深度学习和微分波技术用于伊朗塔罗姆的磁石-石勘探
Mohammad Mahdi Pourgholam1, Ahmad Adib2, Peyman Afzal1
1Department of Petroleum and Mining Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran.
Scientific reports
|August 29, 2025
概括
这项研究引入了基于融合的深度学习 (FDL) 方法来检测铁矿化. 该方法整合了各种勘探数据,以提高铁矿藏的矿产前景性.
科学领域:
- 地质科学
- 矿产勘探
- 数据科学
背景情况:
- 铁矿化对于了解铁沉积物的形成至关重要.
- 精确识别矿物化和原生成对于矿物勘探至关重要.
- 传统的方法往往难以整合不同的地质和地物理数据集.
研究的目的:
- 通过深度学习提出并验证一种用于检测铁矿的新方法.
- 整合多个来源的勘探数据以改善矿产前景绘制.
- 应用基于融合的深度学习 (FDL) 算法来识别潜在的铁矿区.
主要方法:
- 使用了包括遥感,空中地质物理,地化学和地质地图在内的综合探索数据集.
- 开发了一个基于提取的特征和类之间的逻辑关系的前性模型 (PM).
- 用于特征提取和值的微分波算法 (DWT,W-N,SA).
- 使用基于融合的深度学习 (FDL) 算法与预先训练的矿产前景测绘 (MPM) 网络.
主要成果:
- 通过使用GIS和前性模型成功集成多种数据集.
- 微分波算法有效处理和分类地质层.
- 通过FDL方法生成了矿物前景地图 (MPM),显示了潜在的铁矿区.
- 这项研究证明了深度学习在矿产勘探数据融合中的有效性.
结论:
- 拟议的基于融合的深度学习方法对检测铁酸盐矿化有效.
- 通过FDL整合多来源数据可以提高矿产前景测绘的准确性.
- 这种方法提供了一个强大的工具来识别新的铁沉积目标.


