GoldMiner-AI:大数据与人工智能找矿系统的设计与实现

摘要

针对当前地质找矿智能化转型中“从数据接入到智能分析的全流程自动化”以及“贯穿数据获取、融合处理、异常识别与智能预测的全流程端到端系统”仍属关键瓶颈的现实挑战，本文介绍笔者近年来围绕构建大数据与人工智能找矿新范式所持续性开展的研究成果，重点阐述面向找矿任务的全流程智能系统——GoldMiner-AI的构建与应用。该平台基于RuoYi-Cloud-Plus微服务架构，采用PostGIS、Neo4j、Milvus与MySQL协同的多数据库体系，实现对地质、地球化学、地球物理、钻孔、野外观察及文本报告等多源异构地学数据的统一管理。在智能化核心模块方面，系统集成了KAR-Graph异常识别框架与MAF-Net多源特征融合深度学习模型，并结合知识图谱与检索增强生成技术，构建了面向找矿垂直领域的大语言模型，形成了从异常识别、靶区圈定、知识推理到智能问答的完整智能工作流。在右江盆地、钦杭成矿带南段等矿区的验证结果表明：(1)系统能够有效识别卡林型金矿的Au-As-Sb-Hg异常组合，并深入挖掘与矿床成因相关的地球化学指纹；(2)通过多源图层叠加分析，系统可准确预测铅锌矿化带的空间位置；(3)垂直领域大语言模型能够显著减轻通用模型的“幻觉”现象，提升地学知识问答的准确性。GoldMiner-AI为矿产预测提供了一个可复现、可扩展、可工程化部署的系统平台，推动了找矿工作向全面智能化方向发展。

关键词

智能找矿 / 大数据挖掘 / 大语言模型 / 深度学习 / 检索增强生成 / 知识图谱