优化的无监督AI-MPM方法：利用遗传算法优化模糊c均值聚类算法性能，以用于寻找斑岩型铜矿床

《Physics and Chemistry of the Earth, Parts A/B/C》：Optimized unsupervised AI-MPM: Application of genetic algorithm for optimization of Fuzzy c-means clustering performance for targeting porphyry copper deposits

　　Mehrdad Daviran|Abbas Maghsoudi 伊朗德黑兰Amirkabir理工大学采矿工程系，邮编1591634311 摘要 本研究探讨了将人工智能（AI）整合到矿物勘探制图（MPM）中，利用了与伊朗克尔曼省Baft地区斑岩和矽卡岩铜矿床相关的现有地理空间数据集。基于Daviran等人（2023年）的研究成果，该成果强调了有效选择的地质特征在减少AI-MPM系统性不确定性中的关键作用，本案例研究采用了这些选定的地理空间特征。我们提出了一种结合遗传算法（GA）和模糊C均值（FCM）聚类（GA-FCM）的混合方法，作为一种优化的无监督AI-MPM方法。该方法旨在优化关键参数，包括模糊度参数（m）和聚类数量（c），从而提高勘探模型的精度和可靠性。该方法利用无监督AI技术，包括GA-FCM及其变体，来识别潜在的矿化区，而无需依赖预先存在的标签。GA-FCM算法通过系统地探索参数空间来增强聚类过程，提高了聚类的区分度和可解释性。通过成功率曲线和标准化密度指数（ND）评估该方法的有效性，这两个指标为评估类别有效性和模型性能提供了可靠的依据。结果表明，所提出的优化聚类框架显著有助于识别高潜力的勘探目标，从而为矿物勘探活动提供更明智的决策支持。通过揭示地理空间数据集中的复杂关系，本研究突显了混合AI方法在增强矿物勘探分析方面的变革潜力。 引言 矿物矿床是复杂的多尺度地质过程的结果，留下了包括地球化学异常、地球物理响应和结构特征在内的各种地理空间特征。这些指标通常是非线性的、异质的，并且往往是不完整的，这使得单独解释它们既困难又可能具有误导性（Xiong等人，2018年）。此外，每个数据集仅部分捕捉了矿化过程，其可解释性受到尺度和不确定性的限制（Wang等人，2025年）。在这种情况下，矿物勘探制图（MPM）作为一个重要的综合框架应运而生，它结合了多种空间数据集以提高目标定位的准确性并降低勘探风险。随着人工智能（AI）的发展，MPM经历了重大变革（Zuo和Xu，2023年；Li等人，2024年；Zuo等人，2024年）。基于机器学习算法（MLAs）的AI系统已经证明了其在模拟复杂空间关系和复制专家推理方面的能力（Liu等人，2023年；Pour等人，2023年；Zuo和Carranza，2023年；Saremi等人，2024年；Qaderi等人，2025年）。因此，基于AI的MPM（AI-MPM）现在在利用监督和非监督学习方法识别高潜力矿化区方面发挥着关键作用，尤其是在地质条件复杂的地区，传统统计方法可能无法胜任（Yin等人，2023年；Zuo等人，2023年；Zuo和Xu，2023年）。 勘探信息系统（EIS）为收集和分析地质数据提供了结构化的框架，将关于矿床形成过程的知识整合到实际的勘探洞察中（Yousefi等人，2019年）。通过将矿物系统库与地理信息系统（GIS）连接起来，EIS能够自动创建空间代理地图，支持有针对性的勘探，但仍需要领域专家进行解释（Yousefi等人，2019年）。MPM包括一系列方法，可以分为五个主要模型类别： （1）数据驱动模型（如证据权重（WofE）（Zhang等人，2016年）、逻辑回归（LR）（Xiong和Zuo，2018年）和机器学习算法（例如随机森林、SVM）（Rodriguez-Galiano等人，2015年），这些模型依赖于已知矿床出现的空间模式（KMOs），容易受到训练地点偏见的影响，它们关注勘探充分的区域并使用定量技术，但可能会引入已知矿床空间分布的偏见； （2）知识驱动模型（包括模糊逻辑和基于专家的叠加方法，这些方法结合了地质科学家分配的主观权重，通常通过证据地图的离散化实现）（Harris等人，2015年），这些模型依赖于专家在勘探不足区域的输入，但存在主观性和数据解释不一致的风险； （3）混合模型（结合了数据驱动方法的定量证据和专家知识，如模糊AHP或模糊WofE）（Shokouh Saljoughi等人，2018年），这些模型结合了数据和专家知识，以平衡客观性与地质推理； （4）使用经验函数的模型（这些模型应用数学关系（例如线性组合、多项式变换），通常结合专家定义的函数来加权证据层）（Porwal，2006年；Carranza，2008年），这些模型通过指导性判断改进了加权方案，但仍依赖于分析师的经验； （5）逻辑建模技术（这些技术应用连续的S形逻辑函数将地理空间数据转换为[0, 1]范围内的模糊权重）。传统上，这些方法需要手动调整斜率（s）和拐点（i），常常引入偏见（Yousefi等人，2016年；Chen和Wu，2017年；Xiao等人，2021年；Sabbaghi和Tabatabaei，2023年）。然而，最近的进展引入了数据驱动的逻辑加权方法，如GMPI（Yousefi等人，2012年）和其他模糊转换技术，这些方法通过分析推导出参数，无需使用KMOs或任意类别区间（Yousefi等人，2023a；Yousefi等人，2023b），它们利用数学函数来估计勘探潜力，对现有矿床信息的依赖性最小，适用于新领域和旧领域应用（Yousefi等人，2021年；Yousefi等人，2024年）。理解这些模型之间的区别有助于根据地质背景和数据可用性选择更有效的方法，从而改进勘探决策（Daviran等人，2025年）。机器学习（ML）和深度学习（DL）的最新进展正在通过克服传统模型的根本限制来改变EIS和MPM。基于AI的方法展示了模拟高维度、非线性和噪声地理空间数据的独特能力，而传统模型往往无法捕捉复杂的空间关联。这些算法可以自动学习多源数据集中的复杂模式，如地球化学、遥感和地球物理学数据，而无需明确的专家定义的关系。更重要的是，它们在提取可能无法通过手动分类线性分离或轻易识别的微妙矿化信号方面证明了有效性，特别是在先验知识有限的前沿地区。这引发了关于AI在勘探科学中不断演变的作用的关键问题：现在AI能够检测到哪些以前被忽视的与矿化相关的模式？ML和DL如何改进EIS在现实世界目标定位场景中的结构和预测能力？