一种基于三维建模的矽卡岩型多金属矿床找矿勘查方法及系统

本发明涉及地质勘探，具体为一种基于三维建模的矽卡岩型多金属矿床找矿勘查方法及系统。

背景技术：

1、在过去的几十年里，地质勘测曾经是能源发展的主要支柱之一，但传统的矿床勘查方法已难以满足高效、精准的要求，特别是对于复杂的矽卡岩型多金属矿床。传统方法在数据处理、准确性和资源投入上面临诸多挑战。现有技术通常依赖于二维地质图进行勘查，这限制了对矿床空间结构的全面理解，导致勘查结果的准确性不足。

2、现有技术中的，公开号为cn118363087b公开了一种矽卡岩型铁铜金多金属矿勘查技术方法及系统，通过在目标矿床的先验信息构建参考模型；以参考模型为约束条件进行重力和磁力的三维物性反演，得到岩性与物性之间的对应关系并进行岩性填图，建立二维到三维模型，从三维模型中找矿单元进行联系度计算，根据联系度寻找矿靶区位置。但是限制了对矿床空间结构的全面理解，导致勘查结果的准确性不足。此外，在数据处理中，未能充分利用先进的数据处理技术与模型，无法有效预测未开采区域的矿床分布。因此，需要一种基于三维建模的先进勘查方法，能够更精确地处理和分析矿床数据，提高矿床预测的准确性和效率，从而更好地指导矿产资源的合理开发利用。

3、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种基于三维建模的矽卡岩型多金属矿床找矿勘查方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于三维建模的矽卡岩型多金属矿床找矿勘查方法，具体步骤包括：

4、步骤1：获取钨锡矿和矽卡岩型多金属矿床所在区域的矿床数据，矿床数据包括地质特征数据和矿物特征数据，将数据分为已开采区域和未开采区域，构建三维地质模型，确定采样区域，根据已开采区域内的钨矿、锡矿和矽卡岩的含量数据生成地质特征系数；

5、步骤2：构建深度学习模型，将已开采区域的地质特征数据作为训练集，已开采区域的地质特征系数作为标签对深度学习模型进行训练；将未开采区域的地质特征数据输入至训练完毕的深度学习模型中，获取未开采区域的预测的地质特征系数；

6、步骤3：根据矿床数据中的矿物特征数据，计算偏度值和峰度值，生成矿物特征系数，将矿物特征系数与预设权重对比，判断是否存在钨锡矿；

7、步骤4：根据矿物特征数据中硅、铝、硫、铁的含量，生成矿物种类判断系数；通过地质特征系数和矿物特征系数生成综合预测值，根据综合预测值和种类判断系数，对矿床种类进行判断。

8、进一步地，所述的一种基于三维建模的矽卡岩型多金属矿床找矿勘查方法，其特征在于，所述地质特征数据包括：岩性特征数据，地层特征数据，矿物特征数据包括：土壤和岩芯样本中钨、锡、锑、钼、硅、铝、硫、铁含量的数据。

9、进一步地，所述的一种基于三维建模的矽卡岩型多金属矿床找矿勘查方法，其特征在于，所述已开采区域数据设置数据集和标签的逻辑为：

10、将整个目标区域分割成若干个子区域，每个子区域用一个样本来表示，每个样本包含该子区域的所有地质特征数据，设置所有地质特征数据为数据集，包括岩性特征数据，地层特征数据；数据集划分为训练集和验证集，比例为7:3。

11、进一步地，所述的一种基于三维建模的矽卡岩型多金属矿床找矿勘查方法，其特征在于，所述地质特征系数的计算公式为：

12、

13、其中，φ为地质特征系数，fi为第i个已开采区域内的矿物含量，包括钨矿、锡矿和矽卡岩的含量数据；i＝1为钨矿，i＝2为锡矿，i＝3为矽卡岩，为第i个矿物对应的预设权重，和均大于0，且

14、进一步地，所述根据土壤和岩芯样本中钨、锡、锑、钼含量的数据，计算偏度值和峰度值的公式为：

15、

16、

17、其中，β为元素的偏度值，γ为元素的峰度值，j为样本的索引号，j＝1,2,…,n，其中n为样本的总个数，xj为第j个样本的元素含量数据，μ为均值，σ为标准差。

18、进一步地，生成矿物特征系数的计算公式为：

19、ψ＝log(α(βw+βsn)+ρ(βsb+βmo)+γw+γsn+γsb+γmo)

20、其中，ψ为矿物特征系数，α和ρ分别为钨锡加权系数和锑钼加权系数，其中α和ρ均大于0，且α>ρ。

21、进一步地，所述矿物种类判断系数计算公式为：

22、

23、其中，[si]、[al]、[s]、[fe]分别为未开采区硅、铝、硫、铁的含量。

24、进一步地，所述综合预测值计算公式为：

25、ω＝φ·ψ2+ω1·ψ+ω2·φ

26、其中，ω为综合预测值，ω1和ω2为预设模型调整参数，其中ω1和ω2均大于0，且ω1>ω2。

27、进一步地，根据综合预测值和种类判断系数，对矿床种类进行判断的逻辑为：

28、根据综合预测值初步判断，预设阈值ωlow和阈值ωhigh，若ω<ωlow，则矿床为低品位或无经济价值矿床；若ωlow≤ω≤ωhigh，则矿床为低品位或无经济价值矿床；若ω>ωhigh，则矿床为低品位或无经济价值矿床；

29、根据种类判断系数进行类别细化，预设阈值klow和阈值khigh，若k<klow，则判断为石英脉型钨锡矿；若klow<k<khigh，则判断为硅酸盐型钨锡矿；若k>khigh，则判断为硫化物型钨锡矿。

30、本发明还提供一种基于三维建模的矽卡岩型多金属矿床找矿勘查方法及系统，所述配送方法由上述的矽卡岩型多金属矿床找矿勘查方法执行获得，具体模块包括：

31、采集模块：获取钨锡矿和矽卡岩型多金属矿床所在区域的矿床数据，矿床数据包括地质特征数据和矿物特征数据，将数据分为已开采区域和未开采区域，构建三维地质模型，确定采样区域，根据已开采区域内的钨矿、锡矿和矽卡岩的含量数据生成地质特征系数；

32、训练模块：构建深度学习模型，将已开采区域的地质特征数据作为训练集，已开采区域的地质特征系数作为标签对深度学习模型进行训练；将未开采区域的地质特征数据输入至训练完毕的深度学习模型中，获取未开采区域的预测的地质特征系数；

33、矿物检测模块：根据矿床数据中的矿物特征数据，计算偏度值和峰度值，生成矿物特征系数，将矿物特征系数与预设权重对比，判断是否存在钨锡矿；

34、矿物种类判断模块：根据矿物特征数据中硅、铝、硫、铁的含量，生成矿物种类判断系数；通过地质特征系数和矿物特征系数生成综合预测值，根据综合预测值和种类判断系数，对矿床种类进行判断。

35、与现有技术相比，本发明的有益效果是：

36、本发明通过引入基于三维建模的深度学习技术，显著提升了钨锡矿和矽卡岩型多金属矿床的勘查精度与效率。具体而言，该方法首先将矿床数据进行系统化处理，将已开采区域与未开采区域的数据进行细致标注，为后续分析提供了坚实的数据基础。通过多尺度卷积神经网络的深度学习模型训练，该系统能够精准预测未开采区域的矿床分布，充分利用了历史数据中的地质特征和矿物特征信息，大幅提高了资源勘查的效率与准确性。此外，生成的地质特征系数与矿物特征系数相比对，进一步增强了对矿床种类的判断能力，有效降低了传统勘查方法中因信息不足而导致的误判风险。与现有技术相比，该方案为矿产资源的合理开发提供了更具前瞻性的解决方案，不仅提高了勘查结果的可靠性，还推动了矿业领域的技术进步。