权利要求

1.一种基于AI技术的成矿预测方法，其特征在于，包括以下步骤：S1：开发一款AI成矿预测软件，并将卫星在线或者离线三维地图导入该软件;S2：采集数据录入：在AI成矿预测软件中，把地质地形图、建造构造图、磁法野外测量数据、电法野外测量数据、卫星遥感数据、相关著作、书籍以及论文录入AI成矿预测软件的数据库;S3：数据可视化：在AI成矿预测软件中，对录入的数据进行处理，并制成图表加载到卫星图或单列呈现;S4：数据学习与分析：在AI成矿预测软件中，将S3中处理后的数据输入至预先训练好的成矿预测AI模型，通过成矿预测AI模型进行训练和分析，达到理想的输出结果;S5：地球化学元素填图：在AI成矿预测软件中，对各地区的岩石元素含量进行填图，画出各成矿元素异常区;S6：地球流体动力分析：在AI成矿预测软件中，对地幔岩浆、岩浆岩、火山岩、岩浆、热液、地下水以及地表水进行流体动力分析;S7：地质构造地形反演：在AI成矿预测软件中，利用动漫技术，根据地球板块构造、板块运动以及造山运动，结合地球运转的离心力、月亮的潮汐力、地幔对流引起岩浆热力以及板块对冲形成的拉力的大小及方向参数，并结合地质体的风化、剥蚀、搬运情况，利用AI计算能力，反演出不同地质年代的地质地形的状态;S8：各矿种预测算法：在AI成矿预测软件中，构建多因素加权预测模型，对各矿种的成矿规律和成矿条件进出总结和分析，并对各矿种的成矿要素及各要素的权重，进行参数调整，训练AI成矿预测软件圈出各矿种的成矿靶区，再将圈出的成矿靶区与已知矿藏进行校对，直到预测圈出的成矿靶区与已知矿藏基本一致;S9：文本输出：在AI成矿预测软件中，生成包含所述成矿靶区位置信息的成矿预测报告。

2.根据权利要求1所述的一种基于AI技术的成矿预测方法，其特征在于，所述S1中，AI成矿预测软件包含如下功能：(1)、卫星地图接入;(2)、采集数据录入;(3)、数据可视化;(4)、数据学习与分析;(5)、地球化学元素填图;(6)、地球流体动力分析;(7)、地质构造地形反演;(8)、各矿种预测算法;(9)、文本输出;在导入地图时，利用高清卫星图的加载及二次开发，完成类似《91卫图助手》或《Google earth》软件功能，实现图像、影像、标注、数据加载及编译功能。

3.根据权利要求1所述的一种基于AI技术的成矿预测方法，其特征在于，所述S6中，地幔岩浆上涌是地球内部能量释放的关键环节，其带动地表流体流动的过程，是深部热能向浅部传输的纽带，也是把深部成矿元素带到地表主要动能和成矿机制;进行流体动力分析时，需经历三个过程：深部岩浆生成→上涌通道形成→地表流体响应。

4.根据权利要求1所述的一种基于AI技术的成矿预测方法，其特征在于，所述S8中，各矿种预测算法中使用的算法公式为：A=(N1+N2+N3+……)×X%;其中A为预测准确率，N1为电法成矿准确率，其需要根据测量数据、成矿因素，及预测某种矿的经验，判断成矿准确率N1的数值，N2为磁法成矿准确率，其需要根据测量数据、成矿因素，及预测某种矿的经验，判断成矿准确率N2的数值，N3为化学元素分析成矿准确率，其需要根据化验数据、成矿因素，及预测某种矿的经验，判断成矿准确率N3的数值，……为其它分析方法，包括植物、水温、火山带、地震带的成矿预测准确率，X%为某种矿的平均预测准确概率，参数可调，支持多方法融合验证。

5.根据权利要求1所述的一种基于AI技术的成矿预测方法，其特征在于，所述S7中，在地质构造地形反演之后，需要对物探数据进行验证，其在验证时，通过获取在圈定的成矿靶区范围内的密集物探数据，并对物探数据进行反演解释，以预测靶区内矿藏的坐标、深度及厚度信息。

6.根据权利要求1所述的一种基于AI技术的成矿预测方法，其特征在于，所述S9中，成矿预测报告由AI根据预设的标准格式自动生成，报告内容包括地质图、成矿分析图、储量报告、成矿预测分析报告中的一种或多种。

7.根据权利要求1所述的一种基于AI技术的成矿预测方法，其特征在于，所述S4中，成矿预测AI模型通过机器学习算法对历史地质数据与已知矿藏分布关系进行训练得到，用于学习成矿要素与成矿概率之间的关联关系。

8.一种基于AI技术的成矿预测系统，用于实现权利要求1-7任意所述的方法，其特征在于，包括卫星地图接入模块、采集数据录入模块、数据可视化模块、数据学习与分析模块、地球化学元素填图模块、地球流体动力分析模块、地质构造地形反演模块、各矿种预测算法模块以及文本输出模块;所述卫星地图接入模块负责将在线或离线的三维卫星地图导入并集成到AI成矿预测软件中，作为所有空间数据和预测结果的核心展示基底;所述采集数据录入模块负责将多源、异构的原始数据录入并存储到软件的内置数据库中，这些数据包括但不限于地质地形图、建造构造图、磁法/电法野外测量数据、卫星遥感数据、以及相关的著作、书籍、论文文献资料;所述数据可视化模块负责将录入数据库的各类数据，通过内置的算法和公式进行处理，并将其以图表的形式叠加显示在卫星地图上，或单独列表呈现，实现数据的直观、快捷展示;所述数据学习与分析模块利用PyTorch或TensorFlow开源框架，通过专业的AI训练师对录入的海量数据进行训练和学习，分析各成矿要素的权重，最终使系统能够输出理想的成矿靶区预测结果;所述地球化学元素填图模块负责对收集到的地球化学元素数据进行分析和处理，在卫星地图上绘制出各地区岩石的元素含量分布图，并圈定出特定的成矿元素异常区，为成矿预测提供关键的地球化学依据;所述地球流体动力分析模块负责将地幔岩浆、热液、地下水、地表水信息纳入分析，根据能级转换理论，对这些流体的动力来源、能级划分和流动方向进行分析，模拟成矿元素被流体携带运输和富集的过程;所述地质构造地形反演模块负责基于地球板块构造、板块运动、造山运动规律，结合地球离心力、潮汐力、地幔热对流、板块拉力参数，以及风化、剥蚀作用，利用强大的AI计算能力，反演并可视化展示不同地质历史时期的地形和地质构造状态;所述各矿种预测算法模块集成了针对不同矿种的成矿预测算法，通过调整各成矿要素的准确率权重和矿种平均概率，训练并驱动AI软件在图上自动圈定出成矿靶区，并可通过与已知矿藏进行校对来优化算法;所述文本输出模块负责将预设好的标准格式，通过训练AI学习大量相关资料，实现从数据到成品的自动化，最终一键生成符合要求的专业文本和报告。

说明书

技术领域

[0001]本发明涉及成矿预测技术领域，尤其涉及一种基于AI技术的成矿预测方法及系统。

背景技术

[0002]成矿预测是矿产勘探领域的关键环节，其目的在于优选找矿靶区，降低勘探风险，当前，该领域已存在诸多相关理论与方法，例如，禹斌、魏江、李惠等主编的《构造叠加晕找盲矿研究-建模-预测理论与方法》阐述了元素与成矿的关系;赵鹏大主编的《数字地质学》介绍了数字地质学及地质大数据与人工智能的有关内容;吕古贤、林文蔚等著《构造物理化学与金矿成矿预测》，以及叶天竺、吕志成等著《勘查区找矿预测理论与方法》等，均为成矿预测提供了重要的理论支撑，然而这些现有的技术或理论在实际应用中仍存在以下主要问题与缺陷：

[0003]应用流程繁琐复杂：在针对特定矿种的实际预测应用中，操作过程较为繁琐和复杂，效率有待提升;

[0004]缺乏智能权重分析与整合：各类成矿要素(如地质、地球物理、地球化学要素)之间的关联关系及其权重未能与人工智能大数据算法有效结合，难以实现自动化、智能化的综合分析;

[0005]多源数据验证与反演不足：在将不同预测指标进行相互验证和反演叠加方面尚有不足，特别是地球物理勘探领域存在的多解性问题未能得到有效解决;

[0006]宏观成矿机制分析缺失：现有方法多侧重于局部和浅表分析，缺乏从宏观尺度对成矿物质来源、板块运动、地幔中元素在高温高压条件下的相互作用等内在成矿因素进行系统分析;

[0007]综合上述情况，本申请提出了一种基于AI技术的成矿预测方法及系统。

发明内容

[0008]基于背景技术存在的技术问题，本发明提出了一种基于AI技术的成矿预测方法及系统。

[0009]本发明提出的一种基于AI技术的成矿预测方法，包括以下步骤：

[0010]S1：开发一款AI成矿预测软件，并将卫星在线或者离线三维地图导入该软件;

[0011]S2：采集数据录入：在AI成矿预测软件中，把地质地形图、建造构造图、磁法野外测量数据、电法野外测量数据、卫星遥感数据、相关著作、书籍以及论文录入AI成矿预测软件的数据库;

[0012]S3：数据可视化：在AI成矿预测软件中，对录入的数据进行处理，并制成图表加载到卫星图或单列呈现;

[0013]S4：数据学习与分析：在AI成矿预测软件中，将S3中处理后的数据输入至预先训练好的成矿预测AI模型，通过成矿预测AI模型进行训练和分析，达到理想的输出结果;

[0014]S5：地球化学元素填图：在AI成矿预测软件中，对各地区的岩石元素含量进行填图，画出各成矿元素异常区;

[0015]S6：地球流体动力分析：在AI成矿预测软件中，对地幔岩浆、岩浆岩、火山岩、岩浆、热液、地下水以及地表水进行流体动力分析;

[0016]S7：地质构造地形反演：在AI成矿预测软件中，利用动漫技术，根据地球板块构造、板块运动以及造山运动，结合地球运转的离心力、月亮的潮汐力、地幔对流引起岩浆热力以及板块对冲形成的拉力的大小及方向参数，并结合地质体的风化、剥蚀、搬运情况，利用AI计算能力，反演出不同地质年代的地质地形的形态;

[0017]S8：各矿种预测算法：在AI成矿预测软件中，构建多因素加权预测模型，对各矿种的成矿规律和成矿条件进出总结和分析，并对各矿种的成矿要素及各要素的权重，进行参数调整，训练AI成矿预测软件圈出各矿种的成矿靶区，再将圈出的成矿靶区与已知矿藏进行校对，直到预测圈出的成矿靶区与已知矿藏基本一致;

[0018]S9：文本输出：在AI成矿预测软件中，生成包含所述成矿靶区位置信息的成矿预测报告。

[0019]优选地，所述S1中，AI成矿预测软件包含如下功能：(1)、卫星地图接入;(2)、采集数据录入;(3)、数据可视化;(4)、数据学习与分析;(5)、地球化学元素填图;(6)、地球流体动力分析;(7)、地质构造地形反演;(8)、各矿种预测算法;(9)、文本输出;

[0020]在导入地图时，利用高清卫星图的加载及二次开发，完成类似《91卫图助手》或《Google earth》软件功能，实现图像、影像、标注、数据加载及编译功能。

[0021]优选地，所述S6中，地幔岩浆上涌是地球内部能量释放的关键环节，其带动地表流体流动的过程，是深部热能向浅部传输的纽带，也是把深部成矿元素带到地表主要动能和成矿机制;

[0022]进行流体动力分析时，需经历三个过程：深部岩浆生成→上涌通道形成→地表流体响应。

[0023]优选地，所述S8中，各矿种预测算法中使用的算法公式为：A=(N1+N2+N3+……)×X%;

[0024]其中A为预测准确率，N1为电法成矿准确率，其需要根据测量数据、成矿因素，及预测某种矿的经验，判断成矿准确率N1的数值，N2为磁法成矿准确率，其需要根据测量数据、成矿因素，及预测某种矿的经验，判断成矿准确率N2的数值，N3为化学元素分析成矿准确率，其需要根据化验数据、成矿因素，及预测某种矿的经验，判断成矿准确率N3的数值，……为其它分析方法，包括植物、水温、火山带、地震带的成矿预测准确率，X%为某种矿的平均预测准确概率，参数可调，支持多方法融合验证。

[0025]优选地，所述S7中，在地质构造地形反演之后，需要对物探数据进行验证，其在验证时，通过获取在圈定的成矿靶区范围内的密集物探数据，并对物探数据进行反演解释，以预测靶区内矿藏的坐标、深度及厚度信息。

[0026]优选地，所述S9中，成矿预测报告由AI根据预设的标准格式自动生成，报告内容包括地质图、成矿分析图、储量报告、成矿预测分析报告中的一种或多种。

[0027]优选地，所述S4中，成矿预测AI模型通过机器学习算法对历史地质数据与已知矿藏分布关系进行训练得到，用于学习成矿要素与成矿概率之间的关联关系。

[0028]本发明还提出了一种基于AI技术的成矿预测系统，包括卫星地图接入模块、采集数据录入模块、数据可视化模块、数据学习与分析模块、地球化学元素填图模块、地球流体动力分析模块、地质构造地形反演模块、各矿种预测算法模块以及文本输出模块;

[0029]所述卫星地图接入模块负责将在线或离线的三维卫星地图导入并集成到AI成矿预测软件中，作为所有空间数据和预测结果的核心展示基底;

[0030]所述采集数据录入模块负责将多源、异构的原始数据录入并存储到软件的内置数据库中，这些数据包括但不限于地质地形图、建造构造图、磁法/电法野外测量数据、卫星遥感数据、以及相关的著作、书籍、论文文献资料;

[0031]所述数据可视化模块负责将录入数据库的各类数据，通过内置的算法和公式进行处理，并将其以图表的形式叠加显示在卫星地图上，或单独列表呈现，实现数据的直观、快捷展示;

[0032]所述数据学习与分析模块利用PyTorch或TensorFlow开源框架，通过专业的AI训练师对录入的海量数据进行训练和学习，分析各成矿要素的权重，最终使系统能够输出理想的成矿靶区预测结果;

[0033]所述地球化学元素填图模块负责对收集到的地球化学元素数据进行分析和处理，在卫星地图上绘制出各地区岩石的元素含量分布图，并圈定出特定的成矿元素异常区，为成矿预测提供关键的地球化学依据;

[0034]所述地球流体动力分析模块负责将地幔岩浆、热液、地下水、地表水信息纳入分析，根据能级转换理论，对这些流体的动力来源、能级划分和流动方向进行分析，模拟成矿元素被流体携带运输和富集的过程;

[0035]所述地质构造地形反演模块负责基于地球板块构造、板块运动、造山运动规律，结合地球离心力、潮汐力、地幔热对流、板块拉力参数，以及风化、剥蚀作用，利用强大的AI计算能力，反演并可视化展示不同地质历史时期的地形和地质构造状态;

[0036]所述各矿种预测算法模块集成了针对不同矿种的成矿预测算法，通过调整各成矿要素的准确率权重和矿种平均概率，训练并驱动AI软件在图上自动圈定出成矿靶区，并可通过与已知矿藏进行校对来优化算法;

[0037]所述文本输出模块负责将预设好的标准格式，通过训练AI学习大量相关资料，实现从数据到成品的自动化，最终一键生成符合要求的专业文本和报告。

[0038]与现有的技术相比，本发明的有益效果是：

[0039]通过利用AI技术整合分析海量多源地质数据，并建立综合权重预测模型，能够快速、准确地自动圈定成矿靶区，大大提高了钻探见矿的准确率;

[0040]通过将地球物理数据与其他地质、地球化学数据在AI模型中进行相互验证和反演叠加，有效克服了传统物探方法解释结果多解性突出的缺陷，从而能更精确地判断矿藏的坐标、深度和厚度;

[0041]利用AI强大的数据整合与逻辑推理能力，能够将成矿物质来源、板块运动、地幔流体等宏观成矿机制与具体的地质、化学指标相结合，完成了人脑难以实现的跨领域、多尺度综合分析，使预测依据更全面、更科学，实现宏观与微观的综合分析;

[0042]利用现有资料和AI分析即可优选靶区，简化了繁琐复杂的人工现场勘探和取样工作，节约了大量的探矿时间与经济成本，并显著缩短了从勘探到开采的周期，提高了投资周转率;

[0043]本发明通过利用AI强大的数据整合、逻辑推理和分析能力，建立智能预测模型，使得在开展野外探矿工作实施前，能够快速、自动、准确地圈定成矿靶区，通过一系列的算法及各种方法彼此验证，有效克服传统物探方法多解性难题，并实现从宏观成矿机制到微观要素的综合分析，从而大幅提高钻探见矿准确率，显著节约勘探时间与经济成本，缩短探转采周期，并具备多矿种与地热资源协同预测的综合效益。

附图说明

[0044]图1为本发明提出的一种基于AI技术的成矿预测方法的流程图;

[0045]图2为本发明提出的一种基于AI技术的成矿预测系统的框图。

具体实施方式

[0046]下面结合具体实施例对本发明作进一步解说。

实施例一

[0047]参照图1，本实施例提出了一种基于AI技术的成矿预测方法，包括以下步骤：

[0048]S1：开发一款AI成矿预测软件，并将卫星在线或者离线三维地图导入该软件;

[0049]其中AI成矿预测软件包含如下功能：(1)、卫星地图接入;(2)、采集数据录入;(3)、数据可视化;(4)、数据学习与分析;(5)、地球化学元素填图;(6)、地球流体动力分析;(7)、地质构造地形反演;(8)、各矿种预测算法;(9)、文本输出;

[0050]在导入地图时，利用高清卫星图的加载及二次开发，完成类似《91卫图助手》或《Google earth》软件功能，实现图像、影像、标注、数据加载及编译功能;

[0051]S2：采集数据录入：在AI成矿预测软件中，把地质地形图、建造构造图、磁法野外测量数据、电法野外测量数据、卫星遥感数据、相关著作、书籍以及论文录入AI成矿预测软件的数据库;

[0052]S3：数据可视化：在AI成矿预测软件中，对录入的数据进行处理，并制成图表加载到卫星图或单列呈现;

[0053]S4：数据学习与分析：在AI成矿预测软件中，将S3中处理后的数据输入至预先训练好的成矿预测AI模型，通过成矿预测AI模型进行训练和分析，达到理想的输出结果;

[0054]其中成矿预测AI模型通过机器学习算法对历史地质数据与已知矿藏分布关系进行训练得到，用于学习成矿要素与成矿概率之间的关联关系;

[0055]S5：地球化学元素填图：在AI成矿预测软件中，对各地区的岩石元素含量进行填图，画出各成矿元素异常区;

[0056]S6：地球流体动力分析：在AI成矿预测软件中，对地幔岩浆、岩浆岩、火山岩、岩浆、热液、地下水以及地表水进行流体动力分析，其中地幔岩浆上涌是地球内部能量释放的关键环节，其带动地表流体流动的过程，是深部热能向浅部传输的纽带，也是把深部成矿元素带到地表主要动能和成矿机制;

[0057]进行流体动力分析时，需经历三个过程：深部岩浆生成→上涌通道形成→地表流体响应;

[0058]S7：地质构造地形反演：在AI成矿预测软件中，利用动漫技术，根据地球板块构造、板块运动以及造山运动，结合地球运转的离心力、月亮的潮汐力、地幔对流引起岩浆热力以及板块对冲形成的拉力的大小及方向参数，并结合地质体的风化、剥蚀、搬运情况，利用AI计算能力，反演出不同地质年代的地质地形的状态，在地质构造地形反演之后，需要对物探数据进行验证，其在验证时，通过获取在圈定的成矿靶区范围内的密集物探数据，并对物探数据进行反演解释，以预测靶区内矿藏的坐标、深度及厚度信息;

[0059]S8：各矿种预测算法：在AI成矿预测软件中，构建多因素加权预测模型，对各矿种的成矿规律和成矿条件进出总结和分析，并对各矿种的成矿要素及各要素的权重，进行参数调整，训练AI成矿预测软件圈出各矿种的成矿靶区，再将圈出的成矿靶区与已知矿藏进行校对，直到预测圈出的成矿靶区与已知矿藏基本一致;

[0060]各矿种预测算法中使用的算法公式为：A=(N1+N2+N3+……)×X%;

[0061]其中A为预测准确率，N1为电法成矿准确率，其需要根据测量数据、成矿因素，及预测某种矿的经验，判断成矿准确率N1的数值，N2为磁法成矿准确率，其需要根据测量数据、成矿因素，及预测某种矿的经验，判断成矿准确率N2的数值，N3为化学元素分析成矿准确率，其需要根据化验数据、成矿因素，及预测某种矿的经验，判断成矿准确率N3的数值，……为其它分析方法，包括植物、水温、火山带、地震带的成矿预测准确率，X%为某种矿的平均预测准确概率，参数可调，支持多方法融合验证;

[0062]S9：文本输出：在AI成矿预测软件中，生成包含成矿靶区位置信息的成矿预测报告，其中成矿预测报告由AI根据预设的标准格式自动生成，报告内容包括地质图、成矿分析图、储量报告、成矿预测分析报告中的一种或多种。

[0063]参照图2，本实施例还提出了一种基于AI技术的成矿预测系统，包括卫星地图接入模块、采集数据录入模块、数据可视化模块、数据学习与分析模块、地球化学元素填图模块、地球流体动力分析模块、地质构造地形反演模块、各矿种预测算法模块以及文本输出模块;

[0064]卫星地图接入模块负责将在线或离线的三维卫星地图导入并集成到AI成矿预测软件中，作为所有空间数据和预测结果的核心展示基底;

[0065]采集数据录入模块负责将多源、异构的原始数据录入并存储到软件的内置数据库中，这些数据包括但不限于地质地形图、建造构造图、磁法/电法野外测量数据、卫星遥感数据、以及相关的著作、书籍、论文文献资料;

[0066]数据可视化模块负责将录入数据库的各类数据，通过内置的算法和公式进行处理，并将其以图表的形式叠加显示在卫星地图上，或单独列表呈现，实现数据的直观、快捷展示;

[0067]数据学习与分析模块利用PyTorch或TensorFlow开源框架，通过专业的AI训练师对录入的海量数据进行训练和学习，分析各成矿要素的权重，最终使系统能够输出理想的成矿靶区预测结果;

[0068]地球化学元素填图模块负责对收集到的地球化学元素数据进行分析和处理，在卫星地图上绘制出各地区岩石的元素含量分布图，并圈定出特定的成矿元素异常区，为成矿预测提供关键的地球化学依据;

[0069]地球流体动力分析模块负责将地幔岩浆、热液、地下水、地表水信息纳入分析，根据能级转换理论，对这些流体的动力来源、能级划分和流动方向进行分析，模拟成矿元素被流体携带运输和富集的过程;

[0070]地质构造地形反演模块负责基于地球板块构造、板块运动、造山运动规律，结合地球离心力、潮汐力、地幔热对流、板块拉力参数，以及风化、剥蚀作用，利用强大的AI计算能力，反演并可视化展示不同地质历史时期的地形和地质构造形态;

[0071]各矿种预测算法模块集成了针对不同矿种的成矿预测算法，通过调整各成矿要素的准确率权重和矿种平均概率，训练并驱动AI软件在图上自动圈定出成矿靶区，并可通过与已知矿藏进行校对来优化算法;

[0072]文本输出模块负责将预设好的标准格式，通过训练AI学习大量相关资料，实现从数据到成品的自动化，最终一键生成符合要求的专业文本和报告;

[0073]该实施例通过利用AI强大的数据整合、逻辑推理和分析能力，建立智能预测模型，使得在开展野外探矿工作实施前，能够快速、自动、准确地圈定成矿靶区，通过一系列的算法及各种方法彼此验证，有效克服传统物探方法多解性难题，并实现从宏观成矿机制到微观要素的综合分析，从而大幅提高钻探见矿准确率，显著节约勘探时间与经济成本，缩短探转采周期，并具备多矿种与地热资源协同预测的综合效益。

[0074]以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

说明书附图(2)