具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例中，提供一种深部金矿阶梯式找矿方法，选择邓格庄作为成矿区域，所述矿区处于胶东金成矿区的东半部，大地构造位置属中朝准地台(I级)胶辽台隆(II级)胶北隆起(III级)东南部，区内地层仅有古元古代荆山群变质岩零星出露；新生界第四系沉积物沿沟谷、河流两侧分布。古元古代荆山群在区内均呈包体状零星分布。岩性主要为黑云变粒岩、斜长透辉岩、透辉大理岩、斜长角闪岩等；主矿体受南北向断裂带控制，有EW向断展构造，对其进行错动平移，按照常规的勘探找矿，当井下掘进遇到EW向复杂地质断裂构造时，容易迷失找矿方向，失去找矿目标，造成工程浪费以及井下延误等问题。

具体步骤如下：

参考图1所示，本发明所述的一种深部金矿成矿找矿方法包括：

S100依据前人工作和研究成果，建立金矿床分类知识体系库。

步骤101：汇总包括矿床成矿地质地球化学背景、成矿条件、矿床特征、成矿规律、控矿因素，矿体赋存规律、构造性质及矿体在构造中分布的规律、无矿间隔、侧伏规律，矿床矿物组合、蚀变特点及轴向分带，成矿期-成矿阶段等在内的前人工作和研究成果材料。

步骤102：对上述材料进行分类和分级，构造金矿床分级知识体系库，将选矿探矿基础原则以及前人工作和研究成果材料填充到所述的知识体系库中，作为机器学习库。

需要说明的是，该知识体系库的分类方式并不是一成不变的，只要是能为后续的机器学习模型提供学习库的分类方式，都在本发明的保护范围。在本实施例中，知识体系库的分类方法如下：

将知识体系库中的记录元分为以下几类：

(1)指示元。所述的指示元，是指能够依据该条记录元的内容，直接判断得到一定的结果。例如，对于老矿区的深部盲矿找矿过程中，根据老矿床的一期成矿轴向分带资料可查到当前矿体的前缘晕、近矿晕和尾晕的指示元素，假设元素M₁是当前矿体前缘晕的指示元素之一，而当前矿体的尾晕中出现了该M₁元素的中、内带异常，则说明当前矿体深部有盲矿体。这样的记录元被划分为指示元。

(2)指标元。所述的指标元，是指达到一定的量化指标，就能判断得到一定的结果。例如，对于老金矿区的深部盲矿靶位定位过程中，成矿轴向分带出现当前矿体的前缘晕和近矿晕指示元素多数表现为外带弱异常时，若金元素的含量小于指标值α(百分比指标)，则说明盲矿体头较深，在200米以上。这样的记录元就被划分为指标元。

(3)动态元。所述的动态元，是指一些指标数据自身并不能反映出所研究的问题，需要指标数据的动态变化来判断结果。例如，已知金矿体的地球化学参数轴向指示叠加出现动态变化，令若γ随着已知金矿体的地球化学参数轴向出现高→低→高动态变化，说明老矿深部具有盲矿体。这类记录元被划分为动态元。

(4)综合特征元。所述的综合特征元，是指没有具体指标值，根据具有相似地理位置或控矿构造的同一类特征总结而得到的共性特征。例如，根据中国金矿找矿历史资料，统计得到的同类型金矿床原生晕地球化学参数轴向分带序列特征作为共性特征，当目标金矿床的原生晕地球化学参数轴向分带序列与共性分带序列特征相比出现“反常、反分带”，比如前缘晕指示元素出现在原生晕轴向分带序列下部，说明深部有盲矿体。这类记录元被划分为综合特征元。

(5)实例元。所述的实例元，是指可汇总到的真实深部金矿找矿实例，以及在各实例过程中所采用的方法及表征。例如，1965年，发现德尔布里奇矿床，分析来自已知隐伏矿床断裂前缘微量元素的含量，采集已知隐伏矿床附近的地表和岩心样品进行分析，汞的异常量为150-300ppb(ppb为浓度单位，表示10^-9)，对该区的隐伏矿床进行详细的岩石地球化学调查。这类记录元划分为实例元。

(6)挖掘元。所述得解挖掘元，是指在找矿过程中所形成的需要凭经验才能判别出结果的记录元。例如，在探测控矿构造延伸情况工作中，所得到的电磁特征曲线的波动判断控矿延伸情况。这类记录元划分为挖掘元。

(7)自定义元。为了实现各矿体充分体现自身的个性化特点，知识体系库中具有自定义元，由专业人员结合自身找矿实际录入和维护该元，以使得学习库具有适应性演化的能力。

S200对S100步骤所建立的知识体系库中的各类记录元进行动态量化。

为实现S100步骤中所建立的知识体系库能够提供机器学习所需的学习库，就需要对知识体系库中的记录元进行量化。然而针对找矿领域的指标量化工程，自晚期见矿年代就被广泛研究，至今仍无统一的结果。为避免量化方式不可靠这一问题，本发明引入知识体系库记录元动态量化方法，该方法可统筹知识体系库中记录元的多样性以及实际成矿找矿效果，动态调整为适应值，以便为机器学习模型提供量化的学习库，同时为了提高学习效率，本发明对记录元采用二值化量化，其步骤包括：

步骤201：对记录元实施以二值化为主的量化处理，包括：

(1)指示元的量化。设X₁表示指示元的量化结果。根据指示元的性质可知，这是一类开关量元素，其量化可直接依据是否达到指示效果而赋予开关量值，达到指示效果的值为1，否则值为0.例如，本实施例中的指示元对于老矿区的深部盲矿找矿过程中，根据老矿床的一期成矿轴向分带资料可查到当前矿体的前缘晕、近矿晕和尾晕的指示元素，假设元素M₁是当前矿体前缘晕的指示元素之一，而当前矿体的尾晕中出现了该M₁元素的中、内带异常，则说明当前矿体深部有盲矿体。那么该例指示元最终指示元的量化结果n表示指示元的元素维度，表示每一维度指标的取值，其值为0或1，i∈[1，n]。

(2)指标元的量化。设X₂表示指标元的量化结果。指标元可能会根据目标矿区的岩层性质、控矿构造、地理位置的不同而有所变化，很难做到普遍适用性。若采用动态量化就能很好的解决这一问题。因此，本实施例中对指标元的元素采用系数调整实现动态量化，其方法为：

指标元记录：

对于老金矿区的深部盲矿靶位定位过程中，成矿轴向分带出现当前矿体的前缘晕和近矿晕指示元素多数表现为外带弱异常时，若金元素的含量小于指标值α(百分比指标)，则盲矿体头较深，在200米以上。

动态量化后，即金元素含量小于指标值kα，k∈(0，∞)为调整系数，当实测值满足条件“金元素含量小于指标值kα”，那么该项指标取值为1，否则取值为0。

在实际应用中，指标元记录会有多个，假设指标元记录的维度为m，则指标元将有m个调整系数(k₁，k₂...k_m)，进一步地，动态指标值也具有m个，(k₁α₁，k₂α₂...k_mα_m)。

那么 表示每一维度指标的取值，其值为0或1，i∈[1，m]。

(3)动态元的量化。设X₃表示动态元的量化结果。动态元的量化，只需判断实测值是否满足动态元的特征趋势即可。例如已知金矿体的地球化学参数轴向指示叠加出现动态变化，令若γ随着已知金矿体的地球化学参数轴向出现高→低→高动态变化，则老矿深部具有盲矿体。若实测金矿体的地球化学参数轴向具有高→低→高的特征趋势，那么该项指标取值为1，否则取值为0。最终p表示动态元的元素维度，表示每一维度指标的取值，其值为0或1，i∈[1，p]。

(4)综合特征元的量化。设X₄表示综合特征元的量化结果。按照是否符合共性特征元的特征，来量化取值。若实测值符合共性特征，那么该项指标取值为1，否则取值为0最终q表示动态元的元素维度，表示每一维度指标的取值，其值为0或1，i∈[1，q]。

(5)实例元的量化。设X₅表示实例元的量化结果，按照实测要素与实例元要素重合率来量化。例如本实施例中的实例元记录：1965年，发现德尔布里奇矿床，分析来自已知隐伏矿床断裂前缘微量元素的含量，采集已知隐伏矿床附近的地表和岩心样品进行分析，汞的异常量为150-300ppb(ppb为浓度单位，表示10^-9)，对该区的隐伏矿床进行详细的岩石地球化学调查。该项纪录的实例元要素包括，时间，地点，方法1，方法2，方法3，方法4一共6个要素，若实测要素与之相吻合的有4项，那么最终

需要说明的是，若某实测要素可在实例元中找到多条有要素吻合的记录，则以实测要素与实例要素吻合项数最多的记录为准。

(6)挖掘元的量化。挖掘元的量化无法采用直观的算式来计算，因为其性质决定了挖掘元属于一种规律特征，而挖掘元的获取通常来自电磁回波曲线、构造叠加晕剖面图、不同段平面图以及垂直纵投影图等。本实施例直接将挖掘元的显著特征作为图像元素，例如，采用可控源大地音频电磁测深所生成的磁场、电场、视电阻率以及相位曲线，本发明直接将曲线图像输入卷积神经网络，可解决挖掘元无法直观量化的问题。设挖掘元的量化结果为s表示挖掘元的元素维度，表示每一维度的图像对象集，i∈[1，q]。

(7)自定义元的处理。自定义元由勘探人员自主维护，其元素的定义也无统一标准，因此自定义元的处理采用专家经验法，其不直接参与机器学习，由勘探人员进行经验判断即可。

步骤202：对步骤201中，指标元的调整系数进行自适应调整优化。

在实际应用中，同类地球物理化学构造的目标矿区，因控矿构造的延伸情况或断裂带的布局情况不同，其指标值将有明显的差别，直接影响着盲矿体预测，乃至见矿结果。这也是目前指标量化研究工程所面临的最大问题。

本发明引入了群体优化方法，可不依赖于人工研究，在使用中对调整系数进行批量优化，采用优化后的指标元量化结果作为机器学习的输入元，不断地增强机器学习模型的精准性，进而大大提高本发明所述方法的普遍适用性。参考附图2，本实施例采用遗传算法，通过统计机器学习模型的测试误差，自动优化指标元的调整系数，其步骤包括：

步骤2021：指标元调整系数的初始化。

在初始化状态时，将m维指标元的调整系数(k₁，k₂...k_m)统一初始化为1，则相应的m维动态指标值为(α₁，α₂...α_m)，最终指标元的二值化量化结果 表示每一维度指标的取值，其值为0或1，i∈[1，m]。

步骤2022：将初始化状态的指标元以及其它各类记录元的量化结果，作为输入元，输入到机器学习模型中，进行网络训练和学习，并输出测试误差，假设测试误差为Δ，则遗传算法的目标函数可建立为Δ＝f(k₁，k₂...k_m)，调整系数的优化问题，转变为求目标函数Δ＝f(k₁，k₂...k_m)的最小值问题，进而遗传算法的适应度函数F就可确定，选用求解最小值优化的遗传算法，可令适应度函数F＝目标函数Δ。本领域技术人员可依据现有技术，比如北卡莱罗纳大学遗传算法工具箱gaot或matlab工具软件中内嵌的遗传算法工具gadst都可以使用求解最小值优化的遗传算法，完成指标元调整系数的多元优化，实现群优化的效果。

步骤2023：经过步骤2022的群优化后，将本次优化得到的指标元调整系数传入步骤201所述的动态量化知识体系库中，形成新的指标元量化结果。

优化后指标元的m维调整系数为(k₁，k₂...k_m)，进一步地，动态指标值为(k₁α₁，k₂α₂...k_mα_m)。那么 表示每一维度指标的取值，其值为0或1，i∈[1，n]。

步骤2024：将优化后的量化诸元再次输入到S300步骤所建的机器学习或深度学习网络中，得到新的测试误差，再循环进行步骤2022和步骤2023，直到满足群优化算法的停止条件。即可得到最优的机器学习或深度学习网络模型。

S300以量化知识体系库为基础，训练机器学习或深度学习网络模型生成推理库。

本发明所建立的知识体系库各元量化后，元数据包括数组和图像类型，为提高处理效率，本发明实施例采用深入融合卷积神经网络。其步骤如下：

步骤301：将知识体系库中的数据70％划分为训练集，30％划分为测试集。

步骤302：将卷积神经网络进行深度融合，构造卷积神经网络模型如附图3所示，输入层由6个输入组成，用于知识体系库中各量化元X＝[X₁...X₆]的输入，隐含层包括2个卷积层、2个池化层和1个全连接层，最后是输出层。

步骤303：提取网络输入的特征，进行特征融合后，进行网络的训练。

提取输入的特征，对于从训练集中提取输入的特征，本实施例不做具体限定，本领域技术人员可参考现有技术。然后对输入的特征进行融合：

其中，x₀是输入的特征，K是基础卷积神经网络的个数，Xⁱ(x₀)是每个基础卷积网络的输入特征。

将每个基础网络分割为B块具有B个求和融合过程：

其中，i＝1，2，...，B，是i次融合的输出。卷积神经网络采用局部过滤器进行卷积过程，即将输入项的局部子矩阵与局部过滤器进行内积运算：

其中，1是第1个卷积层，i是第i个卷积输出矩阵的值，j是输出矩阵的编号，输出矩阵的大小是N-m+1，N是卷积输出矩阵的个数，f是激活函数，ω是权重值，b是偏差量，a是特征图的通道数。

卷积层的输出项作为池化层的输入项，池化层可以进一步缩小矩阵的维数，同时不破坏数据的内在联系。通过平均值进行降维：

其中，是池化层的输出项，由上一层大小为n×n的矩阵求平均值得到。池化层的输出项作为全连接层的输入项，全连接层相当于前馈神经网络中的隐含层，特征图在全连接层失去三维结构，被展开为向量并通过激励函数传递至输出层，激励函数为：

其中，I_c是全连接层的输入项。深度融合梯度反向传播中的融合梯度块为：

其中，是第i个卷积神经网络中的第b+1块的梯度。设立误差函数e(y′，y)，y′和y是期望输出和实际输出，则梯度的计算为：

网络计算沿梯度下降最快的方式进行，设置最大迭代次数，直到网络训练停止，得到推理库。

步骤304：上述网络训练完毕后，向网络中输入测试集，得到测试误差Δ。将测试误差Δ反馈到步骤202，进行指标元调整系数的优化。进而得到最优的机器学习或深度学习模型。

这样向训练好的推理库计算模型中输入实测的理化测量参数就可快速分类得到目标矿区是否具有成矿有利部位，再根据有成矿有利部位的数据标出预测靶区。

S400现场针对不同特点的矿区采用相应的技术方法来获得目标矿区的物理和化学特性，其步骤包括：

步骤401A：对于老矿区深部找矿，首先开展可控源大地音频电磁测深或EH4系统测量，确定控矿构造的延伸情况，并将电磁测深或EH4系统测量的图形输入到推理库中。

步骤401B：对于覆盖严重、地表露头较差的新矿区，首先开展激电中梯测量，并将测量结果输入到推理库中。

对于邓格庄的测量结果描述如下：全区共进行系统质量检查2段，总检查点72个，占总工作量的6.13％，其精度为：视极化率均方误差为：εηs＝0.055；电阻率均方相对误差Mρa＝±2.277％，质量检查精度满足设计及规范要求。

根据激电异常的圈定原则，本次工作圈定4处异常带，编号为DJH-1，DJH-2，DJH-3和DJH-4。现具体描述如下：

1、DJH-1异常

DJH-1异常位于工区中部，以2.0％为异常下限圈定等值线形态为条带状，长约600m，宽约120m，走向为近南北，异常中心点位于230线112点附近，其极大值为2.25％。

2、DJH-2异常

DJH-2异常位于DJH-1东部，其异常平行与DJH-1异常，以2.0％为异常下限圈定等值线形态为条带状，长约300m，宽约100m，走向近南北，该异常中心点位于230线139点附近，其极大值为2.2％。

3、DJH-3异常

DJH-3异常位于西区的中部，以3.20％为异常下限圈定等值线形态为条带状，长约900m，宽约100m，走向近南北，异常中心点位于260线247点附近，其极大值为2.60％。

4、DJH-4异常

DJH-4异常位于工区南部，以2.0％为异常下限圈定等值线形态为条带状，长约500m，宽约100m，走向近南北，异常中心点位于100线145点附近，其极大值为2.20％。

对于激电测深的解释

1、DJH-1异常

为研究该异常，在230线104～120号点开展了激电测深工作，230线综合剖面图上显示，激电中梯测量在112/230号点附近对应ηa异常中心ρa曲线反映为低阻特征。激电测深在112/230点反映出一向东倾斜的高极化体，从110～116点之间，ρa断面图呈“V”字低阻反映，推断该处存在断裂构造，106～116点之间，ηa断面图上存在东倾异常带，异常中心位于112点处，估计深度为50m。建议验证位置112点，其坐标为(X＝4118300 Y＝373120)，深度为50m左右。(见图5-1、图5-2)

2、DJH-2异常

为研究该异常，在230线135～147号点开展了激电测深工作，230线综合剖面图上显示，激电中梯测量在141/230号点附近对应ηa异常中心ρa曲线反映为低阻特征。激电测深在112/230点反映出一向东倾斜的高极化体，从141～145点之间，ρa断面图呈“V”字低阻反映，推断该处存在断裂构造，139～143点之间，ηa断面图上存在东倾异常带，异常中心位于141点处，估计深度为30m。建议验证位置141点，其坐标为(X＝4118300 Y＝373410)，深度为30m左右。(见图6-1、图6-2)

3、DJH-3异常

为研究该异常，在260线234～254号点开展了激电测深工作，260线综合剖面图上显示，激电测深反映出一向东倾斜的高极化体，对应高极化体ρa断面图上反映“V”字形低阻带。ηa断面图245点出现垂直异常带，中心为245点的AB/2＝220m处。建议验证位置245点，其坐标为(X＝4118600 Y＝374450)，深度200m左右。(见图7-1、图7-2)

4、DJH-4异常

该异常位于工区南部，推断该异常与DJH-1处在同一构造，故未对其做研究工作。

本次工作完成激电中梯测量2.10Km²，共1126个物理点，激电测深剖面3条，计18个测量点。通过前期地面地质、物探工作，在工区中圈定了四处激电异常，编号为DJH-1，DJH-2，DJH-3，DJH-4。推断为受金牛山断裂带或与其平行的次级构造控制，由金属矿化物引起的，因此具有成矿的有利条件。由于受工作量的限制，只对DJH-1，DJH-2，DJH-3进行了激电测深研究工作，其表现为低阻高极化特征，建议在上述推断异常处钻探工作揭露异常，为下一步工作提供有利条件。

步骤402：采用构造叠加晕测量的方法，确定预测靶区是否存在盲矿体，进一步圈定矿靶区。

构造叠加晕测量的步骤包括：

(1)采样。在构造带内有与成矿有关的蚀变、矿化叠加部位采样，对于石英脉型金矿构造叠加晕采样方法为：不采第1阶段大石英脉，而采集第2、3阶段烟灰色石英及硫化物细脉或网脉；采地质分析副样，挑选矿化相对高的样品副样；地表沿脉采样或沿构造采样，点距5-10米，构造带宽度大于5m，则垂直蚀变带，点距2-5m，线距10-30米，采样重量400-500克。

本实施例共采集构造叠加晕样品2595件，其中，包括坑道样395件、地表样品204件，163个钻孔样品1350件，土壤地球化学及吸附汞研究样610件，背景样30件，单矿6件。下表为牟平邓格庄金矿床的构造叠加晕研究采样统计表。

(2)检验后，绘制构造叠加晕不同剖面图、不同中段平面对比图和垂直纵投影图；

(3)计算样品的地球化学参数：包括矿床元素几何平均值、衬度值，元素间相关系数，确定矿床元素组合；不同成矿阶段元素集合平均值、衬度值；不同标高元素含量比值。

(4)识别单一期次成矿形成原生晕的前缘晕、近矿晕和尾晕特征元素集合，识别不同期次形成矿体-晕的叠加结构。

(5)将上述检验和计算结果以及步骤401A或步骤401B所测物理参数输入S300步骤所得到的推理库，经推理库深度融合卷积神经网络的计算，得到成矿有利部位并预测矿靶区。

(6)本领域技术人员可利用现有技术，根据构造叠加晕长度和宽度确定预测盲矿靶位的长、宽；根据叠加晕中前缘晕指示元素(砷、锑、汞、硼)及成矿元素金的浓度、上部已知矿体形态、侧伏规律及无矿间隔定性来算得盲矿深度，圈定深部盲矿预测靶位。

将步骤(5)(6)得到的所有预测靶区综合分析，确定最终的高见矿率预测靶区。

S500深部金矿的现场钻探验证。

步骤501A：对于老矿区可直接进行钻探验证。

步骤501B：对于地表露头较差的新矿区，进行槽探揭露，再钻探验证。

经过上述步骤，对牟平邓格庄金矿床I1-1、I2-2、II-1矿体深部及外围照岛山、后庄等六个矿段主要金矿体或矿化带深部进行预测验证，在剖面上圈定预测靶位23处(其中：邓格庄矿区10处，照岛山矿区3处，后庄矿区1处，黑牛台矿区4处，水道北矿区3处，XI号矿化带1处，徐格庄矿区1处)，I1-1、I2-2、II-1矿体深部成矿有利部位及预测靶位如图8-10所示。

在取得大量第一性地球化学资料和地球化学测试数据的基础上，通过对邓格庄金矿床的地球化学特征和构造叠加晕总体特征研究，完成了本发明所述的深部金矿床成矿找矿方法，该方法降低了对专家经验的依赖，大大提高了深部金矿找矿的效率和见矿率，具有显著的经济和实用效益，通过引入分级知识体系，根据实际测探分析数据，快速而全面的得到包括指示类、指标类以及综合特征类等的分析结果，加强了对前人工作研究成果的利用率；同时，本发明在基于分级知识体系模块来做测探数据的分析和研究时，引入了深度学习方法，降低了对测探数据关联性分析的要求，预测邓格庄深部资源量累计矿石量为478.38万吨，金金属量23.92吨，大大提高了测探分析和矿靶区定位的效率。