基于注意力卷積神經(jīng)網(wǎng)絡(luò)的焦家金礦帶三維成礦預(yù)測及構(gòu)造控礦因素定量分析

鄧浩，魏運鳳，陳進，劉占坤，喻姝研，毛先成

(1.中南大學(xué)有色金屬成礦預(yù)測與地質(zhì)環(huán)境監(jiān)測教育部重點實驗室，湖南長沙，410083；2.中南大學(xué)地球科學(xué)與信息物理學(xué)院，湖南長沙，410083)

焦家金礦帶位于我國最大的金礦集中區(qū)膠東半島西北地區(qū)，是我國首個1 000 t級金礦發(fā)現(xiàn)地，目前已勘探金資源量超過1 260 t[1]。隨著工業(yè)化開采程度不斷加大，該區(qū)淺部礦產(chǎn)保有量快速下降，深部礦產(chǎn)資源勘探工作已成為目前找礦工作重點。當前該區(qū)勘探深度普遍超過2 000 m，深部找礦難度越來越大，在這種情況下，充分利用既有勘查成果，開展深部三維成礦預(yù)測是實現(xiàn)深部找礦突破的重要途徑[2?6]。三維成礦預(yù)測以地質(zhì)勘查數(shù)據(jù)為輸入，經(jīng)三維地質(zhì)建模、成礦信息提取以及預(yù)測建模等環(huán)節(jié)，實現(xiàn)深部隱伏礦體的定位定量預(yù)測[2,7]。焦家金礦帶產(chǎn)出焦家、新城、寺莊等超大型礦床，礦床(體)在走向和垂向上均沿焦家斷裂斷續(xù)分布，具有顯著的斷裂構(gòu)造控礦特征[8]。在以往的地質(zhì)勘查過程中，前人發(fā)現(xiàn)焦家金礦帶及膠西北其他礦帶的金礦多產(chǎn)出于斷裂產(chǎn)狀變化部位，具有礦體單向側(cè)伏、雁列式排列、間隔分布等特征，提出了“斷裂變緩控礦”“階梯式成礦”和“對稱成礦”等勘查思路[9?11]，但要將這種定性經(jīng)驗?zāi)Ｐ瓦\用至三維成礦預(yù)測，還需要從焦家斷裂面三維結(jié)構(gòu)建模出發(fā)，明確控礦因素，建立定量找礦指標，尋找斷裂面三維結(jié)構(gòu)與礦化定位間的定量關(guān)系，由此預(yù)測深部成礦有利部位。然而，斷裂面三維結(jié)構(gòu)對應(yīng)力空間分布、裂隙構(gòu)造、含礦流體運移的影響極其復(fù)雜[12?14]，焦家斷裂面三維結(jié)構(gòu)、金礦體形成與定位間的定量關(guān)聯(lián)具有顯著的非線性特征。利用現(xiàn)有三維成礦預(yù)測建模方法尤其是多元統(tǒng)計分析和傳統(tǒng)機器學(xué)習(xí)方法難以較好地刻畫焦家斷裂面三維結(jié)構(gòu)控制礦體空間定位的非線性規(guī)律，因而難以保證三維成礦預(yù)測模型的準確性與可靠性。因此，要開展焦家礦帶三維成礦預(yù)測，還有待建立專門的預(yù)測方法，表征焦家斷裂面三維結(jié)構(gòu)與礦化定位間的非線性關(guān)聯(lián)，對還原焦家深部成礦規(guī)律進行定量化研究。焦家金礦經(jīng)過半個多世紀的地質(zhì)勘查與生產(chǎn)開采，積累了豐富的勘查數(shù)據(jù)。在大數(shù)據(jù)時代，深度學(xué)習(xí)等大數(shù)據(jù)學(xué)習(xí)與分析技術(shù)得到充分發(fā)展[15?19]，為從數(shù)據(jù)科學(xué)角度解決焦家三維成礦預(yù)測問題提供了新的思路。

為此，本文作者借助深度學(xué)習(xí)技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)[20]，分析勘查數(shù)據(jù)背后特征、學(xué)習(xí)獲得焦家斷裂面形態(tài)特征與礦化定位間非線性關(guān)聯(lián)。為提升并保證網(wǎng)絡(luò)模型對礦化空間定位的判別性能，在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，引入注意力機制模塊[21]，通過模仿人類認知過程中的注意力機制，建立注意力卷積神經(jīng)網(wǎng)絡(luò)模型，引導(dǎo)網(wǎng)絡(luò)模型在學(xué)習(xí)過程中抽取與提煉對具有顯著礦化指示性的信息特征，由此建立三維成礦預(yù)測模型，從而更準確地表征礦體定位規(guī)律?；谶@種三維成礦預(yù)測模型，進一步開展深度網(wǎng)絡(luò)特征的解構(gòu)，以便發(fā)現(xiàn)網(wǎng)絡(luò)模型中深層次成礦信息關(guān)聯(lián)，從而定量分析控礦因素對成礦的影響程度，最終綜合上述成礦預(yù)測和定量分析結(jié)果圈定深部找礦靶區(qū)，為焦家礦帶深部找礦提供可靠的科學(xué)依據(jù)。

1 地質(zhì)背景

膠西北金礦集區(qū)位于郯廬走滑斷裂的東側(cè)、華北克拉通的東南緣、蘇魯超高壓變質(zhì)帶北段的西側(cè)，主要地層為前寒武紀變質(zhì)結(jié)晶基底，包括太古代膠東群、古元古代荊山群、粉子山群以及新元古代蓬萊群。區(qū)內(nèi)褶皺軸向以東西向為主，包括游優(yōu)山—粉子山倒轉(zhuǎn)向斜和朱馬短軸復(fù)式背斜。區(qū)內(nèi)斷裂構(gòu)造主要為三山島斷裂帶、焦家斷裂帶和招平斷裂帶，其中焦家斷裂帶整體走向10°～40°(見圖1)，傾向為NW，傾角為30°～50°，局部可達78°，長70 km 左右。區(qū)內(nèi)巖漿巖主要以中酸性和酸性為主，包括太古代TTG 花崗巖系、晚侏羅世玲瓏、欒家河花崗巖系和早白堊世郭家?guī)X花崗閃長巖系。

圖1 焦家斷裂帶地質(zhì)簡圖(據(jù)文獻[9]修改)Fig.1 Geological map of Jiaojia fault belt(modified by Ref.[9])

焦家金礦帶內(nèi)各礦床均屬于典型的破碎帶蝕變巖型金礦床，礦石以碎裂狀、浸染狀構(gòu)造為主，與金有關(guān)的金屬礦物有黃鐵礦、黃銅礦、銀金礦等，非金屬礦物主要有石英、絹云母、菱鐵礦等。區(qū)內(nèi)礦床發(fā)育以焦家斷裂主裂面為中心的蝕變分帶，其中主裂面上盤為絹英巖化輝長巖質(zhì)碎裂巖帶，下盤依次為黃鐵絹英巖化碎裂巖帶、黃鐵絹英巖化花崗質(zhì)碎裂巖帶、黃鐵絹英巖化花崗巖帶和含赤鐵礦鉀化花崗巖帶。蝕變帶與斷裂帶產(chǎn)狀相似，平均走向為30°，傾向為NW，傾角為25°～50°。賦礦巖石主要為晚侏羅世玲瓏花崗巖和早白堊世郭家?guī)X花崗閃長巖。

焦家金成礦帶總體上與焦家斷裂帶及黃鐵絹英巖化蝕變帶具有緊密聯(lián)系，礦體分布受到焦家斷裂面的形態(tài)和產(chǎn)狀控制，主要產(chǎn)于沿著斷層面分布的黃鐵絹英巖化蝕變帶內(nèi)(圖2)，但同時對賦礦圍巖不具選擇性[22?23]?；谇叭嗽凇敖辜沂健钡V床已開展的地質(zhì)研究和深部找礦預(yù)測工作[24?25]，本文建立焦家斷裂成礦概念模型，如表1所示。具體選取焦家斷裂帶的距離場、坡度、坡度變化率、形態(tài)起伏度作為焦家斷裂面的形態(tài)控礦指標，其中，各控礦指標通過焦家斷裂主裂面三維地質(zhì)模型的三維空間分析獲得[25]。

圖2 焦家礦區(qū)112號勘探線焦家斷裂剖面圖(據(jù)文獻[9]修改)Fig.2 Section map of No.112 section line at Jiaojia gold deposit(modified by Ref.[9])

2 研究方法

為對焦家礦帶三維成礦預(yù)測與控礦因素進行定量分析，從勘查數(shù)據(jù)出發(fā)，首先開展三維地質(zhì)建模并將三維地質(zhì)模型重構(gòu)至深度網(wǎng)絡(luò)，然后基于深度卷積神經(jīng)網(wǎng)絡(luò)，建立三維成礦預(yù)測模型。為提升深度卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能，在卷積神經(jīng)網(wǎng)絡(luò)中加入注意力機制模塊[21]進一步改進網(wǎng)絡(luò)模型，建立焦家三維成礦預(yù)測模型。在此基礎(chǔ)上，采用DeepLIFT 算法對深度網(wǎng)絡(luò)特征進行解構(gòu)，通過提取各控礦指標對網(wǎng)絡(luò)決策的貢獻值，從定量角度分析焦家斷裂面的控礦因素，以此剖析焦家斷裂帶的控礦規(guī)律。

2.1 三維地質(zhì)模型及其對深度網(wǎng)絡(luò)的重構(gòu)

為表征焦家礦帶三維結(jié)構(gòu)，以地質(zhì)勘探資料為基礎(chǔ)開展三維地質(zhì)建模，建立相關(guān)地質(zhì)體、構(gòu)造和礦體的三維線框模型。進而，基于鉆孔剖面資料，對鉆孔資料數(shù)字化，進行礦化空間插值，建立焦家礦帶三維塊體模型，由此綜合實現(xiàn)焦家斷裂面三維結(jié)構(gòu)數(shù)字化。為實現(xiàn)三維地質(zhì)模型對深度網(wǎng)絡(luò)模型的重構(gòu)，以焦家金礦成礦概念模型(表1)為指導(dǎo)，針對焦家斷裂面三維模型，計算相關(guān)控礦指標。針對各立體單元，提取相關(guān)控礦指標，將相關(guān)控礦指標投影至多通道圖像[7]，以此表達焦家斷裂三維結(jié)構(gòu)對成礦空間中特定位置的影響，實現(xiàn)焦家礦帶三維結(jié)構(gòu)對深度網(wǎng)絡(luò)的重構(gòu)。

表1 焦家金礦帶成礦概念模型Table 1 Conceptual metallogenic model of the Jiaojia ore-belt

2.2 深度卷積神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)為機器學(xué)習(xí)方法的分支，能夠有效實現(xiàn)樣本數(shù)據(jù)特征規(guī)律的學(xué)習(xí)，其特征是利用多層次神經(jīng)元結(jié)構(gòu)從輸入數(shù)據(jù)中自動提取高層次特征，實現(xiàn)對輸入數(shù)據(jù)中所蘊含復(fù)雜規(guī)律的擬合。深度卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)技術(shù)的最典型代表，其基本結(jié)構(gòu)一般包括輸入層、卷積層、池化層、全連接層及輸出層。本文擬采用AlexNet卷積神經(jīng)網(wǎng)絡(luò)[26]為骨干網(wǎng)絡(luò)結(jié)構(gòu)，其主要結(jié)構(gòu)由8層網(wǎng)絡(luò)組成(見圖3)，分別為5層卷積層(Conv)和3層全連接層(fc)，在Conv1 和Conv2 后設(shè)置了局部響應(yīng)歸一化機制，在增強神經(jīng)元反饋大的激活值的同時，減小其局部反饋小的神經(jīng)元的激活值，另外，網(wǎng)絡(luò)在Conv1，Conv2 和Conv5 后分別設(shè)置1 個池化層，以減少網(wǎng)絡(luò)的參數(shù)數(shù)量。

圖3 AlexNet卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)（文中數(shù)字表示各層特征和卷積核的大?。〧ig.3 Architecture of AlexNet convolutional neural network

針對本工作多個控礦指標投影得到的多通道圖像，將網(wǎng)絡(luò)輸入層的維度修改為224×224×5；同時，針對成礦預(yù)測的目標，將原本面向多類分類問題的網(wǎng)絡(luò)輸出層修改為輸出成礦后驗概率的二分類形式。針對網(wǎng)絡(luò)訓(xùn)練，修改訓(xùn)練損失函數(shù)L(θ)為面向二分類問題的交叉熵形式：

式中：θ為待訓(xùn)練網(wǎng)絡(luò)參數(shù)；N為立體單元個數(shù)；Xi為立體單元i的多通道圖像矩陣；yi為立體單元的礦化信息，有礦為1，無礦為0；fθ(X)是參數(shù)為θ的網(wǎng)絡(luò)輸出，即成礦后驗概率。訓(xùn)練中，采用反向傳播算法極小化式(1)中的損失函數(shù)，實現(xiàn)對網(wǎng)絡(luò)的訓(xùn)練。

2.3 注意力機制模型

注意力機制模型(attention model，AM)是一種神經(jīng)網(wǎng)絡(luò)與視覺注意力機制相結(jié)合的解釋性模塊。注意力模型模仿人腦觀察事物時對重點標志性信息注意力較強、對非重點標志性信息注意力較弱的視覺心理特性，在網(wǎng)絡(luò)內(nèi)部建立實現(xiàn)自注意力特征變換機制，引導(dǎo)后一層網(wǎng)絡(luò)在對前一層網(wǎng)絡(luò)特征結(jié)果進行抽取時自動關(guān)注關(guān)鍵特征，從而提升網(wǎng)絡(luò)的學(xué)習(xí)性能。

為有效提升卷積神經(jīng)網(wǎng)絡(luò)對焦家構(gòu)造形態(tài)控礦因素的學(xué)習(xí)性能，在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上引入CBAM 注意力機制模塊[27]。CBAM 注意力機制是一種結(jié)合特征通道注意機制和空間注意力機制的串聯(lián)結(jié)構(gòu)。如圖4所示，CBAM注意力機制的權(quán)重層分為2部分：第一部分是特征通道模塊的權(quán)重，第二部分是空間模塊的權(quán)重。特征通道模塊的權(quán)重表示某特征圖像不同通道的重要性程度，空間模塊的權(quán)重代表某特征圖像中不同位置的重要性程度。通道注意力機制Ac和空間注意力機制As分別通過卷積、池化、全連接等操作實現(xiàn)，如式(2)和式(3)所示。

圖4 CBAM注意力機制結(jié)構(gòu)Fig.4 Convolutional block attention module

式中：I為給定原始卷積層特征矩陣；σ為Sigmoid函數(shù)；MLP 為含1 層隱藏層的多層感知機網(wǎng)絡(luò)映射；AvgPool 為平均池化映射；MaxPool 為最大池化映射；f7×7為核尺寸7×7的卷積映射。

以通道注意力機制Ac和空間注意力機制As為基礎(chǔ)，CBAM 注意力機制的整體實現(xiàn)按式(4)和式(5)進行：

式中：?為矩陣間對應(yīng)元素直接相乘的元素積運算；I′為通道注意力模塊輸出的特征矩陣；I″為CBAM注意力機制模塊輸出的最終特征矩陣。

2.4 DeepLIFT網(wǎng)絡(luò)特征解構(gòu)

為顯現(xiàn)注意力機制卷積神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)得到的控礦因素，采用重要特征深度學(xué)習(xí)(Deep learning importantFeaTures，以下簡稱DeepLIFT)方法[28]解構(gòu)網(wǎng)絡(luò)模型所得到的高層次特征，以解釋深度網(wǎng)絡(luò)所表征的焦家斷裂控礦作用。DeepLIFT 方法是一種基于反向傳播的網(wǎng)絡(luò)解釋性算法，通過提取網(wǎng)絡(luò)中的神經(jīng)元激活量(圖5)的方式將網(wǎng)絡(luò)輸出沿反向傳播路徑傳遞回神經(jīng)元，以此計算神經(jīng)元對輸出的貢獻得分，從而達到網(wǎng)絡(luò)特征解構(gòu)的目的。

圖5 激活量示意圖Fig.5 Schematic diagram of activation value

DeepLIFT 方法中，將單個神經(jīng)單元激活量Δt表達為

式中：t為所關(guān)注的某個神經(jīng)元激活值；t0為神經(jīng)元t的參考激活值。目標神經(jīng)元x的貢獻得分Cx滿足

式中：xi為輸入數(shù)據(jù)到達神經(jīng)元t所參與計算的過程神經(jīng)元；CΔxiΔt為Δxi的貢獻得分。

在具體計算網(wǎng)絡(luò)得分貢獻為CΔxΔt時，首先按式(8)定義1個乘數(shù)MΔxΔt，再進行網(wǎng)絡(luò)層之間的得分傳遞計算，其傳遞算法見式(9)。

式中：xi為輸入層的神經(jīng)元；yj為中間隱藏層的神經(jīng)元。

3 結(jié)果與討論

3.1 研究方法實現(xiàn)及預(yù)測建模結(jié)果

為實現(xiàn)上述研究思路和研究方法，首先收集預(yù)測焦家礦帶的地質(zhì)勘查資料，重點包括鉆孔柱狀圖865幅、勘探線剖面圖137幅等，以此為基礎(chǔ)建立焦家斷裂帶和礦體的三維線框模型(見圖6(a))。進而以邊長為25 m 的立體單元劃定焦家礦帶3 000 m 以淺成礦空間，其中，有勘探工程控制的立體單元(下文稱作已知單元)共78 351個。對已知單元，利用克里格方法插值計算立體單元的金屬量(圖6(b))。以工業(yè)品位1.0 g/t 的標準換算金屬量340.75 g為閾值，將已知單元分別標記為礦化單元和非礦化單元(圖6(c))。根據(jù)成礦概念模型，以焦家斷裂面三維模型為基礎(chǔ)，分別計算焦家斷裂面的坡度、坡度變化率、一級起伏度、二級起伏度和距離場共5個指標。基于上述5個指標，根據(jù)各立體單元位置，經(jīng)投影操作，重構(gòu)為各單元所對應(yīng)的多通道圖像。最終得到由各已知單元礦化信息及其所對應(yīng)多通道圖像構(gòu)成的深度網(wǎng)絡(luò)訓(xùn)練集X。

圖6 焦家斷裂帶和已知單元空間分布(下盤視角)Fig.6 Models showing Jiaojia fault and spatial distribution of known voxels(viewing from footwall side)

在此基礎(chǔ)上，結(jié)合CBAM 注意力模塊和AlexNet卷積神經(jīng)網(wǎng)絡(luò)，建立成礦預(yù)測模型。為確定注意力模塊與卷積神經(jīng)網(wǎng)絡(luò)的結(jié)合機制，開展消融測試實驗，確定將CBAM 注意力模塊加入至AlexNet 網(wǎng)絡(luò)Conv5 卷積層之后具有最優(yōu)性能，據(jù)此建立AlexNet+CBAM 的注意力卷積網(wǎng)絡(luò)模型，如圖7所示。對深度網(wǎng)絡(luò)訓(xùn)練集X按照8:2 分層采樣為訓(xùn)練集XI和驗證集XII，對網(wǎng)絡(luò)模型進行訓(xùn)練。采用Adam隨機梯度下降方法進行網(wǎng)絡(luò)訓(xùn)練[29]，其中批次大小設(shè)置為512，迭代學(xué)習(xí)率初始值η0設(shè)置為1×10?4，經(jīng)40輪訓(xùn)練，得到基于注意力卷積神經(jīng)網(wǎng)絡(luò)的三維成礦預(yù)測模型。

圖7 基于注意力機制卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的預(yù)測框架Fig.7 Predictive model based on attention convolutional neural network

3.2 注意力卷積神經(jīng)網(wǎng)絡(luò)預(yù)測性能分析

為評價注意力卷積網(wǎng)絡(luò)模型的準確性與可靠性，將該模型與由其他機器學(xué)習(xí)模型所建立預(yù)測模型進行對比分析。其中，其他深度學(xué)習(xí)模型選取無CBAM注意力機制的AlexNet網(wǎng)絡(luò)模型，傳統(tǒng)統(tǒng)計學(xué)習(xí)模型選取多層感知機和隨機森林模型。

在此，采用二分類任務(wù)中常用的受試者工作特征曲線(receiver operating characteristic，ROC)的下面積(area under curve，AUC)和預(yù)測度曲線評價網(wǎng)絡(luò)的預(yù)測性能。ROC 曲線上點的縱橫坐標分別表示輸出結(jié)果在不同閾值下的真陽性率(true positive rate，TPR)和假陽性率(false positiverate，F(xiàn)PR)。AUC 越大表示模型的分類準確性越高。預(yù)測度曲線表示模型在不同的陽性預(yù)測范圍內(nèi)，真陽性單元占已知礦化單元的百分比，曲線越凸向圖左上角表示該模型預(yù)測可靠性越高。本文以驗證集XII為基準計算以上指標，在ROC曲線圖中(圖8(a))，注意力卷積神經(jīng)網(wǎng)絡(luò)模型AUC 高達0.940，說明模型分類準確性很高；在各種模型的預(yù)測度曲線中(圖8(b))，注意力卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測度曲線在凸向圖的左上角，表示模型利用較小的預(yù)測范圍預(yù)測出較多的礦化單元，說明注意力卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果更可靠。綜合上述結(jié)果，本文建立的注意力機制卷積網(wǎng)絡(luò)模型具有更高的預(yù)測準確性與可靠性。

圖8 受試者工作特征曲線與預(yù)測度曲線圖Fig.8 Curves of receiver operating characteristic and success rate for predictivity

在預(yù)測結(jié)果中，注意力機制卷積網(wǎng)絡(luò)和原始卷積網(wǎng)絡(luò)等深度學(xué)習(xí)預(yù)測模型的預(yù)測結(jié)果明顯高于多層感知機和隨機森林2個統(tǒng)計學(xué)習(xí)預(yù)測模型的預(yù)測結(jié)果。相比于統(tǒng)計學(xué)習(xí)方法，深度學(xué)習(xí)模型不僅可以更好地處理高維數(shù)據(jù)，而且能從冗雜、高噪聲的數(shù)據(jù)中提煉隱含的信息特征。就本工作而言，深度學(xué)習(xí)預(yù)測模型可以利用深度網(wǎng)絡(luò)對高維數(shù)據(jù)的良好支持性，允許以多通道圖像這種張量形式將更大空間范圍內(nèi)的控礦指標輸入至預(yù)測模型，從而更好地從整體上表達焦家斷裂面的整體形態(tài)和分布特征?；谶@種更全面的控礦指標輸入，深度網(wǎng)絡(luò)模型通過卷積、池化等多層非線性變換與融合機制，對輸入的初始特征進行逐層抽取和精煉，最終在網(wǎng)絡(luò)頂層獲得更具礦化指示性的深層次特征，表達斷裂面整體形態(tài)和產(chǎn)狀變化對礦體分布的控制作用，保證模型的預(yù)測性能。而在這2 種深度學(xué)習(xí)模型的預(yù)測對比中，AUC 和預(yù)測度曲線均表明注意力機制卷積網(wǎng)絡(luò)優(yōu)于未加入注意力機制的卷積網(wǎng)絡(luò)模型。注意力機制卷積網(wǎng)絡(luò)通過在網(wǎng)絡(luò)的最終卷積層(Conv5)中加入CBAM 注意力模塊，引導(dǎo)網(wǎng)絡(luò)自動關(guān)注卷積特征的空間異質(zhì)性和通道差異性，通過學(xué)習(xí)建立空間和通道維度的自適應(yīng)權(quán)重機制，強化卷積特征中更具礦化指示性卷積特征，有效降低了后續(xù)最大池化過程中有利卷積特征的損失，從而在網(wǎng)絡(luò)最后的全連接層結(jié)構(gòu)中，能更有針對性地抽取具有礦化指示高層次特征，進一步提升網(wǎng)絡(luò)對焦家斷裂非線性控礦作用的表征能力，提升預(yù)測結(jié)果的準確性和可靠性。

3.3 基于網(wǎng)絡(luò)特征解構(gòu)的焦家金礦帶斷裂控礦因素定量分析

鑒于上述注意力卷積網(wǎng)絡(luò)模型已具備較高準確性與可靠性，可較好地表征焦家斷裂帶的控礦作用，本文基于DeepLIFT 方法開展深度網(wǎng)絡(luò)特征解構(gòu)，實現(xiàn)焦家控礦因素定量分析。DeepLIFT 分析中，設(shè)置各控礦因素的參考值，如表2所示?；诖嗽O(shè)置，利用式(6)～(9)提取各控礦要素指標對各體元成礦概率預(yù)測的貢獻，通過統(tǒng)計各控礦因素對各已知單元成礦預(yù)測影響值之和來評價控礦因素對成礦預(yù)測的影響度。其中，影響值表征網(wǎng)絡(luò)決策對控礦因素的敏感度，反映控礦因素在成礦作用中的重要性程度；影響值的正負則反映控礦因素指標與成礦后驗概率的正負關(guān)聯(lián)性。進一步統(tǒng)計各控礦因素主導(dǎo)的已知單元數(shù)量在所有已知單元中的占比，以此反映焦家礦帶的主導(dǎo)性控礦因素。

表2 DeepLIFT模型參考值設(shè)置Table 2 Reference values for DeepLIFT model

基于上述焦家斷裂控礦因素的分析思路，得出焦家金礦控礦因素分析統(tǒng)計結(jié)果，如表3所示。從表3可見：一方面，斷裂面距離場因素對網(wǎng)絡(luò)決策起主要作用，其次為斷裂面坡度和坡度變化率因素，而形態(tài)起伏度因素對成礦影響相對最??；另一方面，53.5%的已知單元受距離場因素影響最大，其次受坡度和坡度變化率因素的主導(dǎo)單元占比較高，而受斷裂面形態(tài)起伏度因素主導(dǎo)的單元占較低，低于10%。上述結(jié)果綜合反映出距裂面距離場、坡度和坡度變化率因素是影響焦家金成礦的主導(dǎo)因素。

表3 基于網(wǎng)絡(luò)特征解構(gòu)的焦家金礦控礦因素分析結(jié)果Table 3 Analysis results of ore-controlling factors in Jiaojia ore-belt using network feature inspection

在此基礎(chǔ)上，進一步分析各控礦因素所主導(dǎo)的單元在三維空間的分布情況，結(jié)果如圖9所示。從圖9可見：在焦家礦帶的不同地段，各控礦因素的影響具有明顯空間差異(圖9(a))；在金屬量較高的地段如紗嶺、曲家等，斷裂面距離場因素對成礦的影響最重要(圖6(b)和圖9(b))；此外，絕大多數(shù)金礦體處于焦家斷裂面下盤，焦家成礦帶的礦化可能主要受斷裂面距離場控制；焦家成礦帶的金礦化主要表現(xiàn)為細脈浸染狀碎裂狀黃鐵絹英巖，且主要含金礦物(銀金礦)多以不規(guī)則細脈狀分布在硫化物或石英裂隙中[30-31]，因此，金礦化的發(fā)生是焦家斷裂活動時期強烈角礫巖化與熱液交代作用耦合疊加作用的產(chǎn)物；在焦家斷裂帶內(nèi)，強烈的構(gòu)造變形作用提高了深部流體上涌的通量，同時也促進了圍巖的碎裂巖化，整體提高了斷裂帶內(nèi)巖石的滲透率，為水巖反應(yīng)提供了有利條件，另外，構(gòu)造活動引發(fā)的快速減壓也是促使金沉淀的重要機制[31?34]，因此，距離因素對金富集的主要影響作用反映出焦家斷裂帶附近的構(gòu)造活動是淺部流體匯聚、礦質(zhì)沉淀的重要驅(qū)動因素，而遠離斷裂面成礦流體的流動或金的沉淀將大大減弱，在紗嶺、曲家等部位金富集暗示了這些部位可能是主要成礦流體匯聚部位。

此外，本次研究揭示出坡度因素對焦家礦帶的成礦有顯著影響，特別是在焦家和紗嶺等地段深部，坡度為起主導(dǎo)作用的影響因素。但值得關(guān)注的是，曲家深部的產(chǎn)狀與焦家深部的產(chǎn)狀相似，但坡度對其影響并不明顯(圖9(c))。焦家斷裂的三維模型顯示在焦家和曲家的過渡部位出現(xiàn)了沿走向上的產(chǎn)狀變化，這種產(chǎn)狀的變化與焦家斷裂在成礦期走滑壓扭變形作用伴隨的局部旋轉(zhuǎn)有關(guān)[35]。因此，焦家和曲家深部坡度控礦的差異性可能與局部擠壓改變成礦流體在水平方向上的流動有關(guān)。

盡管前人提出膠東型金礦化的部位可能與斷裂面的產(chǎn)狀變化有關(guān)[10,25]，但本文定量分析結(jié)果呈現(xiàn)出局部的起伏與金成礦關(guān)聯(lián)性較小(圖9(a))。焦家成礦帶在區(qū)域上整體產(chǎn)狀相對穩(wěn)定，而金礦化分布具有規(guī)模大且相對連續(xù)的特征，反映出形態(tài)的起伏變化可能未對大規(guī)模的成礦流體遷移、匯聚起到明顯控制作用，但焦家斷裂面產(chǎn)狀變化在局部(特別是在富礦帶邊緣)仍起主要影響，尤其是在南呂欣木和紗嶺等地段主礦體的邊緣部位更加明顯(圖9(d))，這在某種程度上反映斷裂面產(chǎn)狀變化可能影響含礦流體的圈閉作用。因此，本文認為在礦床尺度內(nèi)和特定有利部位，斷裂面產(chǎn)狀變化對礦體定位存在一定影響。

圖9 控礦因素主要影響分布(下盤視角)Fig.9 Predominant affected areas of different orecontrolling factors(viewing from footwall side)

3.4 預(yù)測靶區(qū)與深部找礦方向

基于建立的預(yù)測模型，本文對焦家金礦帶深部3 000 m以內(nèi)范圍開展三維成礦預(yù)測。根據(jù)預(yù)測得到的未知區(qū)單元成礦后驗概率，綜合ROC 曲線和預(yù)測度曲線，選取成礦后驗概率大于0.9的立體單元為預(yù)測成礦有利單元(圖9)。在此基礎(chǔ)上，根據(jù)控礦因素定量分析的認識，考慮受斷裂面距離和坡度因素影響的主要地段，最終圈定深部找礦靶區(qū)3 處。其中，I 號靶區(qū)位于紗嶺勘查區(qū)深部2 300 m 處的斷裂面下盤部位，分布在現(xiàn)有礦體深部的延伸方向；II號靶區(qū)位于曲家勘查區(qū)北段礦體的深部，埋深約2 100 m；III 號靶區(qū)(潛力區(qū))位于焦家和曲家連接部位深部2 000～3 000 m地段，整體呈現(xiàn)出NW分布，與現(xiàn)有控制礦體并不連續(xù)，可能反映了深部新的礦化富集帶。I 號和II 號靶區(qū)為優(yōu)先驗證靶區(qū)，而III 號靶區(qū)是未來深部勘探的重點關(guān)注部位。

在膠西北金礦區(qū)，招平、三山島等礦帶具有與焦家礦帶類似的成礦機制[23,25,36?39]，成礦物質(zhì)的輸運和成礦流體的圈閉受區(qū)域斷裂形態(tài)與分布的控制作用明顯。結(jié)合上述對比分析結(jié)果以及注意力卷積神經(jīng)網(wǎng)絡(luò)在表征焦家斷裂面非線性控礦作用的優(yōu)勢，可知基于注意力機制網(wǎng)絡(luò)的預(yù)測方法在膠西北金礦區(qū)深部找礦工作中具有廣闊的應(yīng)用前景。

圖10 焦家成礦帶深部三維成礦預(yù)測圖(下盤視角)Fig.10 3D prospectivity map of the deep of Jiaojia ore-belt(viewing from footwall side)

4 結(jié)論

1)基于焦家深部三維成礦預(yù)測，提出了一種基于注意力卷積網(wǎng)絡(luò)的三維成礦預(yù)測建模方法。通過引入CBAM 注意力模塊，引導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)關(guān)注控礦特征的差異性，自學(xué)習(xí)更具礦化指示性的卷積特征，有效降低了后續(xù)最大池化過程中有利卷積特征的弱化與損失，有利于在網(wǎng)絡(luò)頂層更有針對性地抽取具有礦化指示性的高層次特征，提升網(wǎng)絡(luò)對斷裂面三維結(jié)構(gòu)非線性控礦作用的表征能力。經(jīng)與原始卷積神經(jīng)網(wǎng)絡(luò)、隨機森林和多層感知機等預(yù)測建模方法對比，基于注意力卷積網(wǎng)絡(luò)的預(yù)測模型展現(xiàn)出更高的預(yù)測準確性與可靠性。

2)基于注意力卷積網(wǎng)絡(luò)模型，利用DeepLIFT對網(wǎng)絡(luò)特征進行了解構(gòu)分析，發(fā)現(xiàn)網(wǎng)絡(luò)決策中焦家斷裂距離場對成礦影響最顯著，其次為坡度和坡度變化率，形態(tài)起伏度影響較小，反映出焦家主斷裂附近的構(gòu)造活動對流體匯聚、礦質(zhì)沉淀的控制，斷裂面的幾何形態(tài)可能通過改變淺部流體流動方向影響局部的礦化富集。

3)基于三維預(yù)測及定量分析結(jié)果，在礦帶深部2 000～3 000 m 圈定找礦有利靶區(qū)3 處，其中，紗嶺勘查區(qū)礦體深部延伸部位和曲家勘查區(qū)北段深部具有較強的找礦潛力，焦家與曲家勘查區(qū)連接部位深部可能存在新的礦化富集區(qū)。

4)鑒于膠西北金礦區(qū)招平、三山島等礦帶具有與焦家礦帶類似的成礦機制，本文的預(yù)測建模方法在膠西北金礦區(qū)其他區(qū)域深部找礦工作中將具有較強的應(yīng)用潛力。