矿产远景分析中的机器学习

矿产远景分析中的机器学习

SRK Consulting和DeepIQ代表必和必拓合作开展了一项活动,旨在定制一种综合方法来改进矿产远景建模。通过结合先进的数据处理、知识汇编、地质解译和机器学习( ML),该团队研究了多种方法,以支持在智利安第斯山脉北部一个勘探良好的地区发现大型斑岩铜矿。

该研究使用矿物系统方法来处理现有数据。基于全球和当地的地质知识,该团队针对目标区域列出了斑岩铜矿床的主要勘探矢量和标准。利用各种解译、处理方法及算法,从现有区域数据集中提取了所有有价值的信息。在认为区域数据集缺乏足够稳健性的情况下,则重新对其进行处理,以确保它们适合纳入基于ML的工作流程。这些信息被转化为证据层,多模态分析数据集被导入云数据平台并整合成可供分析的数据集。分析这些数据时,结合使用了知识驱动算法与先进的ML和深度学习算法,并将每种方法的各种优缺点纳入迭代反馈循环。

将地质知识与ML相结合的好处包括:ML能够提供更客观的方法,最大限度地减少人为偏差、并能够快速查询大量数据。然而, ML可能会出现偏差(例如,所使用的数据和/或数据与地质过程和/或相关特征之间的关系)。数据选择不当、数据质量差、数据与感兴趣的地质特征或矿床之间的关系不紧密或复杂,都可能导致不良的结果。地球科学和数据科学的精妙结合有助于最大限度地减少这些偏差,从而取得更好的成果。

高精度识别已知斑岩铜矿床位置所需的数据分析结果,是展示可靠且潜在稳健的勘探方法的第一步。

除了最初提供给研究团队的数据集之外,研究期间还生成了数百个单独的数据集。在决定矿产远景模型中使用哪些数据集时,地球科学家和数据科学家的反馈讨论始终考虑到了这些数据集如何与矿物系统模型相关联。这一反馈过程提高了对模型输出/结果的理解,并在随后对输出进行了完善。

地质数据集包括固体地质解译、结构重新解译、地球化学数据分析、矿物/矿床产状(包括重新圈定范围)和2D蚀变模型。地球物理和遥感数据集包括磁学、电磁学、重力、轻微辐射测量、数字地形模型和卫星图像(ASTER、Sentinel 2)。

地球化学等稀疏和不均匀的数据输入通常被用作矿产远景模型中的确认性而非强制性数据元素,从而减少了对估算(用替代值替换缺失数据的过程)的依赖。

还生成了目标区域的3D岩石结构模型,其重点是开发结构和侵入框架,以提供目标区域的3D结构和地质框架,帮助更好地了解该地区的结构,评估下伏斑岩铜矿床的3D控制。同时,将2D靶区框架扩展到3D,以测试3D靶区在区域范围内的适用性。

通过使用成熟的模糊逻辑工作流程和先进的数据分析技术进行多次迭代,利用一个广泛的输入数据集和推理网络来生成了最终矿产远景模型。数据分析输出需要高精度地确定已知斑岩铜矿床位置,这是展示可信且潜在稳健勘探方法的第一步。

利用分布式可扩展云计算框架,对基于 ML 的矿产远景在2D和3D中进行了估算。使用融合方法将最佳结果与由地质知识驱动的、基于模糊逻辑的输出结果进行合并,以划定重点区域。

主要成果包括:

  • 几个关键的证据层是主要的驱动因素。
  • 其中的大部分是通过加强和重新解译地质数据集,包括创建新数据集,取得的。
  • 一些新地图也是审查过程和迭代分析(包括专家同行审查)中所使用的重要工具。
  • 侵入层(近地表和深部)和主要结构是通过地质知识和基于 ML 的建模得出的最终矿产远景模型的重要证据层。
  • 磁性蚀变测绘是ML建模的另一个驱动因素。

结论:

  • 通过富有成效的合作方式,在没有任何一个专家或专业团队主导成果的情况下,实现了强有力的思想交叉融合。在矿物系统框架内对数据分析进行细致入微的应用,是区域绿地应用的最佳选择。
  • 基于地质知识的增强数据集和新数据集对于本研究所取得的成果非常重要。
  • 引入基于ML的融合模型,有助于生成最佳矿产远景模型。融合模型是将一系列互补模型结合起来的有效手段,其中包括基于知识的模型(获取专家知识)和深度学习模型(数据驱动)。
  • 稀疏和不均匀的数据输入可用作确认性而非强制性数据元素。将稀疏的数据输入合成为地质指标,是数据贫乏环境下的一种有效策略。
  • 在一个勘探良好的地区,确定了几个高勘探远景区域,以便进一步详细审查。