新型智能矿床勘查指导信息系统构建

张俊岭, 陈华勇, 3*

新型智能矿床勘查指导信息系统构建

张俊岭1, 2, 陈华勇1, 2, 3*

(1. 中国科学院 广州地球化学研究所 矿物学与成矿学重点实验室, 广东 广州 510640; 2. 中国科学院大学 地球与行星科学学院, 北京 100049; 3. 广东省矿物物理与材料重点实验室, 广东 广州 510640)

为充分挖掘矿床勘查大数据价值, 提升矿床勘查效率, 本文从分析矿床勘查大数据、总结矿床勘查流程出发, 提出了利用人工智能技术驱动“勘查活动–勘查大数据–勘查标识体系”三元智能循环的新型智能矿床勘查指导系统研究思路, 设计了5层系统体系结构, 并提出了“人工智能+微服务+云化部署”的技术路线, 构建了涵盖数据采集处理、标识体系构建、预测区圈定与勘查指导方案生成等在内的八大功能模块, 并对系统的多元应用形态、应用流程进行了展望。新型智能矿床勘查指导系统是服务矿床勘查活动的未来形态的综合信息系统, 探索并构建该系统对于推动矿床勘查智能化进程具有现实意义。

矿床勘查; 勘查标识; 人工智能; 信息系统

0 引 言

随着世界经济社会持续发展和人民生活水平的不断提高, “工业粮食”矿产资源的需求量不断提升与“地表矿、浅部矿、已识别矿”日益减少、找矿难度逐渐加大的矛盾日益突出(郑宗学等, 2021), 矿产资源继续向“深部”第二找矿空间发展(赵鹏大, 2007; 严加永等, 2008; 滕吉文等, 2022), 同时也对矿床勘查方法提出了新的要求。当前, 以深部隐伏矿床勘查为主的矿床勘查工作具有典型的“勘查周期长、投资风险高、数据量巨大、勘查标识提取难”等特点, 利用人工智能技术提高深部隐伏矿床勘查效率已成为矿业界的共识和研究热点(周永章等, 2021; 李灿锋等, 2022), 市场上也涌现出一批以GoldSpot、EARTH AI、OreFox等为代表的专注智能勘查解决方案的新兴公司, 但以人工智能技术为核心的智能勘查指导系统却鲜有问世, 偶见Minerva Intelligence公司的智能矿床勘查软件 TARGET、OreFox公司的平台型智能矿床勘查软件Prospector AI等。总体上现有的矿床勘查指导系统缺少大数据思维, 人工智能技术应用有限、信息挖掘功能不足, 勘查指导能力有待提升。在此背景下, 探索构建新的智能矿床勘查指导信息系统, 以矿床勘查大数据为基础, 将人工智能技术贯穿勘查数据处理分析与应用全过程, 对挖掘深部隐伏矿在内的矿床勘查标识, 提升找矿效率, 具有重要现实意义。

1 矿床勘查数据与勘查流程

1.1 矿床勘查数据

随着矿床勘查方法和手段发展, 矿床勘查数据的种类越来越多、积累速度越来越快, 数据量和数据价值也越来越大, 呈现“海量、多源、多样、高维度、高增长”等特点, 已具备大数据“5V”(volume、variety、velocity、veracity、value)特征(毛先成等, 2019; 赵鹏大和陈永清, 2021)。在构建智能矿床勘查指导系统前, 必须对这些数据特征进行总结分析。

按照勘查方法与手段的不同, 矿床勘查数据可分为地质数据、矿床数据、地球化学数据、地球物理数据、遥感数据、工程勘探数据等(贾俊乾, 2007; 李鹏, 2013; 白启星和吴钰海, 2015); 按数据类型, 则可以分为结构化数据、空间数据、其他非结构化数据。

(1) 结构化数据, 包括: ①矿床地质数据: 矿名、矿种、矿体形态与产状、矿石矿物组合、脉石矿物组合、围岩蚀变类型、矿石结构、矿石构造、矿石品位等; ②控矿地质条件数据: 大地构造位置、构造控制、岩浆岩控制、地层控制、围岩控制、岩相和建造控制、岩性控制、剥蚀深度控制、矿化蚀变等; ③矿床模型数据: 成矿系列、矿床多成因、成矿时代等; ④物化探数据: 异常序号、异常类型、异常形态、异常数字、异常说明等; ⑤钻孔数据: 孔位、测斜、岩性、品位等。

(2) 空间数据, 包括: ①地理数据: 地形地貌、水系、植被、交通、居民地等; ②地质数据: 地层、构造、岩体、矿体、蚀变等; ③工程勘探数据: 矿体、矿段、钻孔、探槽、坑道等; ④具备空间特征的地球物理、地球化学、遥感等数据。

(3) 其他非结构化数据, 包括: 图书期刊文献、地质勘查报告和各种图文声像数据等。

当前, 利用人工智能挖掘矿床勘查大数据已成为矿床勘查研究的热点和前沿领域(肖克炎等, 2015; 成秋明, 2021; Woodhead and Mathieu, 2021), 且较广泛应用于地球化学异常提取(Zuo and Xiong , 2018; 李苍柏, 2020)、地球化学元素特征与矿体空间就位的关系构建(Carranza and Laborte, 2015)、地球物理数据反演与解释(Wrona et al., 2018)、遥感地质解译及勘查指示信息提取(Shirmard et al., 2022; Shevyrev and Carranza, 2022)、勘查指示信息集成与三维定量成矿预测模型构建(Li et al., 2015; 陈进等, 2020; 邓浩等, 2021; Zhang et al., 2021)、矿产资源潜力评价(肖克炎等, 2015; McMillan et al., 2019; Li et al., 2020)等研究, 涵盖不同区域、不同尺度、不同矿床类型和矿种的矿床勘查数据挖掘。

1.2 矿床勘查流程

矿床勘查是指运用地质填图、物探、化探、遥感、钻探等勘查手段完成对某一区域的勘查, 研究矿床自然特征及矿产勘查开发的技术、经济、生态环境等因素, 评估矿床生产建设投资的可能性(戴长国, 2022)。根据研究区勘查工作程度, 矿床勘查分为普查、详查和勘探。矿床勘查方法按大类可分为地质法(遥感地质法、地质填图法、矿物勘查法等)、化探法(岩石化探法、土壤化探法、生物化探法等)、物探法(重、磁、电物探法, 地震法, 光谱法等)、工程勘查法(钻探法、坑探法、槽探法等)(王丹, 2022)。随着现代科学技术的发展, 矿床勘查方法分类更加丰富、先进、精确、全面和智能, 如短波红外光谱勘查方法(许超等, 2017; 陈华勇等, 2019)。

根据研究区地质、地形地貌、交通等条件的不同, 一个完整的矿床勘查活动周期从数月到数年不等。在大数据/人工智能辅助前提下, 当前以及未来理想化综合勘查流程设计详见图1。

图1 矿床勘查流程

(1) 矿床地质资料收集: 根据研究区矿床勘查工作需要, 针对性地系统收集多尺度矿床勘查资料, 资料以已有的矿床地质勘查数据为主, 同时也包括图书期刊、勘查报告和图件、开放性地学数据库等可能对矿床勘查工作有帮助的资料。

(2) 矿床勘查数据建库: 对所收集的矿床勘查资料的进行系统整理, 包括但不限于数据清洗、数据合并、数据归类、数据转换、投影变换等, 即将勘查数据集成到具有统一坐标系的地质空间内。

(3) 矿床勘查方案制定: 利用知识驱动和数据驱动相结合的方法, 对矿床勘查数据的开展全面梳理分析, 根据不同的地质背景、矿床类型、地形地貌、经济效益等因素, 本着经济高效和优化原则, 制定勘查方案。勘查方案内容包括但不限于工作部署、勘查方法与技术要求、经费预算、预期成果、保障措施等。

(4) 矿床绿色勘查作业: 依据勘查方案, 应用不同的绿色勘查方法开展实地勘查作业, 确保勘查质量, 获取相应的勘查数据。

(5) 勘查标识体系构建: 利用统计分析、机器学习等多种方法, 对获取的勘查数据进行处理分析, 包括物探解译、物化探异常圈定等, 开展不同勘查要素对隐伏矿体的指示关系研究, 提炼勘查标识(直接标识、间接标识), 构建找矿预测勘查标识体系, 形成勘查标识证据层。

(6) 勘查标识集成融合: 利用综合信息量法、证据权法、人工智能等方法, 将多元勘查标识进行集成融合, 形成跨类型、综合的多元勘查标识体系。

(7) 预测区圈定: 通过勘查标识联合约束, 圈定找矿预测区, 并对其进行“四定”(定性、定位、定量、定概率)评价。

(8) 预测区绿色工程验证: 选择性地开展预测区绿色工程钻探验证, 并根据验证结果, 进一步完善预测区。

(9) 勘查报告编写: 编制勘查成果图件, 系统总结整理勘查过程, 提出下一步勘查工作建议, 形成勘查报告。

2 系统体系结构

在信息大爆炸的时代, 矿床勘查过程中会持续生成、使用海量的勘查大数据, 而大数据的本质决定了必须使用人工智能技术才能更好的挖掘其价值(李灿锋等, 2022), 以构建矿床勘查标识体系并服务勘查活动。由于新的勘查活动会持续产生新的海量勘查数据, 进一步充实矿床勘查大数据, 三者之间相互协作、周而复始, 构成能够自我完善的矿床勘查进程(图2)。本文所提出的新型智能矿床勘查指导系统即是为驱动这个进程而设计。

图2 新型智能矿床勘查指导系统体系结构

新型智能矿床勘查指导系统以矿床学、数学、计算机学等学科理论为指导, 以矿床勘查流程为主线, 以勘查资料智能汇聚构建的矿床勘查大数据为基础, 以提炼勘查标识、构建标识体系为核心, 利用大数据、人工智能、GIS等现代信息技术, 开发涵盖勘查数据处理分析、标识提取与体系构建、预测区圈定、勘查指导方案生成等功能模块, 服务矿床勘查全过程, 发挥勘查数据价值, 提升矿床勘查效率。

3 系统总体设计

3.1 系统框架

智能矿床勘查指导系统的总体架构共分为五层(图3), 分别为信息网络基础设施层、数据库层、技术支撑层、功能服务层和用户层。

图3 新型智能矿床勘查指导系统框架

(1) 信息网络基础设施层: 主要包括信息网络、服务器、存储网络、操作系统、中间件、数据库、安全服务等。

(2) 数据库层: 实现矿床勘查大数据的集中存储。数据库内容既包括同一矿床类型(如斑岩型铜矿)的多尺度数据, 也包括重要矿集区(如鄂东南矿集区)的数据, 这也是新型智能信息系统数据库建设的两大主要方向。

(3) 技术支撑层: 支撑系统功能开发与运行的中间件、软件开发工具包等基础信息平台, 包括AI引擎、GIS引擎、工作流引擎、统计分析引擎、数据访问与管理引擎、运行监控引擎等。

(4) 功能服务层: 主要是指智能矿床勘查指导系统的各项功能模块, 包括数据采集与管理、数据处理分析、勘查标识体系构建、预测区圈定、勘查指导方案生成等。

(5) 用户层: 主要是指智能矿床勘查指导系统的三大类用户, 一是地质勘查单位, 主要利用该系统辅助开展小尺度、大范围(普查、详查阶段)的矿床勘查工作; 二是矿业公司, 主要利用系统辅助大尺度、小范围(勘探阶段)的矿床勘查与开发评估工作; 三是矿床相关科研院所, 主要利用该系统进行矿床勘查大数据分析及进行个性化二次开发。所有用户均可通过该系统独立或组合使用系统微服务, 以及在安全可控的前提下, 获取矿床勘查数据服务。

3.2 关键技术

(1) 人工智能技术

人工智能技术是智能矿床勘查指导系统的核心技术。系统收集并分析对比监督学习、半监督学习、无监督学习、增强学习、知识图谱等大数据挖掘方法, 总结不同方法对不同数据类型、数据规模、矿床尺度的矿床勘查大数据的适用性、勘查标识的找矿有效性、应用要求等, 遴选出适合矿床勘查大数据挖掘方法, 凝练矿床勘查AI算子, 构建矿床勘查AI算法库等。

(2) 微服务架构

微服务架构是一种将单个应用程序构建为一系列小服务的设计方法。其中每个服务均按各自的流程运行, 并利用一种轻量级的其他通信机制服务进行通信。微服务架构支持将矿床勘查指导系统拆分为简单的独立项目, 应用程序被拆分为许多单个组件(服务), 每个服务限定到单个目的或功能, 这些服务既可以与其同级服务相互独立运行, 也可以与应用程序一起作为整体运行。智能矿床勘查指导系统应尽可能将按功能模块、功能点开发成独立的微服务, 可独立或协作运行, 既能保障系统的稳定性、实用性和扩展性, 也可以面向不同勘查阶段对系统功能的需要, 将微服务进行组合, 提供定制服务。

(3) 云化部署

云化部署就是采用云化的方案, 也称为SaaS模式(software as a service), 是一种软件部署模型, 是专为网络交付而设计, 便于用户通过互联网托管、部署及接入。云资源可动态即时调配, 能够提供“按需服务”, 免除支撑系统运行的软硬件环境部署运维的麻烦。智能矿床勘查指导系统将采取云化部署。

4 系统功能模块

以系统架构和关键技术为指导, 以矿床勘查对数据的处理分析要求为主线, 按照“高内聚、低耦合”的系统功能模块划分原则, 设计了新型智能矿床勘查指导系统的功能模块(图4)。

图4 新型智能矿床勘查指导系统功能结构

(1) 数据采集: 包括数据的采集、传输、上传、检查等, 实现矿床勘查资数据的采集入库。

(2) 数据挖掘: 包括常规统计分析、多元统计分析、地统计分析、机器学习、知识图谱、深度学习等不同的数据挖掘方法, 实现对矿床勘查大数据的挖掘。

(3) 标识识别: 实现包括地质、地球物理、地球化学、遥感等不同专业勘查标识以及综合标识的提取。

(4) 标识体系构建: 包括矿床勘查标识体系的生成、更新和评估, 实现矿床勘查标识体系的智能构建与管理。

(5) 预测区圈定: 包括矿区预测区圈定和矿田靶区圈定, 智能实现不同尺度预测区的圈定与评估。

(6) 勘查方案生成: 包括方案智能生成、方案更新与修订、方案导出等, 实现勘查方案的智能生成。

(7) 模型管理: 包括算子管理、模型库管理、模型运行监控等, 实现勘查标识提取模型的管理。

(8) 系统管理: 包括用户管理、权限管理、日志管理及系统配置等功能, 实现对系统基础支撑功能的统一管理。

5 勘查应用

利用大数据和人工智能技术所开发构建的新型智能矿床勘查指导信息系统, 可应用于矿床勘查全过程。伴随着勘查活动不断生成新的勘查数据, 智能矿床勘查指导系统可以产生可以持续完善的勘查成果, 构建一种新的“即采、即传、即算、即解”的智能矿床勘查新模式。另外, 由于系统采用微服务、云化部署等关键技术, 智能矿床勘查指导系统的功能点和功能模块可独立使用、也可根据应用需要自由搭建, 应用形态呈现多样化。通过与不同的前端技术相结合, 系统形态可以表现为不同功能组合的PC版、Web版或移动版, 以灵活应用于矿床勘查过程, 提升系统应用效率。

新型智能矿床勘查指导系统的勘查应用流程如图5所示。

图5 新型智能矿床勘查指导系统勘查应用流程

6 结 论

智能矿床勘查指导系统是利用人工智能和大数据技术, 挖掘矿床勘查大数据价值, 服务矿床勘查全过程的综合信息系统, 是矿床勘查指导系统的未来形态。由于智能矿床勘查指导系统涉及矿床学、地质学其他分支学科、信息学、计算机等多个学科, 亟待研发跨学科、兼容多元数据且具有自进化能力的矿床勘查专属性人工智能算法, 但其构建与应用依然存在一定的挑战, 包括多元地学数据获取、最新AI技术融入等许多难点需要攻关, 是一个长期的过程。

致谢:感谢合肥工业大学袁峰教授和中南大学毛先成教授对论文提出的修改意见和建议。

白启星, 吴钰海. 2015. 地质矿床勘查数据的自动化管理. 科学中国人, (9): 82.

陈华勇, 张世涛, 初高彬, 张宇, 程佳敏, 田京, 韩金生. 2019. 鄂东南矿集区典型矽卡岩‒斑岩矿床蚀变矿物短波红外(SWIR)光谱研究与勘查应用. 岩石学报, 35(12): 3629–3643.

陈进, 毛先成, 刘占坤, 邓浩. 2020. 基于随机森林算法的大尹格庄金矿床三维成矿预测. 大地构造与成矿学, 44(2): 231–241.

成秋明. 2021. 什么是数学地球科学及其前沿领域? 地学前缘, 28(3): 6–25.

戴长国. 2022. 浅谈地质找矿勘查技术原则与方法创新. 世界有色金属, (3), 46–48.

邓浩, 魏运凤, 陈进, 刘占坤, 喻姝研, 毛先成. 2021. 基于注意力卷积神经网络的焦家金矿带三维成矿预测及构造控矿因素定量分析. 中南大学学报: 自然科学版, 52(9): 3003–3014.

贾俊乾. 2007. 基于MO的金属矿床找矿勘查信息管理系统设计与开发. 长春: 吉林大学博士学位论文: 7–11.

李灿锋, 刘达, 周德坤, 杨克好. 2022. 人工智能在地质领域的应用与展望. 矿物岩石地球化学通报, 41(3): 668–677.

李苍柏. 2020. 支持向量机、随机森林和人工神经网络机器学习算法在地球化学异常信息提取中的对比研究. 地球学报, 41(2): 309–319.

李鹏. 2013. 面向地质勘查的多源异构数据集成关键技术研究. 武汉: 中国地质大学博士学位论文: 28–29.

毛先成, 王迷军, 刘占坤, 陈进, 邓浩. 2019. 基于勘查数据的胶东大尹格庄金矿床控矿地质因素定量分析. 地学前缘, 26(4): 84–93.

滕吉文, 薛国强, 宋明春. 2022. 第二深度空间矿产资源探查理念与电磁法找矿实践. 地球物理学报, 65(10): 3975–3985.

王丹. 2022. 地质矿产勘查工作手段及方法. 中国金属通报, (7): 104–106.

肖克炎, 孙莉, 李楠, 王琨, 范建福, 丁建华. 2015. 大数据思维下的矿产资源评价. 地质通报, 34(7): 1266– 1272.

许超, 陈华勇, WHITE N, 祁进平, 张乐骏, 张爽, 段甘. 2017. 福建紫金山矿田西南铜钼矿段蚀变矿化特征及SWIR勘查应用研究. 矿床地质, 36(5): 1013–1038.

严加永, 滕吉文, 吕庆田. 2008. 深部金属矿产资源地球物理勘查与应用. 地球物理学进展, 23(3): 871–891.

赵鹏大. 2007. 成矿定量预测与深部找矿. 地学前缘, 14(5): 1–10.

赵鹏大, 陈永清. 2021. 数字地质与数字矿床勘查. 地学前缘, 28(3): 1–5, 434–435.

郑宗学, 张元松, 韩继磊. 2021. 当前地质矿床勘查及找矿技术研究. 世界有色金属, (21): 65–66.

周永章, 左仁广, 刘刚, 袁峰, 毛先成, 郭艳军, 肖凡, 廖杰, 刘艳鹏. 2021. 数学地球科学跨越发展的十年: 大数据、人工智能算法正在改变地质学. 矿物岩石地球化学通报, 40(3): 556–573, 777.

Carranza E J M, Laborte A G. 2015. Data-driven predictive mapping of gold prospectivity, Baguio district, Philippines: Application of random forests algorithm., 71: 777–787.

Li H, Li X H, Yuan F, Jowitt S M, Zhang M M, Zhou J, Zhou T F, Li X L, Ge C, Wu B C. 2020. Convolutional neural network and transfer learning based mineral prospectivitymodeling for geochemical exploration of Au mineralization within the Guandian-Zhangbaling area, Anhui Province, China., 122(1), 104747.

Li X H, Yuan F, Zhang M M, Jia C, Jowitt S M, Ord A, Zheng T K, Hu X Y, Li Y. 2015. Three-dimensional mineral prospectivity modeling for targeting of concealedmineralization within the Zhonggu iron orefield, Ningwu Basin, China., 71(5): 633–654.

McMillan M, Fohring J, Haber E, Granek J. 2019. Orogenic gold prospectivity mapping using machine learning. ASEG Extended Abstracts, 1: 1–4.

Shevyrev S, Carranza E J M. 2022. Application of maximum entropy for mineral prospectivity mapping in heavily vegetated areas of Greater Kurile chain with Landsat 8 data., 142(5), 104758.

Shirmard H, Farahbakhsh E, Müller R D, Chandra R. 2022. A review of machine learning in processing remote sensing data for mineral exploration., 268(2–3), 112750.

Woodhead J, Mathieu L. 2021. Harnessing the power of artificial intelligence machine learning in mineral exploration — Opportunities cautionary notes.,127: 19–31.

Wrona T, Pan I, Gawthorpe R L, Fossen H. 2018. Seismic facies analysis using machine learning., 83(5): 1–34.

Zhang Z Q, Wang G W, Liu C, Cheng L Z, Sha D M. 2021. Bagging-based positive-unlabeled learning algorithm with Bayesian hyperparameter optimization for three- dimensional mineral potential mapping., 154, 104817.

Zuo R G, Xiong Y H. 2018. Big data analytics of identifying geochemical anomalies supported by machine learning methods., 27(1): 5–13.

Construction of a New Intelligent Ore Deposit Exploration Guidance Information System

ZHANG Junling1, 2, CHEN Huayong1, 2, 3*

(1. CAS Key Laboratory of Mineralogy and Metallogeny, Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, Guangzhou 510640, Guangdong, China; 2. College of Earth and Planetary Sciences, University of Chinese Academy of Sciences, Beijing 100049, China; 3. Guangdong Provincial Key Laboratory of Mineral Physics and Materials, Guangzhou 510640, Guangdong, China)

To fully tap the value of mineral exploration big data and improve the efficiency of mineral exploration, this paper starts from analyzing the big data and summarizing the process of mineral exploration, and proposes the research direction for a new intelligent mineral exploration guidance system that uses artificial intelligence technology to drive the ternary intelligence cycle of “exploration activities-exploration big data-exploration indicator system”. The system is designed with a five-layer system architecture and a technical route of “artificial intelligence + micro-service + cloud deployment”, and includes eight major functional modules covering data collection and indicator system construction, prospect prediction, and exploration plan generation. This paper also looks forward to the system’s diverse application forms and application processes. The proposed new intelligent mineral exploration guidance system is a future informationsystem for mineral exploration, and the research and construction of such system has practical significance for promoting the intelligentization of mineral exploration.

mineral exploration; exploration indicators; artificial intelligence; information system

2022-11-09;

2023-01-09;

2023-05-29

国家自然科学基金项目(42230810)、广州市科技计划项目(202102080318)和山东省深部金矿探测大数据应用开发工程实验室开放课题(SDK202201)联合资助。

张俊岭(1979–), 男, 助理研究员, 主要从事智能找矿勘查与矿产开发评估等方面的研究。E-mail: zjl@gig.ac.cn

陈华勇(1976–), 男, 研究员, 博士生导师, 主要从事金属矿床成因及勘查方法研究。E-mail: huayongchen@gig.ac.cn

P628

A

1001-1552(2023)06-1323-007

10.16539/j.ddgzyckx.2023.01.202