基于深度兴趣演化网络的成矿预测——以西澳表生钙结岩型铀矿为例

doi:10.11720/wtyht.2025.1391

基于深度兴趣演化网络的成矿预测——以西澳表生钙结岩型铀矿为例

张长江^,¹^,², 何剑锋^,¹^,²^,³, 聂逢君¹^,², 夏菲¹^,², 李卫东¹^,², 汪雪元¹^,²^,³, 张鑫¹^,², 钟国韵¹^,²^,³

1.东华理工大学江西省核地学数据科学与系统工程技术研究中心,江西南昌 330013

2.东华理工大学信息工程学院,江西南昌 330013

3.东华理工大学江西省放射性地学大数据技术工程实验室,江西南昌 330013

Metallogenic prediction based on the deep interest evolution network: A case study of supergenetic calcrete-hosted uranium deposits in Western Australia

ZHANG Chang-Jiang^,¹^,², HE Jian-Feng^,¹^,²^,³, NIE Feng-Jun¹^,², XIA Fei¹^,², LI Wei-Dong¹^,², WANG Xue-Yuan¹^,²^,³, ZHANG Xin¹^,², ZHONG Guo-Yun¹^,²^,³

1. Jiangxi Engineering Technology Research Center of Nuclear Geoscience Data Science and System, East China University of Technology, Nanchang 330013, China

2. School of Information Engineering, East China University of Technology, Nanchang 330013, China

3. Jiangxi Engineering Laboratory on Radioactive Geoscience and Big Data Technology, East China University of Technology, Nanchang 330013, China

通讯作者: 何剑锋(1977-),男,博士,教授,博导,主要研究方向:智能核信息处理、嵌入式系统应用开发。Email:hjf_10@yeah.net

第一作者: 张长江(1998-),男,硕士研究生,研究方向为智能找矿。Email:2675587356@qq.com

责任编辑: 王萌

收稿日期: 2024-09-23 修回日期: 2024-11-28

基金资助:

国家自然科学基金项目(U2067202)
全国重点实验室基金项目(2024QZ-TD-10)
江西省主要学科学术和技术带头人培养计划项目(20225BCJ22004)
江西省重点研发计划项目(20203BBG73069)

Received: 2024-09-23 Revised: 2024-11-28

摘要

近年来,推荐系统算法受到数字地球科学研究领域的关注,有望在成矿预测领域得到广泛应用。海量地学数据中包含着多种语义信息,而在传统的成矿预测研究中并未对其进行充分挖掘。深度兴趣演化网络(deep interest evolution network,DIEN)作为推荐系统算法,对语义信息挖掘充分,可以达到对用户偏好的预测。故本文采用DIEN作为预测模型,根据西澳大利亚政府提供的数据库,选取由解释基岩提取的语义信息作为控矿要素。通过训练模型对研究区进行成矿预测,结果显示92.95%的铀矿点分布在预测图内中高概率区域,并且部分未知区域显示为较高预测概率,在去除部分区域已知铀矿点后重新训练模型,该区域仍显示中高预测概率。表明DIEN对成矿预测研究中语义信息进行了有效挖掘,且模型对于研究区存在较好的预测能力,为成矿预测研究开辟了全新的思路。

关键词： 深度兴趣演化网络; 成矿预测; 语义信息; 西澳大利亚; 表生钙结岩型铀矿

Abstract

Recommendation system algorithms, having recently garnered significant attention in the field of digital Earth science, are expected to be widely applied in metallogenic prediction. Traditional metallogenic prediction studies fail to fully mine the various types of semantic information in massive geoscience data. The deep interest evolution network (DIEN), as a recommendation system algorithm, can fully mine semantic information to predict user preferences. Therefore, this study employed the DIEN model as the prediction model and the semantic information extracted from bedrock interpretation as the ore-controlling elements according to the database provided by the Western Australian government. The model was trained to perform metallogenic prediction for the study area. The prediction results indicate that 92.95% of uranium ore occurrences fell within the medium-high probability zone in the prediction map, with some unknown zones also showing high prediction probabilities. After removing known uranium ore occurrences in some zones, the retrained model still yielded medium-high prediction probabilities in these zones. The results suggest that the DIEN can effectively mine semantic information in metallogenic prediction studies, and the DIEN model exhibits strong predictive capacity for the study area, providing a novel approach for metallogenic prediction studies.

Keywords： deep interest evolution network; metallogenic prediction; semantic information; Western Australia; supergenetic calcrete-hosted uranium deposit

PDF (9933KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

张长江, 何剑锋, 聂逢君, 夏菲, 李卫东, 汪雪元, 张鑫, 钟国韵. 基于深度兴趣演化网络的成矿预测——以西澳表生钙结岩型铀矿为例[J]. 物探与化探, 2025, 49(2): 259-269 doi:10.11720/wtyht.2025.1391

ZHANG Chang-Jiang, HE Jian-Feng, NIE Feng-Jun, XIA Fei, LI Wei-Dong, WANG Xue-Yuan, ZHANG Xin, ZHONG Guo-Yun. Metallogenic prediction based on the deep interest evolution network: A case study of supergenetic calcrete-hosted uranium deposits in Western Australia[J]. Geophysical and Geochemical Exploration, 2025, 49(2): 259-269 doi:10.11720/wtyht.2025.1391

0 引言

铀元素作为核电站的发电原料,一直以来受到世界各国的关注,澳大利亚可开采铀储量居世界首位,西澳大利亚的Yeelirrie铀矿床是世界上最大的表生钙结岩型铀矿床^[1⇓-3]。澳大利亚政府统计局和西澳大利亚政府提供各种矿产资源、地质和遥感等数据库,对于海量的数据,根据专家经验进行处理,但由于个人主观性容易丢失数据间隐藏信息,而且数据量过大难以人工处理。信息技术的不断发展为地学研究带来新的启发,应用深度学习算法进行地质矿产评价和预测已成为数字地球科学的重点研究方向^[4]。

推荐系统作为深度学习应用的重要领域,网络购物和流媒体推动其不断发展。推荐系统是一类对用户偏好进行预测的系统,根据用户产生的当前和历史数据,预测其对于某类项目的偏爱程度,将用户偏爱的项目推送给用户^[5],目前在数字地球科学研究中应用推荐系统算法还处于起步阶段^[6-7]。本文在澳大利亚统计局和西澳大利亚政府提供的数据库的基础上,运用推荐系统算法DIEN对西澳大利亚中部的遥感和地质数据等进行挖掘,开展表生钙结岩型铀矿床远景预测。

1 地质背景

研究区位于西澳大利亚州的中南部,大地构造背景为伊尔冈克拉通,这是澳大利亚最大的太古宙克拉通地块,主要形成于29.4亿~26.3亿年前,由大量以前存在的地块(年代多为32亿~28亿年)增生而成^[8]。伊尔冈克拉通主要由1个花岗岩片麻岩地体和3条花岗绿岩带组成(图1),它们形成于不同时代,较老的绿岩带和花岗岩年龄为31亿~29亿年,较年轻的绿岩带与花岗岩年龄为27.5亿~26.5亿年。在岩石类型上,花岗岩和花岗闪长岩类岩石约占70%以上^[9]。此外,伊尔冈克拉通上也发育有大量的拉斑玄武岩和科马提火山岩,并经历过多期次的区域变质与变形作用^[8-9]。伊尔冈克拉通地盾是澳大利亚最重要的成矿区,发育有大量金、镍、钽、铁、铜、锌、铂等矿床^{[10⇓⇓-13]}。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 伊尔冈克拉通区域地质(据GSWA^[15]修改)

Fig.1 Regional of Yilgarn Craton geology(modified from GSWA^[15])

钙结岩型铀矿是西澳大利亚州铀矿的主要类型。“钙结岩”一词指新近系和古近系排水系统内表层沉积物中碳酸钙和碳酸镁的堆积。钙结岩集中在伊尔冈克拉通的东北部和“Menzies线”的北部,此线是不同成分的地下水之间的分界线,以北的地下水通常是中性到碱性的,以南的地下水含盐量少。“Meckering线”标志着流向西部和南部的河流侵蚀东部钙结岩分界线,这种侵蚀是大陆西部隆起的结果。钙结岩型铀矿发生在钙结岩形成的最后阶段,由钒钾铀化合物沉淀形成,需要含有高丰度铀的花岗岩。在北纬30°左右、“Menzies线”以南,钒钾铀化合物存在于干盐湖中,不满足沉积条件难以形成铀矿床^[14-15](图1)。

伊尔冈北部在白垩纪早期气候潮湿,水系丰富,晚期气候干燥,水系变为盐湖,地形逐步准平原化;在中新世时期又隆起,水系复活,再度发生侵蚀作用,使前期准平原化形成的部分遭到侵蚀,出露基岩,形成新高原。在新高原形成的后期,气候日益干燥,河流的侵蚀能力逐渐减弱,河道逐渐被冲积物填充。此外,该区覆盖了广泛的U丰度达(2~25)×10^-6的太古宙花岗质岩石,氧化条件发育到300 m深处,铀转化为铀酰离子复合物,在地下水中横向运移。在地下水位上升到地表5 m以内,二氧化碳的蒸发和流失促进了沉淀,特别是碳酸钙和镁的沉淀。当铀、钒和钾的活性离子浓度积超过钒钾铀矿的溶度积时,钒钾铀化合物在裂缝中或碳酸盐和黏土颗粒之间沉积,发育形成表生钙结岩型铀矿^{[16⇓⇓⇓⇓-21]}。

2 研究方法

推荐系统作为一种信息过滤技术,通过对用户历史行为的学习和分析,能够预测用户可能感兴趣的内容,从而为用户提供个性化的服务^[5]。近年来,人工智能和互联网技术的发展使推荐系统在不同场景广泛应用,本文所采用的是在电商背景下的DIEN模型。DIEN模型核心架构有3层:一是将用户行为序列化的行为序列层,二是捕捉用户历史行为兴趣的兴趣抽取层,三是模拟用户兴趣变化过程的兴趣演化层,其中兴趣抽取层和兴趣演化层为模型核心层^[22](图2)。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 DIEN模型架构(据Zhou等^[22]修改)

Fig.2 DIEN model architecture(modified from Zhou, et al.^[22],2019)

在行为序列层,通过向量映射将用户历史行为序列映射为向量,其输出结果作为兴趣抽取层的输入项。在兴趣抽取层采用的是循环神经网络模型GRU(gated recurrent unit),GRU由两个门控单元组成,分别是更新门和重置门(图3)。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 GRU结构

Fig.3 GRU structure

GRU有4个公式,公式之间相互关联,不能独立使用,公式如下所示:

(1)

u_{t} = σ (W^{U} i_{t} + U^{u} h_{t - 1} + b^{u}),

(2)

r_{t} = σ (W^{r} i_{t} + U^{r} h_{t - 1} + b^{r}),

(3)

{\tilde{h}}_{t} = t a n h (W^{h} i_{t} + r_{t} ° U^{h} h_{t - 1} + b^{h}),

(4)

h_{t} = (1 - u_{t}) ° h_{t - 1} + u_{t} ° {\tilde{h}}_{t} 。

其中:u_t是更新门控向量;r_t是复位门控向量; ${\tilde{h}}_{t}$ 是新输入;σ为sigmoid激活函数;°表示对应元素相乘;W^U、W^r和W^h属于权重矩阵 $R^{n_{H} \times n_{I}}$ ;U^u、U^r和U^h属于n_H×n_H,n_H为隐藏层单元大小;n_I为输入的大小;i_t为GRU的输入,表示用户的第t个行为;h_t表示第t个隐藏层状态^[22];b^u、b^r、b^h为偏置项。

推荐系统模型中多数采用损失函数负对数似然函数来监督整体预测,其公式为:

(5)

\begin{array}{l} L_{t a r g e t} = - \frac{1}{N} \overset{N}{\sum_{(x, y) \in D}} {y l n p (x) + (1 - y) \cdot \\ l n [1 - p (x)]}, \end{array}

其中:x∈D,D是大小为N的训练集;y∈{0,1},表示用户是否点击目标;p(x)是网络的输出,即用户点击目标的预测概率。

因L_target只包含监督最终预测结果,而历史状态h_t无法获得适当的监督,故提出辅助损失来监督历史状态h_t的学习,辅助损失公式为:

(6)

L_{a u x} = - \frac{1}{N} (\overset{N}{\sum_{i = 1}} \sum_{t} \begin{matrix} l n σ (h_{t}^{i}, e_{b}^{i} [t + 1]) + l n (1 - σ (h_{t}^{i}, {\overset{︿}{e}}_{b}^{i} [t + 1])) \end{matrix}),

其中:σ(x₁,x₂)= $\frac{1}{1 + e x p (- [x_{1}, x_{2}])}$ 为激活函数; $h_{t}^{i}$ 表示第i个样本的第t个隐藏层状态; $e_{b}^{i}$ 表示第i个正样本时间序列数据的嵌入矩阵; ${\overset{︿}{e}}_{b}^{i}$ 为第i个负样本时间序列数据的嵌入矩阵。

最后的全局损失为:

(7)

L = L_{t a r g e t} + α \times L_{a u x},

其中:α为超参数,用于平衡L_target和L_aux。

在兴趣进化层采用了注意力机制和AUGRU,其中AUGRU由注意力机制和GRU组合而成,组合方式为将GRU的更新门中加入注意力分数。注意力机制和AUGRU的公式如下:

(8)

a_{t} = \frac{e x p (h_{t} W_{e_{a}})}{\overset{T}{\sum_{j = 1}} e x p (h_{j} W_{e_{a}})},

(9)

\tilde{u}'_{t} = a_{t} \times u'_{t}

(10)

h'_{t} = (1 - \tilde{u}'_{t}) ° h'_{t - 1} + \tilde{u}'_{t} ° \tilde{h}'_{t}

。

式中:a_t是注意力分数; $\tilde{u}$ '_t是AUGRU的更新门控向量;h'_t表示AUGRU的第t个隐藏层状态; $W_{e_{a}}$ 为权重矩阵; $\tilde{u}$ '_t是AUGRU的更新门控制向量;u'_t是GRU的更新门控制向量;h'_t是AUGRU的第t个隐藏层状态; $\tilde{h}$ '_t是AUGRU的新输入。

3 实验分析

影响表生钙结岩型铀矿形成的因素众多,而不同控矿要素与矿点之间存在不同程度的关联性,这些关联性是成矿预测的基础。地下岩石矿物的不同种类和密度会引起地球磁力和重力异常,而研究区的成矿模式与花岗岩密切相关;表生钙结岩型铀矿由钒钾铀化合物在地下水流作用下迁移沉积而成,而钍元素化学性质稳定,难以随地下水迁移。故选取研究区磁场总强度、磁场总强度垂直一阶求导、去趋势全球均衡残差重力、去趋势全球均衡残差重力的一阶求导、铀浓度、钍浓度和钾浓度作为控矿要素用于模型预测^[20]。此外,研究区的 1:2 500 000解释基岩地质图隐藏着多种语义信息,如基岩类型、岩石类型、地质年龄和地质年代等,而研究区在中新世之后,含铀花岗质岩石在地下水作用下沉积形成铀矿,故这些信息可作为控矿要素。

3.1 数据处理

本文选取了研究区内71个铀矿点,以铀矿点为圆心,选取某一半径圆内的缓冲区赋值为1,表示为成矿区域,其他区域均赋值为0,表示非成矿区域(图4),即图中黄色区域为成矿区域,其他区域为非成矿区域。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 铀矿点赋值

Fig.4 Uranium point assignment diagram

由于栅格数据的分辨率不一致,通过GIS软件将磁场总强度、磁场总强度垂直一阶求导、去趋势全球均衡残差重力、去趋势全球均衡残差重力的一阶求导、铀浓度、钍浓度和钾浓度数据统一分辨率(图5)。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 栅格数据集

Fig.5 Raster data set

1:2 500 000解释基岩地质图为矢量数据,不能直接用于模型训练,需要提取其中蕴含的语义信息作为控矿要素,图6为提取的基岩类型信息,图7为提取的岩石类型信息,图8和图9为提取的起始和终止地层信息,图10和图11为提取的起始和终止地质年龄信息。对于基岩类型、岩石类型和地层信息,不同类型和地层赋值为不同整数,对于地质年龄则选取其数值部分,通过GIS软件将6种语义信息转换为栅格数据,并将其统一分辨率。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 基岩类型

Fig.6 Bedrock type

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 岩石类型

Fig.7 Rock type

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 起始地层

Fig.8 Initial stratigraphic map

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 终止地层

Fig.9 Termination stratigraphic

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 起始地质年龄

Fig.10 Initial geological age

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 终止地质年龄

Fig.11 Termination geologic age

3.2 构造数据集

DIEN算法的输入数据分为3个类型:连续数值型、类别型和时间序列型。磁场总强度、磁场总强度垂直一阶求导等栅格数据(图5)为连续数值,可作为连续数值型数据。基岩类型信息和岩石类型信息(图6和图7)具有类别特性,转换得到的栅格数据可作为类别型数据。地层信息和地质年龄信息(图8~图11)具有时间特性,将转换得到的栅格数据进行拼接,可作为时间序列型数据,即起始地层栅格数据和终止地层栅格数据拼接构造为地层时间序列数据,起始地质年龄栅格数据和终止地质年龄栅格数据拼接构造为地质年龄时间序列数据。将研究区划分为1 598×803个空间网格单元,每个空间网格单元对应的数据与推荐系统算法DIEN的用户历史数据具有相似性,均由连续数值型、类别型和时间序列型3种类型数据构成,故可将每个空间网格单元数据作为DIEN模型的输入数据源。

4 结果分析

将数据集按2:1:1划分为训练集、验证集和测试集,训练DIEN模型,图12为模型的损失曲线,当迭代约100次后训练集和验证集的损失值趋于稳定,表明模型在迭代约100次后达到较好的收敛性,即模型对于研究区存在稳定的预测能力。图13为模型迭代360次后测试集的ROC(receiver operating characteristic)曲线,当ROC曲线越接近左上角点时,说明模型具有更好的性能,ROC曲线下的面积为AUC(area under the curve),AUC用以评估模型性能,其取值范围为0~1,越接近1模型性能越好,该模型AUC达到了0.901。图14为模型的AUC曲线,当迭代约200次后训练集和验证集的AUC趋于稳定,表明模型已经达到较好的性能状态,可以准确地预测样本的分类结果。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 损失曲线

Fig.12 Loss curve

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13 ROC曲线

Fig.13 ROC curve

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14 AUC曲线

Fig.14 AUC curve

图15为研究区预测,将预测概率在0.1~0.3之间划为低概率,0.3~0.6之间划为中概率,大于0.6划为高概率,低概率区域包含了7.05%的选取铀矿点,中概率区域包含了15.49%的选取铀矿点,高概率区域包含了77.46%的选取铀矿点,且部分非铀矿点区域呈现中高概率。证明模型对于研究区域的铀矿预测表现良好,并表明部分非铀矿点区域也存在成矿潜力。去除特定部分区域的全部5个选取铀矿点,约占研究区域选取铀矿点的7%,重新训练模型迭代

图15

新窗口打开| 下载原图ZIP| 生成PPT

图15 研究区预测

Fig.15 Study area prediction

360次后,研究区预测如图16所示,去除铀矿点区域呈现较高预测概率,表明模型对于未开采区域有预测能力,可以为下一步的铀矿开采提供指导建议,证明该模型存在泛化能力。随机去除研究区域的30%的选取铀矿点,再次重新训练模型迭代360次后,研究区预测如图17所示,其预测概率大于0.1的区域与图15相比未见较大变化,图17的低概率及以上区域面积为图15的90%,图17的中高概率区域面积为图15的72%,去除30%铀矿点对部分中高概率区域存在负面影响,但对预测概率大于0.1的区域影响有限,进一步证明该模型具有较强的泛化能力。

图16

新窗口打开| 下载原图ZIP| 生成PPT

图16 研究区预测(去除部分区域的选取铀矿点)

Fig.16 Study area prediction (selected uranium sites with some areas removed)

图17

新窗口打开| 下载原图ZIP| 生成PPT

图17 研究区预测(去除30%的选取铀矿点)

Fig.17 Study area prediction (30% of selected uranium deposits are removed)

5 结论

本文通过对研究区域的解释岩基矢量数据分析,提取其包含的语义信息,如基岩类型、岩石类型、地质年龄和地质年代,作为成矿预测的控矿要素,训练模型得到研究区预测图的中高概率区域包含选取的92.95%铀矿点;去除部分区域的已知铀矿点后,重新训练得到的模型对于该部分区域的预测概率仍为中高概率;随机去除30%的铀矿点后,重新训练得到的模型对于研究区的低概率以上区域未见明显变化和缩小;表明研究区的语义信息隐藏着成矿预测研究的有利信息,且DIEN对其进行了有效发掘。

通过DIEN在成矿预测方面的应用,表明推荐系统算法在数字地球科学领域存在应用前景,并且有望在成矿预测领域得到深度的应用。DIEN算法对于成矿预测存在泛化能力,可为其他类型矿床的成矿预测研究提供指引和思路。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

The OECD Nuclear Energy Agency. Uranium 2022:Resources,production and demand[M]. Paris: OECD Publishing: 2023.