王 中，肖克炎，丁建華

(1.安徽省地質(zhì)調(diào)查院，安徽 合肥 230001;2.中國(guó)地質(zhì)科學(xué)院礦產(chǎn)資源研究所，北京 100037)

0 引言

在有一定的地質(zhì)工作基礎(chǔ)、有多年采礦歷史、具有一定資料積累、成礦系統(tǒng)復(fù)雜、找礦難度突出的地區(qū)開展有效的礦產(chǎn)預(yù)測(cè)工作，需開展新理論、新方法、新手段、新技術(shù)、新數(shù)據(jù)、新系統(tǒng)等應(yīng)用和研究(成秋明等，2009)。其中，非線性數(shù)學(xué)方法與潛力評(píng)價(jià)技術(shù)的結(jié)合是未來成礦預(yù)測(cè)方法研究的熱點(diǎn)，特別是對(duì)找礦勘查工作具有重要的理論和現(xiàn)實(shí)意義。我國(guó)西部地區(qū)礦產(chǎn)資源潛力巨大。通過定位預(yù)測(cè)方法的研究，同時(shí)結(jié)合定量預(yù)測(cè)(Wang et al，2012)，可以總結(jié)出一套符合西部地區(qū)成礦地質(zhì)條件實(shí)際情況、可靠而有效的評(píng)價(jià)方法。

從新疆東天山地區(qū)的成礦條件來看，以該地區(qū)作為西部地區(qū)成礦預(yù)測(cè)新技術(shù)的實(shí)驗(yàn)研究區(qū)域，具備較好的條件。(1)東天山地區(qū)是我國(guó)固體礦產(chǎn)資源16個(gè)重點(diǎn)成礦區(qū)帶之一;是我國(guó)有色金屬、貴金屬的重要成礦帶;也是我國(guó)西部的重要成礦區(qū)帶。(2)從地質(zhì)特征上來看，東天山地區(qū)地層分布較齊全、沉積建造類型多樣、地質(zhì)構(gòu)造環(huán)境復(fù)雜、巖漿活動(dòng)較頻繁、變質(zhì)變形作用較明顯，因此該地區(qū)成礦地質(zhì)條件較優(yōu)越。(3)從工作程度上來看，近年來，國(guó)土資源大調(diào)查工作在該區(qū)不斷有新的突破，發(fā)現(xiàn)了一些新的礦床，如土屋延?xùn)|銅礦床、坡北銅鎳硫化物礦床、東戈壁鉬礦床等。(4)前人對(duì)東天山地區(qū)成礦地質(zhì)特征的研究積累了一定的基礎(chǔ)，較適合于方法試驗(yàn)(丁建華，2007)。

基于以上幾點(diǎn)，通過非線性統(tǒng)計(jì)方法對(duì)新疆東天山地區(qū)斑巖型鉬礦資源的預(yù)測(cè)進(jìn)行探討。

1 研究區(qū)地質(zhì)背景及礦產(chǎn)資源

從構(gòu)造特征來看，東天山地區(qū)具有多期和復(fù)雜的地質(zhì)構(gòu)造運(yùn)動(dòng)特征，從而導(dǎo)致該地區(qū)構(gòu)造發(fā)育。其中斷裂構(gòu)造系統(tǒng)復(fù)雜，這些斷裂系統(tǒng)包含深大斷裂和一般性斷裂，并且這些斷裂將分割出不同的地質(zhì)構(gòu)造單元，這些地質(zhì)構(gòu)造單元具有不同的地質(zhì)建造特征(圖1)。

圖1 東天山大地構(gòu)造略圖(據(jù)丁建華等，2007修改)Fig.1 Tectonic sketch map of East Tian Shan(modified from Ding et al，2007)

從地層分布來看，古生代—第四紀(jì)各個(gè)不同地質(zhì)時(shí)期形成的地層在東天山地區(qū)皆有出露，其中東天山南部及其毗鄰地區(qū)的火山巖較為發(fā)育。從資源稟賦情況來看，內(nèi)生金屬礦產(chǎn)主要有銅、金、鎳、鐵、鉛鋅、銀、釩、鉬礦等，其中銅、金、鐵、鉛鋅、銀、鉬礦是東天山的優(yōu)勢(shì)礦種。在空間分布上，北部(康古爾斷裂兩側(cè))以銅礦為主，自西向東有小熱泉子銅礦、土屋—延?xùn)|銅礦、三岔口銅礦和黃山銅鎳礦等;中部(康古爾斷裂與阿其克庫都克斷裂之間)以金礦和鐵礦為主，其次是銅礦和銀礦等，尤其是金礦集中分布于石英灘—康古爾塔格一帶，如石英灘、康古爾、馬頭灘等金礦;南部(阿其克庫都克斷裂與卡瓦布拉克斷裂之間)以鐵、鉛鋅、鉬、金、銀礦為主，尤其是阿其克庫都克斷裂南側(cè)分布有天湖鐵礦、彩霞山鉛鋅礦、白山鉬礦、東戈壁鉬礦、吉源銅銀礦、馬莊山金礦、玉西銀礦、沙泉子鉛鋅礦、維權(quán)銀多金屬礦等(圖2)。

圖2 東天山及鄰區(qū)金屬礦床分布圖(據(jù)王京彬等，2006修改)Fig.2 Map showing distribution of metallic deposits in East Tian Shan and its adjacent areas(modified from Wang et al，2006)

2 非線性預(yù)測(cè)方法及遠(yuǎn)景區(qū)評(píng)價(jià)

2.1 Kohonen人工神經(jīng)網(wǎng)絡(luò)模型法

礦產(chǎn)資源區(qū)域預(yù)測(cè)方法有信息量法、BP神經(jīng)網(wǎng)絡(luò)法、特征分析法、證據(jù)權(quán)法等。但這些方法的基本前提是樣本的充足性。由于以上數(shù)學(xué)模型中的樣本數(shù)量要大于變量數(shù)量才能保證方程非病態(tài)，因此通常認(rèn)為當(dāng)一個(gè)研究區(qū)內(nèi)的同類型礦床數(shù)量≥5個(gè)時(shí)，采用以上模型會(huì)產(chǎn)生較好的預(yù)測(cè)效果，否則會(huì)影響預(yù)測(cè)精度。而東天山已探明的斑巖型鉬礦數(shù)量較少，應(yīng)用以上統(tǒng)計(jì)方法不符合定位預(yù)測(cè)的基本要求，也無法保證精度。針對(duì)無模型或少模型預(yù)測(cè)，不少學(xué)者在進(jìn)行此項(xiàng)研究工作和有益嘗試，這些方法包括動(dòng)態(tài)聚類分析、數(shù)量化理論III、數(shù)量化理論IV和ART 1神經(jīng)網(wǎng)絡(luò)4種無監(jiān)督分類統(tǒng)計(jì)數(shù)學(xué)模型預(yù)測(cè)法(朱裕生等，1997;肖克炎等，2006)，本次研究嘗試一種新的非線性無監(jiān)督分類方法——Kohonen人工神經(jīng)網(wǎng)絡(luò)模型法，通過VC++平臺(tái)來實(shí)現(xiàn)，并集成在礦產(chǎn)資源評(píng)價(jià)系統(tǒng)(MRAS)中，據(jù)此進(jìn)行遠(yuǎn)景區(qū)圈定。

Kohonen人工神經(jīng)網(wǎng)絡(luò)亦稱“自組織特征影射人工神經(jīng)網(wǎng)絡(luò)”(Kohonen，1984)，它模擬人類大腦神經(jīng)系統(tǒng)的功能分區(qū)和自組織特征影射功能，是一種無監(jiān)督模式識(shí)別方法，可用于礦產(chǎn)資源的定位預(yù)測(cè)。該網(wǎng)絡(luò)由輸入層和競(jìng)爭(zhēng)層組成。輸入層的神經(jīng)元個(gè)數(shù)為N，競(jìng)爭(zhēng)層的神經(jīng)元個(gè)數(shù)為M=RC，M個(gè)神經(jīng)元可以構(gòu)成1個(gè)二維平面陣列或1個(gè)一維陣列(R=1)。輸入層和競(jìng)爭(zhēng)層之間實(shí)現(xiàn)全互連接(圖3)。在網(wǎng)絡(luò)學(xué)習(xí)過程中，當(dāng)輸入一個(gè)已知樣品時(shí)，競(jìng)爭(zhēng)層中的各神經(jīng)元相互競(jìng)爭(zhēng)，最后僅有1個(gè)神經(jīng)元獲勝，并修改那些與這個(gè)獲勝神經(jīng)元有關(guān)的各連接權(quán)系數(shù)，使得網(wǎng)絡(luò)向更有利于獲勝神經(jīng)元的方向調(diào)整。當(dāng)所有樣品都具有確定的獲勝神經(jīng)元時(shí)，競(jìng)爭(zhēng)結(jié)束。

圖3 Kohonen人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of Kohonen artificial neural networks

2.2 算法及實(shí)現(xiàn)

2.2.1 Kohonen權(quán)值學(xué)習(xí)總體算法

(1)輸入?yún)?shù)X［N］［P］。

(2)構(gòu)造權(quán)值矩陣：

① 由X［N］［P］求中間值Xmid［N］。

② 由Xmid［N］構(gòu)造權(quán)值矩陣 W［M］［N］。

(3)構(gòu)造競(jìng)爭(zhēng)層：

①求競(jìng)爭(zhēng)層神經(jīng)元數(shù)M;

② 求鄰域距離矩陣D［M］［N］;

③ 求 D［M］［N］的最大值Dmax。

(4)訓(xùn)練參數(shù)初始化。

(5)學(xué)習(xí)權(quán)值矩陣：

① 更新參數(shù)：學(xué)習(xí)速率(lr)，鄰域距離

(nd);共分2個(gè)階段：

(a)粗調(diào)階段更新;

(b)細(xì)調(diào)階段更新。

② 求輸入模式X［N］［P］在競(jìng)爭(zhēng)層的獲勝神經(jīng)元 WIN［P］：

(a)求X［N］［P］與 W［M］［N］的歐氏距離dm;

(b)按距離dm最短，求輸入模式X［N］［P］在競(jìng)爭(zhēng)層的獲勝神經(jīng)元WIN［P］。

③ 求輸入模式X［N］［P］在競(jìng)爭(zhēng)層的獲勝神經(jīng)元WIN［P］及其在鄰域距離nd內(nèi)的神經(jīng)元Y［M］［P］。

④ 求輸入模式X［N］［P］在競(jìng)爭(zhēng)層的獲勝神經(jīng)元WIN［P］及其在鄰域距離nd內(nèi)的神經(jīng)元的權(quán)值修正值ΔW［M］［N］。

⑤ 權(quán)值修正 W［M］［N］=W［M］［N］+ΔW［M］［N］。

⑥學(xué)習(xí)結(jié)束條件：

(a)學(xué)習(xí)循環(huán)到MAX－STEP次;

(b)學(xué)習(xí)速率lr達(dá)到用戶制定的最低速率lr－MIN;

(c)學(xué)習(xí)時(shí)間time達(dá)到用戶制定的最短時(shí)間time－LIM。

⑦輸出：

(a)學(xué)習(xí)得到的權(quán)值矩陣W［M］［N］;

(b)鄰域距離矩陣D［M］［N］。

⑧結(jié)束。

2.2.2 Kohonen預(yù)測(cè)總體算法

(1)輸入需分類數(shù)據(jù)X［N］［P］，鄰域距離矩陣D［M］［N］。

(2)求輸入模式X［N］［P］在競(jìng)爭(zhēng)層的獲勝神

經(jīng)元 WIN［P］：

(a)求X［N］［P］與 W［M］［N］的歐氏距離dm;

(b)按距離dm最短，求輸入模式X［N］［P］在競(jìng)爭(zhēng)層的獲勝神經(jīng)元WIN［P］。

(3)求獲勝神經(jīng)元WIN［P］在競(jìng)爭(zhēng)層排列的行列位置。

(4)輸出與輸入數(shù)據(jù)適應(yīng)的獲勝神經(jīng)元WIN［P］在競(jìng)爭(zhēng)層排列的行列位置，作為分類結(jié)果。

(5)結(jié)束。

在VC++平臺(tái)上，對(duì)以上算法進(jìn)行了實(shí)現(xiàn)并集成在MRAS系統(tǒng)中。

2.3 綜合預(yù)測(cè)模型構(gòu)建

中國(guó)鉬礦床賦礦圍巖較為多樣化，對(duì)全國(guó)120個(gè)鉬礦床的地質(zhì)特征統(tǒng)計(jì)結(jié)果表明：在地質(zhì)時(shí)期發(fā)育廣泛的中酸性侵入巖系均存在鉬礦化的發(fā)育(羅銘玖等，1991)。同時(shí)，根據(jù)對(duì)研究區(qū)內(nèi)該類型鉬礦床的分析及各類信息之間的相關(guān)關(guān)系來看，礦體全部賦存在中酸性巖體中。因此，遠(yuǎn)景區(qū)圈定的一個(gè)要素是中酸性巖體。在地球化學(xué)上，該地區(qū)Mo、Cu共生、伴生現(xiàn)象普遍，所以提取Mo、Cu的化探元素異常。在控礦構(gòu)造上，走滑斷裂構(gòu)造系統(tǒng)控制著含礦斑巖巖漿快速上升和淺成侵位的主要構(gòu)造系統(tǒng)(侯增謙，2004)，且走滑斷裂系統(tǒng)所引起的淺部構(gòu)造變形租用形成的局部拉張和應(yīng)力釋放環(huán)境，是成礦巖漿流體分凝的必要條件。因此，識(shí)別走滑斷裂構(gòu)造系統(tǒng)是尋找該類型礦床的關(guān)鍵，該類型礦床的成礦必要條件為中酸性富堿巖漿巖條件與走滑斷裂及次級(jí)斷裂構(gòu)造條件。

依據(jù)前述該類礦床條件與找礦標(biāo)志分析，結(jié)合現(xiàn)有資料，以綜合信息礦產(chǎn)資源預(yù)測(cè)理論(王世稱等，2000)為依托，以礦床模型綜合地質(zhì)信息預(yù)測(cè)方法(葉天竺等，2007)為基本技術(shù)方法，總結(jié)出該類礦床預(yù)測(cè)評(píng)價(jià)模型(表1)圈定成礦遠(yuǎn)景區(qū)。

表1 斑巖型鉬礦床成礦預(yù)測(cè)模型Table 1 Prediction model for porphyry molybdenum deposits

3 遠(yuǎn)景區(qū)圈定

3.1 Kohonen人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練

為了對(duì)成礦信息進(jìn)一步濃縮，提高預(yù)測(cè)效果，對(duì)上述評(píng)價(jià)因子進(jìn)行了變量信息提取，并進(jìn)行二值化，生成二值表(表2)，選擇使用MRAS少模型預(yù)測(cè)Kohonen網(wǎng)絡(luò)模塊，進(jìn)行預(yù)測(cè)區(qū)精細(xì)分類。設(shè)置競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)為12，最大訓(xùn)練次數(shù)為5 000次，使用3級(jí)輸出神經(jīng)元，得出遠(yuǎn)景區(qū)優(yōu)選結(jié)果(圖4)。

表2 輸出二值表結(jié)構(gòu)Table 2 Binary table structure

圖4 Kohonen人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練Fig.4 Test of Kohonen artificial neural networks

3.2 遠(yuǎn)景區(qū)圈定

從Kohonen網(wǎng)分類結(jié)果(圖5)可以看出，此次遠(yuǎn)景區(qū)圈定的效果基本滿意，2個(gè)鉬礦床都落入A類遠(yuǎn)景區(qū)，該類遠(yuǎn)景區(qū)主要分布在區(qū)內(nèi)阿奇庫都克大斷裂和康古爾斷裂帶之間，說明該區(qū)與深大斷裂較近，有較好的導(dǎo)礦構(gòu)造。分析對(duì)比成果資料與地質(zhì)、化探異常資料，發(fā)現(xiàn)存在一定的對(duì)應(yīng)關(guān)系。B類遠(yuǎn)景區(qū)主要分布在A類遠(yuǎn)景區(qū)的附近，基本是控礦斷裂的次級(jí)區(qū)域，目前正在東戈壁鉬礦以北的庫北地區(qū)進(jìn)行鉆孔驗(yàn)證工作，說明B類遠(yuǎn)景區(qū)也具有一定的找礦潛力。

圖5 Kohonen人工神經(jīng)網(wǎng)絡(luò)圈定的遠(yuǎn)景區(qū)預(yù)測(cè)圖Fig.5 Predicted prospecting areas based on Kohonen artificial neural networks

4 結(jié)論

(1)用綜合信息找礦模型對(duì)研究區(qū)的鉬礦進(jìn)行成礦預(yù)測(cè)。確定5類預(yù)測(cè)變量(地層、斷裂、巖漿巖、化探、遙感)用于建立綜合預(yù)測(cè)模型。由于東天山鉬礦資源樣本較少，傳統(tǒng)的礦產(chǎn)資源預(yù)測(cè)方法如證據(jù)權(quán)法、特征分析法和BP人工神經(jīng)網(wǎng)絡(luò)法等皆不適用于這一地區(qū)的鉬礦資源預(yù)測(cè)工作，因此使用少模型預(yù)測(cè)的Kohonen人工神經(jīng)網(wǎng)絡(luò)法，此種方法不依賴預(yù)測(cè)區(qū)域的樣本數(shù)量，實(shí)行非監(jiān)督分類。分類結(jié)果顯示：2個(gè)典型礦床皆落入A類成礦有利區(qū)域，證明分類效果較為可信。預(yù)測(cè)結(jié)果表明該法具有操作簡(jiǎn)單、方便的特點(diǎn)，是一種有效、快捷的預(yù)測(cè)方法。

(2)Kohonen人工神經(jīng)網(wǎng)絡(luò)法在計(jì)算各連接權(quán)重的過程中可能會(huì)產(chǎn)生一定的隨機(jī)性。為保證預(yù)測(cè)精度和可信度，在未來工作中可以繼續(xù)對(duì)此方法進(jìn)行改進(jìn)，未來可引入Kohonen和BP人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法來進(jìn)行有益的嘗試。

成秋明，趙鵬大，陳建國(guó)，等.2009.奇異性理論在個(gè)舊錫銅礦產(chǎn)資源預(yù)測(cè)中的應(yīng)用：成礦弱信息提取和復(fù)合信息分解［J］.地球科學(xué)：中國(guó)地質(zhì)大學(xué)學(xué)報(bào)，34(2)：232－242.

丁建華.2007.新疆東天山銅、鎳、金礦資源潛力評(píng)價(jià)［R］.北京：中國(guó)地質(zhì)科學(xué)院.

侯增謙.2004.斑巖 Cu－Mo－Au 礦床：新認(rèn)識(shí)與新進(jìn)展［J］.地學(xué)前緣，11(1)：131－144.

羅銘玖，張輔民，董群英，等.1991.中國(guó)鉬礦床［M］.河南鄭州：河南科學(xué)技術(shù)出版社.

王世稱，陳永良，夏立顯.2000.綜合信息礦產(chǎn)預(yù)測(cè)理論與方法［M］.北京：科學(xué)出版社.

肖克炎，王勇毅，陳鄭輝.2006.中國(guó)礦產(chǎn)資源評(píng)價(jià)新技術(shù)與評(píng)價(jià)新模型［M］.北京：地質(zhì)出版社.

葉天竺，肖克炎，嚴(yán)光生.2007.礦床模型綜合地質(zhì)信息預(yù)測(cè)技術(shù)研究［J］.地學(xué)前緣，14(5)：11－19.

朱裕生，肖克炎.1997.成礦預(yù)測(cè)方法［M］.北京：地質(zhì)出版社.

KOHONEN T.1984.Self－organization and associative memory［M］.Berlin，GER：Springer－Verlag.

WANG ZHONG，XIAO KEYAN，SONG CHUANZHONG.2012.The grade－tonnage model for China's molybdenum deposits［J］.Acta Geologica Sinica：English Edition，86(3)：680 －690.