基于BP神经网络的湘西金矿成矿预测
邵拥军,贺 辉,张贻舟,梁恩云,丁宗炜,陈星霖,刘忠法
(中南大学 地学与环境工程学院,湖南 长沙,410083)
摘 要:从变异函数特征和分形维数特征方面,对在湘西金矿深部新发现的V7和V8矿脉与原有的V1,V2,V3和V4矿脉的成矿特征进行对比研究。采用BP神经网络技术对成矿特征图形进行模糊识别并进行定量化的相似类比研究,最后依据类比的结果对深部盲矿体的成矿富集规律进行预测。研究结果表明:新发现的V7矿脉具有广阔的找矿前景,而V8矿化不稳定。
关键词:湘西金矿;变异函数;分形维数;BP神经网络;成矿预测
中图分类号:B659 文献标识码:A 文章编号:1672-7207(2007)06-1192-07
Metallogenic prediction of Xiangxi gold deposit based on
BP neural networks
SHAO Yong-jun, HE Hui, ZHANG Yi-zhou, LIANG En-yun, DING Zong-wei, CHEN Xing-lin, LIU Zhong-fa
(School of Geoscience and Environmental Engineering, Central South University, Changsha 410083, China)
Abstract: From the characteristics of the variation function and fractal dimension, the comparative research on the old veins V1, V2, V3 and V4 with new veins V7 and V8 in the deep of Xiangxi gold deposit was carried out. By the BP neural network technology, the fuzzy recognitions on metallogenic characteristic pattern and the quantitatively similar analogy were investigated. According to the similar analogy result the prediction on the metallogenic enrichment rule of the deep blind ore bodies was done. The predictive result shows that the vein V7 has a broader exploring foreground than the vein V8.
Key words: Xiangxi gold deposit; variation function; fractal dimension; BP neural network; metallogenic prediction
湘西金矿地处湖南省西部,是国内外著名的金矿床,年产黄金达1.6 t以上[1],国内外许多学者对其矿床地质[2]、成矿规律[3]、控矿因素[4]、矿床地球化学特征[5-7]以及非线性数字化定量成矿预测[8]等方面进行了较深入的研究。
近年来,深部勘探新发现了V7和V8矿脉,但对V7和V8矿脉的成矿规律及其深部找矿前景的研究还较少。为此,本文作者通过收集到的矿山数据(包括386个矿块、2 578个工程和13 321组化验样品数据,共计60 000多个Au,Sb和WO3的化验数据以及脉厚和采样地点数据),对湘西金矿V7和V8矿脉与勘探程度较高的V1,V2,V3和V4矿脉进行数字化定量相似类比,对其成矿规律、深部矿化特征与找矿远景进行预测,为寻找湘西金矿接替资源提供依据。
1 成矿地质背景
湘西金矿在大地构造位置上处于扬子准地台江南地轴南缘的雪峰弧形构造隆起带中段。矿区地层主要为前震旦系冷家溪群和板溪群,岩性为一套滨海相、浅海相复理石建造的浅变质板岩、砂质板岩。矿体主要赋存在板溪群马底驿组中段的紫红色板岩及含钙质板岩中[1]。矿区构造由响水洞穹窿,仙鹅抱蛋穹窿、明月山穹窿等组成北东东向复式背斜构造,同时发育有北东东向的沃溪逆断层、冷家溪逆冲断层以及唐虎坪逆冲断层。由这些穹窿和大断层组成本区东北向构造带,湘西金矿为Ⅰ级成矿构造。矿区岩浆岩分布稀少而零散。矿区外围东南方向约40 km处为大神山花岗岩株,东北方向的少量加里东期辉绿岩脉和煌斑岩脉分布与成矿关系不大。矿体主要以石英脉形式出现在层间破碎带内。现已发现至少有8条以上的层间矿脉,自上而下为V8,V7,V4,V3,V1,V2,V5和V6,其中具有工业价值的主要有V4,V3,V1,V2,V7和V8矿脉。
2 BP神经网络模糊识别
人工神经网络(简称ANN)是模拟人脑的思维方式和组织形式而建立起来的高度非线性与线性运算复合而成的数学模型。人工神经网络是由若干处理单元相联结而形成的一种大规模并行分布处理网络系统。具有很强的自适应、自学习、联想记忆、高度容错和并行处理能力,因而其应用已经渗透到了各个领域,在成矿预测方面运用该项技术也已经取得了较好的成 果[9-10]。在众多神经网络模型中,应用最广泛的是误差反向传播网络(简称BP网络)[11-12]。
传统的相似类比仅从变异函数特征如基台值、变程、分形维数等方面进行定性比较,本文作者利用BP神经网络模型对变异函数和分形特征从图形上进行相似类比分析,得到更细致、准确的比较特征。具体的处理过程如下:首先建立BP神经网络模型;其次,在对湘西金矿地质数据进行分析,得到V1,V2,V3,V4,V7和V8矿脉的变异函数与分形的特征图,然后,利用BP神经网络对V7和V8矿脉与勘探程度较高的V1,V2,V3和V4矿脉进行模式识别,得出它们之间的相似性,进而对V7和V8的深部矿化规律进行 预测。
2.1 BP网络结构
BP网络是一种前馈型网络,由1个输入层、若干隐含层和1个输出层构成。如果输入层、隐含层和输出层的单元个数分别为n,q和m,则该三层网络可表示为BP(n, q, m),利用该网络可实现n维输入向量X=(X1, …, Xn)到m维输出向量Y=(Y1, …, Ym)的非线性映射。当网络结构BP(n, q, m)确定后,网络参数包括输入层第i单元到隐含层第j单元的权重Wij(i=1, …, n; j=1, …, q)、隐含层第j单元到输出层第k单元的权重Wjk (j=1, …, q; k=1, …, m)、隐含层第j单元的激活阈值(j=1, …, q)及输出层第k单元的激活阈值θOk (k=1, …, m)。以上权重和阈值的初值在网络训练之前随机生成。假设共有P个训练样本,在输入的第p个(p=1, …, P)训练样本信息时首先向前传播到隐含单元上,通过激励函数f(x)的作用得到隐含层的输出信息。若有多个隐含层节点,则逐层向前传播,直到把隐层节点的输出信号传播到输出节点,最后给出输出结果;若输出层得不到期望的输出,则转入反向传播,将误差信号沿原来的连接通道返回,通过修改各层神经元的权值,使得误差信号最小。
BP神经网络的计算过程分为2步:一是前向计算,若得到的计算误差超过阀值,则进行第二步反向计算,以修正误差。重复以上2个过程直到达到预定的计算周期或者误差小于指定的指标。
2.2 BP网络模型系统
本研究建立的湘西金矿的BP网络模型系统,目前可以让用户指定的最多隐含层数为5,隐含层中每层的因子个数没有限制,输入因子个数没有限制,输出因子个数也没有限制,以上神经网络的结构可以由用户自己指定。在测试时用户可以采用不同的模型与之进行对比测试,根据测试的结果选择一种最佳的网络模型。神经元与神经元之间采用互联的方式连接。
BP网络模型运行程序采用VC6.0编写,在一个单文档中实现其功能。模型的主要功能是通过后台的文件来记录运行过程中得到的网络模型参数,以及在模型测试时对结果的分析,对于网络模型的训练过程中得到的网络结构参数采用二进制文件的形式存在result.txt文件中,对于测试的结果以及结果的对比写在data.txt文件中,这是一个普通的文本,用写字板就可以打开,使用模型的人可以打开这个文件看到对每条记录的测试结果以及整个测试集的合格数,测试成功率等指标。因为测试的数据一般都是大批量的,不能直接在屏幕上显示,也不适合用户对结果进行分析,因此,在前台并没有数据输出,是通过将结果写在一个文件中的方式得到,测试后的结果可以直接导入数据库或者SPSS,或者是作图的工具Origin,然后对结果进行分析与处理。
模型的主要功能块如下:
1) 创建网络。通过连接数据库来建立初始网络,创建隐含层和输出层的权重矩阵和阙值矩阵。另还创建权重变化矩阵和误差矩阵,它的实现函数是算法类中的create_net。
2) 调入参数学习。从文件中取得参数,从数据库中取数学习,通过算法类中的load_learn来实现。
3) 测试数据。用ODBC连接数据库测试,从文件中取得训练样本学习,实现函数是算法类中的load_file和my_simulate。
4) 从文件中学习。从文件中取得训练样本学习,通过算法类中的learn_from_file函数来实现。
5) 文件测试。从文件中取得参数测试,通过算法类中的load_file和simu_from_file函数来实现。
6) 从文件中间结果学习。从中间文件取得参数而不是从数据库中取数,继续学习,实现函数是算法类中的load_file和file_midd_learn。
7) 动态文件测试。从文件中取参数,动态改变参数测试,通过算法类中的dynamic_learn_from_file来实现。
8) 网络训练。创建多层网络学习,通过bpnet_create函数来创建多层网络,第1个参数是输入因子数,第2个参数是最大隐藏层(不大于5),第3个参数是一个数组,数组中的元素为每个隐藏层的因子数,第4个参数是输出因子数,这样就可以通过muti_learn函数来学习客户的信用度。
9) 网络测试。通过bpnet_create (MulDlg. m_nInput,MulDlg.m_nYinhanShu,a,1)函数来创建多层网络,第1个参数是输入因子数,第2个参数是最大的隐藏层(不大于5),第3个参数是一个数组,数组中的元素为每个隐藏层的因子数,第4个参数是输出因子数。然后通过muti_load_file和muti_test这2个函数来测试客户的信用度。
2.3 网络模型的建立
BP神经网络的建立分为如下2个过程:
1) 模型创建。基于训练集形成一个模型,训练集中的类标签(即属于哪一类)是已知的,数据集叫训练集。创建模型的过程如图1所示。若用来建模的数据没有标签,则需采用数学分析的方法对数据进行分类,如聚类分析方法,使每条记录都有标签,然后作为训练集创建模型。
图1 BP神经网络模型的创建
Fig.1 Creation of BP neural network model
2) 模型使用。模型的使用是用创建的模型预测或者类别未知的记录(见图2)。在使用之前要估计模型的准确率,方法是使用创建的模型在一个测试集上进行预测,并将结果和实际值进行准确率对比。测试集和训练集是独立的,但属于同一个集合。若测试效果达到应用的需求,则可用模型对未知的数据进行预测。
图2 BP神经网络模型的使用过程
Fig.2 Application of BP neural network model
2.4 人工神经网络模糊识别
可以将人工神经网络识别方法看成是一种介于统计模式识别与结构模式识别之间的方法。“模式识别”就是识别给定的事物与哪个样品(模式) 相同或相似。“模式”是对事物客体的一种描述,在识别过程中,由于客观事物本身的复杂性与模糊性和人对客观事物反映过程中所产生的模糊性,使经典的模式识别方法不适用,故人们创立模糊模式识别,或称为基于模糊集理论的模式识别。模式识别过程可分为数据获取、数据预处理以及决策分类等几个阶段。
基于BP神经网络的变异函数识别系统的工作过程如图3所示。首先对所求得的变异函数值或者分形特征值经过预处理,预处理的作用是将所有的输入进行归一化处理,从而使所有被识别的对象都具有相同的数据结构。从变异函数可以看出,变异函数的滞后距离不相同,因而其产生的数据结果个数也不相同,如果直接从数字上来分析无法做到归一化。因此,将变异函数成图后,直接对图形进行模式匹配的方法来进行识别。
图3 基于BP网络的模式识别应用流程图
Fig.3 Flowchart of model identification for BP Network
对本研究中,模式识别的第1步预处理就是通过对湘西金矿原始数据的处理求出相应的特征值,进而得到变异函数图或者分形维数图。模式识别的第2步是特征参数提取。特征参数提取就是从变异函数图中提取图像特征,作为BP神经网络的输入特征维数,也就是说BP网络输入层的节点个数是图像预处理后所输出的特征维数。预处理后采用了8×16的归一化图像,提取4 种统计特征:
第1 种是点特征,从检测点周围8个邻点的任一点开始,按同一方向察看一周,计算8点中由黑到白(或由白到黑)的点对数目。计数为l 时检测点是端点,计数为3 时检测点为三节点,计数为4 时检测点为四节点,统计端点、三节点和四节点的个数得到3 个 特征。
第2 种是网格特征,把图像分成3×3的小格,在每个小格里统计黑像素的个数,形成一个9 维的特征矢量。
第3 种是交叉点特征,在水平方向以及垂直方向三等分的地方,作水平线和垂直线穿过变异函数曲线,根据其与数字边缘相交的次数,又得到4 个特征。
第4 种是在水平方向计算每1行从图像左边沿到数字左边边界(第1项由白变黑)的距离,得到16 维特征。所以,可以确定输入层的节点数为32 个,模型的输出结果为4个,对应V1,V2,V3和V4 4条已知矿脉输出结果。
3 数字化成矿预测
3.1 基于变异函数的矿脉对比
图4和图5所示分别为V3和V7 2条矿脉沿倾向上的变异函数图(限于篇幅,其余矿脉变异函数图未列),其计算公式如下:
图4 V3矿脉倾向上的变异函数
Fig.4 Variogram of vein V3 along dip direction
图5 V7矿脉倾向上的变异函数
Fig.5 Variogram of vein 7 along dip direction
V3脉是矿区内规模最大、稳定性最好的一条矿脉,V4矿脉稳定性较V3脉弱。V3和V4脉变异函数的基台值都比V1与V2矿脉的基台值高很多,因而其矿化稳定,在已经控制到的深部矿体中未找到消失的证据,已经揭露的倾向长度超过2 km,呈现不规则的波状。V7矿脉的变异函数与V3矿脉的变异函数非常类似,但这只是一种直观的认识方法,不能够精确地判断预测趋势,也不能够自动识别将来新勘探的未知矿脉的矿化类型。
本研究采用的方法就是BP神经网络模式识别方法,经过如图3所示的模式识别的几个步骤后,得到如表1所示的识别结果。识别结果表明 V7盲矿脉的变异函数特征与V3矿脉的特征非常相似,其矿化富集规律也极有可能类似,因而可以推断V7脉在走向与倾向上矿化是稳定的,矿体规模也较大,而V8矿脉与所有已知矿脉相似性较差,可能属于一种新类型的盲矿脉。
表1 基于神经网络的变异函数识别结果
Table 1 Identification result of variation function based on BP neural network
3.2 基于分形特征的矿脉对比研究
分形理论是近年来研究微观结构运用较多的一种有效数学方法[6, 13],本文作者通过计算分形特征中最重要的指标——分数维对V7和V8矿脉进行相似类比。计算分数维最常用的方法是幂指数法,其计算公式为:
若矿床特征的矿脉厚度或者品位的分布具有分形自相似性特征,则N(t)和t的数值在双对数坐标图中将成一条直线,其斜率即为D值。
下面分别计算各条矿脉总的分数维数,V3和V7 2条矿脉的结果如图6和图7所示(限于篇幅,其余矿脉的D曲线图未列出)。
同样,采用相类似的方法进行模式识别,得到如表2所示的识别结果。识别结果表明 V7盲矿脉的分形特征与V3矿脉的分形特征相似度较高,而V8矿脉与所有已知矿脉相似性较差,与前面得到的结论相 吻合。
(a) 脉厚;(b) 金品位;(c) 锑品位
图6 V3矿脉的样本数与脉厚及矿品位的双对数曲线图
Fig.6 Logarithmic curve of thickness and grade and sampling number of vein 3
(a) 脉厚;(b) 金品位;(c) 锑品位
图7 V7矿脉的样本数与脉厚及矿品位的双对数曲线图
Fig.7 Logarithmic curve of thickness and grade and sampling number of vein 7
表2 基于神经网络的分形特征识别结果
Table 2 Identificational result of fractal based on BP neural network
3.3 V7和V8矿脉深部资源的前景预测
综合以上分析可以看出,V7矿脉无论从变异函数还是从分形特征上来看与V3矿脉均十分类似,因此,可能存在与V3矿脉相同的矿化稳定、矿体沿走向与倾向都延伸较远、且规模较大的特征,是湘西金矿下一步扩充深部储量的主攻矿脉,同时也表明湘西金矿深部仍具有广阔的找矿前景。而V8矿脉的变异函数与其它矿脉都不相同,可能属于一种具有新的矿化特征的类型。V8矿脉倾向上变异函数为近似直线性,反映了V8矿脉矿化很不稳定,这一点从分数维特征上也同样能得到映证。在矿脉厚度的分维值中,最小的为矿脉V1脉,厚度分维值为1.327,最大的为V8脉,为1.800。分维值小则反映构造发育较好,同样也说明V8矿脉在深部构造发育相对较差,矿化不稳定,与V7相比其矿脉较差。
4 结 论
a. 依据相似类比的原理,利用BP神经网络模糊识别方法对湘西金矿新发现的V7和V8矿脉与原有的V1,V2,V3和V4矿脉在变异函数特征与分形维数特征上进行了细致的数字化特征类比,从而得到V7和V8矿脉深部矿化富集规律。
b. V7号矿脉与V3号矿脉具有相同的矿化特征,深部找矿前景良好;V8矿化不稳定,与V7相比,其矿脉较差。
参考文献:
[1] 杨思学, 张振儒, 张哲儒. 湘西金—锑—钨矿深部矿化初步预测[J]. 矿物学报, 1999, 19(4): 435-445.
YANG Si-xue, ZHANG Zhen-ru, ZHANG Zhe-ru. Preliminary prediction of mineralization at the depth of Xiangxi Au-Sb-W ore deposit[J]. Acta Mineralogica Sinica, 1999, 19(4): 435-445.
[2] 刘正庚, 余景明, 刘升友, 等. 湖南沃溪金锑钨矿床稀土元素特征研究[J]. 矿床地质, 2000, 19(3): 270-280.
LIU Zheng-geng, YU Jing-ming, LIU Sheng-you, et al. REE characteristics of the Woxi gold-antimony-tungsten deposit, Hunan Province[J]. Mineral Deposits, 2000, 19(3): 270-280.
[3] 顾雪祥, Schulz O, Vavtar F, 等. 湖南沃溪钨-锑-金矿床的矿石组构学特征及其成因意义[J]. 矿床地质, 2003, 22(1): 107-120.
GU Xue-xiang, Schulz O, Vavtar F, et al. Ore fabric characteristics of Woxi W-Sb-Au deposit in Hunan and their genetic significance[J]. Mineral Deposits, 2003, 22(1): 107-120.
[4] 汪劲草, 夏 斌, 雷鸣波, 等. 伸展型脆-韧性剪切带对沃溪钨锑金矿床的构造控制[J]. 吉林大学学报: 地球科学版, 2003, 33(2): 135-140.
WANG Jin-cao, XIA Bin, LEI Ming-bo, et al. Structural control of the extensional brittle-ductile shear zone on Woxi W-Sb-Au deposit in western Hunan Province[J]. Journal of Jilin University: Earth Science Edition, 2003, 33(2): 135-140.
[5] 谢焱石, 谭凯旋, 陈广浩. 湘西沃溪金锑钨矿床分形成矿动力学[J]. 地学前缘, 2004, 11(1): 105-112.
XIE Yan-shi, TAN Kai-xuan, CHEN Guang-hao. The fractal structure of gold-grade in Woxi Au-Sb-W deposit in NW Hunan, China: Application to the mineralization dynamics[J]. Earth Science Frontiers, 2004,11(1): 105-112.
[6] 彭 渤, Frei R, 涂湘林. 湘西沃溪W-Sb-Au矿床白钨矿Nd-Sr-Pb同位素对成矿流体的示踪[J]. 地质学报, 2006, 80(4): 561-570.
PENG Bo, Frei R, TU Xiang-lin. Nd-Sr-Pb isotopic geochemistry of scheelite from the Woxi W-Sb-Au deposit, Western Hunan: Implications for sources and evolution of ore-forming fluids[J]. Acta Geological Sinica, 2006, 80(4): 561-570.
[7] 彭建堂, 胡瑞忠, 赵军红, 等. 湘西沃溪金锑钨矿床中白钨矿的稀土元素地球化学[J]. 地球化学, 2005, 34(2): 115-122.
PENG Jiang-tang, HU Rui-zhong, ZHAO Jun-hong, et al. Rare earth element (REE) geochemistry for scheelite from the Woxi Au-Sb-W deposit, western Hunan[J]. Geochimica, 2005, 34(2): 115-122.
[8] 谭凯旋, 谢焱石, 赵志忠, 等. 构造成矿非线性动力学—— 湘西金矿研究实例[J]. 大地构造与成矿学, 2002, 26(1): 37-42.
TAN Kai-xuan, XIE Yan-shi, ZHAO Zhi-zhong, et al. Nonlinear dynamics of tectonic mineralization: The study case for Xiangxi Au deposit, Hunan, China[J]. Geotectonica Et Metallogenia, 2002, 26(1): 37-42.
[9] 徐 驰. 人工神经网络在矿藏预测中的应用[J]. 中国数学地质, 1997(5): 206-2l2.
XU Chi. The application of ANN to the metallogenic prognosis[J]. Mathematic Geology China, 1997(5): 206-212.
[10] Govindaraju R S. Artificial neural networks in hydrology Ⅰ: Preliminary concepts[J]. Journal of Hydrologic Engineering, 2000, 5(2): 115-123.
[11] 杨中宝, 彭省临, 王 力. 变结构人工神经网络模型及其在成矿预测中的应用[J]. 世界地质, 2003(1): 41-45.
YANG Zhong-bao, PENG Sheng-lin, WANG Li. Application of variable structure neural net model in metal logenicprognosis [J] .Global Geology, 2003(1): 41-45.
[12] 王海平, 张 彤. 人工神经网络方法及其在遥感地质找矿中的应用——以滇西红山子区为例[J]. 矿床地质, 2004, 23(1): 123-128.
WANG Hai-ping, ZHANG Tong. Discrimination of artificial neural network and its application to remote sensing for mineral exploration: Case study of Hongshan area in western Yunnan[J]. Mineral Deposits, 2004, 23(1): 123-128.
[13] Aviles C A, Acholz C Z, Boatwright J. Fractal analysis applied to characteristic segments of the San Andreas Fault[J]. J Geophysics Res, 1987, 92: 2312334.
收稿日期:2007-04-25 ;修回日期:2007-06-09
基金项目:国家科技攻关项目(2001BA609A-06);国家“十一五”科技支撑计划项目(2006BAB01B07)
作者简介:邵拥军(1972-),男,山西宁武县人,博士后,副教授,从事矿床学和成矿预测研究
通信作者:邵拥军,副教授;电话:0731-8877077;E-mail: shaoyongjun@126.com