[发明专利]一种深部金矿床成矿找矿方法

权利要求书

1.一种深部金矿床成矿找矿方法，其特征在于，包括以下步骤：

S100：依据前人工作和研究成果，建立金矿床分类知识体系库；

步骤101：汇总包括矿床成矿地质地球化学背景、成矿条件、矿床特征、成矿规律、控矿因素，矿体赋存规律、构造性质及矿体在构造中分布的规律、无矿间隔、侧伏规律，矿床矿物组合、蚀变特点及轴向分带，成矿期-成矿阶段在内的前人工作和研究成果材料；

步骤102：对上述材料进行分类和分级，构造金矿床分级知识体系库，将选矿探矿基础原则以及前人工作和研究成果材料填充到所述的金矿床分级知识体系库中，作为机器学习库；并且，将所述金矿床分类知识体系库中的记录元分为以下几类：(1)指示元(2)指标元(3)动态元(4)综合特征元(5)实例元(6)挖掘元(7)自定义元；

S200：对S100步骤所建立的金矿床分类知识体系库中的各类记录元进行动态量化，得到动态量化知识体系库；

步骤201：对记录元实施以二值化为主的量化处理；

步骤202：对步骤201中指标元的调整系数进行自适应调整优化；

S300：以动态量化知识体系库为基础，训练机器学习或深度学习网络模型生成推理库；

S400：现场针对不同特点的矿区采用相应的技术方法来获得目标矿区的物理和化学特性；

S500：深部金矿的现场钻探验证；

其中，所述步骤202具体实现方式如下：

步骤2021：指标元调整系数的初始化；在初始化状态时，将m维指标元的调整系数(k₁，k₂...k_m)统一初始化为1，则相应的m维动态指标值为(α₁，α₂...α_m)，最终指标元的二值化量化结果表示每一维度指标的取值，其值为0或1，i∈[1，m]；

步骤2022：将初始化状态的指标元以及其它各类记录元的量化结果，为输入元，输入到机器学习模型中，进行深度学习网络训练和学习，并输出测试误差，假设测试误差为Δ，则遗传算法的目标函数可建立为Δ＝f(k₁，k₂…k_m)，调整系数的优化问题，转变为求目标函数Δ＝f(k₁，k₂…k_m)的最小值问题，进而遗传算法的适应度函数F就可确定，选用求解最小值优化的遗传算法，可令适应度函数F＝目标函数Δ；利用遗传算法，完成了m维元调整系数的多元同时优化，实现群优化的效果，即“群优化”；

步骤2023：经过步骤2022的群优化后，将本次优化得到的指标元调整系数传入步骤200述的动态量化知识体系库中，形成新的指标元量化结果，得到优化后的量化元；

步骤2024：将步骤2023优化后的量化元再次输入到S300步骤所建的机器学习或深度学习网络中，得到新的测试误差，再循环进行步骤2022和步骤2023，直到满足群优化算法的停止条件，得到最优的机器学习或深度学习网络模型。

2.如权利要求1所述的深部金矿床成矿找矿方法，其特征在于，所述步骤S300具体实现方式如下：

步骤301：将知识体系库中的数据70％划分为训练集，30％划分为测试集；

步骤302：将卷积神经网络进行深度融合，构造卷积神经网络模型，输入层由6个输入组成，用于知识体系库中各量化元库中各量化元X＝[X₁...X₆]的输入，隐含层包括2个卷积层、2个池化层和1个全连接层，最后是输出层；

步骤303：提取网络输入的特征，进行特征融合后，进行网络的训练；

步骤304：上述网络训练完毕后，向网络中输入测试集，得到测试误差Δ；将测试误差Δ反馈到步骤202，进行指标元调整系数的优化，进而得到最优的机器学习或深度学习模型。

3.如权利要求1所述的深部金矿床成矿找矿方法，其特征在于，所述步骤S400具体实现方式如下：

步骤401A：对于老矿区深部找矿，首先开展可控源大地音频电磁测深或EH4系统测量，确定控矿构造的延伸情况，并将电磁测深或EH4系统测量的图形输入到推理库中；

步骤401B：对于覆盖严重、地表露头较差的新矿区，首先开展激电中梯测量，并将测量结果输入到推理库中；

步骤402：采用构造叠加晕测量的方法，确定预测靶区是否存在盲矿体，进一步圈定矿靶区。