一种基于闪锌矿微量元素判别矿床类型方法技术

本发明专利技术涉及一种基于闪锌矿微量元素判别矿床类型方法；属于矿床找矿勘查技术领域。本发明专利技术首次提出构建闪锌矿微量元素数据库并构建闪锌矿微量元素训练集和测试集以及结合机器学习方法，将广泛存在于各种类型矿床中的闪锌矿微量元素作为判断其矿床类型的标志，提高了与闪锌矿有关矿床的找矿效率及准确性，同时解决了矿床深边部找矿难度大、成本高的问题。成本高的问题。成本高的问题。

【技术实现步骤摘要】
一种基于闪锌矿微量元素判别矿床类型方法


[0001]本专利技术涉及一种基于闪锌矿微量元素判别矿床类型方法；属于矿床找矿勘查


技术介绍

[0002]确定矿床成因仍是矿床学研究中最关键但最具挑战性的问题之一，正确确定矿床成因有助于更好地了解区域大规模成矿过程，并较早的应用矿床模型，可显著提高勘探效率。不同类型的矿床以不同的成矿物质来源、物理化学条件和成矿过程为标志，所有这些都将显著影响矿物的微量元素组成。因此，矿物微量元素化学被广泛用于确定矿石成因，最常用的矿物包括石榴石、石英、黄铁矿和磁铁矿。然而，来自不同矿石遗传类型的相同矿物可能具有类似的微量元素地球化学性质，因此难以确定矿床类型。
[0003]闪锌矿是最重要的含锌矿石矿物，在许多类型的矿床中无处不在，包括火山块状硫化物(VMS)、密西西比河谷型(MVT)、斑岩型(Porphyry)、热液型(EPI)、喷流
‑
沉积型(SEDEX)和矽卡岩矿床(Skarn)。闪锌矿可以通过置换容纳多种微量元素，这些元素的含量可以区分矿床类型。在过去的几十年里，利用闪锌矿微量元素对矿床类型进行分类的研究一直在进行。传统的方法是通过Mn
‑
Fe、Co/Ni
‑
Cd/Fe、Cd/Fe
‑
Mn、Ge
‑
In二元图和Cd
‑
Mn
‑
1000Ge三元图来加强闪锌矿微量元素的矿床类型的判别。但由于来自不同矿床类型的闪锌矿微量元素组成相似，现有判别图不能准确区分不同矿床类型。
[0004]检索发现：到目前为止，还未见构建闪锌矿微量元素数据库并构建闪锌矿微量元素训练集和测试集以及结合机器学习方法，来准确、高效判别矿床类型的相关报道。

技术实现思路

[0005]本专利技术首次提出构建闪锌矿微量元素数据库并构建闪锌矿微量元素训练集和测试集以及结合机器学习方法，将广泛存在于各种类型矿床中的闪锌矿微量元素含量作为判断其矿床类型的标志，提高了与闪锌矿有关矿床的找矿效率及准确性，同时解决了矿床深边部找矿难度大、成本高的问题。
[0006]本专利技术一种基于闪锌矿微量元素精确判别矿床类型的方法，具体包括以下步骤：
[0007]步骤一建立闪锌矿微量元素数据库
[0008]收集来自全球已发表的文献的闪锌矿微量元素数据；
[0009]对收集的数据进行整理，建立了来自六种矿床类型的至少3000组微量元素数据库；
[0010]数据库包括矿床名称、矿床位置、矿床类型、闪锌矿微量元素含量；
[0011]数据库中，矿床名称、矿床类型、闪锌矿微量元素含量呈应对关系，即某一种矿床；其矿床类型以及该矿床中闪锌矿微量元素的种类、含量呈对应的关系。
[0012]所述六种矿床类型至少包括：火山块状硫化物(VMS)、密西西比河谷型(MVT)、斑岩型(Porphyry)、热液型(EPI)、喷流
‑
沉积型(SEDEX)和矽卡岩矿床(Skarn)；
[0013]所述闪锌矿微量元素至少包括Ag、As、Cd、Co、Ga、Ge、Sb、Pb、Fe、Mn、In、Sn和Cu中的至少10种；
[0014]所述数据库是后续机器学习模型学习的重要内容，是决定矿床类型判别的关键，数据库建立时，需要大量闪锌矿微量元素含量，且要将这些闪锌矿微量元素含量正确划分到不同矿床类型；
[0015]步骤二数据预处理
[0016]对步骤一所建立的闪锌矿微量元素数据库中各种的闪锌矿微量元素的数据进行最近邻方法插值和中心对数比转化，使数据协方差不改变且符合正态分布。各种的闪锌矿微量元素的数据包括Ag、As、Cd、Co、Ga、Ge、Sb、Pb、Fe、Mn、In、Sn和Cu的含量；
[0017]数据预处理时，应该在矿床类型确定的情况下，对确定种类的微量元素的数据进行处理，使得该矿床类型中的该微量元素的该数据变成正态化分布；该数据包括含量数据；
[0018]步骤三建立训练集测试集
[0019]为了训练和测试随机森林(Random Forests)和提升梯度决策树(Gradient Boosting)分类器，建立测试集和训练集，从建立闪锌矿微量元素数据库的每种矿床类型抽取至少200、优选为200
‑
400个用于训练随机森林和梯度提升分类器；为避免偏向于数据较多的类别，通过随机函数从每个矿床类型中随机抽取相同数量的数据；剩下的数据被用于测试，获得训练和测试的分类矩阵；训练和测试分类矩阵可用于评价模型训练的精度，每一列代表了预测的矿床类型，每一列的总数表示预测为该矿床类型数据的数目；每一行代表了数据的真实矿床类型，每一行的数据总数表示该矿床类型数据实例的数目。
[0020]步骤四建立机器学习模型
[0021]利用随机森林和梯度提升算法建立机器学习模型。随机森林和梯度提升采用自举抽样方法从样本集中随机抽取训练样本，生成决策树和训练子集。在构建决策树时，对决策树中的每个节点进行最优分割；因此，节点分割的质量对于创建决策树非常重要。利用交叉验证进行模型超参数调优，当决策树为大于等于4500、优选为5000，深度大于等于3，生成的子节点出现N次时，停止分裂，该参数为模型最优参数。所述N小于等于6；
[0022]模型会在原始数据集中随机抽样，构成n个不同的样本数据集，然后根据这些数据集搭建n个不同的决策树模型，最后根据这些决策树模型投票情况来获取最终结果。
[0023]本专利技术中，对于不同的数据类型，需要调整这些算法的超参数，以达到最优效果，所述的机器学习模型关键参数为：n_estimators＝5000、max_depth＝3、min_samples_split＝6；
[0024]步骤五评估模型可靠性
[0025]使用orange软件获取随机森林和梯度提升算法模型的接收者操作特征曲线(ROC)，通过描述真阳性率和假阳性率来实现，通过在y轴上绘制真阳性率和在x轴上绘制假阳性率来获得ROC曲线，ROC曲线下面积(AUC)，通常用作分类器性能的衡量标准。AUC值范围为0
‑
1，可靠模型的AUC值为大于0.5，即AUC值为大于0.5的模型认为定可靠模型，越接近1模型越可靠。
[0026]步骤六判别矿床类型
[0027]获取待判定类型的闪锌矿中各微量元素的含量，并利用步骤五所得可靠的机器学习模型，对其矿床类型进行预测，即将获得的待判定类型的闪锌矿中各微量元素的含量集，
通过随机森林和梯度提升算法建立机器学习模型，获得待判定类型闪锌矿中微量元素的分类矩阵，根据分类矩阵判断该矿床类型。
[0028]本专利技术一种基于闪锌矿微量元素精确判别矿床类型的方法，步骤二中，缺失值是指含量低于测试仪器的检测限和部分研究对个别元素未开展测试工作，这些缺失值可能会改变分析中的均值和方差估计，因此本专利技术利用k最近邻方法进行插值，使用了中心对数比转化，使数据符合正态分布。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于闪锌矿微量元素精确判别矿床类型的方法，其特征在于；包括以下步骤：步骤一建立闪锌矿微量元素数据库收集来自全球已发表的文献的闪锌矿微量元素数据；对收集的数据进行整理，建立了来自六种矿床类型的至少3000组微量元素数据库；数据库包括矿床名称、矿床位置、矿床类型、闪锌矿微量元素含量；数据库中，矿床名称、矿床类型、闪锌矿微量元素含量呈对应关系，即某一种矿床；其矿床类型以及该矿床中闪锌矿微量元素的种类、含量呈对应的关系；所述六种矿床类型至少包括：火山块状硫化物、密西西比河谷型、斑岩型、浅成热液型、喷流沉积型和矽卡岩矿床；所述闪锌矿微量元素至少包括Ag、As、Cd、Co、Ga、Ge、Sb、Pb、Fe、Mn、In、Sn和Cu中的至少10种；步骤二数据预处理对步骤一所建立的闪锌矿微量元素数据库中各种的闪锌矿微量元素的数据进行最近邻方法插值和中心对数比转化，使数据协方差不改变且符合正态分布；各种的闪锌矿微量元素的数据包括Ag、As、Cd、Co、Ga、Ge、Sb、Pb、Fe、Mn、In、Sn和Cu的含量；数据预处理时，在矿床类型确定的情况下，对确定种类的微量元素的数据进行处理，使得该矿床类型中的该微量元素的该数据变成正态化分布；该数据包括含量数据；步骤三建立训练集测试集为了训练和测试随机森林和提升梯度决策树分类器，建立测试集和训练集，从建立闪锌矿微量元素数据库的每种矿床类型抽取至少200、优选为200
‑
400个用于训练随机森林和梯度提升分类器；为避免偏向于数据较多的类别，通过随机函数从每个矿床类型中随机抽取相同数量的数据；剩下的数据被用于测试，获得训练和测试的分类矩阵；步骤四建立机器学习模型利用随机森林和梯度提升算法建立机器学习模型；随机森林和梯度提升采用自举抽样方法从样本集中随机抽取训练样本，生成决策树和训练子集；在构建决策树时，对决策树中的每个节点进行最优分割；利用交叉验证进行模型超参数调优，当决策树为大于等于4500、优选为5000，深度大于等于3，生成的子节点出现N次时，停止分裂，该参数为模型模型最优参数；所述N小于等于6；模型会在原始数据集中随机抽样，构成n个不同的样本数据集，然后根据这些数据集搭建n个不同的决策树模型，最后根据这些决策树模型投票情况来获取最终结果；步骤五评估模型可靠性：获取随机森林和梯度提升算法模型的接收者操...

【专利技术属性】
技术研发人员：赵红涛，邵拥军，张宇，
申请(专利权)人：中南大学，
类型：发明
国别省市：