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 II

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

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

Для распознавания золото-сульфидного типа можно использовать признаки: приуроченность рудного поля к сжатой антиклинали; присутствие крупных зон смятия и рассланцевания, малоамплитудных, а также крупных зон брекчирования, малоамплитудных; развитие гранит-порфиров в пределах рудного поля; золото-антимонит-сульфоантимонитовый парагенезис; среднеаномальные содержания сурьмы в геохимическом ореоле более 100 г/т; присутствие в рудах антимонита.

Объясняются неудачные попытки оценить масштабы объектов без учета рудно-формационных типов, демонстрируя, что различные типы зачастую характеризуются разными признаками масштабов объектов. Единственный общий для большинства рудно-формационных типов признак крупности объектов ОЧВП, проявленный на уровне рудных узлов, это вулканотектонические депрессии. Вместе с тем, анализ информативных признаков внутри формационных типов позволяет выделить общие закономерности, отличающие крупные объекты, такие как полнота проявления гидротермального процесса и минеральное разнообразие, а также полиформационность, т. е. совмещение признаков разных рудно-формационных типов в одном объекте.

Полнота проявления гидротермального процесса отражается в присутствии минералов-индикаторов всех характерных для данного формационного типа метасоматических изменений (гидрослюд, адуляра, эпидота для золото-серебряных месторождений; каолинита, монтмориллонита, серицита для серебро-полиметаллических объектов; альбита, биотита для олово-серебряных объектов) и сходных минералов-индикаторов зональности в рудах (адуляра, гидрослюд для золото-серебряного типа; кальцита, хлорита для серебро-полиметаллических объектов; каолинита для олово-серебряных месторождений).

Значительный размах гидротермальной деятельности отражается захватом в зону циркуляции растворов больших объемов вмещающих пород. Преобладающая доля петрогенных элементов, выщелачиваемых из вмещающих пород, "стягивается" в рудные тела и зоны метасоматических изменений. Для крупных объектов характерен такой размах возникающих конвективных ячеек, что в них захватываются все слагающие рудное поле породы, а не только непосредственно вмещающие оруденение. С этим фактором может быть связано преобладание в крупных объектах кальцита в метасоматитах и рудах, рутила в рудах. Дополнительное свидетельство интенсивной гидротермальной деятельности наличие в золото-серебряных объектах родонита и замещающих его в зоне окисления оксидов марганца. Марганец предположительно заимствуется из вмещающих терригенных пород.

Многообразие форм нахождения золота, серебра, олова и других рудогенных элементов косвенно указывает на полистадийный характер рудообразования. По-видимому, с этим фактором связаны следующие признаки: аргентит (акантит), золото пробы >700, золото пробы <700, пираргирит, серебро для золото-серебряного типа, акантит, миаргирит, пираргирит, полибазит для серебро-полиметаллического, станнин для олово-серебряного. Частным примером может служить "сквозное" присутствие марказита в крупных объектах всех трех формационных типов. При этом известно, что пирит отмечается в большинстве изученных объектов вне зависимости от масштабов, а количество сонахождений полиморфных модификаций минералов на одном объекте прямо пропорционально его крупности.

Частоты встречаемости признаков зависят от степени изученности объектов. Так, высокоинформативными для выделения крупных объектов, согласно полученной статистике, являются сульфосоли серебра и другие труднодиагностируемые минералы. Однако их отсутствие в большинстве рудопроявлений можно связывать с тем, что для их диагностики требуются такие редко применяющиеся на ранних стадиях изучения методы, как микрозондовый и др. Поэтому из дальнейшего рассмотрения при оценке масштабов объектов на ранних стадиях изучения были исключены труднодиагностируемые минералы: атвиларит, ауростибит, бертьерит, буланжерит, бурнонит, ваэсит, виттихинит, волынскит, галлуазит, гессит, гудмундит, гюбнерит, джемсонит, жозеит, калаверит, канфильдит, кубанит, кюстелит, люцонит, матильдит, миллерит, науманнит, никелин, овихиит, олигонит, пирсеит, плагионит, плюмозит, семсеит, теллуровисмутит, фаматинит, фрейслебенит, халькостибит, цинкенит, энаргит, ялпаит. Кроме того, частоты встречаемости признаков в значительной степени зависят от выборки. Например, большинство объектов трех рассмотренных формационных типов приурочены к кислым вмещающим породам наиболее благоприятной вмещающей среде. Отсюда и многочисленные "дублирующиеся" признаки: рудное поле сложено породами риолитовой формации; в рудном поле развиты кислые субвулканические тела; вмещающие породы покровы кислых эффузивов; вмещающие породы кислые субвулканические тела. При дальнейшей обработке эта диспропорция выборки была устранена путем исключения из нее взаимозаменяющих признаков.

Таким образом, сопоставление частот встречаемости признаков в объектах различных типов и масштабов позволило получить статистическое обоснование известных и выделить ряд новых критериев оценки масштаба и формационной принадлежности золотого и серебряного оруденения, что помогло определить набор информативных признаков для дальнейшей работы.

Автоматизированное распознавание формационных типов. Попытка автоматически разделить эталонные объекты по масштабам без учета формационных типов не увенчалась успехом: в контрольной выборке правильно распознано лишь 55% объектов. Поэтому все эталонные объекты были разделены на шесть типов по формационной принадлежности: золото-серебряный, серебро-полиметаллический, олово-серебряный, золото-редкометальный, золото-кварцевый, золото-сульфидный. Далее мы попытались выделить информативные признаки для разделения объектов по формационной принадлежности и лишь затем (внутри формационных типов) по масштабам.

Учет не только частот встречаемости, но и взаимосвязи признаков позволил несколько расширить список информативных признаков. Для золото-редкометального типа выбрано 38 признаков, для золото-сульфидного 37, для золото-кварцевого 31, для золото-серебряного 42, для серебро-полиметаллического -19, для олово-серебряного -31. В результате  в обучающих выборках распознаваемость составила 100%. В контрольных выборках распознаваемость варьировала и в целом совпадала с результатами, полученными при анализе частот встречаемости. В отчетливо выделяющихся типах золото-кварцевых и золото-сульфидных объектов распознаваемость составила 100%, в типе золото-редкометальных объектов 75% (рудопроявление Комсомольское с небольшим перевесом ошибочно переведено в золото-сульфидный тип). В хорошо выделяющемся классе золото-серебряных объектов распознаваемость составила 86%. Весьма низкая распознаваемость у серебро-полиметаллического типа за счет его близости к олово-серебряному 53%, а 47% ошибочно отнесено к олово-серебряному типу. Сходный результат получен и по олово-серебряным объектам: правильно опознано лишь 46%, а 38% ошибочно отнесено к серебро-полиметаллическому типу. Рудопроявление Ирэганджа отнесено к золото-серебряному типу за счет присутствия адуляра в метасоматических изменениях и парагенезисов золота, что предположительно указывает на полиформационность данного объекта.

Таким образом, в данной системе признаков серебро-полиметаллический и олово-серебряный типы различаются плохо. Анализ контрольных выборок показал, что достоверные оценки формационного типа получаются при степени сходства с доминирующим типом более 0, 3.

Неоднозначность результатов распознавания олово-серебряного и серебро-полиметаллического типов в данной системе признаков накладывает ограничение на автоматизированный вариант разбраковки рудных объектов по рудно-формационным типам. Чтобы избежать возможных ошибок, в окончательную версию экспертной системы была введена возможность назначения формационных типов экспертом. Оправданность данного подхода связана с тем, что в большинстве случаев эксперт в состоянии самостоятельно распознать серебро-полиметаллический и олово-серебряный формационные типы на ранней стадии изучения.

Автоматизированное распознавание масштабов объектов. Список информативных признаков представляет собой несколько расширенный вариант по сравнению с частотами встречаемости (за счет дополнительного учета взаимосвязи признаков). Внутри типов серебро-полиметаллических и олово-серебряных объектов разделение по масштабам произошло сравнительно хорошо.

Распределение весов серебро-полиметаллических объектов в обучающей выборке  демонстрирует 100%-ное распознавание. Пороговым значением веса, определяющего отнесение объекта к тому или другому классу, является 1, 0 (вычисляется как среднее между максимальным весом рудопроявлений и минимальным весом месторождений в данном случае соответственно 0, 7 и 1, 3). Распределение весов в контрольной выборке также показывает 100%-ное распознавание. Повышенными значениями весов обладают рудопроявления Начальное-1 и Иргучан. Распределение весов олово-серебряных объектов в обучающей выборке также демонстрирует 100%-ное распознавание. Пороговый вес равен 0, 6, При 100%-ном распознавании объектов контрольной выборки немного повышенным весом отличаются рудопроявления Кандычан и Ирэганджа.

Тип золото-серебряных объектов оказался более разнородным. При оценке масштабов 50-66% обучающей выборки попали в иные типы. Потребовалась более детальная типизация золото-серебряных объектов. Далее этот тип был разделен по геолого-структурным признакам (в основном по составу вмещающих пород) на два подтипа: А объекты в кислых породах, слагающих вулкано-интрузивно-купольную структуру; объекты в терригенной толще над кислым субвулканическим телом; объекты в терригенной толще, в экзои эндоконтактовом ореоле гранитоидного массива; Е объекты в кислых и средних породах, слагающих локальную вулканоструктуру.

Распределение весов золото-серебряных объектов подтипа А в обучающей выборке демонстрирует 100%-ное распознавание с пороговым весом 0, 5, разделяющим месторождения и рудопроявления. Внутри класса рудопроявлений в обучающей выборке выделяется рудопроявление Аган, имеющее повышенный вес. В контрольной выборке из 19 объектов неправильно распознаны лишь пять объектов. Из них два объекта (Сквозной и Валунистое) переведены из класса рудопроявлений в класс месторождений, что заставляет обратить на них более пристальное внимание и подтверждается новыми данными геологоразведочных работ. Два мелких объекта (Сопка Рудная и Ущельное) переведены из класса месторождений в класс рудопроявлений, что объяснимо, учитывая небольшие объемы запасов. Лишь одна оценка из 23 определений, по-видимому, действительно ошибочная (рудопроявление Зеленый с небольшим перевесом переведено в класс месторождений), что составляет 95% распознаваемости.

Распознаваемость в обучающей выборке золото-серебряных объектов подтипа Е также составила 100% с пороговым весом 1, 2. Внутри класса рудопроявлений в обучающей выборке можно отметить рудопроявление Невенрекан, имеющее повышенный вес. В контрольной выборке распознаваемость составила 100% (один объект из 14 мелкое месторождение Сенон отнесено к рудопроявлениям, однако, учитывая весьма небольшие объемы запасов, эта оценка может считаться верной). Обращают на себя внимание обладающие повышенными весами рудопроявления Кегали и Эргувеем.

Высокая степень распознавания масштабов объектов в обучающих и контрольных выборках позволила шире использовать автоматизированный подход в окончательной версии экспертной системы.

Необходимо особо коснуться вопроса о достоверности автоматизированной классификации объектов в связи с их различной изученностью. Несомненно, существует тенденция к прямой зависимости между количеством признаков и масштабами объектов, но эта зависимость не является жесткой. Можно привести множество примеров обратного взаимоотношения количества признаков и оценки объектов (месторождение Теплый опознается по 43 признакам, а рудопроявление Колхида по 69). Можно утверждать, что после введения ограничений на использование при оценке масштаба тех минералов, которые не всегда диагностируются на ранних стадиях изучения, все рудные поля были рассмотрены нами с одинаковой степенью достоверности. Это означает, что на стадии поисковых работ м-бов 1: 25 000-1: 10 000, когда требуется оценить потенциальное месторождение в пределах рудного поля, как правило, известны все признаки, используемые в тесте по оценке масштабов. Вместе с тем, установлено, что если количество признаков менее 30, то правильно оценить масштабы объекта практически невозможно. Поэтому такие объекты нами не оценивались, а в окончательную экспертную систему был введен дополнительный "счетчик" количества признаков, который при наличии менее 30 признаков автоматически делает вывод о недостаточной степени изученности и прекращает дальнейшее распознавание.

Другой аспект изученности корректная кодировка, которая имеет принципиальное значение. Сопоставление данных независимых экспертов по одним и тем же объектам показало, что информация, полученная на стадии геологической съемки м-ба 1: 50 000 (или более мелкомасштабных работ), часто бывает недостаточной или искаженной. В то же время, результаты поисковых работ м-бов 1: 25 000-1: 10 000 обычно дают достаточно четкий образ объекта, позволяющий без ошибок классифицировать его по крупности.

Таким образом, при наличии более 30 признаков и корректной кодировке достоверная автоматизированная оценка объекта не зависит от количества признаков и может быть получена по данным поисковых работ м-бов 1: 25 000-1: 10 000.

Сценарий автоматизированной экспертной системы включает несколько блоков вопросов, ориентированных на распознавание формационного типа (блок 1), более детальное геолого-структурное расчленение золото-серебряных рудных полей (блок 2), оценку масштаба золото-серебряных полей подтипов А (блок 3) и Е (блок 4), серебро-полиметаллических (блок 5) и олово-серебряных (блок 6) рудных полей. В каждом вопросе предусмотрено три варианта ответов (да, нет, не знаю). Все варианты охарактеризованы различными положительными или отрицательными информационными весами. После тестирования вычисляется алгебраическая сумма информационных весов выбранных экспертом вариантов. Затем эта сумма сравнивается с пороговым значением, позволяющим отнести рудное поле к тому или иному типу и оценить его перспективность. В каждом блоке предусмотрено соответствующее заключение об объекте прогноза.

Сходные автоматизированные экспертные системы известны как в России, так и за рубежом. Однако распознаваемость рудных объектов в отечественных аналогах  составляла лишь 70-85%. Система, предложенная авторами в настоящей статье, отличается степенью распознавания 95% и более. Причины высокой степени распознавания состоят в предварительном разделении объектов по формационным типам и раздельной оценке масштабов внутри каждого типа. Кроме того, использованные авторами оригинальные алгоритмы  обладают рядом преимуществ по сравнению с известными ранее. В частности, преимущество предложенных авторами алгоритмов над алгоритмом "Кора"  заключается в неограниченности длины сочетаний признаков. Известная за рубежом сходная автоматизированная экспертная система "Проспектор"  основана на информационных весах, назначаемых экспертом, исходя из его личного опыта. Отличие предлагаемой системы состоит в статистической обоснованности информационных весов.

В результате выполненной работы сделаны следующие основные выводы.

1. Составлена база данных по 129 рудным полям Охотско-Чукотского вулканогенного пояса, включающая 433 геологических, минералогических, геохимических и геофизических признака.

2. Статистический анализ и математическая обработка частот встречаемости и взаимосвязи признаков в объектах различных типов и масштабов позволили определить наиболее информативные признаки и их информационные веса для распознавания.

3. На основе наиболее информативных признаков разработана статистически обоснованная автоматизированная экспертная система оценки вулканогенных золотои сереброрудных полей, включающая распознавание формационного типа и масштаба рудной минерализации.

4. Выявленные закономерности (при условии необходимой адаптации к местным геологическим особенностям) могут быть использованы в других, менее изученных, частях Тихоокеанского пояса.

5. Перспективы проведенных исследований заключаются в расширении базы данных за счет золото-серебряных объектов других регионов и использовании таких признаков, как абсолютный возраст, изотопные характеристики, данные газово-жидких включений и другие, которые будут широко применяться в будущем, но пока относятся к труднодиагностируемым.

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