三维地质建模与智能深部找矿预测方法研究——以色日金矿床为例
刘嘉辰1，李伟涛1，冉祥金1*，魏丽琼2，吉明甲2，张焱焱3
1.吉林大学地球科学学院;
2.青海省地质调查局;
3.吉林工商学院经贸学院
摘要
随着浅部
矿产资源日趋枯竭，开发深部矿产资源已成为保障国家资源安全的必然选择。以色日金矿床 AuIV 矿带为典型案例，系统探讨了三维地质建模与深度学习技术相结合在深部找矿预测中的应用。基于 GoCAD 软件，整合了 34 个钻孔的定位、测斜、岩性及地球化学等多源地质数据，构建了精细的三维地质模型，为深部矿体空间分析提供了可视化与定量化的数据基础。针对深部矿体识别所面临的复杂地质结构与矿化信息隐匿等挑战，创新性地研发了一套适用于三维地质环境的卷积神经网络预测框架。在数据处理阶段，该框架对原始钻孔数据进行清洗后，利用克里金插值方法优化矿体边界，并进行网格化处理，共生成 210 组增强样本用于模型训练与测试。该框架基于三维卷积神经网络构建了智能深部找矿预测模型，并在测试集上取得了显著效果，预测准确率达到 78.3%，精确率为 82.1%， AUC 值达 0.82，显示出良好的泛化能力和可靠性。应用该模型对色日金矿床深部开展定位预测，成功识别出 3 处成矿概率较高的找矿靶区，其中 2 处找矿靶区位于 500~650 m 深度的次级断裂控制区域，预测误差控制在 12%以内，与已知钻孔数据的验证结果吻合良好，表明该方法在深部隐伏矿体空间定位方面具有较高精度。该成果不仅验证了三维地质建模与人工智能技术融合的可行性，也体现了其在提升深部资源预测效率方面的明显优势。
关键词：三维地质建模;深度学习;深部找矿预测;GoCAD;三维卷积神经网络;钻孔;色日金矿床
引言
近年来，中国经济社会发展对能源和矿产资源的需求持续攀升，矿产资源安全已成为保障国家战略实施的重要基础。随着地表及浅部矿产资源开发趋于饱和，找矿方向逐步向深部隐伏矿体延伸。然而，深部地质环境复杂，传统找矿方法依赖人工经验与简单类比分析，难以有效解析非线性地质要素的空间关联性，亟须理论与技术层面的突破。
在此背景下，多种基于平面的找矿预测方法相继提出。然而，在深部找矿预测方面，三维地质建模凭借多源数据融合与空间可视化优势，成为深部找矿的核心技术手段。其通过整合地质填图、地球物理勘探(如重力、磁法)、地球化学异常、钻孔岩芯等多维数据， 构建高精度三维地质模型，可直观揭示控矿构造、岩性界面与成矿要素的空间展布规律。三维地质模型与数值模拟技术相结合，在一定程度上为开展深部找矿预测提供了技术手段。国家政策层面亦为深部找矿提供了强力支撑，《矿产资源勘查开采登记管理办法》等法规的出台，进一步明确了深部资源勘探的合法性与紧迫性。
当前，人工智能技术的快速发展在地质领域获得广泛应用，为地质建模与成矿预测注入了新动能。以机器学习、深度学习为代表的数据驱动方法，在图像识别、空间模式挖掘、找矿预测等领域展现出显著优势。例如，贾然等采用 Stacking 集成学习方法，基于地质-地球物理数据，实现了岩性自动分类与三维建模效率提升，验证了智能化技术在复杂地质建模中的可行性。在找矿预测方面，深度学习技术被广泛应用，“成矿系统”与“相似类比”方法的深化研究，为深部找矿提供了系统性框架。三维地质建模与机器学习算法的结合，则能突破传统经验模型的局限，实现隐伏矿体空间定位与资源量的定量化预测。
然而，现有研究仍面临关键挑战：一方面，深部地质数据具有多源异构、高维非线性特征，传统建模方法难以充分挖掘数据间的深层关联;另一方面，智能化技术在地质领域的应用尚处于探索阶段，算法适应性、模型解释性与实际勘探需求的衔接仍需优化。以青海省沟里地区的色日金矿床为例，该区成矿条件复杂，深部找矿潜力巨大，但现有勘探数据尚未通过智能化手段实现高效集成与预测验证。
立足国家资源战略需求，以色日金矿床为研究载体，开展三维地质建模与深度学习融合的深部找矿预测方法研究。通过构建多源数据协同的三维地质模型，研发适应复杂地质环境的深度学习算法，探索成矿要素空间耦合机制与矿体定位规律，旨在建立一套智能化、高精度的深部找矿预测技术体系，为中国战略性矿产资源勘查提供理论支撑与技术示范。
1.成矿地质背景
色日金矿床位于属于青藏高原东北缘，是东昆仑造山带与柴达木地块交会部位的重要成矿区。矿区具有复杂的地质构造和优越的成矿条件，主要岩石类型包括斜长花岗岩、花岗闪长岩、闪长岩等，同时发育蚀变花岗岩、构造蚀变岩及硅质岩。这些岩性界面通常受断裂活动显著影响，伴随破碎带和热液蚀变现象，其中，褐铁矿化斜长花岗岩与金矿化关系密切，表明热液活动对成矿具有重要贡献。
矿区内发育了北西向 F2断裂，这是控制矿体空间展布的主要构造。次级断裂及其交会部位是矿体富集的关键区域，矿体呈脉状沿断裂分布，局部膨大，最大延伸长度达 430 m，平均厚度 8.5 m。此外，矿体的空间分布与断裂及特定岩性(如闪长岩、蚀变带)高度耦合，呈现“构造-岩性复合控矿”的特征。
在矿化特征方面，矿区内划分了 AuⅢ、 AuⅣ、 AgⅠ等多条矿带。其中， AuⅣ矿带是主要研究对象。钻孔数据显示，该矿带平均见矿率为 68.8%，矿化段金品位≥0.5 g/t，高品位区域(金品位≥1.0 g/t)集中于矿体中部，与断裂密集区吻合。此外，矿体垂向延伸显著，预测深度已突破 500 m，深部靶区(如 500~650 m)受次级断裂控制，具有进一步勘探的潜力。
2.方法
2.1 数据准备与三维地质建模
与本次研究相关的数据见表 1~5。主要包括 34 个钻孔的定位、测斜、化验结果及岩性等。通过以下步骤完成数据清洗：剔除缺失值与异常数据(如钻孔轨迹偏差>5%);将坐标统一转换为 WGS84 坐标系，矿物品位归一化至[0,1];利用 GoCAD 软件的“Well Data”模块导入格式化后的 Excel 数据。数据导入前，还需进行数据的预处理，包括删除无关数据、填补缺失值和标准化数据格式。这一步骤对提高模型的可靠性和有效性非常关键。一旦数据准备妥当，便可利用 GoCAD 软件的导入工具将其导入系统。在导入过程中，应确保数据的对应关系和层级结构得到准确反映，这通常涉及设置正确的字段对应关系和数据解析规则。一系列精细且细致的数据准备和导入工作，为构建精确且实用的三维地质模型提供了坚实基础。
表 1 钻孔
表 2 定位
表 3 测斜
表 4 化验结果(部分数据)
表 5 岩性(部分数据)
三维地质建模流程见图 1。总体建模流程遵循“先控制，后加密”原则，基于测斜数据重建钻孔三维轨迹;根据岩性划分地层边界，利用克里金插值法优化界面连续性;以金品位≥0.5 g/t 为阈值，提取矿化段并构建矿体表面模型。在此基础上，使用 GoCAD 地质建模软件进行三维地质建模，确保将钻孔中识别出的面模型整合为连续的三维矿体模型。所构建的三维矿体模型应反映矿体的形状、空间分布、厚度及品位。为了提升模型的精确性和连贯性，可以应用地学统计学方法(例如克里金插值法)进行空间插值预测，从而填补未钻探区域的矿体数据，使模型更完整。此外，对模型进行平滑和优化处理，以确保其形态和数据的科学性。
构建完成的三维矿体模型不仅提供了矿体的空间分布信息，还为资源评估、开采规划和环境管理提供了科学依据。通过这种系统性和严谨的建模方法，能够实现矿体分布的精准可视化，为矿区开发提供重要的技术支持。
图1 三维地质建模流程
2.2 深部找矿预测模型
卷积神经网络(CNN)能够自动从大量数据中学习空间层次的特征，这使得其在图像、视频处理，以及三维数据分析中表现出色。对于地质领域，尤其是深部矿产预测， CNN 不仅能处理静态的地质数据，还能通过其卷积层捕捉地质结构的空间关系，这对于理解复杂的地质构造至关重要。
在深部矿产预测的实际应用中，三维卷积神经网络(3D CNN)通过分析地质、地球物理和地球化学等数据，能够有效识别矿体的空间分布及其与周围环境的关系。这些数据经过预处理后输入网络， 3D CNN通过分析其多层结构来学习数据中的深层特征，输出矿产预测结果。例如，利用 3D CNN 处理钻孔数据和地球物理数据，可以有效预测矿体的形态和大小，以及其在深部的延伸情况。
此外， 3D CNN 在训练过程中可以自动调整内部参数，大大减少了传统方法中人工选取和调整特征的需求。通过深度学习方法， 3D CNN 模型能够提取更加抽象和复杂的地质特征，这对于难以用肉眼直接观察到的深部矿产尤为重要。
三维地质模型为开展深部找矿预测提供了基础数据。利用三维地质模型，基于人工智能卷积神经网络技术在矿产领域取得的一系列成果，将研究区划分为一系列三维网格单元，将已有钻孔的地球化学数据作为已知标签，达到含矿品位的岩芯样所在三维网格单元作为含矿样本，未达到含矿品位的岩芯样本所在的三维网格单元作为非含矿样本，建立深度学习训练数据集。利用 3D CNN 模型构建深部找矿预测人工智能模型(见图 2)，通过试验训练该模型，使其达到稳定后，可以用于预测未知区域是否达到含矿品位，从而实现深部找矿的最终目的。
基于上述思路， 将矿区划分为 10 m×10 m×10 m 的立方体网格，共生成 70 个训练样本;每个样本包含100 个数据点，特征包括 x、 y、 z 坐标、 金品位及与网格中心点距断裂面距离; 通过平移与旋转等方法生成增强数据， 将样本量扩展至 210 个，构建了深部找矿预测训练数据集。 按 4∶ 1 的比例将训练数据集划分为训练集和测试集。将训练集输入深部找矿预测模型后，计算机能够通过不断的迭代训练来学习已知样本(包含含矿样本和非含矿样本)的特征，形成固化的参数，从而生成深部找矿预测模型。
图2 深部找矿预测人工智能模型网络结构
深部找矿预测人工智能模型网络结构见图 2。由图 2 可知，该模型网络结构分为 4 个部分，其特征如下。
1)第一卷积层：这一层使用 64 个卷积核，每个核的大小是 3× 3× 3。卷积层主要用于从原始输入数据中提取空间特征。在这种情况下，由于核大小较小，这一层特别擅长捕捉局部特征，如边缘、纹理等。
2)第二卷积层：随着深度的增加，第二卷积层通常负责从第一卷积层提取的低级特征中进一步提炼出更高级、更抽象的特征。使用 128 个卷积核可以使网络探索更多的特征，增加模型的表达能力。在深度学习的语境中，较深的卷积层通常可以捕捉到比初级层更复杂的模式(如对象的部分或整体结构)，这对于解决复杂的空间识别问题至关重要。
3)池化层：使用最大池化层，用于降低输入的数据量，并且能够保留重要的特征，减小训练时间并保持训练的效果。
4)全连接层：全连接层的主要作用是将之前卷积和池化层提取并组合的特征进行总结和分类，并通过 Softmax 函数计算输出最终的预测结果。
其中， 3D CNN 结构的 Python 实现关键代码如下：
3.结果与分析
3.1 三维地质建模结果
基于 GoCAD 软件，建立了青海省色日金矿床 AuIV 矿带的三维地质模型(见图 3)。 通过对 AuⅣ矿带的三维地质模型分析，揭示了矿体的空间分布特征：矿体呈北西向展布，与区域断裂(F2断裂)的空间耦合度达 72%。矿体以脉状为主，局部膨大，最大连续延伸长度达 430 m，平均厚度 8.5 m。高品位(w(Au) ≥1.0 g/t)区域集中于矿体中部，与钻孔 ZK0003(w(Au)最高值 3.2 g/t)位置吻合，进一步印证了“构造-岩性复合控矿” 理论。
图 3 AuⅣ矿带三维地质模型
3.2 深部找矿预测结果
试验采用的软件、硬件参数见表 6。将训练数据集输入 3D CNN 智能深部找矿预测模型进行训练。为了评估模型性能，绘制了受试者工作特征曲线(ROC)，横坐标为假阳率(FPR)，纵坐标为真阳率(TPR)，红色实线表示模型在训练集上的表现，蓝色点虚线表示模型在测试集上的表现，结果见图 4。由图 4 可知：模型在测试集上的准确率为 78.3%，精确率为 82.1%，召回率为 75.6%， F1 值为 78.7%， ROC 曲线下面积(AUC 值)为 0.82，表明模型对正负样本的区分能力较强。
表6 试验采用的软件、硬件参数
图4 ROC曲线图
总体而言， 3D CNN 智能深部找矿预测模型在空间特征提取、效率和多尺度适应性方面表现出显著优势，但在数据依赖性和解释性方面仍存在一定局限性，未来可通过融合多源数据和增加网络深度进一步提升模型性能。
将训练后的模型应用于青海省色日金矿床 AuIV 矿带，深部找矿预测结果见图 5。由图 5 可知，共识别出 3 处靶区，其中包含 2 处高概率(P≥0.8)靶区： 靶区 A 位于现有矿体中部偏北深部(深度 500~650 m)，推测为 F2断裂的次级构造控矿区域;靶区 B 位于中部(深度 300~400 m) ， 经虚拟钻孔模拟显示， 金平均品位 0.87 g/t。然而，模型对稀疏数据区域的预测置信度(P=0.4~0.6)较低，需结合地球物理数据进一步约束。
图5.深部找矿预测结果
4.结论
1)基于 GoCAD 软件，整合了色日金矿床 34 个钻孔的多源地质数据，构建了色日金矿床 AuIV 矿带精细的三维地质模型，实现了矿体形态、断裂及围岩分布的三维动态展示，为深部矿体空间分析提供了可视化与定量化的数据基础。
2)开展了三维地质建模与深度学习算法的交叉创新研究，提出了智能深部找矿预测方法。该方法基于 3D CNN 构建了智能深部找矿预测模型，捕捉了深部矿体与围岩的空间关联性。即使在训练样本有限(70组，增强后 210 组)的条件下，预测结果仍表现出较高鲁棒性。
3)成功识别出 3 处成矿概率较高的找矿靶区，其中 2 处靶区位于 500~650 m 深度的次级断裂控制区域，预测误差控制在 12%以内，与已知钻孔数据的验证结果吻合良好，表明该方法在深部隐伏矿体空间定位方面具有较高精度。
免责声明：本文内容来源自“青春地矿三院”，如需转载请联系我们。如涉及作品内容、版权和其它问题，请来电或致函告之，我们将及时给予处理!
461
0 
我感兴趣
贵州 - 贵阳
2026年08月06日 ~ 08日
