[发明专利]一种基于深度学习的嗅探智能找矿预测方法

权利要求书

1.一种基于深度学习的智能找矿预测方法，其特征在于，包括以下步骤：

S1：输入地质、物探、化探和遥感的多源地球科学数据；

S2：采用相对属性网格化方法对地质数据进行网格化，采用克里金法等插值方法对物探和化探的多源地球科学数据进行网格化；

S3：根据已知矿床，设置合适窗口大小，采用数据增强方法构建训练数据集和验证数据集；

S4：采用改进的卷积神经网络架构，进行网络模型训练，生成找矿预测模型；

S5：用训练好的模型参数计算研究区的每个窗口区域的找矿概率；

S6：根据研究区的成矿地质条件，进一步评价找矿预测区的有效性。

2.根据权利要求1所述的一种基于深度学习的嗅探智能找矿预测方法，其特征在于，所述步骤S3中也可以通过卷积神经网络提取“图像”的纹理结构，网格化的地质、地球物理、地球化学、遥感数据可以看作是“图像”，可以采用卷积方法进行地质、地球化学、地球物理、遥感异常空间结构类型分析，具体步骤如下：

(1)根据地质、物探、化探、遥感数据按一定网格间距、对研究区进行网格插值；

(2)选取一定窗口大小：16个网格单元×16个网格单元或32个网格单元×32个网格单元，根据已知矿床所在位置，采用移动、旋转窗口位置等数据增强技术，获取训练数据集。

3.根据权利要求1所述的一种基于深度学习的嗅探智能找矿预测方法，其特征在于，所述步骤S4中以地质、物探、化探、遥感和钻孔的资料为基础，采用深度学习方法，提取矿产地质大数据特征，挖掘已知矿床与所有已知地质要素的关系，从而建立找矿远景预测和找矿靶区圈定的深度学习模型。

4.根据权利要求1所述的一种基于深度学习的嗅探智能找矿预测方法，其特征在于，所述步骤S5中通过矿产地质大数据找矿预测系统采用CNN和自编码等深度学习网络进行降维，并在此基础上进行模式分类，挖掘地质要素与已知矿床之间的关系，采用步骤S4所建立的模型，预测工作区每个网格单元存在矿床的概率，进行找矿区域预测和靶区圈定。