慧探矿新模式的探索性实验研究与总结。团队通过“产学研用”协同创新体系,对著名的中国南华纪“大塘坡式”锰矿矿集区和多个隐伏超大型锰矿床,进行大数据预测的找矿过程复盘研究,探索深部隐伏矿产资源智能预测和数字勘查方法,努力发展和培育地质矿产勘查领域的新质生产力。团队研发了基于大数据的成矿模式和找矿模型,开展地质大数据资源体系建设,完善并全面推广应用数字勘查技术系统,建成了贵州全省域三维玻璃国土, 研发出多尺度多目标递进式矿产智能预测技术,有效地推进了贵州地质矿产勘查工作的数字化转型,先后发现并提交了一批可供勘查的隐伏锰矿、磷矿、铝土矿、铅锌(锗)矿、重晶石矿和新发现的蚀变泥灰岩型锂矿等找矿靶区,支撑贵州新一轮找矿突破战略行动实现了新突破。取得的主要进展表明,团队实验研究成果既加快了贵州省地质矿产勘查工作的数字化转型,又推进了与大数据深度融合发展,培育和发展了地质矿产勘查领域的新质生产力,支撑了深部隐伏矿找矿实现新突破。为了进一步推进地质矿产勘查工作的数字化转型,发展地质矿产领域的数字经济,还需要进一步开展地质矿产勘查的“上云用数赋智”行动,加强关键技术研发并大力推广应用,在实践中不断探索、不断改进和发展。

关键词

智慧探矿 / 数字勘查 / 玻璃国土 / 数据资源体系 / 智能预测

Key words

intelligent exploration / digital exploration / Glass Earth in Guizhou Province / Data Resource System / intelligent prediction

0 引言

矿产资源是经济社会发展的重要物质基础,矿产资源勘查开发事关国计民生和国家安全。国家要求加大勘查力度,加强科技攻关,在新一轮找矿突破战略行动中发挥更大作用,为保障国家能源资源安全和全面建设社会主义现代化国家作出新贡献。

国内富集的矿产资源贵州具有比较优势^[1]。但随着露头矿和浅表矿发现殆尽,贵州地质找矿工作已全面转向隐伏矿和深部矿,找矿难度越来越大。贵州省要求“强化攻深找盲、强化勘查队伍、强化数字勘查”,即通过“科技创新和数字化变革”驱动生产力三要素的更新,形成服务新一轮找矿突破战略行动的新质生产力。基本要领是从实际出发,加快推进矿产资源勘查的数字化转型,建立基于大数据的成矿模式和找矿模型。2019年,自然资源部提出了“完善并推广地质调查智能化技术,整合一站式地质调查业务管理系统,探索智慧探矿新模式”的目标要求。这里涉及地质矿产勘查与大数据深度融合问题,没有现成的理论和技术可供借鉴,需通过“产学研用”协同创新,把数字技术、人工智能等新一代信息技术融入地质矿产勘查工作中,建立数字勘查技术体系,推进地质矿产勘查行业数字化转型。

贵州省是国家大数据试验区,在大数据统合应用方面有“先行先试”的条件。贵州省地矿局与中国地质大学(武汉)等单位长期合作,结合一系列找矿突破战略行动项目、重大协同创新项目和科技支撑项目等,在贵州开展基于大数据的智慧探矿模式实验研究,努力推进并实践地质矿产勘查数字化转型,探索深部隐伏矿产资源智能预测和数字勘查方法,取得了一些理论和技术成果。下面拟对相关实验研究与应用成果进行初步总结。

1 研究思路与方法

贵州隐伏矿产资源埋藏深度大、成矿过程复杂,存在着严重的结构信息不全、关系信息不全、演化信息不全和成分信息不全的情况^[2],造成对其特征和规律的认知出现严重的不确定性。为了建立适用的数字勘查技术体系,需要引进并应用地质信息科技理论、方法和技术体系^[2⇓⇓-5],从矿产勘查工作的数字化转型开始,循序渐进地实现数字化、信息化和智能化。

1.1 数字化转型的基本思路

地质矿产勘查行业是一种特殊的信息行业^[3],包含专业探测和经营管理两项业务,其数字化转型需同时解决这两个方面的需求。其难点在于实现专业探测数字化转型,其目标是在地质信息科学理论和方法论框架下,运用集成化的地质信息技术,在构建完善的数据资源体系基础上,构建基于大数据的数字化勘查技术体系,打通地矿产勘查开发各道工序,为实现数字化、信息化和智能化奠定基础。

多年来,贵州省地矿局各基层地勘单位虽然建立了许多数据库,形成了多源多类异质异构的电子化数据资源,并且在若干环节采用了数字化和网络化作业方式。但由于缺乏系统性、整体性和完整性,难以支持勘查工作整体数字化转型。为此,项目团队从实际出发,提出以数据库建设为支点,从数据治理开始逐步推进的基本思路。

(1)首先对贵州省地矿局已经完成和正在建设的各类数据库进行清理,重视统一的数据中心、数据中台和分布式的边缘数据中心、业务中台建设。

(2)着重解决相关的数据采集、整理和存储规范、标准体系和数据安全体系的建设问题,以便为地质矿产勘查行业数字化转型提供强有力的保障。

(3)通过产学研用协同创新体系,根据统一的概念模型和应用架构(图1),围绕数字勘查理论和技术问题,对数字勘查系统进行定制研发。

(4)以地勘单位为主体,解决大数据管理、工作效率、经济效益、管理体制、思想观念、作业习惯、强调统筹兼顾、循序渐进、主流程改造和轨道约束机制。

1.2 数字化转型的解决方案

地质矿产勘查数字化转型的关键是实现勘查信息化,包括3个方面^[2,4]:一是建立以主题式点源数据库为基础的共用数据平台,避免系统内出现大量数据冗余,并实现空间—属性数据一体化存储和管理;二是进行“多S”的技术、网络、数据和应用集成,使技术方法与应用模型有机结合起来,形成完整的地质信息系统,数据在其中流转顺畅、充分共享;三是利用地质信息系统对勘查工作主流程进行充分改造,实现全程数字化。

贵州省地矿局的勘查工作数字化转型,着重从4个方面推进:(1)开展局级数据资源体系建设,为多源多类异质异构地物化遥数据的共享服务和统合应用奠定基础;(2)全面推广应用数字勘查系统,对传统工作方式和作业流程进行改造;(3)构建全省域多尺度玻璃国土,使之成为三维可视化的地质大数据载体;(4)开展基于大数据的资源预测,通过智能计算和数据挖掘揭示与成矿作用的相关关系。实践表明,这4个方面的探索与研发,也是实现地质矿产勘查与大数据深度融合的基础^[6]。未来发展需进一步考虑基于5G赋能的野外观察和识别的智慧支持问题。坚持产学研用结合体制,构建稳定的协同创新体系,是在我国推进省域地勘工作数字化转型的基础和保障。

1.3 支撑数字化转型的软件系统研发

为了推进基层地查单位的数字化转型,本项目团队在成熟的三维可视化地质信息系统软件QuantyView平台上,以前期研发成果为基础进行适合贵州省地质条件的定制开发,研发了以主题式地矿点源数据库为核心的“数字勘查系统”QuantyPES,并在贵州省地矿局所属地勘单位、贵州省找矿突破项目和支撑找矿突破战略行动重大科技项目中全面推广应用。

首先是进行高功能、高可用性共用数据平台支撑软件研发,使之适合多源、多类、多维、多量、多尺度、多时态和多主题地矿数据的存贮、管理和处理,能够支持复杂地质结构和地质属性分析、综合和挖掘,实现地质矿产勘查全流程的数字化作业。

QuantyPES具备数据采集、管理、处理、三维建模、编图、储量估算和预测评价等6大功能。根据结构—功能一致性准则,该软件的结构可分为内、中、外3层(图2)^[2]。内层为数据管理层,由下部的主题式对象—关系数据库子系统与上部的数据仓库组成,实现数据组织、存贮、检索、转换、分析、综合、融合、传输和交叉访问;外层是技术方法层,包括各种高功能的硬、软件平台和空间分析、辅助设计、三维可视化、数字孪生、数据挖掘、人工智能;中层是功能应用层,由下而上分为数据综合处理、三维编图与建模、资源储量估算和资源预测评价等4个层次,用于实现勘查主流程的全部功能。

1.4 支撑数字化转型的数据链构建

为了推进地质矿产勘查的数字化转型,需要在改造勘查工作主流程的同时,采用物联网、云技术和5G技术,构建天空地深一体化地质矿产勘查数据链^[7]。只有这样才能有效地沟通各道工序、联结各个环节,形成完整的信息反馈回环,实现地质大数据的高效汇聚、调度、融合和同化,同时为智能化分析预测和探采一体化奠定基础。

在这个地质矿产勘查数据链和信息回环中(图3)^[7-8],基于问题驱动的数据采集,是野外工作的核心内容;基于模型驱动的数据分析,是资料综合、图件编绘、成矿条件和控矿因素研究的主要内容;基于知识驱动的数据同化,是利用多元多类多异质异构数据进行成矿条件、控矿因素叠加分析和综合判断的主要内容;基于应用驱动的数据融合,是针对某一专题研究,利用异质异构多模态数据进行跨界聚联的主要内容;而基于数据驱动的无模型数据挖掘,则是针对找矿预测的知识发现和智能计算的主要内容。在这个数据链条中,各个环节承接有序、相辅相成,共同支持地质矿产勘查工作的数字化转型^[8],同时支撑着智慧探矿新模式的探索和构建。

2 实验研究与主要进展

本项目团队在实施贵州省的多个重大项目中,借助协同创新机制,在局级数据资源体系建设、省域玻璃国土建设、数字勘查和矿产资源智能预测探索等方面,取得了相关的理论、方法和技术研发方面的显著进展,获得了一系列发明专利、软件著作权,并制定了相应的地方标准和工作规范,转化应用效果较为显著。

2.1 省域数据资源体系建设

省域数据资源体系建设主要内容包括:(1)地质资料抢救和省域地矿数据湖建设,即构建多模态的地物化遥数据湖和多主题数据仓库(集市);(2)算力和算法建设,构建局级PB级分布式存储和算力体系,研发多模态的地质大数据融合、挖掘和机器学习算法体系;(3)基于内网和私有云研发云服务平台和安保措施严密的云计算系统,建立基于微服务架构的省域地质云服务平台,服务于科学研究、找矿预测、管理决策和社会公众。

2.1.1 地质资料抢救和数据湖建设

贵州省的各类地质矿产勘查报告,多数以纸质形式存放在不同部门、不同单位和不同机构的资料室、实验室。其中不少已有不同程度的破损、变形和丢失,亟待进行抢救性收集、汇总和数字化管理。贵州省地矿局发起了“地质数据抢救”行动,经过3年的努力,完成了108万份各类历史勘查报告、测试数据和成果图件的清理、编目、登记和扫描存储,并选择重点进行矢量化转换,实现了基于Web3D系统的查询、检索和浏览。

在此基础上,利用数据湖架构的存储容量大、成本低,以自然格式和原始格式存放、调度和配置数据,可靠性和精确度高的优势^[9],采用集中式与分布式结合的策略,分局级和队院级进行数据中心建设,采用 Hadoop 技术来对各类地质数据库和数据文件集群进行混合管理、调度,支持基于微服务架构的云服务。由于地质矿产勘查工作的专业性强,其数据类型以及数据处理的方式、方法和流程极为复杂,为了便于检索、调度和应用,避免陷入“数据沼泽”,对结构化数据保留了关系数据库、对象关系数据库和数据仓库(集市)的存储、管理和调度模式^[7]。

从结构化、半结构化和非结构化地质数据混合存储、应用的需求出发,将原始数据结构转化为数据湖存储体系结构^[10];同时通过云方式把全部数据部署到虚拟机—物理环境和分级中心化管理的区块链上,将原有网络功能云化和虚拟化,实现全部原始数据的分布式存储和共享。由此形成队、局两级数据湖架构,可满足专业队伍进行矿产预测、评价和勘查需求,以及政府进行矿政管理、保护和决策需求。为了确保地质数据湖成为地质大数据的有效管理体系,还需建立其元数据库。

地质对象的非均质、非参数化特征,常导致对离散目标的树形层状空间索引出现数据划分不均衡、节点重叠率畸高,难于实现细粒度并行化。为了有效支持地质大数据流畅调度,本团队采用顾及多层次细节、支持细粒度并行的真三维空间索引结构、基于高效索引结构的可配置多级缓存机制、基于视域预可见计算的三维空间数据预调度方法^[11],以及顾及加载代价的三维空间数据多线程动态调度方法(图4)。

2.1.2 地质矿产勘查数据云服务子系统

目前,地质矿产勘查数字化转型已趋向多学科多技术协同,要求采用先进的云计算技术,构建面向多勘查主题的数据中心和一体化数据集成服务平台,实现与多源多类异质异构的地质大数据深度融合,形成整合跨学科、跨平台的地球科学知识体系。

针对地质矿产勘查行业中、下层数据中心建设薄弱,“信息孤岛”和“服务孤岛”并存的状况,项目团队根据微服务机构下的多主题地质数据模型分类、服务粒度划分和地质数据服务的纵横可扩展性,选择合适的容器引擎进行省级中心云服务平台的原型研发^[12]。借鉴已有的地质云设计思路^{[13⇓⇓-16]},对贵州省地矿局和所属地勘单位的数据采集和应用进行抽象和归纳,采用了内网(物理隔离)+外网的“混合云”的概念体系。由下而上分为基础设施层、功能服务层、数据资源层、业务应用层和服务接口层,外加面向云计算地质信息规范与标准和地质云服务管理平台(图5)。

其中,基础设施层分为物理资源和虚拟资源两个分层^[12]。前者是地质云平台系统运行的基础硬件设施,包括各类实体服务器(数据服务器、计算服务器)、存储器和网络设备;后者是将物理资源层中的物理设备资源化,基于操作系统、虚拟机等工具,利用虚拟化技术将分布式物理资源整合成资源池,再以服务的形式提供给用户。运行在资源池中的数据、服务和软件是与物理资源脱离的,即屏蔽了物理资源层的细节。这种独立性措施,可有效地提高物理资源利用的便捷性和效率。

2.2 全面推广应用数字勘查系统

贵州在实施的全省重点矿产资源大精查、毕节试验区优势矿产资源大普查和贵州省支撑找矿突破战略行动重大协同创新等项目中,明确要求实施数字勘查。贵州省地矿局对承担的若干大型—超大型矿床勘查项目,全面推广应用与中国地质大学(武汉)共同研发的软件系统QuantyPES数字勘查系统。在工作过程中,制定了统一的数据采集标准,并根据面对的实际情况和需求对QuantyPES进行定制开发,同时对矿产勘查作业流程进行改造。首次实现了全局固体矿产勘查工作从前期资料搜集、岩心编录到数据整理入库,从资料综合、分析到地质图件编绘,从矿床三维建模到资源储量估算和资源综合评价的全流程数字化。

2.2.1 数字勘查系统的工作模式和逻辑结构

经过反复实践、改进和优化,在地质矿产勘查工作中,力求聚集天、空、地、深4个维度的数据,融合地、物、化、遥4个视角的数据(图6)。这些探索和实践,一方面为多源多类多尺度地质大数据资源体系的补充和更新,提供了可靠的现势数据支持;另一方面为多量多维多主题地质大数据的数字化、智能化处理应用,提供了有效的数据和技术支撑。所建立的一整套高效勘查技术体系,助推了贵州省地质矿产勘查工作的数字化转型。

2.2.2 地质矿产数据的数字化采集

野外露头观测和钻孔岩心编录,是矿产勘查的主要数据来源。研发并应用集RDBS、GIS、RS和GPS于一体的平板电脑数据采集系统,是改变野外露头岩心编录作业落后面貌的第一步。通过数据采集内容的标准化、代码化,利用语音识别、传感器辅助、字典辅助、界面自定义、地质分类词库匹配和语音控制,以及实时平、剖面图编绘的数据采集,在人机交互环境中实现了野外地质数据快捷、智能化采集和现场制图^[17-18],大大提高了数据采集效率。未来拟引入5G、智能感知和识别、时空信息处理、SQLite数据库和图形图像处理技术,可进一步提高其数字化水平。

2.2.3 图件机助编绘与矿床三维建模

对QuantyPES软件进行定制开发的编图模块有钻孔(井)综合柱状图、实测地质剖面图、勘探剖面图、储量估算图、资源预测评价图、构造纲要图和其他综合平面图。主要成果包括:(1)分专业、分矿种构建多种标准图式、图例、花纹库和色标库,满足不同专业、不同矿种的编图需求;(2)以数据中台和业务中台为依托,提高了数据和软件的共享性;(3)基于三维矿床地质模型的图切剖面制作模块,实现三维建模与二维编图一体化;(4)与智能计算和机器学习相结合,提高信息提取、转换和成图自动化程度。

地质学本质上是一种三维科学,开展三维建模有助于直观地感知深部地质结构和成矿系统,分析并理解成矿条件、控矿因素、成矿机制和后期破坏情况,可促进隐伏矿床的发现(图7)。建模中采用了基于数据仓库的地下—地上、地质—地理、结构—属性一体化方式^[7,19⇓-21]。其中的结构—属性一体化建模,采用了基于地质知识驱动和系列勘查剖面拓扑推理相结合方法^[22⇓-24],以及多点克里格随机模拟方法^[25]。

2.2.4 数据处理与资源储量动态估算

地质数据计算机处理的内容,包括物探方法模型的正、反演计算、化探及地质编录数据的统计分析、地质特征的空间分析、矿产储量的估算、工程和水文数据分析、钻孔设计和孔斜校正等。随着大数据方法的兴起,通过数据挖掘直接发现知识成为重要的数据处理新方法^[26],这是地质矿产勘查与大数据融合的一种方式。它以数据为中心,采用全体、多类数据而非抽样、单一数据,可突破样本空间狭小、仅凭少量随机抽样观测数据和模型进行判断的限制,更具客观性^[5,7]。

针对传统几何法资源储量动态估算存在可视化分析程度和精度较低,而克里格法存在变异函数难以快捷估算等问题,团队以真实三维地质模型取代抽象的规则几何体,以变异函数智能计算法取代变异曲线统计模拟法,开发出了符合我国标准和分类的动态估算子系统^[27⇓-29]。其中包括二维传统几何法、三维传统几何法和三维多种克里格法储量估算模块。这3种储量估算模块均实现了计算和编图一体化,以及底图绘制、岩性花纹填充、样品自动组合与标注、矿体边界交互圈定、面积及平均品位自动计算、资源储量自动汇总输出和图表快速编制输出等功能。

2.3 构建全省域多尺度玻璃国土

“玻璃国土”是在一个国家范围内对“玻璃地球”^[30]的称谓。这是一个地质和地理信息相结合并存储于计算机网络上的、可供多用户访问和开展决策分析的三维可视化数字孪生浅层地壳^[31]。开展“玻璃国土”建设的目的,是进行矿产资源发现和评价、地质灾害孕育背景和机理研究,以及地下空间可利用性评价和规划。

玻璃国土建设的基本理念^[32-33]是:(1)把玻璃国土建成三维地质信息系统,而不仅仅是可观赏的三维地质模型;(2)使之成为地质大数据的可视化载体,而不仅仅是简单的数据检索工具;(3)可进行多尺度多层级多要素建模和集成化应用,而不是单尺度、单目标和单参数的框架建模;(4)三维建模不是为了好看,而是为了好用,应能实现5个三维可视化,即数据表达、问题分析、工程设计、过程仿真和管理决策三维可视化;(5)模型应用贯穿于自然资源勘查、开发和管理各环节,能充分发挥地质数据的价值;(6)“上云用数赋智”,支持专业应用、政府决策和公众查询。

本项目团队采用了面元与体元相结合的混合数据结构,对具有完全自主知识产权的QuantyView平台进行定制开发,用于开展全省域多尺度、多层级、多要素的地下—地上、地质—地理和结构—属性一体化的玻璃国土建设^[7,34]。为了构建并承载贵州全省域超大规模的三维地质模型,需要着重解决如下关键技术问题:(1)大规模、多细节层次地质三维空间数据实时可视化的I/O瓶颈和资源竞争问题;(2)海量地质空间数据的表达、存储及其实现;(3)基于地质空间数据的多线程动态调度方法及其实现;(4)自适应的多级缓存机制建立及其实现;(5)基于视域可见性计算与任务关联性信息预调度机制及其实现;(6)研发成果封装、空间数据引擎和统一的数据访问接口。研发团队将地质对象的空间特征引入缓存,设计出兼顾空间特征的缓存替换算法和内外存一体化的空间索引结构,还使用离散LOD技术设计出视点相关索引机制和3种不同预调度模式的预调度方案,有效地解决了全省域超大规模三维地质模型的构建、调度和浏览问题。

在此基础上,依托贵州省地质三维空间战略调查评价项目(2019—2021年),采用了如下技术方法进行贵州全省域玻璃国土构建(图8):

(1)全面收集、整理全省各种比例尺基础地质、深部钻探、反射地震剖面和大地电磁测深剖面,确定开展1∶500 000三维地质建模的地层系统及建模的最小地层单元;

(2)选择支持表达、分析、设计和决策三维可视化的QuantyView软件平台,根据区域构造与地层特征,定制开发数据库、数据仓库管理系统和三维地质建模系统;

(3)根据实际地层、构造的空间分布特征,确定全省三维地质建模的地质剖面网度和骨干地质剖面位置,结合地震剖面和大地电磁剖面,进行骨干建模剖面实测;

(4)利用1∶500 000、1∶250 000、1∶200 000和1∶50 000地质图,以及地震和MT剖面、深钻井资料和地质剖面图,进行建模资料校验和标定,按照10 km间距编绘系列地质剖面图;

(5)采用定制开发的QuantyGlassland建模系统,对多模态地质数据进行汇聚、清洗,分别装入数据仓库(集市)中,使之适合1∶500 000三维地质模型和三维信息系统;

(6)基于系列地质剖面图、钻孔柱状图、反射地震剖面图、MT剖面等数据和各个比例尺的地质图,分析和推断贵州全省构造—地层格架,并构建三维地质概念模型;

(7)最后,采用地质知识驱动与系列剖面拓扑推理相结合方法,进行地下—地上、地质—地理、结构—属性一体化的三维可视化建模,2021年完成了贵州全省域1∶500 000三维地质建模。

目前,已经完成的贵州全省域1∶500 000三维地质建模,实现了海拔-2 500 m以浅17.6×10⁴ km²国土的构造—地层格架透明化。随后,借助贵州省重点矿产资源大精查项目、贵州省毕节试验区优势矿产资源大普查项目和贵州省找矿突破战略行动重大协同创新项目的支持,探索并实现了黔东北锰矿区、黔西南金矿区和黔西北铅锌矿区的1∶250 000,以及若干矿集区1∶50 000、若干超大型矿床1∶250 000和1∶5 000的三维构造—地层格架建模(图9)。

在此基础上,采用多点克里格随机模拟方法^[25],逐一建立了贵州省的重力场、磁场、地热场(图10)、水文系统和三维属性模型,初步形成了贵州省多尺度多要素的地质—地理、结构—属性一体化的玻璃国土。同时,还与贵州省自然资源厅的“山水林田湖草沙”一张图对接,形成了国内第一个地下—地上一体化的三维玻璃国土。

2.4 开展基于大数据的找矿预测

开展深部、隐伏固体矿产资源的定位、定量预测,面临着许多限制和很高的难度。例如:主要技术手段多倚重于物探、化探和遥感,样品空间膨胀而精确数据少,海量非结构化和半结构化数据难以利用,成矿作用机理、因果关系和动力学模型均缺乏。本团队在贵州省找矿突破战略行动的多个项目中,利用大数据和科学研究第四范式,进行地物化遥跨界数据的汇聚、融合和挖掘,并探索突破这些限制的途径与方法,提出了“基于大数据的多尺度多目标递进式智能找矿预测法”,在实践中取得了初步的效果。

2.4.1 递进式智能找矿预测法概述

从大数据的基本特点^[35]出发,为了继承已有成矿理论成果又不为其所约束,我们提出了无模型和有模型结合、数据驱动与模型驱动结合、关联关系与成因关系结合的技术路线。为了与矿产勘查阶段相匹配,采用了多尺度、多目标、递进式的预测工作模式;为了体现精确数据价值又不为精确数据所限,需采取大数据与小数据结合、全体数据与随机样本结合方式。针对一些已经取得成功的找矿预测案例,通过“复盘”方式来形成知识图谱^[36]。进而探索从现象观测→数据采集→数据融合→数据挖掘→知识发现→信息提取→机器学习→智能预测的逻辑过程^[37⇓-39]。这是一种基于地质大数据资源体系建设、工作方式数字化转型、数据密集型计算(第四范式)和多尺度结构—属性一体化三维建模的找矿预测方法。

这种预测法把成矿地质背景和找矿经验,融入多尺度多目标智能计算中,采用求异、成矿系统、数据挖掘和机器学习方法,把地质思维与计算机思维结合起来(图11)。其特征是:(1)按尺度由大到小递进地开展地物化遥数据同化与融合,通过无模型挖掘来揭示成矿条件和控矿因素;(2)通过案例复盘建立知识图谱,再通过知识关联、量化和因果推断,融合数据挖掘结果,实现无模型与有模型结合;(3)基于多尺度三维结构—属性一体化地质模型,采用机器学习方法开展数据—模型联合驱动的成矿预测,支持靶区圈定。

由于各类地质数据在粒度、广度和深度方面的特征差异明显,其表现是地质对象的多尺度、多方位、多维度、多层次和多模态特征的外化呈现。因此,在进行成矿预测的数据挖掘工作时,其各类模型的构建,可以借鉴和运用地质异常分析、耦合和定位等思路与方法^[40-41]。其逻辑过程可以借鉴科学找矿的理念^[40,42],从致矿地质异常→专属地质异常→综合地质异常→矿床地质异常→矿体地质异常逐步揭示,即从致矿地质异常到矿致地质异常、从成矿可能地段到远景矿体地段逐步逼近。因此,预测目标也随之从成矿可能地段(1P)→找矿可行地段(2P)→找矿有利地段(3P)→潜在资源地段(4P)→远景矿体地段(5P),有序推进并分级圈定预测靶区(图12)。

具体地说,就是在贵州全省范围内预测成矿可能地段(1P),在成矿可能地段(1P)中预测找矿可行地段(2P),在找矿可行地段(2P)中预测找矿有利地段(3P),在找矿有利地段(3P)中预测潜在资源地段(4P),在潜在资源地段(4P)中预测远景矿体地段(5P)。所采用的数据源尺度及其资料详度,与各阶段预测目标相适应,对应关系为1∶500 000(+)→1∶250 000(+)→1∶50 000(+)→1∶250 000(+)→1∶5 000 (+)。(+)表示资料详度可适当升高一个等级。

2.4.2 递进式智能找矿预测法应用

利用基于大数据的多尺度多目标递进式智能预测法,在项目团队承担的贵州省毕节试验区优势矿产资源大普查和“贵州磷、锰、铝优势资源成矿规律与快速高效智慧化勘查技术研究及示范”“贵州稀土、钡、氟等特色资源成矿规律与找矿预测”等支撑找矿突破战略行动的重大协同创新项目中,对深部隐伏矿产的预测和找矿靶区的圈定起了良好的指导作用。

(1)成矿可能地段(1P)预测。贵州省的战略矿产有锰、磷、铝、金、铅锌、重晶石、锂、萤石和稀土等。其成因类型大致为沉积型、沉积变质型和喷溢(流)沉积型;从空间分布上看,大致呈一横两竖加一片的格局,即中部东西向一横,东部NNE向和西部NW向两竖,加西南部一片;从时间上看,大致形成于南华纪、震旦—寒武纪、石炭—二叠纪和三叠纪的同沉积期及沉积期后。由于经历了多期次构造—热事件叠加、改造,各矿床的结构、构造和成分十分复杂,造成对矿床成因争论不休,成矿模式和找矿模型难定,深部找矿预测受阻。

项目团队从区域控矿构造背景分析入手,作为“成矿可能地段(1P)”问题来研究。在工作中,采用1∶200 000化探扫面所得的39种元素数据、1∶500 000航磁ΔT异常数据、1∶200 000和1∶500 000布格重力异常数据(图13),以及多种高分辨率多光谱遥感数据进行跨界融合,然后采用图像处理技术、无监督分类法和机器学习算法进行数据挖掘,并采用Sobel算子直接进行深部构造提取。由此而首次发现了一条横亘于贵州省中部、宽达60~80 km的磁力和重力负异常带。其分布范围与铅锌矿(贵州中东部)、重晶石矿、磷矿、汞矿一致,也与走向EW的39种元素集中带一致。4种矿床的矿体围岩或矿源层为震旦—寒武系,均具沉积和喷流(溢)沉积特征。在东西构造带内侧,震旦系、寒武系显著厚于外侧,各项特征显示其为震旦—寒武纪裂谷。显然,该EW构造带是这4种矿质的成矿可能地段(1P)。这一成果指导相关地勘单位把铅锌矿预测区移至北侧边界断裂以南,取得了深部和外围找矿的突破。

数据挖掘也揭示了贵州东部走向NNE的重力亏损带和磁力负异常带,结合地震剖面分析发现,这里正是雪峰隆起西侧的前陆拗陷带——松桃—雷山前陆拗陷带,其中所含的地层是南华含锰岩系及其上覆的震旦系、下古生界、上古生界和中生界。显然,南华系丰富的锰矿资源正是得益于松桃—雷山前陆拗陷的有效保护,其成矿系统才得以完整。由此推测,黔东松桃—雷山前陆拗陷带的其他地段,也是南华系锰矿的可能成矿地段。数据挖掘还揭示了贵州西部走向NW的重力亏损带、磁力负异常带,与39种元素集中分布带NW分支的关系,以及它们与NW向泥盆纪威宁—水城裂谷的关系。根据威宁—水城裂谷与EW构造带的叠加关系,并结合峨眉山玄武岩地质资料和铅锌矿及铜矿钻探地质资料进行分析,确认了关于赋存于石炭—二叠系的铅锌矿,是震旦—寒武系矿质被后期岩浆热液活化迁移而成的见解^[43],而活化的热源和热流体来自峨眉山玄武岩。

(2)找矿可行地段(2P)预测。“找矿可行地段(2P)”预测的主要目标,是寻找矿质大规模聚集的可能地段。对于喷流(溢)—沉积矿产而言,关键在于寻找巨量矿质底辟上涌的深部通道。以黔东北锰矿集区为例,开展“找矿有力地段(2P)”预测的具体任务,是预测下一个可能存在的世界级锰矿集区,即回答哪里是寻找下一个世界级锰矿集区的可行地段。

为此,课题组从解剖典型和案例复盘入手,对黔东北松桃超大型锰矿集区开展1∶250 000三维地质建模^[18,21]和空间数据挖掘^[44]。通过该三维地质建模,发现在南华裂谷武陵次级裂谷^[45]西段的基底岩系中,即新元古界板溪群(Pt₃bn)中存在着一个走向NW、与南华裂谷近于垂直、延伸超过100 km、宽约35 km的槽状构造带。该构造带由多个狭长的同走向次级堑垒构成,走向上穿过武陵次级裂谷西部的多个Ⅲ级构造单元,应为南华纪之前形成的NW向古裂谷——铜仁古裂谷^[1]。该裂谷与武陵次级裂谷Ⅲ级地堑的交汇处,正松桃超大型锰矿集区所在地(图14)^[44]。铜仁古裂谷往南东延伸至与南华裂谷天柱—衡山地垒的交汇处,正是全球最大的天柱—新晃超大型重晶石矿集区所在地^[1]。

根据不同探测技术手段对不同深度、不同构造层、不同性质的区域性基底断裂有不同敏感性的特点,分别组织遥感、地球化学、磁力探测和重力探测数据集,并构建数据聚联和挖掘算法体系进行数据挖掘。在向上延拓处理的基础上,用图像处理和线性体提取技术(Sobel算子)进行边缘检测,并提取不同地球物理场中的线性体簇。然后,采用监督分类法和机器学习算法,挖掘隐伏断裂(线性体簇)与锰矿床(体)的空间关系,进而评判各隐伏构造对矿源和成矿作用的可能影响^[37,39]。

利用多种数据挖掘方法,在黔东北地区的遥感、地球化学、磁力探测和重力探测等的数据集中,均提取出了NNE、NE、NEE和NW等4组较为显著的线性体簇,其中NEE向和NW向两组,分别与南华裂谷武陵次裂谷各Ⅲ级构造单元及上述NW向铜仁裂谷走向及位置一致(图15)^[44],推测是这两组构造带在地壳不同深度的反映^[5]。这两个方向的线性体族交汇的重庆—松桃—铜仁—江口—梵净山之间,正是黔东北世界级锰矿集区的分布范围。过高地—铜仁和过重庆—西溪堡的两组NW向线性体族,分别串联了多个走向NEE的大型和超大型锰矿床,可能说明二者在南华裂谷裂陷时被改造成了含锰流体大规模底辟上涌的通道。

为了证实是否存在这个深部通道,项目团队依托承担的贵州省地质三维空间战略调查评价项目,布置了一条过大塘坡锰矿床、平行南华裂谷武陵次级裂谷轴向,而与NW向铜仁裂谷近于垂直、长18 km、探测深度约45 km的地震测线(图15中的白线)。通过叠前偏移、叠前偏移+带通滤波、叠前偏移+边缘检测和速度谱分析,发现了一条垂直贯穿地壳、高达40 km向上开口的漏斗状异常体^[44],证明了深部含锰流体底辟通道的存在。研究区的地壳厚度为41.5 km^[46],矿质显然源自上地幔顶部。在黔东松桃—雷山前陆拗陷带(1P)中,发育NW向基底裂谷带的地方,应该是寻找锰矿新突破的找矿可行的地段(2P)。

(3)找矿有利地段(3P)预测。找矿有利地段(3P)预测的核心问题可归结为:在找矿可行地段(2P)中,成矿物质大规模聚集的有利地段在何处,在找矿可行地段(2P)中预测找矿有利地段(3P)的过程,是一种以1∶50 000(+)地物化遥大数据为基础的重点预测区优选过程。

相对于2P预测而言,3P预测面临更加丰富的地物化遥数据源,其数据类型和数量度急剧膨胀。以黔东北超大型大塘坡式锰矿区和黔西南超大型卡林型金矿区为例,具体工作包括:首先通过对地质队多年来找矿案例的“复盘”建立知识图谱,然后采用数据—模型联合驱动方式进行数据融合和挖掘模型构建,分别感知、识别和发现与成矿条件或控矿因素有关的现象和物质组合。需要重点挖掘和发现的知识包括:伴生(蚀变)矿物与主矿物关系(成矿的物质条件),元素含量比值(Mn/Cr等)与成矿关系(矿源与运聚条件),硫、碳同位素与矿相关系(矿源与成矿过程),赋矿层位与成矿关系(成矿层位的专属性),特殊岩性与成矿关系(容矿围岩的专属性),以及赋矿构造与成矿关系(容矿构造的专属性)^[37⇓-39]。所使用的数据融合和挖掘算法,可以归纳为基于概率论(聚类法、主成分分析法、特征分析法和证据权法)、基于扩展集合论(模糊数学、粗糙集理论和云模型^[47]、基于仿生学(人工神经网络法、蚁群算法和演化算法)、他定量化方法(模糊逻辑法、信息量法、支持向量机、云理论和分形—多重分形)和文本数据挖掘法^[48⇓-50]。

三维地质空间分析具有运算复杂、空间关系判断困难等难题。团队重点研究了基于预测区三维地质模型的NURBS实体自适应插值分析、用于三维空间索引的多种布尔运算、用于空间参数分布特征分析的多种克里格和随机模拟方法,以及用于空间对象特异性分析的多重分形方法、用于揭示成矿作用的地质异常分析法^[37]。在此基础上,建立了三维地质空间分析和数据挖掘方法体系,分别针对黔东北锰矿集区和黔西南金矿集区成矿可能地段(2P),进行找矿有利地段(3P)预测(图16)。结果表明,所有已知矿床均落入预测区中,预测效果良好。没有已知区的地段,可视作找矿有力地段(3P)。

(4)潜在资源地段(4P)和远景矿体地段(5P)预测。在3P预测基础上进行4P、5P预测,面对的参数量、数据量和数据类型将急剧膨胀,需要进一步对所涉及的各种地物化遥数据,开展广度聚联和深度挖掘,特别是空间数据挖掘、结构化数据挖掘和文本数据挖掘。空间数据挖掘主要用于揭示容矿空间变异性、矿体与围岩的空间关系、控矿构造—地层格架、矿床特征参数和各类构造格架的空间关系,揭示和预测矿质汇聚的方向、路径和容矿空间的位置。结构化数据挖掘用于揭示源运储盖保成矿系统的空间结构,以及矿床、矿体、品位等与各种控矿参数之间的空间关联关系,揭示物探、化探和遥感异常的空间组合关系和分布规律;文本数据挖掘用于从数以万计的露头、槽探、坑探和钻探岩心描述中,以及各类勘查报告、研究报告和论文、专著中,寻找矿床、矿体和品位等有关的因素及其相关关系,进而揭示其内在联系。

这项工作需要采用通过勘查和开发所取得的第一序次、第二序次,乃至多序次的结构化和非结构化海量空间数据和属性数据,有针对性地研究如何深度挖掘两类数据的内在联系,为潜在资源地段(4P)和远景矿体地段(5P)预测,提供依据、知识和模型参照。研究中重点建立了相关的空间关联规则和空间分布规则,研究并开发了深度学习、多图学习和多主题文本挖掘等地质空间数据挖掘方法,以及基于智能计算和演化计算的优化模型,初步建立了黔东北锰矿和黔西南金矿床预测的地质大数据深度挖掘方法体系。近期,利用这个大数据深度挖掘方法体系,取得了锰矿和金矿4P、5P预测的较好效果。例如,项目团队承担的“贵州磷、锰、铝优势资源成矿规律与快速高效智慧化勘查技术研究及示范”项目,在黔东北锰矿集区配合其他方法进行预测,提交了可供勘查的1号锰矿找矿靶区。该靶区经2024年8月21日完工的ZK4609钻孔验证,揭示锰矿体厚度5.47 m,锰平均品位18.66%,其中富锰矿体厚度1.67 m,平均品位27.25%,该找矿靶区预计可新增锰矿资源量2 000×10⁴ t以上。此外,该预测方法还推广到黔西北地区铅锌矿、铁矿,黔中地区的磷矿、铝土矿和黔东地区的重晶石矿,均取得了良好找矿效果。

3 总结与展望

本项目团队在贵州进行探索实践已逾7年,所涉及的内容包括地物化遥大数据资源体系建设、地质矿产勘查工作全流程的数字化、全省域多尺度多要素玻璃国土建设和基于大数据的多尺度多目标递进式深部隐伏固体矿产预测。所取得的进展表明,团队所研发的多项关键技术应用效果显著,既加快了贵州省地质矿产勘查工作的数字化转型,又推进了全省地质矿产勘查与大数据深度融合,培育和发展了新质生产力。

全面推进地质矿产勘查工作的数字化转型,实现贵州全省域地质矿产勘查的“上云用数赋智”,是一项复杂的系统工程。未来的发展,面临一系列关键技术的深度研发,例如:(1)全省域多模态地物化遥大数据的进一步采集、整理、入库和矢量化存储;(2)基于微服务架构的数据服务云平台,以及地质数据安全传输和调度的数据链技术;(3)超大规模多尺度多要素地质对象的结构—属性一体化快速、精细数字孪生及其对接、集成;(4)支持智能找矿预测的数字勘查系统优化,以及深部隐伏矿产成矿模式和成矿系统的挖掘算法;(5)基于地物化遥数据融合挖掘与基于多案例复盘的找矿知识图谱构建,以及二者的耦合建模算法;(6)基于数据—模型联合驱动的多尺度多目标递进式找矿预测模型,以及多尺度多目标递进的智能预测软件。此外,还需要进一步考虑野外数据采集的5G技术赋能,实现露头观测、岩心编录、剖面实测和矿区填图的智能化,尤其是地质现象识别的智能化。

地质矿产数字勘查的进一步发展,还将涉及实现信息感知的横向数据融合和纵向层次协同,需要兼顾勘查业务与经营管理的数字化转型。前者需要建立跨领域数据与多学科知识的同层面横向融合机制,实现针对同一研究主题的数据能在多学科分析中快速流转,促进理论认识不断迭代升华;后者需要解决跨层次数据与多目标管理的协同机制,实现针对同一研究对象的数据能在多目标决策中实时流转,促进实际效益持续增量优化。因此,经营管理信息化也应当成为地质矿产勘查数字化转型需要关注的重要内容。

目前,发展数字经济和新质生产力已经成为时代的象征。为了推进省域地质矿产勘查的数字化转型,需要在产学研用协同创新体制下加强探索,加强“上云用数赋智”关键技术的研发和应用,构建切合实际的数字勘查理论、方法和技术体系。

参考文献

[1] 周琦, 袁良军, 吴冲龙, 贵州新元古代锰、 重晶石等矿床成矿系列及找矿突破[J]. 地球学报, 2023, 44(5): 943-954.

[2] 吴冲龙, 刘刚, 田宜平, 地矿勘查工作信息化的理论与方法问题[J]. 地球科学: 中国地质大学学报, 2005, 30(3): 359-365.

[3] 吴冲龙, 刘刚, 田宜平, 论地质信息科学[J]. 地质科技情报, 2005, 24(3): 1-8.

[4] 吴冲龙, 刘刚, 田宜平, 地质信息科学与技术概论[M]. 北京: 科学出版社, 2014.

[5] 吴冲龙, 刘刚, 周琦, 地质科学大数据统合应用的基本问题[J]. 地质科技通报, 2020, 39(4): 1-11.

[6] 吴冲龙, 张夏林, 周琦, 数字勘查与地质矿产勘查行业数字化转型[J]. 贵州地质, 2021, 38(2): 119-128.

[7] 吴冲龙, 张夏林, 李章林, 固体矿产勘查信息系统[M]. 北京: 科学出版社, 2019.

[8] 吴冲龙, 刘刚, 张夏林, 地质科学大数据及其利用的若干问题探讨[J]. 科学通报, 2016, 61(16): 1797-1807.

[9] WALKER C. Personal data lake with data gravity pull[C]//2015 IEEE Fifth International Conference on Big Data and Cloud Computing (BdCloud 2015):Dalian Ch. Piscataway, N.J. : IEEE Computer Society, 2015, 160-173.

[10] MUNSHI A A, MOHAMED Y A R I. Data lake lambda architecture for smart grids big data analytics[J]. IEEE Access, 2018, 6: 40463-40471.

[11] 孙卡. 海量地质空间数据的动态调度技术研究[D]. 武汉: 中国地质大学(武汉), 2010.

[12] 彭诗杰. 基于微服务体系结构和面向多地质主题的数据云服务关键技术研究[D]. 武汉: 中国地质大学(武汉), 2017.

[13] 何文娜, 王永志. 地质云计算原型系统[J]. 地球物理学进展, 2014, 29(6): 2886-2896.

[14] 陈建平, 李婧, 崔宁, 大数据背景下地质云的构建与应用[J]. 地质通报, 2015, 34(7): 1260-1265.

[15] 谭永杰. 地质大数据与信息服务工程技术框架[J]. 地理信息世界, 2016, 23(1): 1-9.

[16] 谭永杰. 地质大数据体系建设的总体框架研究[J]. 中国地质调查, 2016, 3(3): 1-6.

[17] 陈根深, 刘军旗, 何忆, 基于World Wind移动端的地质数据野外采集系统[J]. 计算机系统应用, 2019, 28(4): 96-104.

[18] 张夏林, 师志龙, 吴冲龙, 基于移动设备的野外地质大数据智能采集和可视化技术[J]. 地质科技通报, 2020, 39(4): 21-28.

[19] 李章林, 吴冲龙, 张夏林, 基于三维块体模型的矿体动态构模方法[J]. 矿业研究与开发, 2011, 31(1): 60-63.

[20] 李章林, 吴冲龙, 张夏林, 地质科学大数据背景下的矿体动态建模方法探讨[J]. 地质科技通报, 2020, 39(4): 59-68.

[21] 张夏林, 吴冲龙, 周琦, 基于勘查大数据和数据集市的锰矿床三维地质建模[J]. 地质科技通报, 2020, 39(4): 12-20.

[22] HE Z W, WU C L, TIAN Y P, et al. Three-dimensional reconstruction of geological solids based on section topology reasoning[J]. Geo-spatial Information Science, 2008, 11(3): 201-208.

[23] 何珍文, 吴冲龙, 刘刚, 地质空间认知与多维动态建模结构研究[J]. 地质科技情报, 2012, 31(6): 46-51.

[24] 田宜平, 吴冲龙, 翁正平, 地质大数据可视化关键技术探讨[J]. 地质科技通报, 2020, 39(4): 29-36.

[25] 陈麒玉. 基于多点地质统计学的三维地质体随机建模方法研究: 以闽江口地区第四纪沉积体系建模为例[D]. 武汉: 中国地质大学, 2018.

[26] HAN J W, KAMBER M, PEI J. Data mining: concepts and techniques[M]. 3rd ed. Amsterdam: Elsevier/Morgan Kaufmann, 2012.

[27] 陈国旭, 吴冲龙, 张夏林, 支持多金属的矿产资源储量估算方法研究[J]. 中国矿业, 2009, 18(4): 99-101.

[28] 李章林, 王平, 李冬梅. 实验变差函数计算方法的研究与运用[J]. 国土资源信息化, 2008(2): 10-14.

[29] 李章林, 张夏林, 翁正平. 指示克里格法在矿体储量计算方面的研究与应用[J]. 矿业快报, 2008, 24(1): 11-15.

[30] CARR G R, ANDREW A S, DENTON G J, et al. The “Glass Earth”: Geochemical frontiers in exploration through cover[J]. Australian Institute of Geoscientists Bulletin, 1999, 28: 33-40.

[31] 吴冲龙, 翁正平, 刘刚, 论中国“玻璃国土” 建设[J]. 地质科技情报, 2012, 31(6): 1-8.

[32] 吴冲龙, 何珍文, 翁正平, 地质数据三维可视化的属性、 分类和关键技术[J]. 地质通报, 2011, 30(5): 642-649.

[33] 吴冲龙, 刘刚. “玻璃地球” 建设的现状、 问题、 趋势与对策[J]. 地质通报, 2015, 34(7): 1280-1287.

[34] 唐丙寅, 吴冲龙, 李新川. 一种基于TIN-CPG混合空间数据模型的精细三维地质模型构建方法[J]. 岩土力学, 2017, 38(4): 1218-1225.

[35] MAYER-SCHÖNBERGER V, CUKIER K. Big data: a revolution that will transform how we live, work, and think[M]. Boston: Houghton Mifflin Harcourt, 2013.

[36] 吴冲龙, 周琦, 徐凯, 用于大数据预测的大塘坡式锰矿找矿过程复盘研究[J]. 贵州地质, 2022, 39(3): 189-204.

[37] 徐凯, 袁良军, 杨炳南, 黔东北伴生—次生矿物遥感数据组合式挖掘与隐伏锰矿信息提取[J]. 地质科技通报, 2020, 39(4): 37-43.

[38] XU K, WANG X F, KONG C F, et al. Identification of hydrothermal alteration minerals for exploring gold deposits based on SVM and PCA using ASTER data: a case study of gulong[J]. Remote Sensing, 2019, 11(24): 3003.

[39] XU K, ZHAO S Y, WU C L, et al. Manganese mineral prospectivity based on deep convolutional neural networks in Songtao of northeastern Guizhou[J]. Earth Science Informatics, 2024, 17(2): 1681-1697.

[40] 赵鹏大. “三联式”资源定量预测与评价: 数字找矿理论与实践探讨[J]. 地球科学: 中国地质大学学报, 2002, 27(5): 482-489.

[41] 赵鹏大. 大数据时代呼唤各科学领域的数据科学[J]. 中国科技奖励, 2014(9): 29-30.

[42] 陈毓川. 当代矿产资源勘查评价的理论与方法[M]. 北京: 地震出版社, 1999.

[43] 黄智龙, 陈进, 刘丛强, 峨眉山玄武岩与铅锌矿床成矿关系初探: 以云南会泽铅锌矿床为例[J]. 矿物学报, 2001, 21(4): 681-688.

[44] ZHOU Q, WU C L, HU X Y, et al. A new metallogenic model for the giant manganese deposits in northeastern Guizhou, China[J]. Ore Geology Reviews, 2022, 149: 105070.

[45] 周琦, 杜远生, 袁良军, 黔湘渝毗邻区南华纪武陵裂谷盆地结构及其对锰矿的控制作用[J]. 地球科学, 2016, 41(2): 177-188.

[46] 朱介寿, 蔡学林, 曹家敏, 中国华南及东海地区岩石圈三维结构及演化[M]. 北京: 地质出版社, 2005.

[47] 邸凯昌, 李德毅, 李德仁. 云理论及其在空间数据发掘和知识发现中的应用[J]. 中国图象图形学报, 1999, 4(11): 32-37.

[48] 李德仁, 王树良, 李德毅. 空间数据挖掘理论与应用[M]. 2版. 北京: 科学出版社, 2013.

[49] SCHMIDHUBER J. Deep learning in neural networks: an overview[J]. Neural Networks, 2015, 61: 85-117.

[50] SILVA A A, LIMA NETO I A, MISSÁGIA R M, et al. Artificial neural networks to support petrographic classification of carbonate-siliciclastic rocks using well logs and textural information[J]. Journal of Applied Geophysics, 2015, 117: 118-125.

基金资助

中央引导地方科技发展资金项目(黔科中引[2021]4027)

贵州省重大科技成果转化项目(黔科合[2022]重点003)

贵州省找矿突破战略行动重大协同创新项目(黔科合战略找矿[2022]ZD002)

贵州省找矿突破战略行动重大协同创新项目([2022]ZD003)

贵州省找矿突破战略行动重大协同创新项目([2022]ZD004)

贵州省科技支撑重点项目(黔科合支撑[2017]2951)

贵州省科技支撑重点项目([2020]4Y039)

贵州省科技支撑重点项目(黔科合平台人才[2018]5618)

贵州省地质三维空间战略调查评价项目

贵州省重点矿产资源大精查项目