卷积神经 络—CNN模型的应用（找矿预测）

一、CNN的结构

卷积神经 络的找矿预测模型主要由数据输入层、卷积层、池化层、全连接层和输出层５种 络层。

全连接层（fully connected layers）：全连接层上的每一个结点都与上一层的所有结点相连，用来把之前提取到的特征综合起来。n-1层的任意一个节点都和第n层所有节点有连接，即第n层的每个节点在计算时，激活函数的输入是n-1层所有节点的加权。

二、CNN找矿预测流程

对元素地球化学异常数据、航磁数据进行 格化的基础上，采用数据增强技术获取训练数据和验证数据集，再基于卷积神经 络训练生成模型，并应用训练好的模型预测研究区的有利找矿部位。

三、数据的收集与处理

利用地球化学异常数据和航磁数据，提取已知的矿床信息。

（1）地化数据

 用克里格插值法对Cu、Mo、Zn和As４种元素，按100ｍ×100ｍ 格单元大小进行 格化，绘制1：5万等值线图。对比图1，发现4种元素均在大青山附近有明显异常（区域内含已发现的大青山铜矿区域），Cu、 Mo在盘头山和窑泉北有异常：盘头山异常范围大，处于海西中期花岗闪长岩中，有一定找矿潜力；窑泉北异常地处位置边缘，有英云闪长岩出露，有一定找矿潜力。Zn、As在方架山南也有异常反映，该区域异常有侵入岩体，以加里东期酸性岩为主，出露有二长花岗岩和正长花岗岩区，区域南侧有英云闪长岩，出露面积较小。 

（2）航磁数据

图6a可知：磁异常条带的延伸方向呈NW向，主要存在南北２个高磁异常带；对比图１，北部高磁异常带位于该区北部大青山— 天城北西西—东西向带状高磁异常区带，带内为以中酸性侵入岩为主的巨大岩浆带，异常大多数由闪长岩体等中酸性侵入岩引起，沿北部磁异常条带发现了铜矿床（点）。

图6b可知：该地区磁异常较为集中，主要集中在研究区中西部及西南部两处。为进一步消除影响，继续进行100ｍ 延拓（图6c）和150ｍ延拓（图6d），发现磁异常区域主要集中在中西部及西南部，在后期进行成矿有利区圈定应该尽量集中在磁异常区域。

为展现研究区航磁异常方向性的变化特征， 对研究区 格化之后的原数据在不同方向上进行求导，分别求出该研究区０°（图6e）、45°（图6f）、90°（图 6g）和135°（图6h）的方向导 图。结果表明，求导后，研究区航磁异常区主要呈 NW 向展布，也 显示出一些NE向变化特征。

（3）矿点成矿地质特征

研究区已知铜矿点有４个，分别为大青山Ⅰ 铜矿、大青山Ⅱ 铜矿、大青山Ⅲ 铜矿、未定名Ⅳ 铜矿。铜矿主要发育在大青山地区，铜矿的类型主要为斑岩型铜矿和裂隙浸染型铜矿。

四、训练与验证数据集的生成

步长平移数据增强方法：用一定窗口大小（即卷积核大小，如48*48=2304个 格单元），通过移动窗口使矿床点位于1个 格单元中，提取窗口所包括的所有物探和化探 格数据，遍历所有窗口 格单元。对于1个矿床点可以获取2304个训练单元。如果研究区内有n个矿床点，则可以获得2304n个训练单元。在研究区随机选取已知矿床点数2倍的 格单元作为未知区，采用上述相同的方法获取未知区的训练单元。

五、卷积神经 络模型构建、训练与验证

用准备好的训练数据集对模型进行训练与验证，再采用不同的参数和超参数进行训练，通过验证数据集选取最优模型。

输入的数据层25种元素地球化学异常数据+3种航磁数据的 格化数据 = 28种数据，每种数据都通过Surfer软件转换成了432×316的 格数据层（研究区域的划分，覆盖实际范围相当于43200ｍ×31600ｍ，数据 格化是将空间上分散的数值转换成规则分布的 格数值，按规则对空白 格赋予数值，得到统一的空间结构）。对每种类型的数据均采用离差标准化方法进行处理，用主成分分析法（PCA）把28维数据层压缩为24维。窗口大小设定为48×48个 格单元(研究区域的一小块，可滑动，窗口覆盖的实际范围相当于4800ｍ×4800ｍ)，每个窗口的输入数据通道数为28（经降维成24了呀），卷积核的大小为３×３，第一层卷积核数量为48（积核的数量要怎么确定呢），步长设置为１，模型的优化算法用Adam 算法，学习率设为0.001，衰减率设置为默认值。

训练数据集和验证数据集是根据已知３个铜矿点，采用数据增强方法获取了22934个训练数据（2304*9=20736）。70％的数据用于训练模型，包括16054个训练数据；30％ 用于模型验证，包括6880个训练数据。

采用上述参数及数据集对模型进行了200轮训练和验证。结果显示进行了50轮训练后，模型趋于稳定，模型精度为98.1％左右

六、找矿预测区的确定

用训练好的模型，通过滑动窗口的方式对研究区进行预测，圈定有利预测去，并根据矿产地质资料，分析预测结果的可靠性，从而确定找矿预测区。 

用训练好的模型对研究区的有利铜矿找矿区进行了预测。从预测结果图（图８）可看出，CNN模型得到研究区５个找矿有利区。Ｐ－１：位于山头窑—窑泉—大青山北一带，预测区内包含已知的４个铜矿点；Ｐ－２：位于窑泉北东部地区；Ｐ－３：位于盘头山附近；Ｐ－4：主要地层为蓟县系墩子沟群变砂岩、变粒岩，。Ｐ－５：位于研究区南部；都有 Cu元素化探异常高值

七、预测结果的影响因素分析

1.超参数对预测结果的影响

（1）PCA主分量数

PCA主要思想：将ｎ维特征映射到ｋ维上，在原有ｎ维特征的基础上重新构造出来的ｋ维特征。28维数据对计算机运算太过冗杂，对数据维度进行压缩，产生的预测结果不同，对比４种PCA主分量数对预测结果的影响。

维度越高，所得的预测区域越复杂，但总体有一定的相似性，将28维数据压缩为24维数据所得的预测结果更符合实际地质情况

 （2）窗口大小

窗口越大，能够提取的训练数据集也越大，当窗口大小分别为12×12、24×24、48×48时， 可提取训练样本数分别为3056、8048、22934。采用较大的窗口，获得的训练样本数据较多，则获得的预测范围相对较小。

对比３种预测结果图，预测区的总体位置相似。当窗口大小为48×48时，预测区的范围相对较小，此时产生的训练样本数较多，模型所得的预测区精度较高。

 （3）卷积核的数量

卷积核数量直接影响了输入的局部特征，卷积核数量越多，提取到的局部特征就越多.

比较３种不同卷积核数量，预测区的总体位置相似，当初始的卷积核数量为48时，预测区的范围相对较小，且更符合地质情况。

 （4）步长

卷积层中的步长表示卷积核一次移动多少个格子。对比３种步长所得的预测结果，发现步长增大，预测结果精细程度降低。对比地质图、地球化学元素异常图和航磁异常图可 ，当步长为１时更具有可信度。

 （5）抓取的样本数量

Batch_size为一次训练所抓取的数据样本数量。适当的Batch_size可使梯度方差减小，梯度更加准确，使得预测结果更加准确。

对比３种 不 同 的Batch_size，每一次训练所抓取的数据样本量不同的话，所得的预测结果虽然大体位置相同，但预测面积变化较 大。对比元素地球化学异常图、航磁异常图和地质图，发现当Batch_size为64时，所得的预测结果比较可靠。

2.不同数据集对预测结果的影响

鄂选取25种化探元素数据、３种航磁数据、综合25种化探元素数据与3 种航磁数据作为输入数据进行实验

3.不同 格单元大小对预测结果的影响

设定窗口大小为48×48，卷积核的大小为３×３， 第一层卷积核数量为48，步长设置为１，Batch_size为64，输入的数据为压缩2４维的化探元素数据和航磁数据，对比50ｍ 格的输入数据和100ｍ 格的输入数据。

参考文献：基于卷积神经 络的智能找矿…—以甘肃龙首山地区铜矿为例_李忠潭