基于地统计学、确定性和人工智能算法的三维地质建模：圈定矿化带的比较分析

《Applied Sciences》：3D Geological Modeling Using Geostatistical, Deterministic, and Artificial Intelligence Algorithms: A Comparative Analysis for Delineating Mineralized Zones

　　

特色应用

本研究开发的计算框架——具体而言，多层感知机人工神经网络架构——为地质学和采矿软件（如RecMin）的实施提供了一种创新的工作流程。通过利用数据库连接协议，基于Python的神经网络可以动态读取块体模型的坐标并执行分类分类。这种集成可以通过引入人工智能算法来更新建模方法，同时考虑到本研究的结果并考虑边界约束，以优化地质属性的预测。

摘要

矿化带在矿床内的划分与地质不确定性密切相关，直接影响资源储量估算和最终开采。本研究对三种地质建模技术进行了比较分析，包括指示克里金法（IK）、最近邻法（NN）和多层感知机人工神经网络（ANN-MLP）。数据集规模包括来自铜斑岩矿床内51个勘探钻孔的2097个4米综合样品。开发了一个块体大小为10m×10m×10m的三维块体模型，旨在为应用建模技术和分配分类属性提供共同框架。验证设计结合了垂直Z方向条带图和多类校准图，以评估空间趋势再现性和预测置信度。结果表明，虽然IK和NN能保持区域空间趋势和局部变异性，但数据驱动的ANN-MLP模型能够直接从空间坐标开发矿化带的地质建模。此外，ANN-MLP模型表现出独特的操作特征，显示出局部过度自信和信心不足的校准偏移，这凸显了整合边界正则化约束以优化空间预测可靠性的机会。