[发明专利]一种基于成矿规律构建深度学习损失函数的方法

说明书

本发明提供了一种基于成矿规律构建深度学习损失函数的方法，具体包括：选取与热液型矿床相关的控矿要素，制作缓冲区；分别统计落在各层缓冲区上的矿床数，构建矿床的空间分布密度与矿床离控矿要素的距离之间的幂律函数；不同缓冲区赋予不同权重，即离控矿要素越近的区域，成矿的潜力越大，权重越大；对研究区中出现物理不一致性预测的位置设置不同程度的误差惩罚项，离控矿要素越近的区域，设置较小的误差惩罚项，构建基于物理约束的损失函数，实现深度学习软约束。本发明既可提高矿致异常提取和矿产资源定量预测的成效，又可提升深度学习模型的可解释性。

技术领域

本发明涉及地球科学技术领域，具体涉及一种基于成矿规律构建深度学习损失函数的方法。

背景技术

深度学习作为一种具有多级非线性变换的层级机器学习算法，可通过学习一种深层非线性网络结构，实现复杂函数逼近，以组合低层特征形成更加抽象的深层次表示属性或特征，以达到高精度分类和预测的目的。区别于一般的神经网络，深度学习强调通过更深层次的网络模型来学习和提取样本特征，并采用逐层训练和反向传播优化的方式解决全局最优解问题，能够刻画常规方法无法发现的异常和模式，可学习到多源找矿信息与矿床之间复杂的时空耦合关系，已经开始应用于矿致异常识别和矿产资源定量预测。

常规的基于纯数据驱动的深度学习方法，在科学问题推理中存在对训练数据拟合较好，然而由于深度学习结构复杂、参数多，中间过程为黑箱，导致对未知数据解释能力欠佳，缺乏物理规律一致性的问题。因此，即使黑箱的深度学习模型在一系列的模型调参之后，可达到较高的预测与分类精度，但缺乏对物理机制及领域知识的表达能力，及无法提供更多可靠的信息，严重制约了深度学习模型在矿致异常提取和矿产资源定量预测中的进一步发展。物理模型(理论驱动)与深度学习模型(数据驱动)的有机融合可保证在不忽视物理机制及领域知识的情况下，利用深度学习模型从大量数据中学习新的模式和规律。基于物理约束的深度学习模型已在大气建模、蒸发散预测、湖泊温度建模、钻探地质风险评估等领域得以广泛应用。但基于物理约束深度学习模型用于矿致异常识别和矿产资源定量预测还未见报道。

发明内容

本发明提供了一种基于成矿规律构建深度学习损失函数的方法，以解决纯数据驱动的深度学习模型预测结果的物理规律非一致性的问题，提升矿致异常识别和矿产资源定量预测成效和深度学习模型的可解释性。

本发明所采用的技术方案是:基于岩浆热液矿床的数目与矿床离控矿要素的距离之间的幂律函数，将其作为矿致异常识别和矿产资源定量预测的物理约束条件，构建一种将物理约束的损失函数应用于深度学习的矿致异常识别和矿产资源定量预测新框架，其具体步骤如下：

S1、制作岩体边界缓冲区；

S2、构建矿床分布密度与缓冲区距离幂律函数；

S3、构建不同缓冲区对矿床的约束权重；

S4、构建物理约束损失函数，并将物理约束损失函数以正则化项添加到原始深度学习损失函数中。

进一步地，所述S1中选取与热液型矿床相关的控矿要素，根据矿床所在区域的地质特征，确定控矿要素的可能影响范围，从而确定缓冲区的间距和缓冲距离，制作缓冲区。

进一步地，所述S2分别统计落在各层缓冲区上的矿床数，并计算累计矿床数n和矿床分布密度ρ，ρ＝n/d；其中d代表缓冲区的宽度，以缓冲区宽度d为横坐标，矿床空间分布密度ρ为纵坐标作双对数散点图，矿床分布密度与缓冲区距离幂律函数ρ＝cx^–a，其中，c为常数，a为分形维数。

进一步地，所述S3中根据不同缓冲区对矿床形成控制程度不同，对缓冲区赋予权重w，表达式为w＝cx^–a/ρ_max，即离控矿要素越近的区域，成矿的潜力越大，权重越大；离控矿要素越远的区域，成矿的潜力越小，权重越小，c为常数，a为分形维数，ρ_max为矿床分布密度与缓冲区距离幂律函数的最大值。