典型文献
卷积神经网络在地球化学异常识别中的应用——以吉林省辉南—江源一带铁矿为例
文献摘要：
地球化学异常识别在矿产勘查中发挥着重要作用.本文利用机器学习方法解决矿产勘查问题,有助于人们能全面考虑地质变量并对模型的可靠性进行评价.以吉林省靖宇区铁矿床为研究案例,采用研究区地表Fe元素浓度及分布位置数据,绘制Fe元素浓度图,运用卷积神经网络算法,挖掘地表Fe元素分布与矿体地下位置空间的关系.经过25次训练后,模型的准确率可达到96.88％,损失函数值仅为0.16.通过本文研究发现:卷积神经网络可以深入探索地表元素分布与矿体地下位置联系.该模型揭示出元素在地表的分布与矿体的空间对应关系.传统地球化学异常识别是通过对研究区元素含量水平进行统计分析.在地球化学勘察中仅区分研究区背景和异常,根据背景值的强弱来划分异常,但背景和异常没有一个"清晰"的界限,在不同条件下,背景和异常可以相互转换.在此情形下,仅通过对异常值的识别不能反映地表元素与地下矿体的关联性.本文转变以往思路,运用卷积神经网络模型表达矿体位置与元素分布之间的对应关系,可以为未来地球化学异常识别研究提供参考方向.
文献关键词：
地球化学异常识别;机器学习;深度学习;卷积神经网络;铁矿床
中图分类号：
作者姓名：
钟羽;曹梦雪;尹冬妹;路来君
作者机构：
成都理工大学数理学院,四川成都 610059;成都理工大学数学地质四川省重点实验室,四川成都 610059
文献出处：
引用格式：
[1]钟羽;曹梦雪;尹冬妹;路来君-.卷积神经网络在地球化学异常识别中的应用——以吉林省辉南—江源一带铁矿为例)[J].吉林地质,2022(04):51-56
A类：
地球化学异常识别
B类：
吉林省,辉南,江源,矿产勘查,机器学习方法,勘查问题,靖宇,铁矿床,元素浓度,分布位置,位置数据,神经网络算法,元素分布,矿体,下位,损失函数,函数值,元素含量,含量水平,勘察,背景值,不同条件下,相互转换,此情,异常值,下矿,卷积神经网络模型,参考方向
AB值：
0.217343
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
