龙8龙囯际long8龙8游戏

随着近地表资源的开发殆。畈空铱蟪晌夜鼻昂徒窈罂蟛试纯辈榈闹饕ぷ。三维地质建模是深部矿产资源勘查的关键技术。面对复杂地质背景和多源多尺度地学信息数据，传统三维显式建模方法存在工作量大且难以更新维护的问题。近年来，机器学习在三维隐式建模领域显示出巨大的潜力。然而多源多尺度地学信息数据存在的多源异构问题和不平衡问题影响机器学习在三维地质建模领域的效果。考虑到深部矿产资源勘查具有较高风险，因此三维地质建模过程中的不确定性量化也是亟需解决的问题。面对上述挑战，本次研究提出一套顾及岩性不平衡和不确定性量化的三维岩性隐式建模框架（图1）。

图1

该框架首先通过混合采样算法SMOTE-ENN处理岩性不平衡问题，并运用Stochastic Gradient Langevin Boosting方法改进XGboost算法，使其具备不确定性量化功能，最后将地质知识通过地质正则化方法融入建模框架，进而修正不符合地质认知的建模结果。为验证该框架的有效性，本次研究选择我国焦家—三山岛金矿集区作为研究区，以1101个钻孔和覆盖全区的三维重磁电反演数据为基。腥倚越，最终建模结果如图2和图3所示。该建模结果有效揭示了焦家—三山岛金矿集区深部的三维岩性分布，并且指出了该岩性模型的高不确定性区域，对未来焦家—三山岛金矿集区深部矿产资源勘查具有指导意义。

图2 A、C、E 为三维地质模型在-500，-1000，-2000 m深度的切片；B、D、F为三维认知不确定性模型在-500，-1000，-2000 m深度的切片。

图3 A、C、E 为三维地质模型在-3000，-4000，-5000 m深度的切片；B、D、F为三维认知不确定性模型在-3000，-4000，-5000 m深度的切片。

上述研究成果发表于国际著名期刊 《Engineering Geology》（IF=7.4, JCR Q1, 中科院TOP期刊）。

论文详细信息：

Zhiqiang Zhang, Gongwen Wang, Emmanuel John M. Carranza, Chong Liu, Junjian Li, Chao Fu, Xinxing Liu, Chao Chen, Junjie Fan, Yulong Dong, An integrated machine learning framework with uncertainty quantification for three-dimensional lithological modeling from multi-source geophysical data and drilling data, Engineering Geology, Volume 324, 2023, 107255。