一种基于机器学习的矿产勘探异常地质体智能识别方法与流程

摘要: 本发明属于矿产勘探与智能识别,特别涉及一种基于机器学习的矿产勘探异常地质体智能识别方法。背景技术:1、随着矿产勘探逐步向深部隐伏矿、难识别矿方向推进,行业已积累...
一种基于机器学习的矿产勘探异常地质体智能识别方法与流程

本发明属于矿产勘探与智能识别,特别涉及一种基于机器学习的矿产勘探异常地质体智能识别方法。

背景技术:

1、随着矿产勘探逐步向深部隐伏矿、难识别矿方向推进,行业已积累海量多源地质勘探数据,涵盖地球物理、地球化学、地质填图、钻探验证等多个维度。依托人工智能技术实现异常地质体的自动化、智能化识别,已成为提升矿产勘查效率、降低勘探成本、缓解人工解释主观性偏差的核心发展方向。异常地质体作为成矿靶区圈定的核心依据,其识别精度与空间定位准确性直接决定后续勘探工程的部署成效。

2、相关技术中,异常地质体识别多依赖地质人员的人工经验对多源数据进行综合解译;部分智能化方案采用传统机器学习算法或二维卷积神经网络,对地质剖面或平面化的勘探数据进行异常提取;少数三维识别方案采用常规三维卷积网络,对体素化的地质数据进行特征提取与分类识别。

3、然而,传统技术难以兼顾局部精细地质属性与区域宏观控矿规律的多尺度特征融合,异常识别结果的空间连续性与边界定位精度不足;不同矿权分区的勘探数据受权属约束与保密要求限制,无法直接汇聚用于模型训练,存在显著的数据孤岛问题,导致单分区模型训练样本不足、泛化能力弱;识别结果缺乏标准化的分级约束与地质先验校验,难以直接支撑勘探靶区的分级评价与工程落地,智能化识别的工程实用性有待提升。

技术实现思路

1、本技术提供一种基于机器学习的矿产勘探异常地质体智能识别方法,以解决相关技术中跨矿权勘探数据隐私受限、多尺度地质特征融合度低、异常地质体识别精度与效率难以兼顾等问题。

2、本技术第一方面实施例提供一种基于机器学习的矿产勘探异常地质体智能识别方法,包括以下步骤:获取勘探区多源地质勘探原始数据、已知异常地质体标注样本数据集;

3、对所述多源地质勘探原始数据进行处理,构建三维网格地质特征数据集,将所述三维网格地质特征数据集输入特征融合网络,提取空间多尺度地质特征向量;

4、将空间多尺度地质特征向量与已知异常地质体标注样本数据集输入改进联邦图卷积机器学习识别模型,输出网格单元异常置信度分布图;

5、基于所述异常置信度分布图结合地质先验约束阈值划分多级异常区域,提取连通异常区块作为候选异常地质体,生成三维可视化异常地质体轮廓标注;

6、基于所述异常地质体轮廓标注与人工核验反馈数据,输出异常地质体识别成果与可信度评估报告。

7、优选地,将空间多尺度地质特征向量与已知异常地质体标注样本数据集输入改进联邦图卷积机器学习识别模型,输出网格单元异常置信度分布图,包括:

8、构建改进联邦图卷积识别模型,其中所述改进联邦图卷积识别模型分为本地矿权分区图卷积子模块与云端联邦聚合模块;

9、以各三维网格单元为图节点,网格空间邻接关系构建邻接图矩阵,将空间多尺度地质特征向量作为节点特征、已知异常地质体标注样本数据集作为本地监督标签输入所述本地矿权分区图卷积子模块,分区块完成本地异常分类训练,同时,上传模型梯度参数至所述云端联邦聚合模块,对所述改进联邦图卷积识别模型进行全局参数更新,不传输原始地质勘探数据与标注样本;

10、将更新后的所述改进联邦图卷积模型下发至各矿权分区,对分区内全部体素网格执行推理,计算每一体素网格对应成矿异常概率值,生成全域网格单元异常置信度分布图。

11、优选地,所述改进联邦图卷积节点特征更新公式:

12、

13、其中,为第层网格节点v更新后特征;为激活函数;w为节点特征变换权重;为节点v空间邻接网格集合;为节点v与邻接节点u空间关联注意力系数;为空间邻接边权重矩阵;为邻接节点u第l层特征向量;为网格节点v第层特征向量。

14、优选地,所述基于所述异常置信度分布图结合地质先验约束阈值划分多级异常区域,包括:

15、设定三级异常置信度阈值:第一阈值τ1、第二阈值τ2和第三阈值τ3,其中τ1<τ2<τ3;

16、将异常置信度大于等于τ3的网格单元划分为一级异常区域,将异常置信度大于等于τ2且小于τ3的网格单元划分为二级异常区域,将异常置信度大于等于τ1且小于τ2的网格单元划分为三级异常区域;

17、对每一级异常区域内的连通网格单元进行连通域分析,提取空间上连续分布的连通异常区块,过滤孤立噪声网格单元,得到候选异常地质体集合。

18、优选地,所述多尺度三维残差卷积融合网络特征提取公式:

19、

20、其中,为体素网格v融合后多尺度地质特征向量;为浅层三维卷积提取局部属性特征;为中层膨胀卷积提取构造过渡特征;为深层大尺度卷积提取区域控矿特征;为跨层特征注意力加权融合函数。

21、优选地,对所述多源地质勘探原始数据进行处理,构建三维网格地质特征数据集,包括:

22、构建勘探区三维空间网格划分模型;

23、基于所述三维空间网格划分模型对勘探区全域进行体素剖分,将多源地质勘探原始数据插值映射至各体素网格单元;

24、对所述各体素网格单元多维度地质属性数据进行处理,融合地层、构造、岩体空间属性标签,生成带空间坐标、多属性特征的三维网格地质特征数据集。

25、优选地,将所述三维网格地质特征数据集输入特征融合网络,提取空间多尺度地质特征向量,包括:

26、构建多尺度三维残差卷积融合网络;

27、基于所述多尺度三维残差卷积融合网络,采用不同膨胀系数的三维卷积核分层提取网格单元浅层局部地质属性特征、中层构造过渡特征、深层区域宏观控矿特征;

28、通过跨层注意力融合模块加权融合所述浅层局部地质属性特征、中层构造过渡特征、深层区域宏观控矿特征,输出统一维度的空间多尺度地质特征向量。

29、本技术第二方面实施例提供一种基于机器学习的矿产勘探异常地质体智能识别系统,包括:获取模块,用于获取勘探区多源地质勘探原始数据、已知异常地质体标注样本数据集;

30、提取模块,用于对所述多源地质勘探原始数据进行处理,构建三维网格地质特征数据集,将所述三维网格地质特征数据集输入特征融合网络,提取空间多尺度地质特征向量;

31、识别模块,用于将空间多尺度地质特征向量与已知异常地质体标注样本数据集输入改进联邦图卷积机器学习识别模型,输出网格单元异常置信度分布图;

32、划分模块,用于基于所述异常置信度分布图结合地质先验约束阈值划分多级异常区域,提取连通异常区块作为候选异常地质体,生成三维可视化异常地质体轮廓标注;

33、输出模块,用于基于所述异常地质体轮廓标注与人工核验反馈数据,输出异常地质体识别成果与可信度评估报告。

34、本技术第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序,以实现如上述实施例的基于机器学习的矿产勘探异常地质体的智能识别方法。

35、本技术第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如上述实施例的基于机器学习的矿产勘探异常地质体的智能识别方法。

36、由此,本技术包括如下有益效果:

37、(1)采用改进联邦图卷积识别架构,通过本地矿权分区图卷积子模块完成本地训练、云端联邦聚合模块实现全局参数更新,训练过程仅传输模型梯度参数,不共享原始勘探数据与标注样本,在保障跨矿权数据隐私与权属安全的前提下,充分利用全域样本提升模型的泛化能力与识别精度,有效破解勘探领域的数据孤岛难题。

38、(2)构建多尺度三维残差卷积融合网络,通过不同膨胀系数的三维卷积核分层提取浅层局部属性特征、中层构造过渡特征与深层区域控矿特征,结合跨层注意力加权融合机制实现多尺度地质特征的高效融合,兼顾微观属性细节与宏观成矿规律,有效提升异常地质体特征表达的丰富度与识别边界的定位精度。

39、(3)引入地质先验约束的多级置信度阈值与连通域分析机制,实现异常区域的分级圈定与孤立噪声过滤,同时生成三维可视化异常地质体轮廓标注与可信度评估报告,识别成果可直接支撑勘探靶区的分级评价与工程部署,显著提升智能化识别结果的工程实用性与落地效率。

40、本技术附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本技术的实践了解到。