一种三维找矿预测方法、系统、设备及介质与流

本技术涉及地质勘探，尤其是涉及一种三维找矿预测方法、系统、设备及介质。背景技术：1、在当前矿产资源的勘探领域，随着浅表层矿床资源的日益枯竭，勘察找矿方向逐步转向了深部及外围区域，这一转变对找矿技术提出了更高要求，尤其在深部找矿预测的精准性与效率方面。2、尽管现有的构造叠加晕理论在找矿技术中取得了一定性预测的进展，能够反映构造对矿化作用的控制，但对深部矿化分布的细节和复杂性描述有限，难以满足精确靶区的精确定性，对于多矿脉的复杂矿床而言有很大的局限性。与此同时，机器学习算法在矿产资源预测领域显示出强大潜力，通过挖掘高维数据的矿化信息，提高了矿产评价能力，但在非工程控制范围外的未知区域预测方面仍面临挑战。3、因此，目前的各种找矿预测技术在面对复杂地质环境时仍存在诸多挑战，尤其是在深部及外围找矿方面，难以准确预测矿化分布，造成了资源的浪费和找矿效率低下。技术实现思路1、为了提高找矿预测的工作效率和准确度，本技术提供了一种三维找矿预测方法、系统、设备及介质。2、第一方面，本技术提供一种三维找矿预测方法，采用如下的技术方案：3、一种三维找矿预测方法，所述预测方法包括：4、获取目标矿区内的地质样品数据并进行数据预处理；所述地质样品数据包括土壤地球化学样品数据、钻孔样品数据和槽探样品数据；5、对预处理后的所述地质样品数据进行异常识别，提取元素异常阈值并确定异常地质样品；6、对所述异常地质样品进行元素组合分析，根据浓度分带特征、轴向分带序列和元素相关性，确定原生晕元素组合；7、根据所述地质样品数据生成品位等值线图，根据所述品位等值线图的几何特征确定矿体定位信息；8、基于所述元素异常阈值、浓度分带特征、轴向分带序列、原生晕元素组合和矿体定位信息，构建二维构造叠加晕实用模型；9、根据所述原生晕元素组合和钻孔样品数据，得到各个原生晕元素的三维空间分布特征；10、基于所述二维构造叠加晕实用模型，根据各个原生晕元素的三维空间分布特征建立三维原生晕模型；11、根据所述三维原生晕模型提取地球化学特征，基于机器学习算法对所述地球化学特征进行训练，建立矿化分布预测模型；12、将所述二维构造叠加晕实用模型、三维原生晕模型和矿化分布预测模型进行融合，得到三维综合找矿预测模型；13、根据所述三维综合找矿预测模型预测找矿靶区，得到找矿预测结果。14、通过采用上述技术方案，在二维构造叠加晕模型的基础上，利用三维可视化技术建立了三维原生晕模型，能够更加立体、客观的反映深部空间元素变化规律，同时构建了基于机器学习的矿化分布预测模型，通过将二维构造叠加晕模型提供的构造控制信息、三维原生晕模型的矿化空间分布特征以及机器学习预测模型的矿化概率分布融合，形成了一个综合的三维找矿预测模型，实现了从单一维度向多维度、单一要素向多要素、单一方法向多方法的转变，减少了资源预测的不确定性，提高了深部及外围找矿的工作效率和精准度。15、可选的，对预处理后的所述地质样品数据进行异常识别，提取元素异常阈值并确定异常地质样品的步骤包括：16、根据预处理后的地质样品数据，得到元素分布特征；17、根据所述元素分布特征得到分形维度特征，构建浓度-长度分形模型；18、基于浓度-长度分形模型对地质样品数据提取元素异常阈值，并确定异常地质样品。19、可选的，对所述异常地质样品进行元素组合分析，根据浓度分带特征、轴向分带序列和元素相关性，确定原生晕元素组合的步骤包括：20、将所述异常地质样品的异常数据子集进行数据转换；21、根据转换后的异常数据子集，生成元素浓度分带图，并识别得到所述浓度分带特征和轴向分带序列；22、对所述转换后的异常数据子集进行降维处理，识别元素间的相关性和元素组合，得到元素相关性分析结果；23、根据所述浓度分带特征、轴向分带序列和元素相关性分析结果，得到原生晕元素组合；其中，原生晕元素组合包括在空间上呈现前缘、近矿、尾晕的分布特征的元素。24、可选的，基于所述二维构造叠加晕实用模型，根据各个原生晕元素的三维空间分布特征建立三维原生晕模型的步骤包括：25、基于所述二维构造叠加晕实用模型，提取构造控制因素；26、根据各个原生晕元素的三维空间分布特征，建立三维元素分布模型；27、根据所述三维元素分布模型建立三维地质框架；28、在所述三维地质框架中集成所述构造控制因素并调整元素分布，得到三维原生晕模型。29、可选的，基于机器学习算法对所述地球化学特征进行训练，建立矿化分布预测模型的步骤包括：30、对所述地球化学特征进行预处理；31、基于相关性分析对预处理后的地球化学特征进行特征选择，将选中的特征向量进行标准化处理，得到输入特征集；32、将所述输入特征集划分为训练集、验证集和测试集；33、将所述训练集输入至预先构建的机器学习算法模型进行训练，对模型参数进行优化并计算损失函数，直到损失函数满足预设条件或模型迭代次数达到预设次数，得到训练后的所述矿化分布预测模型；34、基于所述验证集对所述矿化分布预测模型进行验证，评估所述矿化分布预测模型的性能并调整模型的超参数；35、基于所述测试集对调整后的矿化分布预测模型的预测能力进行测试。36、可选的，将所述二维构造叠加晕实用模型、三维原生晕模型和矿化分布预测模型进行融合，得到三维综合找矿预测模型的步骤包括：37、根据所述二维构造叠加晕实用模型、三维原生晕模型和矿化分布预测模型，分别得到各个所述模型的输出特征并进行标准化处理；38、基于所述标准化处理后的输出特征进行特征选择和降维处理，得到降维后的特征向量；39、分别为所述二维构造叠加晕实用模型、三维原生晕模型和矿化分布预测模型分配动态权重值；40、将降维后的特征向量根据所述权重值进行加权平均，得到初步融合的预测结果；41、将各个所述模型的输出特征和所述初步融合的预测结果相结合，得到数据集并划分为训练集、验证集和测试集；42、基于训练集对预先构建的深度神经网络模型进行初训练，并基于验证集和测试集对初训练后的深度神经网络模型进行交叉验证和模型参数优化调整，得到三维综合找矿预测模型；其中，所述动态权重值的调整基于模型在交叉验证过程中的预测误差，通过梯度下降法最小化预测误差来优化权重配置。43、可选的，根据所述三维综合找矿预测模型预测找矿靶区，得到找矿预测结果的步骤包括：44、根据所述三维综合找矿预测模型的模型预测结果，确定找矿靶区；45、接收用户输入的所述找矿靶区的实地验证数据；46、根据所述实地验证数据判断与模型预测结果是否相符，若是，则确定所述找矿靶区为所述找矿预测结果；47、若否，则根据所述实地验证数据对所述三维综合找矿预测模型进行优化校正，调整模型参数，直到模型预测结果与所反馈的实地验证数据相符，得到优化后的三维综合找矿预测模型；48、根据所述优化后的三维综合找矿预测模型预测找矿靶区，并确定所述找矿靶区为找矿预测结果。49、第二方面，本技术提供一种三维找矿预测系统，采用如下的技术方案：50、一种三维找矿预测系统，所述预测系统包括：51、获取模块，用于获取目标矿区内的地质样品数据；所述地质样品数据包括土壤地球化学样品数据、钻孔样品数据和槽探样品数据；52、预处理模块，用于对所述地质样品数据进行数据预处理；53、异常识别模块，用于对预处理后的所述地质样品数据进行异常识别，提取元素异常阈值并确定异常地质样品；54、原生晕元素组合确定模块，用于对所述异常地质样品进行元素组合分析，根据浓度分带特征、轴向分带序列和元素相关性，确定原生晕元素组合；55、矿体定位信息确定模块，用于根据所述地质样品数据生成品位等值线图，根据所述品位等值线图的几何特征确定矿体定位信息；56、二维模型构建模块，用于基于所述元素异常阈值、浓度分带特征、轴向分带序列、原生晕元素组合和矿体定位信息，构建二维构造叠加晕实用模型；57、元素分布特征生成模块，用于根据所述原生晕元素组合和钻孔样品数据，得到各个原生晕元素的三维空间分布特征；58、三维模型构建模块，用于基于所述二维构造叠加晕实用模型，根据各个原生晕元素的三维空间分布特征建立三维原生晕模型；59、预测模型构建模块，用于根据所述三维原生晕模型提取地球化学特征，基于机器学习算法对所述地球化学特征进行训练，建立矿化分布预测模型；60、综合预测模型构建模块，用于将所述二维构造叠加晕实用模型、三维原生晕模型和矿化分布预测模型进行融合，得到三维综合找矿预测模型；61、找矿预测结果生成模块，用于根据所述三维综合找矿预测模型预测找矿靶区，得到找矿预测结果。62、第三方面，本技术提供一种计算机设备，采用如下的技术方案：63、一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如第一方面所述方法的步骤。64、第四方面，本技术提供一种计算机可读存储介质，采用如下的技术方案：65、一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面中任一种方法的计算机程序。