在地质上受限制的GANomaly网络用于通过频域训练数据的频域预测绘图
Hamid Sabbaghi1, Seyed Hassan Tabatabaei2, Nader Fathianpour2
1Department of Mining Engineering, Isfahan University of Technology, Isfahan, Iran. h.sabbaghi@mi.iut.ac.ir.
一个新的地质约束GANomaly模型有效地识别了矿产勘探的多元素地化学异常. 与传统方法相比,这种深度学习方法显著提高了检测黄金-铜发生的准确性.
科学领域:
- 地质化学 地质化学
- 机器学习 机器学习
- 矿产勘探 矿产勘探 矿产勘探 矿产勘探
背景情况:
- 有效地识别多元地质化学异常对于矿产勘探目标定位至关重要.
- 传统的方法缺乏在复杂的地化学数据中有效识别模式的能力.
- 深度学习算法,特别是生成对抗网络 (GANs),在提取高层特征以检测异常方面表现有前途.
研究的目的:
- 开发和应用一种新的地质约束GANomaly模型,用于识别多元素地质化学异常.
- 用先进的深度学习技术提高矿产勘探目标的准确性和效率.
- 将地质知识纳入深度学习框架,以生成更可靠的潜在地图.
主要方法:
- 使用频域训练数据开发和训练了一个地质限制的GANomaly网络.
- 该模型被应用于识别伊朗东北方费扎巴德地区的Au-Cu矿产化,并纳入矿物系统参数.
- 用成功率曲线来评估模型在追踪已知的事件中的表现.
主要成果:
- 在使用频率域数据的地质约束GANomaly模型中,成功追踪了30%的区域内86.68%的Au-Cu发生.
- 使用空间域数据的模型追踪了同一个30%区域内80.13%的Au-Cu事件.
- 申请证明了该模型在确定Au-Cu矿化潜在区域的有效性.
结论:
- 地质上受约束的深度学习模型,如GANomaly,在识别多元地质化学异常方面取得了重大进展.
- 在这个特定的Au-Cu勘探案例中,具有地质约束的频域方法比空间域数据更有效.
- 这项研究强调了将地质知识与先进的机器学习相结合的潜力,以加强矿产勘探战略.
更多相关视频
08:45Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
Published on: October 24, 2012
06:55Kinematic History of a Salient-recess Junction Explored through a Combined Approach of Field Data and Analog Sandbox Modeling
Published on: August 5, 2016
相关概念视频
Field Application of Global Positioning System
Manipulation and Analysis
Selected Data About Geographic Locations
Design Example: Identifying the Locations of Monuments in the Field Using Global Positioning System Device
