一种金多金属矿集区多物性参数聚类分析方法及应用与流程

本发明涉及贵金属矿产勘查数据处理，更具体地说，本发明涉及一种金多金属矿集区多物性参数聚类分析方法及应用。

背景技术：

1、金多金属矿集区通常具有较复杂的成矿地质背景。矿体、蚀变带、围岩以及不同品位矿石在密度、磁化率、电阻率、极化率、地震波速等物性参数上可能呈现差异，但这种差异往往不是由单一参数直接决定，而是由多个物性参数共同反映。传统矿产勘查工作中，地质人员通常根据地质填图、样品测试、物探解释和钻孔揭露资料对矿化体进行综合判断。该类方法具有较强的经验性，也能够充分利用专业地质认识，但在矿集区数据量增大、多源数据类型增多的情况下，人工综合解释容易受到单一指标、局部异常和解释人员经验差异的影响。

2、随着地球科学数据规模不断扩大，机器学习方法已经逐渐用于矿物岩石地球化学数据挖掘、成矿潜力评价和矿床类型判别。2025年，王智宇在《成都理工大学学报》期刊上发表的《机器学习在矿物岩石地球化学大数据挖掘中的应用与展望》中指出，如图2所示，机器学习建模一般包括数据收集与预处理、特征工程、模型选择与训练、模型评估与验证、模型优化与调整、结果解释与应用等环节；该文还说明，pca能够通过线性变换提取主成分并去除冗余信息，k-means能够通过最小化簇内距离实现数据划分，半监督学习能够利用有限标签与丰富未标注数据共同提升模型性能。这些研究说明，降维、聚类、半监督信息引导和模型验证已经成为地球科学数据处理中的重要方法。

3、现有地球化学异常识别研究也表明，地质过程与成矿系统具有复杂性，勘查异常常呈现低弱性、多分布模式叠加和非线性特征，传统基于统一阈值或正态分布假设的方法容易受到限制。2025年，蔺子健在《物探化探计算技术》期刊上发表《扬子西缘小石桥新型锂矿的地球化学低弱异常信息提取及地质意义》，针对小石桥新型锂矿地球化学低弱异常识别问题，指出自组织映射存在可解释性弱、收敛效率低等问题，k-means++对初始聚类中心敏感，如图3所示，并提出som与k-means++结合的混合聚类方法用于异常识别。该类研究说明，聚类算法在矿产异常识别中具有应用价值，但普通k-means或k-means++在初始中心选择、地质解释一致性和异常边界识别方面仍存在改进空间。在矿产预测与勘查数据融合方面，现有研究也逐渐从单一地球化学数据处理转向地质、地球物理、地球化学和遥感等多源信息综合分析。相关研究指出，多源遥感数据结合地质、地球物理和地球化学等数据，可以用于控矿构造、岩矿识别、蚀变矿物分布和地表地球化学异常信息获取。另有pca-km联合分析在综合放射性异常识别中的应用研究表明，pca-km提取的综合异常能够反映已知铀矿化分布，并降低综合解释多解性。

4、但是，现有聚类算法直接用于金多金属矿多物性参数分析时，缺少成矿地质先验信息引导，初始聚类中心容易偏离真实地质类别，且不同物性参数对矿化识别的贡献差异不能在距离度量中充分体现，导致聚类结果与矿化体、围岩及不同品位矿石的实际地质属性匹配度不足。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明提供一种金多金属矿集区多物性参数聚类分析方法及应用，是通过采集矿石及围岩的密度、磁化率、电阻率、极化率和地震波速多维物性参数，构建原始物性数据集，对原始物性数据集预处理得到多物性特征数据集，将金多金属矿成矿地质先验信息转化为种子样本、初始种子簇和初始聚类中心，并将密度、磁化率、电阻率、极化率和地震波速等参数对矿化识别的贡献差异转化为加权距离度量准则，构建改进k-means+聚类算法，把金多金属矿成矿地质先验信息引入聚类过程，使聚类结果更准确地对应矿化体、围岩及不同品位矿石的实际地质属性，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、一种金多金属矿集区多物性参数聚类分析方法，包括如下步骤：

4、步骤1，采集金多金属矿集区矿石及围岩多维物性参数，构建原始物性数据集。

5、步骤2，对原始物性数据集进行预处理，得到多物性特征数据集。

6、步骤3，引入金多金属矿成矿地质先验信息，从多物性特征数据集中选取具有明确地质属性的样本作为种子样本，并基于种子样本确定初始聚类中心。

7、步骤4，建立加权距离度量准则，并基于初始聚类中心和加权距离度量准则构建改进k-means+聚类算法。

8、步骤5，利用改进k-means+聚类算法对多物性特征数据集进行迭代聚类分析，得到矿化体类别和围岩类别和不同品位矿石类别。

9、步骤6，对矿化体类别、围岩类别及不同品位矿石类别进行验证校准。

10、需要说明的是，本发明中的不同品位矿石类别属于矿化体类别的下位细分类别，其是在识别出矿化体类别后，基于矿化体类别内样本的多物性特征差异进一步划分形成，并非与矿化体类别相互独立或并列的一级类别。

11、作为本发明进一步方案，步骤1，采集金多金属矿集区矿石及围岩多维物性参数，构建原始物性数据集，包括以下具体内容：在金多金属矿集区内，针对已采集或已测试的矿石样品和围岩样品，系统整理其密度、磁化率、电阻率、极化率和地震波速等多维物性参数，并以每一个样品或测点作为一个独立数据单元，形成原始物性数据记录；对于具有明确地质属性的样本，同步记录其地质属性信息；对于尚未明确地质属性的样本，保留待识别标记，以便后续通过聚类分析进行类别判定，使样品的物性特征与其空间位置、地质背景之间形成对应关系；其中，密度用于反映矿石或围岩的质量差异，磁化率用于反映磁性响应差异，电阻率和极化率用于反映电性差异，地震波速用于反映岩体弹性波传播特征；通过上述统一记录方式，可以将分散的地质样品资料和物性测试结果整理成结构一致、字段完整的原始物性数据集。

12、作为本发明进一步方案，步骤2，对原始物性数据集进行预处理，得到多物性特征数据集，包括以下具体内容：在完成原始物性数据集构建后，先对密度、磁化率、电阻率、极化率和地震波速等物性参数进行异常值剔除，剔除对象主要包括因采样误差、测试误差、数据录入错误或局部非代表性因素造成的明显偏离数据。在处理过程中，可以分别检查单一物性参数的分布范围，也可以结合多个物性参数之间的组合关系判断样本是否异常，对于具有真实地质意义的局部异常样本不直接删除，而是保留并标记其异常原因，以避免误删可能反映矿化特征的数据。随后，对剔除异常值后的物性数据进行极差标准化处理，将不同单位、不同量纲和不同数值范围的物性参数转换到统一数值尺度，使密度、磁化率、电阻率、极化率和地震波速能够在同一比较条件下参与后续分析，避免某一数值范围较大的参数在距离计算中不合理地支配聚类结果。

13、在此基础上，进一步进行地质约束下pca特征降维处理，即结合已知矿化样本、典型围岩样本和不同品位矿石样本的物性响应差异，对标准化后的多物性参数进行主成分提取，并保留能够表征矿化核心物性特征的主成分，从而在减少冗余信息和参数相关性的同时，尽量保留与矿化体、围岩及不同品位矿石识别相关的主要信息，最终形成适合输入改进k-means+聚类算法的多物性特征数据集。

14、作为本发明进一步方案，步骤3，引入金多金属矿成矿地质先验信息，从多物性特征数据集中选取具有明确地质属性的样本作为种子样本，并基于种子样本确定初始聚类中心，包括以下具体内容：所述金多金属矿成矿地质先验信息包括已有地质勘查资料、钻孔揭露资料、已知矿化样品测试结果和典型围岩样品测试结果。根据上述先验信息，从完成预处理后的多物性特征数据集中选取少量具有明确地质属性的样本作为种子样本，并将所述种子样本划分为矿化体种子样本、围岩种子样本以及不同品位矿石种子样本。然后按照种子样本的地质属性形成初始种子簇，并计算各初始种子簇在降维特征空间中的中心位置，将该中心位置作为改进k-means+聚类算法的初始聚类中心。

15、作为本发明进一步方案，步骤4，建立加权距离度量准则，并基于初始聚类中心和加权距离度量准则构建改进k-means+聚类算法，包括以下具体内容：以所述多物性特征数据集作为计算对象，并以已经形成的初始聚类中心作为参照对象，使待处理数据同时具备标准化后的物性特征表达和地质属性引导基础；随后，以所述矿化体种子样本、围岩种子样本以及不同品位矿石种子样本为统计基准，分别整理各类种子样本在密度、磁化率、电阻率、极化率、地震波速以及主成分降维特征上的取值分布，分析同一地质类别内部样本的集中程度、不同地质类别之间的分离程度、不同品位矿石之间的梯度变化特征以及各物性参数与已知地质属性记录之间的一致关系，从而获得各物性参数对矿化体识别、围岩区分和品位细分的贡献判断结果。在此基础上，对各物性参数或各主成分特征进行贡献等级划分，将能够稳定表征矿化体与围岩差异的特征归入高贡献特征，将能够支撑不同品位矿石细分的特征归入中高贡献特征，将主要用于补充背景岩性信息的特征归入辅助特征，将易受局部非代表性异常或测试波动影响且对矿化识别贡献有限的特征归入低贡献特征，并据此形成物性参数贡献等级表。根据所述物性参数贡献等级表确定各特征在距离计算中的权重关系，使高贡献特征在样本与聚类中心的接近程度判断中占据主导作用，使中高贡献特征参与矿石品位类别的细化识别，使辅助特征用于补充综合物性背景信息，使低贡献特征以弱约束形式参与计算，从而避免单一数值波动明显但地质指示意义有限的参数支配聚类结果。最后，将上述权重关系嵌入待聚类样本与各聚类中心之间的距离计算过程，形成加权距离度量准则。基于初始聚类中心和加权距离度量准则构建改进的k-means+聚类算法。

16、作为本发明进一步方案，利用改进k-means+聚类算法对多物性特征数据集进行迭代聚类分析，得到矿化体类别和围岩类别和不同品位矿石类别，包括以下具体内容：利用改进k-means+聚类算法进行迭代聚类分析时，先以矿化体种子样本、围岩种子样本以及不同品位矿石种子样本形成的初始聚类中心作为分类起点，并以加权距离度量准则作为样本相似性判断依据；随后，将多物性特征数据集中的每一个样本分别与各聚类中心进行加权距离比较，并将样本分配至综合物性特征最接近的类别中；在完成一轮样本分配后，结合各类别内样本的密度、磁化率、电阻率、极化率、地震波速和主成分特征，重新更新矿化体类别中心、围岩类别中心以及不同品位矿石类别中心；重复执行样本分配和中心更新，直至聚类中心变化稳定、类别划分结果稳定或达到预设迭代次数，最终得到矿化体类别和围岩类别，并对矿化体类别内的样本进一步划分为高品位矿石类别、中品位矿石类别和低品位矿石类别。

17、作为本发明进一步方案，步骤6，对矿化体类别、围岩类别及不同品位矿石类别进行验证校准，包括以下具体内容：将改进的k-means+聚类算法输出的矿化体类别、围岩类别及不同品位矿石类别作为输入结果，采用密度峰值聚类算法进行验证，并在多物性特征空间中计算各样本的局部密度和相对距离，用于识别类别核心样本、边界样本和离群样本。对于与聚类类别中心一致且分布稳定的样本，保留其原有类别标签；对于处于类别边界或分布异常的样本，结合其密度、磁化率、电阻率、极化率、地震波速、主成分特征及空间位置进行校准；随后，将校准后的类别标签回赋至采样点、钻孔点或剖面控制点，根据矿化体类别的空间连续性确定矿体展布范围，根据不同品位矿石类别的空间组合关系进行品位分级，并结合围岩边界和异常连续性圈定勘探靶区。

18、作为本发明进一步方案，一种金多金属矿集区多物性参数聚类分析应用，包括：通过采集矿石及围岩的密度、磁化率、电阻率、极化率和地震波速等多维物性参数，形成原始物性数据集；经异常值剔除、极差标准化和地质约束下pca特征降维后，引入成矿地质先验信息确定种子样本和初始聚类中心，并结合加权距离度量准则构建改进k-means+聚类算法，最后通过密度峰值聚类验证校准，实现矿体识别、品位分级和靶区圈定。

19、本发明一种金多金属矿集区多物性参数聚类分析方法及应用的技术效果和优点：本发明通过采集矿石和围岩的多维物性参数，形成结构统一的数据集；对数据进行异常值剔除、极差标准化和地质约束下pca降维，减少错误数据和量纲差异的影响；引入成矿地质先验信息，确定种子样本和初始聚类中心；还根据物性参数的识别贡献建立加权距离度量准则，使聚类结果更接近实际地质属性，并进一步用密度峰值聚类进行验证校准，提高矿体识别、品位分级和靶区圈定的可靠性。