基于GOCAD 软件的沙子江铀矿床三维定量预测*

耿瑞瑞，范洪海 **，孙远强，夏宗强，孙雨鑫，俞嘉嘉，陈东欢

（1 核工业北京地质研究院，北京 100029；2 东华理工大学，江西南昌 344001）

随着地表矿产已消耗殆尽，寻找隐伏矿产的任务越来越迫切，由于传统二维找矿技术的局限性，给找矿勘查带来难度，因此，地质勘查领域迎来了新的挑战，需要引入新方法、新技术。近几年随着“数字地球”理念的提出以及实践的深化(Gore，1998)，对地球深部探索更加深入，传统的二维图件受维数限制，对地质体、断层以及矿体之间的空间耦合关系不易表达清晰，三维地质建模(Houlding，1994)则弥补其弊端，其以计算机为平台实现三维可视化(Smirnoff et al.，2008；Kostic et al.，2007；Sprague et al.，2006)，由此三维地质建模技术得到广泛应用。三维可视化技术获得突飞猛进的发展，并在数学地质领域中得到越来越广泛地应用。在地质勘查领域，传统的数字定量评价体系是基于二维的地质资料信息，在信息提取和融合等方面存在缺陷。

在寻找深部盲矿体方面，基于三维可视化-定量预测技术的三维地质建模技术是基础（陈建平等，2007），更是核心，关系到预测结果的可靠性。三维地质模型是多种信息数据的集合体，是地质体数字化的表达过程，主要包括地质、地球化学、地球物理、钻孔等，其目的是构建数字化的矿床模型(Wang et al., 2011a;Yang et al., 2017)，实现三维可视化，并为地质变量的多参数叠加分析提供基础模型，为深部矿产定量预测提供基础。

本文以苗儿山矿田豆乍山地区的沙子江铀矿床为研究对象，利用GOCAD 软件，建立该矿区三维地质模型，结合前人总结的成矿地质条件和控矿要素(李妩巍，2016)，通过三维空间属性场的信息分析提取，建立定量预测模型（向杰等，2020），基于三维信息量法计算成矿有利区间（史蕊等，2014），并圈定找矿有利靶区，以期对下一步铀矿勘查工作部署提供依据。

1 研究区地质概况

沙子江铀矿床属华南地区典型的花岗岩型铀矿田-苗儿山铀矿田(石少华等, 2010)，其大地构造位置处于华南扬子板块江南被动陆缘隆起带南缘，属于苗儿山-越城岭花岗岩穹窿构造西翼中段(图1)。苗儿山-越城岭花岗岩穹窿构造经历了复杂的地质构造运动和成矿作用，先后经历了加里东期、印支期和燕山期3 个重要的发展阶段(冯国玉等，2009)，形成不同期次的花岗岩，成为中国南岭铀多金属成矿带中的重要矿区。矿田范围内围绕豆乍山岩体和张家岩体分布着较多的铀矿床（郭春影等，2020)，如豆乍山地区发育向阳坪、沙子江、双滑江及孟公界等铀矿床，张家地区发育张家、乍古田等铀矿床。

沙子江铀矿床位于豆乍山岩体西南部，其地质构造位置位于加里东期花岗岩为主体的苗儿山复式岩体中段，印支期香草坪花岗岩体(γ51)与豆乍山花岗岩体(γ51-2)的内外接触带附近。矿床范围内主要发育岩浆岩，无地层出露，岩浆岩均为酸性侵入岩，岩性分别为印支期的灰色中粒似斑状黑云母花岗岩、灰白色中粒二云母花岗岩，呈侵入接触关系(图2)，豆乍山岩体w(U)较高，白云母蚀变和碱交代作用强烈，可提供丰富铀源。

区内构造发育，按展布方向分为北北东向和北东向构造断裂带组，其中已发现3 组直接含矿的构造断裂带，主要为 8 号带(F800～F810)，其次为 7 号带(F700～F710)和 6 号带(F600～F610)，构造带长数千米，一般宽0.5～15 m，构造带内发育硅化碎裂花岗岩。矿体主要赋存在豆乍山岩体内部及与香草坪岩体的接触带附近，多呈脉状、扁豆状及透镜状，其产状与所赋存的断裂构造带的产状基本一致，明显沿构造带展布，分布在硅化断裂带产状变异、分支复合次级断裂发育部位。矿体往往在相近的高程，同时出现在不同的含矿带上，并略向下盘带侧伏，矿体均为隐伏矿体。

2 三维成矿预测

2.1 成矿模式

沙子江矿床所处的大地构造位置以及多期次的岩浆活动，为其铀成矿提供了有利的成矿条件。矿体的赋矿岩石是印支期的香草坪岩体和豆乍山岩体，以豆乍山岩体为主，其中香草坪岩体的平均w(U)为 7×10-6～13×10-6，豆乍山岩体平均w(U)为 17×10-6～23×10-6（王正庆，2018），豆乍山岩体相对于香草坪岩体而言，其铀成矿潜力更大。

矿床内的NNE-NE 向的3 组含矿断裂带为控矿断裂——天金断裂的次级断裂构造，含矿断裂带内发育花岗碎裂岩，蚀变发育，严格控制矿体的产状和规模。控矿断裂和含矿断裂为铀成矿提供了物质运移通道以及沉淀、保存的场所。由大气降水和深部热源组成的成矿流体使富铀花岗岩中的铀源在氧化的条件下发生活化迁移，上升的过程中降压去气（CO2）最终沉淀于构造断裂带内（王正庆，2018）。

图1 苗儿山地区大地构造位置(a)及铀成矿区地质简图(b,据石少华等，2010)Fig.1 Geotectonic location(a)and simplified geological map of Miaoershan（b,after Shi et al.,2010）

2.2 找矿模型

根据沙子江铀矿床的成矿地质背景、成矿模式以及找矿标志，建立其找矿模型（表1），主要有岩体、构造以及地球物理异常3 个方面。沙子江矿区范围内仅出露印支早期、印支晚期花岗岩体，因此岩体是该矿床的赋矿岩石，通过分析对比各岩体与矿体的空间耦合性，其特征主要表现在较强的空间含矿性以及岩体影响范围，最终确定成矿有利岩体。构造是控矿最重要的因素，与成矿关系最为密切（图3），通过确定其最佳缓冲距离，建立缓冲区模型。地球物理异常主要是由伽马偏高场等值线和210Po 偏高场等值线图确定的，与矿化在地表的耦合性较好。

2.3 三维地质建模

2.3.1 建模方法

本文建模使用的SKUA-GOCAD 软件，其前身是GOCAD(Geological Object Computer Aided De‐sign)，由法国的Nancy 大学开发，是受国际认可的三维建模软件，其分析及解译功能十分强大，可应用于采矿、石油勘查、地球物理勘查、地质工程等领域(杨志华等，2012)，利用离散光滑插值方法(DiscreteSmooth Interpolation)(Mallet 1992;1997)模拟地下复杂的地质现象，意在离散的数据点间建立网络连结，按已知点满足的约束条件求解未知点的值，不受限于空间维数的限制，最终形成光滑曲面。

图2 沙子江铀矿床地质简图（据李妩巍等，2011）Fig.2 Simplified geological map of the Shazijiang uranium deposit（after Li et al.,2011）

三维地质建模可融合多元数据(何紫兰等，2018；高乐等，2017; 孙岳等，2013)，如地质、地球物理、地球化学、工程钻探等，其准确性依赖于数据的精度。建模流程主要包括以下4 个步骤：①数据准备：地质数据库，钻孔、岩性、样品分析数据；二维剖面图、地质图等；②数据预处理：先在MapGis 中进行影像校正，图像矢量化，三维转换；③数据提取：提取钻孔信息，包括定位、测斜、岩性及样品分析数据信息；解译并提取勘探线剖面中的岩体及断裂等地质信息；④结构模型：构造-岩体模型：分析岩体之间的接触关系，厘定断层之间的主次及接触关系，通过离散光滑插值DSI 方法，构建三维地质模型。

2.3.2 三维地质模型

根据沙子江铀矿床的基础地质资料以及勘探成果资料等建立铀矿床的地形地貌、岩体、断层、矿体等三维模型。建模资料主要包括：①沙子江矿床1∶5000 的地质图；② 34 幅 1∶1000 的勘探线剖面图；③188 个钻孔（定位表、测斜表、岩性表、品位化验数据），总钻探工作量76303.017 m，化验样品数据373个，其中257个大于边界品位0.03%。

图3 沙子江铀矿床成矿模式示意图（据核工业北京地质研究院，2020）Fig.3 Metallogenic model of the Shazijiang uranium deposit（modified after Beijing Research Institution of Uranium Geology,2020)

表1 沙子江铀矿床找矿模型Table1 Prospecting model of the Shazijiang uranium deposit

（1）数据库模型

钻孔数据库模型(图3)是构建三维模型的重要数据，主要来源于勘探阶段。主要内容包括：Wellname(钻孔名称)、X(东坐标)、Y(北坐标)、Z(高程)、最大孔深(Max_depth)、Amizuth(倾向)、Dip( 倾 角)、depth( 孔 深)、maker( 岩 性)、化 验 数 据(grade)等。

（2）地形地貌模型

地形地貌模型的建立直观清晰的表达地表的高低起伏的状态，利用地形等高线建立DEM，相较于二维等高线图，三维地形图在表达地质信息方面更直观丰富，从图4a 可以看出，地表的沟谷、山峰一目了然。

（3）岩体模型

研究区范围内出露的岩浆岩均为酸性侵入岩，主要是印支期的早期香草坪岩体(γ51)和晚期的豆乍山岩体(γ51-2)。香草坪岩体分布在研究区南部（图2），岩性为中粒似斑状黑云母花岗岩。豆乍山岩体分布在中北部，岩性为中粒二云母花岗岩，岩石致密坚硬，2 种岩体呈侵入接触关系（图4b）。

（4）断裂模型

区内构造发育，含矿构造主要为北北东-北东向构造带组，从南至北分别为8号带、7号带、6号带（图4c），带内以碎裂花岗岩为主，局部有构造角砾岩，蚀变发育，带内的断裂在深部出现分支复合现象。据钻探工程资料显示，断裂在深部比较稳定，且在钻孔控制的范围内，均有向深部延伸的趋势，所以此次建模时根据断裂的倾向方向向下延伸近400 m，达到标高0 m 以浅的位置，目的是扩大建模深度，寻找隐伏矿体的有利赋存空间。

（5）已知矿体模型

研究区内发现的已知矿体多赋存在北北东向的断裂带内，共有已知矿体41 个（图4d），矿体赋存的最高标高为1491 m，最低标高为704 m，矿化垂幅787 m，矿体的平均厚度为0.78 m，均为隐伏矿体。

2.4 成矿信息提取

本文进行的三维控矿信息的提取在GOCAD 软件中完成，借助其强大的统计分析功能，结合已建立的三维地质模型，完成研究区各三维控矿要素控矿信息的提取。研究区的建模范围为从南到北为2 893 334 m～2 895 023 m、从西到东37 450 650 m～37 453 054 m，高程0～1 847 m的区域，将其划分成10 m×10 m×2 m 单元块，共有35 631 547 个单元块。在建立的三维地质网格之后，将建好的数字矿床模型中的各参数作为属性赋给每一个网格结点，即将有利的地质变量与控矿变量(包括有利岩体、构造有利信息、放射性物理场异常信息等)提取出来，形成该区域的预测模型(王世称等，1989)。

图4 沙子江铀矿床的三维地质模型a.地表DEM模型；b.岩体模型；c.断裂模型；d.矿体模型Fig.4 3D model of the Shazijiang uranium deposit a.Topography model;b.Rock mass model;c.Structures model;d.Orebody model

（1）有利岩体提取

研究区内岩浆岩主要是印支早期的香草坪岩体(γ51)和晚期的豆乍山岩体(γ51-2)。苗儿山地区铀矿床属花岗岩型铀矿床，但铀矿化对岩性无明显选择性，可能不存在成矿专属性（王正庆等，2017），在香草坪岩体和豆乍山岩体内都有铀矿床产出，但在沙子江铀矿床内，矿体几乎都赋存在豆乍山岩体内部及其2 种岩体的接触带附近（图5a、b），极为少量的矿体赋存在香草坪岩体内部，与矿化的空间耦合性较差，并且豆乍山岩体的平均w(U)远高于香草坪岩体，故将豆乍山岩体作为地质变量，用于预测，经统计分析认为研究区内豆乍山岩体含矿性较好，地质变量选取合适。

（2）不同岩体接触界面

不同岩体的接触界面被认为是成矿有利部位，是物性薄弱区域。岩体接触带两侧岩性一般具有一定的地球物理和地球化学反差，是良好的铀成矿地球化学障，其反差越大，对成矿越有利，是研究区铀矿化重要的控矿要素之一。经统计分析，当接触面的缓冲距离达到300 m（为最佳缓冲距离）时(图5c)，与已知矿体叠加分析，缓冲区内含已知矿块数达80%(图5d)，且随着缓冲距离的增加，含已知矿体的增加幅度逐渐变小。

（3）断层有利信息提取

研究区内经历多期次的构造活动，成矿与构造活动密切相关，为铀矿化提供成矿空间。区内的矿体明显受北北东-北东向的断裂构造控制，是重要的控矿和含矿断裂构造。断裂构造带内的矿体与构造带近平行（图6a），矿化严格受断裂控制，是最重要的控矿因素。通过对构造带缓冲叠加已知矿体的条件分析（图6b），当缓冲距离25 m 时(图6c)，含90%的已知矿体，且随着缓冲距离的增加，已知矿体的增加幅度减小，将25 m 的构造缓冲区作为成矿预测的预测要素之一。

（4）放射性物理场信息提取

根据研究区内的伽玛总量偏高场以及异常伽玛点的分布特征，建立了伽玛异常模型(图7a)，因伽玛异常点基本分布在断裂带上，故将地表伽玛异常沿断裂倾向延伸至深部，伽玛异常值区间[79～103]Ur，通过统计已知矿体与地球物理模型的网格数，发现地球物理数据基本覆盖已知矿体的67%，可作为已知成矿信息层参与到成矿预测中。同理，地面210Po地球物理模型也采用与伽玛相同的信息提取方法（图7b），作为预测的一个地质变量，异常值范围56～111 Bg/kg。

（5）矿化信息提取

矿产是由地球中的元素富集而成的，是一个元素运移富集的复杂过程(朱峰等，2015)，元素的富集是随机的但又具有一定的空间相关性的，故利用地质统计学分析元素地球化学分布特征来推测深部的成矿规律，达到定位预测的目的(高乐等，2015)。地质统计学以研究区域化变量为基础，以变异函数为工具，对既有随机性又有结构性的变量进行统计学研究(侯景儒，1997)。

本次铀品位的三维空间插值方法选用序贯高斯模拟方法，其属于随机模拟范畴，是一种应用高斯概率理论以及序贯模拟算法产生连续变量空间分布的模拟方法(胡先莉等，2007)。序贯高斯模拟是从一个网格单元到另一个网格单元序贯进行的，其用于计算参数的条件累积概率分布的数据，除原始数据以外，还必须考虑已经模拟过的数据(刘占宁等，2018)，从条件累积概率分布中随机地提取分位数实现参数数值模拟。

根据钻孔铀品位数据建立的三维属性模型(图8)，直观的反应矿产资源的特征，是找矿预测中重要的预测因素(庞绪成等，1999；庞绪成，2005；文波涛等，2014)。通过观察矿化的插值延伸趋势，结合地质剖面图来确定已知矿体是否未闭合，以此实现就矿找矿。

2.5 三维信息量法

在三维地质模型的构建基础之上，需要选用合适的数学模型对深部隐伏矿体进行定位定量预测，本文选用的三维信息量法是一种矿产预测过程中基于非参数性单变量的统计分析理论方法，最早由维索科奥斯特罗夫斯卡娅于1969 年提出，其理论方法是统计分析研究区内各预测要素与矿化体之间的的空间叠合情况，进而研究各地质要素的成矿有利度。

图5 沙子江铀矿床岩体含矿性及接触界面缓冲距分析a.岩体与矿体空间分布；b.岩体接触界面与矿体空间分布；c.接触带缓冲模型；d.接触带缓冲距离分析Fig.5 Spatial distribution between rock mass and orebody and 3D interface buffer distance analysis in the Shazijiang uranium deposit a.Spatial distribution between rock mass and known orebody;b.Spatial distribution between interface and known orebody;c.Interface buffer model;d.Interface buffer distance analysis

三维信息量法公式如下：

含有某找矿标志B 的找矿信息量条件概率计算为：

其中IA(B)为B 标志含有D 矿体的信息量值；P(B|D)为已知D 矿体存在情况下出现标志B 的概率；P(B)为出现标志B的概率。

由频率值代替概率值公式如下：

上述公式中Ni为研究区内具有标志B 的含矿单元数；N 为研究区内的含矿单元数；Si为研究区内具有标志B的单元数；S为研究区的单元总数。

通过对沙子江研究区成矿要素的定量化分析和统计，计算成矿要素的信息量值。

2.6 预测模型的建立

通过前人对该矿床地质特征和控矿要素的综合研究，沙子江铀矿床的控矿要素为：①豆乍山岩体作为产铀花岗岩，为成矿提供物质来源，与成矿关系密切；②叠加蚀变的断裂构造带是矿体集中分布的最佳地段；③豆乍山岩体和香草坪岩体的接触界面是矿体赋存的有利部位，也是含矿构造发育的良好空间；④地球物理场的伽玛异常，同时指示断裂构造是成矿有利部位，达到矿体定位的目的；⑤地球物理场的210Po 异常也是指示矿化的。对于品位插值模型，不作为三维信息量法中的预测要素，可单独作为检验成矿有利度可靠性的指标，将信息量法与实际地质情况结合起来，提高预测准确性。基于以上的分析，选取了5 种成矿有利信息图层并计算出其信息量值，见表2。

图6 沙子江铀矿床断裂构造的三维空间缓冲分析a.断裂与矿体空间分布；b.断裂带缓冲模型；c.缓冲距离分析Fig.6 3D structure buffer distance analysis of the Shazijiang uranium deposit a.Spatial distribution between structure and known orebody;b.Structure buffer model;c.Buffer distance analysis

3 靶区圈定与资源量预测

将每个信息量值赋给相应的信息图层的单元块，将重复赋值的单元块的信息量值进行叠加，得到最终的各单元块的信息量值。通过统计分析不同信息量值所对应的已知矿块累积频率，当信息量值达2.45 其含矿累积分布频率发生剧烈变化，表明该点为含矿分界点，当信息量值达4.25 累积含矿频率再次发生突变，将其视富矿分界点（图9a），依此划分出一级有利区间（＞4.25）和二级有利区间（2.45～4.25）（图9b）。经过统计发现80%的已知矿体出现在有利区间内，证明本次研究的有效性。根据信息量高值圈定的有利区间和品位属性模型共圈定A、B 2 个等级共7 个靶区（图9c、d），圈定的靶区基本位于断裂的在深部的汇合以及膨出部位，同时其品位属性模型的高值区域内。

图7 沙子江铀矿床Gama异常和210Po异常三维模型与矿体空间分布图a.Gama异常三维模型与矿体空间分布图；b.210Po异常三维模型与矿体空间分布图Fig.7 3D Gama anomalies model and 210Po anomalies model of the Shazijiang uranium deposit a.Spatial distribution between Gama anomalies and orebody;b.Spatial distribution between 210Po anomalies and orebody

图8 沙子江铀矿床品位分布及三维属性模型a.品位分布图；b.品位三维属性模型Fig.8 Uranium grade distribution and property model of the Shazijiang uranium deposit a.Grade distribution map;b.Grade property model

表2 沙子江铀矿床预测要素信息量值统计表Table 2 Statistics of the value of prospecting factor in Shazijiang deposit

关于预测资源量本文选用地质统计学的方法(序贯高斯模拟方法)对品位进行随机模拟，将插值后品位估值的平均品位作为计算资源量的品位，通对计算公式进行资源量计算。计算公式如下：

Qm=Σ(Vi·Ci·ρ·t)

其中Qm 代表矿石金属量，Vi 代表矿石体积，Ci 代表矿石的平均品位，ρ 代表矿石比重，t 代表含矿系数。矿石平均品位确定为0.067 %，矿石比重为2.56 t/m3。计算出研究区预测靶区资源量为XXX吨。

4 结 论

（1）基于GOCAD 三维建模软件，建立研究区的钻孔模型、地质体模型、构造模型和矿体模型，实现研究区的三维可视化，通过前人的研究成果，认为构造和不同岩性接触界面是最重要的控矿因素和空间定位条件。

（2）通过研究发现，GOCAD 三维软件不仅可以实现空间数据体的查询功能，还可以实现三维空间数据体的统计、分析等功能，挖掘地质要素与异常识别标志的三维空间属性信息，筛选信息图层的阙值，建立预测模型，为定量预测提供基础。

图9 信息量值的分级依据及靶区圈定a.不同信息量值的含矿累积频率图；b.信息量高值俯视图；c.一级有利区段（信息量＞4.25）内圈定的靶区；d.二级有利区段（信息量2.45～4.25）内圈定的靶区Fig.9 Prospecting information value classification based on cumulative frequency and prospecting targets in the Shazijiang deposit a.Prospecting information value cumulative frequency curve;b.Top view for favorable place;c.Targets in first class interval value(＞4.25);d.Targets in second class interval value(2.45～4.25)

（3）品位三维属性模型的建立与三维信息法联合圈定靶区，可提高其可靠性。本次研究圈定了7片找矿靶区，利用地质统计学求取平均品位，计算预测的资源量为XXX吨。