基于方向感知神经网络(orientation-aware neural networks)的大理岩各向异性质量估算

《Applied Computing and Geosciences》：Anisotropic marble quality estimation using orientation-aware neural networks

　　

可靠的大理岩质量估算是进行有效采石场设计、生产计划编制及经济评价的关键前提。在装饰石材矿床中，纹脉强度、色变及纹理图案等质量属性表现出显著的定向依赖性(directional dependence)，即岩块或样品的表观质量受切割方向强烈影响。钻孔数据沿三维空间多条轨迹采集，其结果隐含编码了这一方向依赖性，而常规空间估算流程常忽略此特性。为解决该局限，研究人员提出一种方向感知机器学习方法，基于神经网络预测大理石产品比例(product proportions)。该框架将空间坐标与显式方向描述子——方位角(azimuth)和倾角(dip)的三角函数编码——相融合，并辅以多尺度随机傅里叶特征(Random Fourier Feature, RFF)变换，使网络能够捕捉复杂的各向异性空间模式。模型以组合钻孔数据为训练集，部署于三维块体模型(block model)进行预测。基于排列的特征重要性(permutation-based interpretability analysis)分析表明，方向相关输入对预测性能贡献显著，多数情况下超越空间坐标本身的重要性。结果表明，显式纳入方向信息使模型能够学习原本无法解析的各向异性质量行为，从而获得更精确且具作业意义的预测。该方法通过希腊东北部一座大理石采石场的案例研究予以阐明，凸显其对资源评价与生产计划编制的实际价值。

基于方向感知神经网络与随机傅里叶特征(RFF)的大理岩各向异性质量估算研究解读

该研究发表于《Applied Computing and Geosciences》。装饰大理石的商业价值主要由颜色分布、纹脉强度、组构连续性及纹理均匀性等视觉属性决定，这些属性受变质组构、成分条带及优选晶体方位控制，表现出强烈的各向异性(anisotropy)——同一岩体按不同方向切割所显露的板面外观及质量等级均不同。传统地质统计学方法（如普通克里金Ordinary Kriging, OK）虽可通过变异函数(variogram)建模体现空间各向异性，但无法显式刻画采样方向或开采切块方向对所观测质量类别的影响，且大理石钻孔数据通常为1 m间隔的单维线状取样，忽略了方向–质量关系。现有机器学习(ML)方法亦多将大理石质量指标视为方向无关变量。因此，有必要开发能显式将钻孔/块体取向（方位角azimuth、倾角dip）作为预测变量的估算框架，从数据中直接学习取向–质量关系，以改善资源模型精度。Patra Agni、Ioannis Kapageridis等人以希腊Volakas白色白云质大理石矿床150个地表及井下钻孔数据为例，构建了融合空间坐标、三角函数编码的钻孔/块体方位角与倾角、多尺度随机傅里叶特征(Random Fourier Feature, RFF)作为输入端的方向感知多层感知机(Multilayer Perceptron, MLP)神经网络模型，对比基线MLP（仅用XYZ）与普通克里金(OK)，证明方向信息的引入显著提升预测性能并可量化各向异性效应，为大埋岩资源评价提供超越传统地质统计学的替代方案。

研究人员所用主要关键技术方法如下：研究区为希腊Volakas大理石采石场，利用150个地表及地下工程钻孔（含垂直与水平取向）的1 m间隔编录数据，按现场分类规则将每段划分为A、AB、B及废石(waste)四级产品质量类别；原始样品合成为6 m组合样(Composite Sample)得到1474个组合样本并保留其钻孔方位角与倾角；构建812,784个6×3×6 m三维块体模型(block model)；特征工程包括XYZ直接输入、方位角[0°,360°]及倾角[-90°,90°]经平移后做sin-cos三角函数连续编码以消除角度跳变、基于高斯核近似的多尺度Random Fourier Feature(RFF, σ取0.5/2.0/8.0共48组投影生成96个RFF)；以整个钻孔而非随机抽样划分训练(约68%)、验证(约17%)、独立测试集(约15%，13个完整钻孔)以防空间泄露(spatial leakage)；目标变量为每个组合样中各产品质量类别的比例（和为1），采用Kullback–Leibler(KL)散度作损失函数、Softmax输出四类概率、Adam优化器配合早停(early stopping)与自适应学习率衰减训练MLP（3层256神经元、ReLU激活、Batch Normalization及Dropout）；用置换特征重要性(Permutation Feature Importance, PFI)评估变量贡献；用Monte Carlo Dropout实现预测不确定性与置信度量化；以仅含XYZ输入的基线MLP及经后归一化处理的普通克里金(OK)为对照基准。

2. Study area and geological setting

研究区为希腊Drama地区Volakas活动开采大理石矿床，属Kavala-Drama大理岩带，主要岩性为白色细粒白云质大理岩（92–98%白云石），受多期韧—脆性变形产生NW-SE至NE-SW主导构造线，具明显各向异性组构（揉皱、叶理、剪切带、节理及定向脉系控制色带与纹脉样式），为典型具方向依赖质量属性的装饰石材矿床。

3. Methodology

整体工作流涵盖钻孔数据预处理与合样、特征工程（空间坐标＋方向三角函数编码＋多尺度RFF）、方向感知MLP神经网络构建与训练（KL散度损失、按整孔划分数据集防空间泄露）、置换特征重要性分析及Monte Carlo Dropout不确定性评估，并将模型部署至三维块体模型；另设仅用XYZ的基线MLP及普通克里金(OK)作对比。

5. Results and discussion

训练与验证损失（KL散度）平稳收敛，最优模型在第88轮epoch取得最低验证损失。MLP-RFF生成的块体模型剖面显示大尺度质量分区（A级低占比、AB过渡带环绕高质量区、深部B级增多、废石互补分布）与OK结果总体吻合但又具更连贯的空间推估能力且无钻孔附近强局部插值伪影，说明网络学到由位置与方向共同约束的非线性空间关系而非简单局部平滑。各产品质量类别测试集R²介于0.164–0.381，具较强空间连续性的类别预测性更高。置换特征重要性表明方向编码特征组(Orientation)及特定RFF对的Δ_j高于单纯空间坐标(XYZ)，证实取向信息对各向异性质量模式捕捉起主导作用。定向敏感性分析固定块体质心仅改变块体方位角(azimuth=45°/90°/135°)得出显著差异化的产品质量比例空间分布，尤其AB级与废石(waste)对取向变化响应最大，定量证明模型学到取向–质量关系。对比结果显示平均R²：MLP-Base为0.164，MLP-RFF为0.248，OK为0.285；MLP-RFF明显优于基线MLP，与OK差距较小说明RFF加方向感知可捕获传统variogram表达的相当部分空间连续性与各向异性行为。OK为精确插值器(exact interpolator)会在取样点复现原值，神经网络为非精确估计器(non-exact estimator)做全局函数映射存轻微平滑，但在以块体体积平均值为预测目标的情境下可接受。Monte Carlo Dropout给出的预测熵(predictive entropy)与归一化置信分数可识别过渡带或构造复杂区的高不确定性区块辅助决策。

6. Conclusions（结论部分翻译）

本研究提出了一种方向感知神经网络框架，通过将空间坐标与方位角(azimuth)和倾角(dip)信息相结合，直接从钻孔数据预测大理石产品比例(product proportions)。通过融入随机傅里叶特征(Random Fourier Feature, RFF)，所提方法在不依赖明确定义的变异函数模型或预设各向异性结构的前提下成功捕获了多尺度空间变异性及各向异性地质行为，使方向效应与非线性空间关系能从数据中直接习得。该框架在严格按钻孔划分以最小化空间泄露(spatial leakage)的验证策略下表现出稳定的训练行为与满意的泛化能力。与基线MLP及普通克里金(Ordinary Kriging, OK)基准对比表明，引入方向衍生特征及多尺度空间编码显著改善预测性能；尽管OK获得最高整体预测精度，MLP-RFF模型结果与之相近且在所有产品类别上大幅优于基线MLP，说明方向感知公式成功捕获了传统variogram地质统计学所表征的重要空间连续性与各向异性分量。块体模型剖面对比显示两法均再现大尺度地质趋势，但OK给出受样点临近度与搜索邻域强控制的较光滑局部估计，而MLP-RFF在整个块体模型中（含钻孔约束较稀疏区）产生空间连贯预测且无钻孔附近强局部伪影，表明网络学到由空间位置与方向输入共同约束的更广泛非线性关系。置换特征重要性证实方向衍生变量及选定RFF组比单纯空间坐标对预测性能贡献更大；定向敏感性分析进一步显示固定空间位置仅改变块体取向时模型系统性响应不同产品质量比例，支持网络学到有意义的方向–质量关系之解释。综上，结合随机傅里叶特征编码的方向感知神经网络构成传统地质统计学之外稳健且具作业意义的大理岩质量估算替代方案，未来工作应聚焦超参数自动优化、融入空间模拟框架及更多采石场数据集验证鲁棒性与普适性。