降低矿产资源定量预测不确定性的双向预测方法

doi:10.13745/j.esf.sf.2021.1.6

地学前缘 ›› 2021, Vol. 28 ›› Issue (3): 128-138.DOI: 10.13745/j.esf.sf.2021.1.6

• 三维地质建模与隐伏矿预测评价 • 上一篇下一篇

降低矿产资源定量预测不确定性的双向预测方法

孔维豪¹^,²^,³(), 肖克炎¹^,^*(), 陈建平²^,³, 孙莉¹, 李楠¹

1.中国地质科学院矿产资源研究所自然资源部成矿作用与资源评价重点实验室, 北京 100037
2.中国地质大学(北京) 地球科学与资源学院, 北京 100083
3.北京市国土资源信息研究开发重点实验室, 北京 100083

收稿日期:2021-01-02 修回日期:2021-01-20 出版日期:2021-05-20 发布日期:2021-05-23
通信作者: 肖克炎
作者简介:孔维豪(1986—),男,博士研究生,工程师,地球探测与信息技术专业,主要从事数学地质学及矿产资源评价研究。E-mail: toalexkong@qq.com
基金资助:
国家自然科学基金项目(41802250);国家重点研发计划项目(2017YFC0601501);国家重点研发计划项目(2017YFC0601500)

A combined prediction method for reducing prediction uncertainty in the quantitative mineral resources prediction

KONG Weihao¹^,²^,³(), XIAO Keyan¹^,^*(), CHEN Jianping²^,³, SUN Li¹, LI Nan¹

1. MNR Key Laboratory of Metallogeny and Mineral Assessment, Institute of Mineral Resources, Chinese Academy of Geological Sciences, Beijing 100037, China
2. School of Earth Sciences and Resources, China University of Geosciences(Beijing), Beijing 100083, China
3. Beijing Key Laboratory of Development and Research for Land Resources Information, Beijing 100083, China

Received:2021-01-02 Revised:2021-01-20 Online:2021-05-20 Published:2021-05-23
Contact: XIAO Keyan

摘要/Abstract

摘要：

成矿过程是一个复杂的物理化学过程,由于地质自身的不确定性、原始数据采集和处理的不当、预测方法中经验参数的不确定性等多重因素的叠加,造成矿产资源定量预测结果中潜在大量不确定性。在科学认识这些不确定性的基础上,如何降低不确定性是预测评价研究的一个重要方向。以地质异常理论和成矿动力学为指导,双向预测评价方法是降低地质异常分析中不确定性的有效途径,该方法具体包括基于矿床成因模型的成矿模拟和基于找矿模型与勘查数据相结合的模型驱动预测。前者作为研究成矿地质演化过程、探讨成矿动力学机制的定量化方法之一,可以直观展示成矿过程内部物理化学变化。作为对致矿地质异常分析的有效手段,通过将成矿过程抽象为不受时空间限制的可迭代计算的偏微分方程组,可实现定量化描述复杂成矿动态过程并预测成矿有利部位。通过挖掘成矿有利信息,分析地质变量并赋值,为预测模型提供大量的定量化预测变量和特征值,是矿产资源定量预测评价的一个最具潜力的发展方向。后者以勘查学为指导的矿化异常分析,从矿致地质异常的角度开展定量预测,减少了单一成矿有利信息的多解性并降低了预测结果的不确定性。该技术手段是依托空间数据库、地质统计学和地理信息系统空间分析技术支撑,以三维地质体模型的建立为基础,以分析成矿规律并建立找矿模型为核心工作内容,以证据权、找矿信息量等数学方法为工具,统计分析研究区内各地质要素单元的分布情况来探讨各地质要素对矿产预测的影响,最终实现基于“立方体预测模型”的定位、定量和定概率的隐伏矿体三维预测目标。以上方法从两种不同的地质角度和定量化理念创新性地实现了双向联合预测评价,两种技术手段的融合作为综合圈定“5P”找矿地段的数学地质方法,其作用和价值是相互补充并有机结合的。通过文中方法介绍和应用实例的研究成果,可以明确该方法确实提高了矿产资源定量预测评价的预测精度,一定程度上降低了预测的不确定性,整体上推动了地球科学研究由定性描述向定量化自然科学的转变。

关键词: 地质异常, 定量预测, 不确定性, 双向预测

Abstract:

Mineralization is a complex physical and chemical process. In the quantitive prediction and evaluation of mineral resources, prediction uncertainties are common in the final predication results due to geologic factors, improper data collection and processing, use of empirical parameters, etc. On the basis of recognizing the sources of uncertainty, uncertainty reduction becomes a major research direction in mineral prospecting. A combined metallogenic prediction method using the forward inverse technique has proven to be an effective solution for reducing uncertainties in the geological anomaly analysis. The combined method is composed of numerical simulation of metallogenic processes based on the genetic model of deposit, and model-driven prediction and evaluation technique based on prospecting model and data. As the combined method takes into account both mineralization processes and model-driven prediction/evaluation in the geo-anomaly analysis, it reduces multiple interpretations of a single metallogenic information therefore reducing prediction uncertainty. In its core contents of analyzing metallogenic patterns and establishing prospecting models, the combined method, mainly using spatial database and geostatistics and GIS analysis techniques as well as 3D geological model building, performs weight of evidence analysis and information value evaluation of the distribution of geological variables to investigate its influence on the prediction result. The aim is to build a “3D cube prediction model” for quantitive prediction, fulfilling the goal of Location, Quantity, Probability quantification in blind orebody prospecting. In conclusion, the combined prediction method, as an important basis for delineating the “5P” prospecting areas, was born by innovatively combining two prediction methods that have complementary predictive functions and values. By doing so, a complete forward inverse combined prediction scheme is realized. We show by example that the combined method can improve accuracy and reduce uncertainties in the quantitative prediction and evaluation of mineral resources, which helps to promote the transformation of geoscience research from qualitative to quantitative.

Key words: geological anomalies, quantitative prediction, uncertainty, combined prediction

中图分类号:

P624
P628.3

孔维豪, 肖克炎, 陈建平, 孙莉, 李楠. 降低矿产资源定量预测不确定性的双向预测方法[J]. 地学前缘, 2021, 28(3): 128-138.

KONG Weihao, XIAO Keyan, CHEN Jianping, SUN Li, LI Nan. A combined prediction method for reducing prediction uncertainty in the quantitative mineral resources prediction[J]. Earth Science Frontiers, 2021, 28(3): 128-138.

图/表 14

图1 地热成矿数值模拟基本工作流程范例(据文献[42])

Fig.1 Basic workflow chart for numerical simulation of hydrothermal mineralization. Adapted from [42].

图2 “立方体预测模型”预测基本工作流程(据文献[59])

Fig.2 Basic workflow chart for mineral prospecting using the “cube prediction model”. Adapted from [59].

图3 三维地质模型(据文献[12]修改)

Fig.3 A 3D geological model. Modified after [12].

图4 三维数值模型(据文献[12]修改)

Fig.4 A 3D numerical model. Modified after [12].

图5 孔隙水压力初始状态和9×109 s计算后分布图(二维剖面)(据文献[12]修改)

Fig.5 Pore pressure (PP) distribution diagram (2D section) for the initial state (left) and after 9×109 s simulation (right). Modified after [12].

图6 体应变率初始状态和9×109 s计算后分布图(二维剖面)(据文献[12]修改)

Fig.6 Volumetric strain rate (VSR) distribution diagram (2D section) for the initial state (left) and after 9×109 s simulation (right). Modified after [12].

图7 孔隙水压力阈值圈定的成矿有利区(据文献[12]修改)

Fig.7 Favorable ore-forming area delineated by PP. Modified after [12].

图8 体应变率阈值圈定的成矿有利区(据文献[12]修改)

Fig.8 Favorable ore-forming area delineated by VSR. Modified after [12].

图9 孔隙水压力和体应变率叠加成矿有利区(据文献[12]修改)

Fig.9 Favorable ore-forming area delineated by both PP and VSR. Modified after [12].

表1 综合预测模型变量列表

Table 1 List of variables in the comprehensive prediction model

控矿要素	成矿预测因子	特征变量	特征值
地层	有利地层信息	有利成矿地层	大理岩地层
构造	构造展布特征分析	主干断裂分析	(0.084,0.102)
	构造展布特征分析	局部断裂分析	(0.01,63.34)
	构造对称特征	构造中心对称度	(0.01,1.0)
	断裂影响范围	断裂影响范围	断裂缓冲区
夕卡岩	成矿有利蚀变岩体	成矿有利蚀变岩体	夕卡岩
岩体	岩浆热液活动标志	岩体推断区域	花岗闪长岩体

图10 证据权后验概率阈值大于0.77或0.91的成矿有利区(据文献[12]修改)

Fig.10 Favorable ore-forming block with posterior probability threshold greater ≥0.77 (green) or ≥0.91 (red) by weight of evidence method. Modified after [12].

图11 找矿信息量阈值大于1.6或3.2的成矿有利区(据文献[12]修改)

Fig.11 Favorable ore-forming block with information value threshold ≥1.6 (green) or ≥3.2 (red). Modified after [12].

图12 后验概率阈值与找矿信息量阈值叠加成矿有利区(据文献[12]修改)

Fig.12 Favorable ore-forming area delineated by both posterior probability and information value thresholds. Modified after [12].

图13 双向预测结果及靶区圈定(据文献[12]修改)

Fig.13 Favorable ore-forming (red) and target (purple) areas predicted by the combined prediction method. Modified after [12].

参考文献 60

[1]	肖克炎, 孙莉, 朱裕生. 矿产资源评价理论[J]. 地质论评, 2016, 62:63-64.
[2]	陈永清, 赵鹏大. 综合致矿地质异常信息提取与集成[J]. 地球科学: 中国地质大学学报, 2009, 34(2):325-335.
[3]	赵鹏飞. 基于FLAC3D、 ANSYS的成矿动力学数值模拟[D]. 北京: 中国地质大学(北京), 2014.
[4]	孙涛. 铜陵冬瓜山铜矿床的三维形态及成矿动力学计算模拟[D]. 长沙: 中南大学, 2010.
[5]	于萍萍, 陈建平, 柴福山, 等. 基于地质大数据理念的模型驱动矿产资源定量预测[J]. 地质通报, 2015, 34(7):1333-1343.
[6]	李诗, 陈建平, 向杰, 等. 基于AlexNet网络的二维找矿预测: 以松桃—花垣地区沉积型锰矿为例[J]. 地质通报, 2019, 38(12):2022-2032.
[7]	向杰, 陈建平, 肖克炎, 等. 基于机器学习的三维矿产定量预测: 以四川拉拉铜矿为例[J]. 地质通报, 2019, 38(12):2010-2021.
[8]	袁峰, 张明明, 李晓晖, 等. 成矿预测:从二维到三维[J]. 岩石学报, 2019, 35(12):3863-3874.
[9]	肖克炎, 李楠, 孙莉, 等. 基于三维信息技术大比例尺三维立体矿产预测方法及途径[J]. 地质学刊, 2012, 36(3):9-16.
[10]	肖克炎. “深部综合信息矿产资源预测评价”专辑特邀主编寄语[J]. 地球学报, 2020, 41(2):130-134.
[11]	陈建平, 于萍萍, 史蕊, 等. 区域隐伏矿体三维定量预测评价方法研究[J]. 地学前缘, 2014, 21(5):211-220.
[12]	WANG Y, Chen J P, JIA D H. Three dimensional mineral potential mapping for reducing multiplicity and uncertainty: Kaerqueka polymetallic deposit, Qinghai Province, China[J]. Natural Resources Research, 2020, 29:365-393. DOI URL
[13]	LI Z H, CHI G X, KATHRYN M B, et al. Numerical simulation of strain localization and its relationship to formation of the Sue unconformity-related uranium deposits, eastern Athabasca Basin, Canada[J]. Ore Geology Reviews, 2018, 101:17-31. DOI URL
[14]	ZOU Y H, LIU Y, PAN Y, et al. Numerical simulation of hydrothermal mineralization associated with simplified chemical reactions in Kaerqueka polymetallic deposit, Qinghai, China[J]. Transactions of Nonferrous Metals Society of China, 2019, 29(1):165-177. DOI URL
[15]	陈建平. 深地矿产资源定量预测理论与方法[M]. 北京: 地质出版社, 2010: 1.
[16]	赵鹏大. 成矿定量预测与深部找矿[J]. 地学前缘, 2007, 14(5):1-10.
[17]	舒良树. 普通地质学[M]. 北京: 地质出版社, 2010.
[18]	左仁广, 夏庆霖. 矿产勘查与评价中的风险与不确定性[J]. 矿床地质, 2010, 29(增刊1):769-770.
[19]	左仁广. 基于地质异常的矿产资源定量化预测与不确定性评价[D]. 北京: 中国地质大学(北京), 2009.
[20]	陶晓风, 吴德超. 普通地质学[M]. 北京: 地质出版社, 2007.
[21]	赵鹏大, 胡旺亮, 李紫金. 矿床统计预测[M]. 武汉: 中国地质大学出版社, 1994.
[22]	胡彬, 陈建平, 向杰, 等. 信息不对称条件下的矿产资源三维预测评价: 以陕西小秦岭金矿田为例[J]. 金属矿山, 2017, 8:127-137.
[23]	CHRISTAKOS G. A bayesian/maximum-entropy view to the spatial estimation problem[J]. Mathematical Geology, 1990, 22(7):763-777. DOI URL
[24]	任梦依. 海底多金属硫化物定量预测理论与实践[D]. 北京: 中国地质大学(北京), 2016.
[25]	常慧娟. 矿床模型指导下的隐伏矿体正反演预测研究[D]. 北京: 中国地质大学(北京), 2015.
[26]	於崇文. 成矿作用动力学: 理论体系和方法论[J]. 地学前缘, 1994, 1(3/4):54-82.
[27]	池国祥, 薛春纪. 成矿流体动力学的原理、研究方法及应用[J]. 地学前缘, 2011, 18(5):1-18.
[28]	SCHELLART W P, STRAK V. A review of analogue modelling of geodynamic processes: approaches, scaling, materials and quantification, with an application to subduction experiments[J]. Journal of Geodynamics, 2016, 100:7-32. DOI URL
[29]	ISMAIL-ZADEH A, TACKLEY P. Computational methods for geodynamics[M]. Cambridge: Cambridge University Press, 2010.
[30]	TARAS V G. Introduction to numerical geodynamic modelling[M]. Cambridge: Cambridge University Press, 2010.
[31]	刘可禹, 刘建良. 盆地和含油气系统模拟(BPSM)研究现状及发展趋势[J]. 石油科学通报, 2017, 2(2):161-175.
[32]	ZHANG Y, SORJONEN-WARD P, ORD A. Modelling fluid transport associated with mineralization and deformation in the Outokumpu Cu-Zn-Co deposit, Finland[J]. Journal of Geochemical Exploration, 2006, 89(1):465-469. DOI URL
[33]	ZHANG Y, LIN G, ROBERTS P, et al. Numerical modelling of deformation and fluid flow in the Shuikoushan district, Hunan Province, South China[J]. Ore Geology Reviews, 2007, 31(1):261-278. DOI URL
[34]	陈良波. 基于FLAC3D的成矿动力学数值模拟与成矿预测[D]. 衡阳: 南华大学, 2018.
[35]	陈亮, 陈良波, 唐振平, 等. 湖南金狮岭地区成矿动力学数值模拟与成矿预测[J]. 南华大学学报(自然科学版), 2018, 32(2):67-74.
[36]	SHELDON H A. Simulation of magmatic and metamorphic fluid production coupled with deformation, fluid flow and heat transport[J]. Computers and Geosciences, 2009, 35(11):2275-2281. DOI URL
[37]	张权平, 陈建平, 武彦博. 山西浑源罗框金矿隐状矿体三维预测[J]. 地质学刊, 2018, 42(3):412-421.
[38]	刘亮明, 疏志明, 赵崇斌, 等. 夕卡岩矿床的汇流扩容空间控矿机制及其对深部找矿的意义: 以铜陵—安庆地区为例[J]. 岩石学报, 2008, 24(8):1848-1856.
[39]	赵义来, 刘亮明. 复杂形态岩体接触带成矿耦合动力学三维数值模拟: 以安庆铜矿为例[J]. 大地构造与成矿学, 2011, 35(1):128-136.
[40]	贾蔡, 袁峰, 张明明, 等. 宁芜盆地白象山铁矿床成矿作用过程数值模拟[J]. 岩石学报, 2014, 30(4):1031-1040.
[41]	于淼, 陈建平, 龚建华. 含矿热液运移过程的数值模拟研究: 以个旧锡矿为例[C]// 第十二届全国数学地质与地学信息学术研讨会论文集. 乌鲁木齐: 中国地质学会数学地质与地学信息专业委员会, 2013: 186-195.
[42]	YANG J, LARGE R R, BULL S, et al. Basin-scale numerical modeling to test the role of Buoyancy-Driven fluid flow and heat transfer in the Formation of stratiform Zn-Pb-Ag deposits in the Northern Mount Isa Basin[J]. Economic Geology, 2006, 101(6):1275-1292. DOI URL
[43]	POTMA W, ROBERTS P A, SCHAUBS P M, et al. Predictive targeting in Australian orogenic-gold systems at the deposit to district scale using numerical modelling[J]. Australian Journal of Earth Sciences, 2008, 55(1):101-122. DOI URL
[44]	ZHAO C B, HOBBS B E, ORD A. Theoretical and numerical investigation into roles of geofluid flow in ore forming systems: Integrated mass conservation and generic model approach[J]. Journal of Geochemical Exploration, 2010, 106(1):251-260. DOI URL
[45]	FERZIGER J H, PERIC M. Computational methods for fluid dynamics[M]. Berlin: Springer, 2002.
[46]	ZHONG S J, YUEN D A, MORESI L N. Numerical methods for mantle convection[J]. Treatise on Geophysics, 2007, 7:227-252.
[47]	ORD A, OLIVER N H S. Mechanical controls on fluid flow during regional metamorphism: some numerical models[J]. Journal of Metamorphic Geology, 1997: 345-359.
[48]	赵鹏大, 孟宪国. 地质异常与矿产预测[J]. 地球科学: 中国地质大学学报, 1993, 18(1):39-47.
[49]	赵鹏大. 三联式资源定量预测与评价: 数字找矿理论与实践探讨[J]. 地球科学: 中国地质大学学报, 2002, 27(5):482-489.
[50]	赵鹏大, 陈建平, 张寿庭. “三联式”成矿预测新进展[J]. 地学前缘, 2003, 10(2):455-463.
[51]	陈建平, 陈勇, 王全明. 基于GIS的多元信息成矿预测研究: 以赤峰地区为例[J]. 地学前缘, 2008, 15(4):18-26.
[52]	肖克炎, 张晓华, 王四龙, 等. 矿产资源GIS 评价系统[M]. 北京: 地质出版社, 2000.
[53]	肖克炎, 孙莉, 阴江宁, 等. 全国重要矿产预测评价[J]. 地球学报, 2014, 35(5):543-551.
[54]	陈建平, 吕鹏, 吴文, 等. 基于三维可视化技术的隐伏矿体预测[J]. 地学前缘, 2007, 14(5):54-62.
[55]	陈建平, 陈勇, 曾敏, 等. 基于数字矿床模型的新疆可可托海3号脉三维定位定量研究[J]. 地质通报, 2008, 155(4):552-559.
[56]	陈建平, 尚北川, 吕鹏, 等. 云南个旧矿区某隐伏矿床大比例尺三维预测[J]. 地质科学, 2009, 44(1):324-337.
[57]	万丽, 王庆飞, 高帮飞, 等. 成矿预测数据统计方法[J]. 现代地质, 2005, 19(4), 615-620.
[58]	吕鹏. 基于立方体预测模型的隐伏矿体三维预测和系统开发[D]. 北京: 中国地质大学(北京), 2007.
[59]	赵鹏大, 陈永清. 科学选靶的理论与途径[J]. 地球科学: 中国地质大学学报, 2011, 36(2):181-188.
[60]	HANTSCHEL T, KAUERAUF A I. Fundamentals of basin and petroleum systems modeling[M]. Berlin: Springer, 2009.

降低矿产资源定量预测不确定性的双向预测方法

A combined prediction method for reducing prediction uncertainty in the quantitative mineral resources prediction

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 60

相关文章 11

编辑推荐

Metrics

本文评价

[1]	李云涛, 丁文龙, 韩俊, 黄诚, 王来源, 孟庆修. 顺北地区走滑断裂带奥陶系碳酸盐岩裂缝分布预测与主控因素研究[J]. 地学前缘, 2024, 31(5): 263-287.
[2]	王成彬, 王明果, 王博, 陈建国, 马小刚, 蒋恕. 融合知识图谱的矿产资源定量预测[J]. 地学前缘, 2024, 31(4): 26-36.
[3]	袁峰, 李晓晖, 田卫东, 周官群, 汪金菊, 葛粲, 国显正, 郑超杰. 三维成矿预测关键问题[J]. 地学前缘, 2024, 31(4): 119-128.
[4]	冯军, 张琪, 罗建民. 深度挖掘数据潜在价值提高找矿靶区定量优选精度[J]. 地学前缘, 2022, 29(4): 403-411.
[5]	王功文, 张寿庭, 燕长海, 庞振山, 王宏伟, 冯占奎, 董宏, 程红涛, 何亚清, 李瑞喜, 张智强, 黄蕾蕾, 郭娜娜. 栾川矿集区地学大数据挖掘和三维/四维建模的资源-环境联合预测与定量评价[J]. 地学前缘, 2021, 28(3): 139-155.
[6]	安文通, 陈建平, 朱鹏飞. 基于成矿过程数值模拟的隐伏矿双向预测研究[J]. 地学前缘, 2021, 28(3): 97-111.
[7]	夏庆霖, 赵梦余, 王孝臣, 冷帅, 李童斐, 熊双才. 基于地质异常的内蒙古新达来草原覆盖区钼铜多金属矿产定量预测[J]. 地学前缘, 2021, 28(3): 56-66.
[8]	左仁广. 基于数据科学的矿产资源定量预测的理论与方法探索[J]. 地学前缘, 2021, 28(3): 49-55.
[9]	罗照华, 郭晶, 王秉璋, I.V.Vikentyev, 王涛. 成矿地质异常序列：以青海拉陵灶火中游勘查区为例[J]. 地学前缘, 2016, 23(4): 212-225.
[10]	陈建平, 于萍萍, 史蕊, 于淼, 张顺昌. 区域隐伏矿体三维定量预测评价方法研究[J]. 地学前缘, 2014, 21(5): 211-220.
[11]	郭科，陈聆，陈辉，杨威. 基于JADE算法的地震资料随机噪声盲分离方法研究[J]. 地学前缘, 2011, 18(3): 302-309.