新型智能礦床勘查指導信息系統構建

張俊嶺, 陳華勇, 3*

新型智能礦床勘查指導信息系統構建

張俊嶺1, 2, 陳華勇1, 2, 3*

(1. 中國科學院 廣州地球化學研究所 礦物學與成礦學重點實驗室, 廣東 廣州 510640; 2. 中國科學院大學 地球與行星科學學院, 北京 100049; 3. 廣東省礦物物理與材料重點實驗室, 廣東 廣州 510640)

為充分挖掘礦床勘查大數據價值, 提升礦床勘查效率, 本文從分析礦床勘查大數據、總結礦床勘查流程出發, 提出了利用人工智能技術驅動“勘查活動–勘查大數據–勘查標識體系”三元智能循環的新型智能礦床勘查指導系統研究思路, 設計了5層系統體系結構, 并提出了“人工智能+微服務+云化部署”的技術路線, 構建了涵蓋數據采集處理、標識體系構建、預測區圈定與勘查指導方案生成等在內的八大功能模塊, 并對系統的多元應用形態、應用流程進行了展望。新型智能礦床勘查指導系統是服務礦床勘查活動的未來形態的綜合信息系統, 探索并構建該系統對于推動礦床勘查智能化進程具有現實意義。

礦床勘查; 勘查標識; 人工智能; 信息系統

0 引 言

隨著世界經濟社會持續發展和人民生活水平的不斷提高, “工業糧食”礦產資源的需求量不斷提升與“地表礦、淺部礦、已識別礦”日益減少、找礦難度逐漸加大的矛盾日益突出(鄭宗學等, 2021), 礦產資源繼續向“深部”第二找礦空間發展(趙鵬大, 2007; 嚴加永等, 2008; 滕吉文等, 2022), 同時也對礦床勘查方法提出了新的要求。當前, 以深部隱伏礦床勘查為主的礦床勘查工作具有典型的“勘查周期長、投資風險高、數據量巨大、勘查標識提取難”等特點, 利用人工智能技術提高深部隱伏礦床勘查效率已成為礦業界的共識和研究熱點(周永章等, 2021; 李燦鋒等, 2022), 市場上也涌現出一批以GoldSpot、EARTH AI、OreFox等為代表的專注智能勘查解決方案的新興公司, 但以人工智能技術為核心的智能勘查指導系統卻鮮有問世, 偶見Minerva Intelligence公司的智能礦床勘查軟件 TARGET、OreFox公司的平臺型智能礦床勘查軟件Prospector AI等?？傮w上現有的礦床勘查指導系統缺少大數據思維, 人工智能技術應用有限、信息挖掘功能不足, 勘查指導能力有待提升。在此背景下, 探索構建新的智能礦床勘查指導信息系統, 以礦床勘查大數據為基礎, 將人工智能技術貫穿勘查數據處理分析與應用全過程, 對挖掘深部隱伏礦在內的礦床勘查標識, 提升找礦效率, 具有重要現實意義。

1 礦床勘查數據與勘查流程

1.1 礦床勘查數據

隨著礦床勘查方法和手段發展, 礦床勘查數據的種類越來越多、積累速度越來越快, 數據量和數據價值也越來越大, 呈現“海量、多源、多樣、高維度、高增長”等特點, 已具備大數據“5V”(volume、variety、velocity、veracity、value)特征(毛先成等, 2019; 趙鵬大和陳永清, 2021)。在構建智能礦床勘查指導系統前, 必須對這些數據特征進行總結分析。

按照勘查方法與手段的不同, 礦床勘查數據可分為地質數據、礦床數據、地球化學數據、地球物理數據、遙感數據、工程勘探數據等(賈俊乾, 2007; 李鵬, 2013; 白啟星和吳鈺海, 2015); 按數據類型, 則可以分為結構化數據、空間數據、其他非結構化數據。

(1) 結構化數據, 包括: ①礦床地質數據: 礦名、礦種、礦體形態與產狀、礦石礦物組合、脈石礦物組合、圍巖蝕變類型、礦石結構、礦石構造、礦石品位等; ②控礦地質條件數據: 大地構造位置、構造控制、巖漿巖控制、地層控制、圍巖控制、巖相和建造控制、巖性控制、剝蝕深度控制、礦化蝕變等; ③礦床模型數據: 成礦系列、礦床多成因、成礦時代等; ④物化探數據: 異常序號、異常類型、異常形態、異常數字、異常說明等; ⑤鉆孔數據: 孔位、測斜、巖性、品位等。

(2) 空間數據, 包括: ①地理數據: 地形地貌、水系、植被、交通、居民地等; ②地質數據: 地層、構造、巖體、礦體、蝕變等; ③工程勘探數據: 礦體、礦段、鉆孔、探槽、坑道等; ④具備空間特征的地球物理、地球化學、遙感等數據。

(3) 其他非結構化數據, 包括: 圖書期刊文獻、地質勘查報告和各種圖文聲像數據等。

當前, 利用人工智能挖掘礦床勘查大數據已成為礦床勘查研究的熱點和前沿領域(肖克炎等, 2015; 成秋明, 2021; Woodhead and Mathieu, 2021), 且較廣泛應用于地球化學異常提取(Zuo and Xiong , 2018; 李蒼柏, 2020)、地球化學元素特征與礦體空間就位的關系構建(Carranza and Laborte, 2015)、地球物理數據反演與解釋(Wrona et al., 2018)、遙感地質解譯及勘查指示信息提取(Shirmard et al., 2022; Shevyrev and Carranza, 2022)、勘查指示信息集成與三維定量成礦預測模型構建(Li et al., 2015; 陳進等, 2020; 鄧浩等, 2021; Zhang et al., 2021)、礦產資源潛力評價(肖克炎等, 2015; McMillan et al., 2019; Li et al., 2020)等研究, 涵蓋不同區域、不同尺度、不同礦床類型和礦種的礦床勘查數據挖掘。

1.2 礦床勘查流程

礦床勘查是指運用地質填圖、物探、化探、遙感、鉆探等勘查手段完成對某一區域的勘查, 研究礦床自然特征及礦產勘查開發的技術、經濟、生態環境等因素, 評估礦床生產建設投資的可能性(戴長國, 2022)。根據研究區勘查工作程度, 礦床勘查分為普查、詳查和勘探。礦床勘查方法按大類可分為地質法(遙感地質法、地質填圖法、礦物勘查法等)、化探法(巖石化探法、土壤化探法、生物化探法等)、物探法(重、磁、電物探法, 地震法, 光譜法等)、工程勘查法(鉆探法、坑探法、槽探法等)(王丹, 2022)。隨著現代科學技術的發展, 礦床勘查方法分類更加豐富、先進、精確、全面和智能, 如短波紅外光譜勘查方法(許超等, 2017; 陳華勇等, 2019)。

根據研究區地質、地形地貌、交通等條件的不同, 一個完整的礦床勘查活動周期從數月到數年不等。在大數據/人工智能輔助前提下, 當前以及未來理想化綜合勘查流程設計詳見圖1。

圖1 礦床勘查流程

(1) 礦床地質資料收集: 根據研究區礦床勘查工作需要, 針對性地系統收集多尺度礦床勘查資料, 資料以已有的礦床地質勘查數據為主, 同時也包括圖書期刊、勘查報告和圖件、開放性地學數據庫等可能對礦床勘查工作有幫助的資料。

(2) 礦床勘查數據建庫: 對所收集的礦床勘查資料的進行系統整理, 包括但不限于數據清洗、數據合并、數據歸類、數據轉換、投影變換等, 即將勘查數據集成到具有統一坐標系的地質空間內。

(3) 礦床勘查方案制定: 利用知識驅動和數據驅動相結合的方法, 對礦床勘查數據的開展全面梳理分析, 根據不同的地質背景、礦床類型、地形地貌、經濟效益等因素, 本著經濟高效和優化原則, 制定勘查方案?？辈榉桨竷热莅ǖ幌抻诠ぷ鞑渴?、勘查方法與技術要求、經費預算、預期成果、保障措施等。

(4) 礦床綠色勘查作業: 依據勘查方案, 應用不同的綠色勘查方法開展實地勘查作業, 確?？辈橘|量, 獲取相應的勘查數據。

(5) 勘查標識體系構建: 利用統計分析、機器學習等多種方法, 對獲取的勘查數據進行處理分析, 包括物探解譯、物化探異常圈定等, 開展不同勘查要素對隱伏礦體的指示關系研究, 提煉勘查標識(直接標識、間接標識), 構建找礦預測勘查標識體系, 形成勘查標識證據層。

(6) 勘查標識集成融合: 利用綜合信息量法、證據權法、人工智能等方法, 將多元勘查標識進行集成融合, 形成跨類型、綜合的多元勘查標識體系。

(7) 預測區圈定: 通過勘查標識聯合約束, 圈定找礦預測區, 并對其進行“四定”(定性、定位、定量、定概率)評價。

(8) 預測區綠色工程驗證: 選擇性地開展預測區綠色工程鉆探驗證, 并根據驗證結果, 進一步完善預測區。

(9) 勘查報告編寫: 編制勘查成果圖件, 系統總結整理勘查過程, 提出下一步勘查工作建議, 形成勘查報告。

2 系統體系結構

在信息大爆炸的時代, 礦床勘查過程中會持續生成、使用海量的勘查大數據, 而大數據的本質決定了必須使用人工智能技術才能更好的挖掘其價值(李燦鋒等, 2022), 以構建礦床勘查標識體系并服務勘查活動。由于新的勘查活動會持續產生新的海量勘查數據, 進一步充實礦床勘查大數據, 三者之間相互協作、周而復始, 構成能夠自我完善的礦床勘查進程(圖2)。本文所提出的新型智能礦床勘查指導系統即是為驅動這個進程而設計。

圖2 新型智能礦床勘查指導系統體系結構

新型智能礦床勘查指導系統以礦床學、數學、計算機學等學科理論為指導, 以礦床勘查流程為主線, 以勘查資料智能匯聚構建的礦床勘查大數據為基礎, 以提煉勘查標識、構建標識體系為核心, 利用大數據、人工智能、GIS等現代信息技術, 開發涵蓋勘查數據處理分析、標識提取與體系構建、預測區圈定、勘查指導方案生成等功能模塊, 服務礦床勘查全過程, 發揮勘查數據價值, 提升礦床勘查效率。

3 系統總體設計

3.1 系統框架

智能礦床勘查指導系統的總體架構共分為五層(圖3), 分別為信息網絡基礎設施層、數據庫層、技術支撐層、功能服務層和用戶層。

圖3 新型智能礦床勘查指導系統框架

(1) 信息網絡基礎設施層: 主要包括信息網絡、服務器、存儲網絡、操作系統、中間件、數據庫、安全服務等。

(2) 數據庫層: 實現礦床勘查大數據的集中存儲。數據庫內容既包括同一礦床類型(如斑巖型銅礦)的多尺度數據, 也包括重要礦集區(如鄂東南礦集區)的數據, 這也是新型智能信息系統數據庫建設的兩大主要方向。

(3) 技術支撐層: 支撐系統功能開發與運行的中間件、軟件開發工具包等基礎信息平臺, 包括AI引擎、GIS引擎、工作流引擎、統計分析引擎、數據訪問與管理引擎、運行監控引擎等。

(4) 功能服務層: 主要是指智能礦床勘查指導系統的各項功能模塊, 包括數據采集與管理、數據處理分析、勘查標識體系構建、預測區圈定、勘查指導方案生成等。

(5) 用戶層: 主要是指智能礦床勘查指導系統的三大類用戶, 一是地質勘查單位, 主要利用該系統輔助開展小尺度、大范圍(普查、詳查階段)的礦床勘查工作; 二是礦業公司, 主要利用系統輔助大尺度、小范圍(勘探階段)的礦床勘查與開發評估工作; 三是礦床相關科研院所, 主要利用該系統進行礦床勘查大數據分析及進行個性化二次開發。所有用戶均可通過該系統獨立或組合使用系統微服務, 以及在安全可控的前提下, 獲取礦床勘查數據服務。

3.2 關鍵技術

(1) 人工智能技術

人工智能技術是智能礦床勘查指導系統的核心技術。系統收集并分析對比監督學習、半監督學習、無監督學習、增強學習、知識圖譜等大數據挖掘方法, 總結不同方法對不同數據類型、數據規模、礦床尺度的礦床勘查大數據的適用性、勘查標識的找礦有效性、應用要求等, 遴選出適合礦床勘查大數據挖掘方法, 凝練礦床勘查AI算子, 構建礦床勘查AI算法庫等。

(2) 微服務架構

微服務架構是一種將單個應用程序構建為一系列小服務的設計方法。其中每個服務均按各自的流程運行, 并利用一種輕量級的其他通信機制服務進行通信。微服務架構支持將礦床勘查指導系統拆分為簡單的獨立項目, 應用程序被拆分為許多單個組件(服務), 每個服務限定到單個目的或功能, 這些服務既可以與其同級服務相互獨立運行, 也可以與應用程序一起作為整體運行。智能礦床勘查指導系統應盡可能將按功能模塊、功能點開發成獨立的微服務, 可獨立或協作運行, 既能保障系統的穩定性、實用性和擴展性, 也可以面向不同勘查階段對系統功能的需要, 將微服務進行組合, 提供定制服務。

(3) 云化部署

云化部署就是采用云化的方案, 也稱為SaaS模式(software as a service), 是一種軟件部署模型, 是專為網絡交付而設計, 便于用戶通過互聯網托管、部署及接入。云資源可動態即時調配, 能夠提供“按需服務”, 免除支撐系統運行的軟硬件環境部署運維的麻煩。智能礦床勘查指導系統將采取云化部署。

4 系統功能模塊

以系統架構和關鍵技術為指導, 以礦床勘查對數據的處理分析要求為主線, 按照“高內聚、低耦合”的系統功能模塊劃分原則, 設計了新型智能礦床勘查指導系統的功能模塊(圖4)。

圖4 新型智能礦床勘查指導系統功能結構

(1) 數據采集: 包括數據的采集、傳輸、上傳、檢查等, 實現礦床勘查資數據的采集入庫。

(2) 數據挖掘: 包括常規統計分析、多元統計分析、地統計分析、機器學習、知識圖譜、深度學習等不同的數據挖掘方法, 實現對礦床勘查大數據的挖掘。

(3) 標識識別: 實現包括地質、地球物理、地球化學、遙感等不同專業勘查標識以及綜合標識的提取。

(4) 標識體系構建: 包括礦床勘查標識體系的生成、更新和評估, 實現礦床勘查標識體系的智能構建與管理。

(5) 預測區圈定: 包括礦區預測區圈定和礦田靶區圈定, 智能實現不同尺度預測區的圈定與評估。

(6) 勘查方案生成: 包括方案智能生成、方案更新與修訂、方案導出等, 實現勘查方案的智能生成。

(7) 模型管理: 包括算子管理、模型庫管理、模型運行監控等, 實現勘查標識提取模型的管理。

(8) 系統管理: 包括用戶管理、權限管理、日志管理及系統配置等功能, 實現對系統基礎支撐功能的統一管理。

5 勘查應用

利用大數據和人工智能技術所開發構建的新型智能礦床勘查指導信息系統, 可應用于礦床勘查全過程。伴隨著勘查活動不斷生成新的勘查數據, 智能礦床勘查指導系統可以產生可以持續完善的勘查成果, 構建一種新的“即采、即傳、即算、即解”的智能礦床勘查新模式。另外, 由于系統采用微服務、云化部署等關鍵技術, 智能礦床勘查指導系統的功能點和功能模塊可獨立使用、也可根據應用需要自由搭建, 應用形態呈現多樣化。通過與不同的前端技術相結合, 系統形態可以表現為不同功能組合的PC版、Web版或移動版, 以靈活應用于礦床勘查過程, 提升系統應用效率。

新型智能礦床勘查指導系統的勘查應用流程如圖5所示。

圖5 新型智能礦床勘查指導系統勘查應用流程

6 結 論

智能礦床勘查指導系統是利用人工智能和大數據技術, 挖掘礦床勘查大數據價值, 服務礦床勘查全過程的綜合信息系統, 是礦床勘查指導系統的未來形態。由于智能礦床勘查指導系統涉及礦床學、地質學其他分支學科、信息學、計算機等多個學科, 亟待研發跨學科、兼容多元數據且具有自進化能力的礦床勘查專屬性人工智能算法, 但其構建與應用依然存在一定的挑戰, 包括多元地學數據獲取、最新AI技術融入等許多難點需要攻關, 是一個長期的過程。

致謝:感謝合肥工業大學袁峰教授和中南大學毛先成教授對論文提出的修改意見和建議。

白啟星, 吳鈺海. 2015. 地質礦床勘查數據的自動化管理. 科學中國人, (9): 82.

陳華勇, 張世濤, 初高彬, 張宇, 程佳敏, 田京, 韓金生. 2019. 鄂東南礦集區典型矽卡巖?斑巖礦床蝕變礦物短波紅外(SWIR)光譜研究與勘查應用. 巖石學報, 35(12): 3629–3643.

陳進, 毛先成, 劉占坤, 鄧浩. 2020. 基于隨機森林算法的大尹格莊金礦床三維成礦預測. 大地構造與成礦學, 44(2): 231–241.

成秋明. 2021. 什么是數學地球科學及其前沿領域? 地學前緣, 28(3): 6–25.

戴長國. 2022. 淺談地質找礦勘查技術原則與方法創新. 世界有色金屬, (3), 46–48.

鄧浩, 魏運鳳, 陳進, 劉占坤, 喻姝研, 毛先成. 2021. 基于注意力卷積神經網絡的焦家金礦帶三維成礦預測及構造控礦因素定量分析. 中南大學學報: 自然科學版, 52(9): 3003–3014.

賈俊乾. 2007. 基于MO的金屬礦床找礦勘查信息管理系統設計與開發. 長春: 吉林大學博士學位論文: 7–11.

李燦鋒, 劉達, 周德坤, 楊克好. 2022. 人工智能在地質領域的應用與展望. 礦物巖石地球化學通報, 41(3): 668–677.

李蒼柏. 2020. 支持向量機、隨機森林和人工神經網絡機器學習算法在地球化學異常信息提取中的對比研究. 地球學報, 41(2): 309–319.

李鵬. 2013. 面向地質勘查的多源異構數據集成關鍵技術研究. 武漢: 中國地質大學博士學位論文: 28–29.

毛先成, 王迷軍, 劉占坤, 陳進, 鄧浩. 2019. 基于勘查數據的膠東大尹格莊金礦床控礦地質因素定量分析. 地學前緣, 26(4): 84–93.

滕吉文, 薛國強, 宋明春. 2022. 第二深度空間礦產資源探查理念與電磁法找礦實踐. 地球物理學報, 65(10): 3975–3985.

王丹. 2022. 地質礦產勘查工作手段及方法. 中國金屬通報, (7): 104–106.

肖克炎, 孫莉, 李楠, 王琨, 范建福, 丁建華. 2015. 大數據思維下的礦產資源評價. 地質通報, 34(7): 1266– 1272.

許超, 陳華勇, WHITE N, 祁進平, 張樂駿, 張爽, 段甘. 2017. 福建紫金山礦田西南銅鉬礦段蝕變礦化特征及SWIR勘查應用研究. 礦床地質, 36(5): 1013–1038.

嚴加永, 滕吉文, 呂慶田. 2008. 深部金屬礦產資源地球物理勘查與應用. 地球物理學進展, 23(3): 871–891.

趙鵬大. 2007. 成礦定量預測與深部找礦. 地學前緣, 14(5): 1–10.

趙鵬大, 陳永清. 2021. 數字地質與數字礦床勘查. 地學前緣, 28(3): 1–5, 434–435.

鄭宗學, 張元松, 韓繼磊. 2021. 當前地質礦床勘查及找礦技術研究. 世界有色金屬, (21): 65–66.

周永章, 左仁廣, 劉剛, 袁峰, 毛先成, 郭艷軍, 肖凡, 廖杰, 劉艷鵬. 2021. 數學地球科學跨越發展的十年: 大數據、人工智能算法正在改變地質學. 礦物巖石地球化學通報, 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

國家自然科學基金項目(42230810)、廣州市科技計劃項目(202102080318)和山東省深部金礦探測大數據應用開發工程實驗室開放課題(SDK202201)聯合資助。

張俊嶺(1979–), 男, 助理研究員, 主要從事智能找礦勘查與礦產開發評估等方面的研究。E-mail: zjl@gig.ac.cn

陳華勇(1976–), 男, 研究員, 博士生導師, 主要從事金屬礦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