智能矿产预测的技术挑战与解决方案
摘要
人工智能找矿是当前矿产预测的前沿领域. 由于成矿过程的复杂性, 成矿的稀有性,成矿特征多样性, 以及人工智能模型的“黑箱”属性, 使得智能矿产预测面临着找矿数据及其空间耦合关系表征不充分、训练样本不足、模型鲁棒性差、泛化能力弱和缺乏可解释性等技术难题. 本文深入剖析了产生这些技术难题的原因, 梳理了现有研究中这些难题的解决方案. 在此基础上, 提出了2种解决上述技术难题的矿产预测人工智能模型新框架: (1) 地质约束的自监督图-Transformer模型, 采用自监督学习缓解标注数据稀缺问题, 通过图结构表征地质实体间的空间耦合关系, 并引入Transformer增强模型对长程空间依赖关系的建模能力; (2) 地质约束的图强化学习模型, 该模型在利用图结构表征地质实体的基础上, 利用强化学习对数据特征进行充分挖掘, 并将地质知识嵌入到奖励机制中, 考虑成矿知识对状态判别的影响, 从而提升模型的泛化能力和可解释性.
引用本文（GB/T 7714）
仁广 左. 智能矿产预测的技术挑战与解决方案[J]. SCIENTIA SINICA Terrae, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。