КомпанииКомпаний: 7620
АккаунтыАккаунтов: 13801
Регистрация       Забыли пароль?




info@oborudka.ru
oborud-ka
Главная » Справочники » Металл, руда, золотоносные месторождения » Золоторудные месторождения - опыт разработки автоматизированной экспертной системы прогноза золоторудных месторождений I

Золоторудные месторождения - опыт разработки автоматизированной экспертной системы прогноза золоторудных месторождений I

Золоторудные месторождения - опыт разработки автоматизированной экспертной системы прогноза золоторудных месторождений 

База данных экспертной системы содержит информацию о 129 рудных полях ОЧВП по 433 геологическим, минералогическим, геохимическим и геофизическим признакам. На основании использования оригинальных алгоритмов (с учетом частот встречаемости и характера взаимосвязи признаков) выбраны наиболее информативные признаки, определены их информационные веса (как положительные, так и отрицательные) и составлен сценарий экспертной системы. Он включает несколько блоков вопросов, служащих для оценки рудно-формационого типа и масштаба анализируемого рудного поля, а также рекомендации авторов по направлениям дальнейших работ. Вопросы носят косвенный характер, и поэтому ответы на них могут быть получены на ранних стадиях геологоразведочных работ (до бурения). Распознаваемость масштабов объектов в контрольных выборках составляет 95% и более. Экспертная система позволяет с помощью персонального компьютера за короткое время провести переоценку большого количества рудных полей.

Охотско-Чукотский вулканогенный пояс (ОЧВП) представляет собой золото-серебряную провинцию мирового класса. В ее пределах известны такие месторождения, как Дукат, характеризующийся крупнейшими в России запасами серебра (13 600 т со средним содержанием 500 г/т и отношением Au/Ag 1/500) и развитой инфраструктурой, Джульетта, Лунный, Гольцовый, Арылах и др.. Многие золотые и серебряные месторождения были найдены в 1970-1990 гг., и открытия продолжаются до сих пор, несмотря на высокую степень изученности ОЧВП.

Переоценка формационных типов и масштабов известных рудопроявлений один из апробированных алгоритмов новых открытий в условиях высокой изученности. Например, Дукатское золото-серебряное месторождение в течение нескольких десятилетий, предшествовавших его открытию в 1967 г., ошибочно фигурировало в списках рудопроявлений как. мелкое непромышленное проявление олова. Такая переоценка наиболее сложна на ранних стадиях изучения объекта (до бурения), когда отсутствует информация по главному прямому признаку (относится ли объект к промышленному месторождению или непромышленному рудопроявлению). Как правило, в этом случае не удается выявить и небольшое (1-2) количество косвенных признаков, которые были бы жестко пропорционально связаны с главным прямым признаком. Возникает необходимость учета большого количества косвенных признаков, т. е. встает задача распознавания образов. Одним из подходов к подобной переоценке может служить формирование автоматизированного прогнозно-поискового комплекса  или компьютеризированной экспертной системы прогноза и поисков. Наличие богатого статистического материала позволяет рассматривать ОЧВП в качестве эталонной территории, на примере которой описан опыт разработки экспертной системы.

Цель исследований составление сценария (набора вопросов к эксперту, вариантов его ответов и рекомендаций авторов системы по направлениям дальнейших работ), позволяющего с помощью современного персонального компьютера за короткое время переоценить большое количество известных рудопроявлений. По косвенным признакам и критериям на ранней стадии изучения распознается рудно-формационный тип объекта и оценивается его масштаб (вероятность выявления промышленного месторождения в пределах данного рудного поля).

Методика исследований включала следующие основные элементы: составление кодировочной таблицы-теста, содержащей все потенциально информативные признаки; формирование базы данных описание (кодировка) объектов по принципу наличия или отсутствия анализируемых признаков; выбор эталонных объектов и составление обучающих выборок; математическая обработка данных по различным алгоритмам и программам распознавания образов, учитывающим частоту встречаемости и (или) характер взаимосвязи признаков; составление вероятностных математических моделей заданных классов путем выбора наиболее информативных признаков и вычисления их весов на основе логико-информационного анализа; проверка устойчивости сформированных моделей на контрольных объектах; составление базы знаний и сценария автоматизированной экспертной системы.

Кодировочная таблица это расширенный вариант предназначенного для рудных полей различных типов универсального теста, включающий 433 геологических, минералогических, геохимических и геофизических признака.

База данных содержит информацию по каждому рудному полю в виде списка кодов признаков, отмеченных экспертом в результате изучения геологических, геохимических и геофизических материалов по данному объекту. Рудные поля включают как территории с хорошо изученными месторождениями, так и потенциально рудоносные площади, в пределах которых известны лишь рудопроявления с неясными перспективами.

Эталонные объекты включают рудные поля с известными хорошо изученными месторождениями и рудопроявлениями. Часть из этих объектов использовалась для формирования обучающих выборок, а остальные для контроля. По ряду эталонных объектов имеется для сравнения несколько описаний, составленных независимыми экспертами на разных стадиях изучения.

Согласно классификациям Н.А.Шило с соавторами (1969), М.М.Константинова (1984), А.А.Сидорова с соавторами (1989), было выделено шесть ведущих рудно-формационных типов месторождений: золото-серебряный, серебро-полиметаллический, олово-серебряный, золото-редкометальный, золото-сульфидный, золото-кварцевый. Под рудными формациями вслед за Р.М.Константиновым  авторы понимают группы месторождений с минеральными ассоциациями сходного состава, повторяющимися в определенной последовательности на всех месторождениях данной формации и образовавшимися в близких геологических условиях независимо от времени возникновения.

Региональная база данных составлена по 129 золотои сереброрудным полям ОЧВП . Она включает 74 золото-серебряных объекта (17 месторождений и 57 рудопроявлений), 22 серебро-полиметаллических (3 месторождения и 19 рудопроявлений), 17 олово-серебряных (4 месторождения и 13 рудопроявлений), 3 золото-сульфидных (1 месторождение и 2 рудопроявления), 8 золото-редкометальных (1 месторождение и 7 рудопроявлений), 5 золото-кварцевых (2 месторождения и 3 рудопроявления).

Работа с базой данных была начата с расчета частот встречаемости признаков (как часто в процентном отношении встречается признак в данной выборке) в объектах различных формационных типов и масштабов. Сопоставление частот встречаемости признаков позволило определить набор признаков для дальнейшей работы. Затем по программе распознавания образов системы "Астра"  была сделана попытка автоматически разделить изучаемые объекты по шести перечисленным выше формационным типам.

Оценка информативности признаков базируется на принципе общности свойств объектов, который основан на предположежении, что объекты, образующие один класс (тип), обладают свойством подобия, отраженного в их характеристиках

Для выделения системы признаков, информативных для описания объектов класса Ak (тде Ak один из М изучаемых классов) и отделяющих их от объектов других классов, используется следующая функция, где вероятность того, что признак j встречается на объектах класса Ak и не встречается на объектах других классов; pj вероятность того, что признак j не встречается на объекгах класса Ак и встречается на объектах других классов.

В качестве разделяющего веса признака j для выделения объектов класса Ak используется функция.

Для вычисления функции принадлежности объекта исследования х, описанного в системе N бинарных признаков х=(х1х2, ..., XN), где x=(X1, х2, ..., ХN); N количество признаков; k -номер выделенного класса; j -номер (код) признака; pj -информационный вес признака (степень важности признака j для идентификации класса k).

Аналогичные функции можно построить для любых длин сочетаний информативных признаков, используя их в качестве составного признака и таким образом усложняя приведенную выше функцию.

Функции принадлежности (где М -число изучаемых классов объектов) используются при построении решающего правила для идентификации объектов: объект относится к тому классу, для которого функция принадлежности принимает максимальное значение.

Признаки j, имеющие положительное значение разделяющего веса pj, интерпретируются как благоприятные для отнесения к классу Ak; признаки j, имеющие отрицательное значение разделяющего веса, как неблагоприятные. Чем ближе функция , тем более сильным сходством с классом Ak обладает данный объект. Если же все значения близки к 0, то это доказывает несходство объекта с заданными классами и принадлежность к другому (неанализируемому) классу. В результате для каждого экзаменуемого объекта мы имеем набор коэффициентов, характеризующих степень его сходства с каждым из заданных классов.

В использованном алгоритме учитывались не только частоты встречаемости признаков, но и их взаимосвязь. Максимальный информационный вес присуждался тем признакам, которые участвуют в наибольшем числе их сочетаний, разделяющих заданные классы Таким образом, каждый объект был охарактеризован степенью сходства с каждым из типов и автоматически отнесен к тому типу, с которым он обладает максимальным сходством.

Последующая математическая обработка данных по программе распознавания образов системы "Астра" имела своей целью разделение объектов по масштабам внутри золото-серебряного, серебро-полиметаллического и олово-серебряного типов. Масштабы оруденения оценивались нами лишь для этих трех типов, поскольку именно к ним в ОЧВП относится мното объектов и соответствующие выборки в региональной базе данных достаточно представительны Объекты золото-редкометальното, золото-кварцевого и золото-сульфидного типов охарактеризованы лишь с формационной точки зрения, так как они изредка встречаются в перивулканической зоне ОЧВП совместно с объектами трех первых типов. Использованный алгоритм допускает существование непрерывного ряда объектов по масштабам, возрастающим пропорционально увеличению числа положительных и уменьшению числа отрицательных признаков. Таким образом, лежность к классу месторождений или рудопроявлений путем сравнения полученного веса с пороговым значением в обучающей выборке. Подбор признаков в данном случае имел определяющее значение и был наиболее трудоемким. Он осуществлялся путем многовариантной обработки информации на различных признаках и эталонах до достижения в обучающей выборке оптимального уровня распознавания.

Результаты исследований включают сопоставление частот встречаемости признаков, автоматизированное распознавание формационных типов и масштабов объектов, а также сценарий экспертной системы.

Сопоставление частот встречаемости признаков в эталонных объектах различных типов и масштабов позволило нам выявить следующие закономерности. Из 433 признаков универсального теста для ОЧВП оказались информативны лишь 268. К информативным отнесены те признаки, которые позволяют различать рудно-формационные типы и масштабы объектов. Например, присутствие адуляра в метасоматических изменениях и рудах информативно для выделения золото-серебряных объектов, так как адуляр не встречен в объектах других типов. Присутствие кварца в метасоматических изменениях и рудах оказалось малоинформативным для распознавания формационного типа или масштаба, поскольку он отмечается практически на всех объектах.

Группы признаков 1 (региональные геологические структуры, определяющие размещение золоторудных провинций) и II (состав пород субстрата) малоинформативны для решения поставленных задач, так как подавляющее большинство рудных объектов ОЧВП характеризуется одними и теми же признаками. Например, субстрат изученных рудных районов имеет почти исключительно терригенный состав, что не позволяет использовать его для разделения рудно-формационных типов. В группе III (структуры рудного района и узла) выделяется ряд информативных признаков. Обращает на себя внимание более высокая частота встречаемости вулканотектонических депрессий, чем купольных поднятий. В группе IV (геологические формации, слагающие рудное поле) наибольшей часто-той встречаемости отличаются андезитовая и риолитовая формации. В подгруппе VA (складчатые структуры рудных полей) наибольшей информативностью обладают локальные вулканотектонические депрессии (кальдеры) и вулканои интрузивнокупольные поднятия. При этом на уровне рудных полей характерна смена соотношения положительных и отрицательных структур по сравнению с рудными узлами: купольные поднятия встречаются чаще, чем депрессии. Кроме того, к депрессиям приурочено приблизительно равное количество месторождений и рудопроявлений, а в купольных поднятиях преобладают месторождения. В подгруппе VB (разрывные и блоковые структуры рудных полей) информативен ряд признаков, среди которых можно выделить блоки на пересечении продольных и поперечных разломов, а также крупноамплитудные разломы типа сбросов и сбросо-сдвигов. В подгруппе VB (элементы структур рудных полей, контролирующие положение наиболее крупных рудных тел и рудных столбов) наиболее часто встречаются сопряжения и пересечения разрывов.

В группе VI (морфология и условия залегания рудных тел) высокой часто-той встречаемости выделяются секущие жилы, жильные зоны и зоны прожилково-вкрапленной минерализации. Группа VII (площадь рудного поля) информативна для оценки масштаба объектов. Группа VIII (магматические породы, распространенные в пределах рудного поля) характеризуется умеренной информативностью: среди пострудных дайковых образований преобладают базальты, а среди субвулканических тела кислого состава. В группе IX (вмещающие породы) наиболее распространены покровы кислых эффузивов и их туфов. Группа Х (метаморфизм вмещающих пород) представляется малоинформативной, поскольку большинство объектов ОЧВП характеризуется метаморфизмом зеленосланцевой ступени. Группа XI (минералы гидротермально измененных пород) отличается высокой информативностью. Среди различающих признаков данной группы выделяются адуляр, алунит, альбит, гидрослюды, кальцит, серицит, хлориты, эпидот. В группе XIII (текстуры руд) для решения поставленных задач наиболее информативна колломорфная текстура. В группе XX (характерные элементы первичных и вторичных ореолов) выделяются марганец, свинец, цинк, вольфрам, молибден, олово и медь. Группа ХХШ (возраст оруденения) является малоинформативной для решения поставленных задач, так как подавляющее большинство объектов ОЧВП имеет позднемеловой возраст. Группа XXIV (минералы руд) отличается наиболее высокой информативностью. К наиболее распространенным информативным минералам руд относятся акантит, арсенопирит, галенит, самородное золото, касситерит, марказит, миаргирит, пираргирит, пирит, пирротин, самородное серебро, станнин, сфалерит, фрейбергит и халькопирит.

Далее приведены признаки, информативные для решения конкретных задач распознавания различных рудно-формационных типов и масштабов рудной минерализации. Для определения золото-серебряного формационного типа из проанализированных признаков наиболее информативны: присутствие адуляра, кальцита, гидрослюд и эпидота в метасоматически измененных породах; колломорфная текстура; проба золота <600; минералы руд адуляр, кюстелит, родонит, родохрозит, пиролюзит, псиломелан. Указанные признаки позволяют выделять золото-серебряные объекты достаточно уверенно. Для оценки масштабов золото-серебряных объектов из проанализированных признаков наиболее информативны: совпадение рудного узла с вулканотектонической депрессией; приуроченность рудного поля к вулкано-интрузивно-купольному поднятию; крупноамплитудные разломы типа сбросов и сбросо-сдвигов; жильные зоны; минералы метасоматических изменений адуляр, гидрослюды, эпидот; колломорфная текстура; минералы руд адуляр, аргентит (акантит), гематит, гидрослюды, золото пробы >700, золото пробы <700, марказит, пираргирит, серебро.

Для распознавания серебро-полиметаллического формационного типа могут служить признаки: присутствие монтмориллонита в метасоматитах; минералы руд миаргирит, овихиит, фрейбергит. Однако учитывая, что многие из этих признаков носят конвергентный характер, серебро-полиметаллический формационный тип в данной системе признаков распознается менее уверенно, чем золото-серебряный. Для оценки масштабов серебро-полиметаллических объектов информативны признаки: совпадение рудного узла с вулканотектонической депрессией; приуроченность рудного поля к вулкано-интрузивно-купольному поднятию; зоны прожилково-вкрапленной минерализации; минералы метасоматитов гидрослюды, кальцит, каолинит, монтмориллонит, серицит; расположение рудного поля в периферической части отрицательной гравитационной аномалии; минералы руд апатит, акантит, кальцит, касситерит, марказит, миаргирит, пираргирит, пирротин, полибазит, рутил, серебро, станнин, стефанит, фрейбергит, хлорит.

Для распознавания олово-серебряного формационного типа информативны признаки: биотит и турмалин в метасоматитах; минералы руд касситерит, станнин. Указанные признаки недостаточны для уверенного определения формационного типа. Для оценки масштабов олово-серебряных объектов можно использовать признаки: совпадение рудного узла с вулканотектонической депрессией; минералы метасоматитов альбит, биотит, каолинит; расположение рудного поля в периферической части отрицательной гравитационной аномалии; минералы руд акантит, каолинит, марказит, пирротин, серебро.

Для распознавания золото-редкометального типа могут служить следующие признаки: золото-леллингитовый парагенезис, проба золота 750-900; среднеаномальное повышенное содержание мышьяка в геохимическом ореоле 100-1000 г/т; присутствие кобальта в первичных и вторичных геохимических ореолах; минералы руд висмутин, самородный висмут, глаукодот, леллингит, турмалин.

Для распознавания золото-кварцевого формационного типа информативны признаки: площадь рудного поля 40-60 и более 60 км ; проявление начальных стадий метаморфизма; золото-пирит-арсенопиритовый парагенезис; площадь ореола золота 50100 км ; присутствие в рудах бурнонита.

Текущая страница: Металл, руда, золотоносные месторождения » Золоторудные месторождения - опыт разработки автоматизированной экспертной системы прогноза золоторудных месторождений I