[发明专利]一种基于XGBoost的矿床类型鉴别方法及系统

说明书

本发明公开了一种基于XGBoost的矿床类型鉴别方法及系统，收集磷灰石微量元素数据，并构建训练集和测试集；基于XGBoost算法构建机器学习模型，使用所述训练集对机器学习模型进行训练，并使用所述测试集对训练的模型进行评估；将待鉴别的磷灰石微量元素数据输入至得到的机器学习模型，得到矿床成因类型预测结果。相比于传统方法，机器学习模型具有更高的准确率和可信度；可通过磷灰石微量元素鉴别矿床成因类型，和预测未知岩体的成矿潜力；该方法适用性更广，更加便捷。

技术领域

本发明涉及机器学习技术领域，具体涉及一种基于XGBoost的矿床类型鉴别方法及系统。

背景技术

磷灰石是一种常见的副矿物，广泛存在于岩浆岩、变质岩和沉积岩中。微量元素通常以类质同象的形式进入磷灰石晶格，在不同环境下其微量元素特征存在显著的差异。因此磷灰石微量元素特征可作为追踪物质来源，反演岩石成因和判别矿床类型的有力工具。

传统方法以磷灰石的微量元素或多种微量元素的计算结果为端元，建立二元或三元图解，以图解中的不同区域来判别不同的岩石或矿床类型。然而，随着磷灰石地球化学数据的大量积累，传统分析方法已逐渐无法有效利用这些数据所携带的信息，进而二元或三元的图解无法准确判别岩石或矿床类型。

近年来，智能数据处理方法为数据的超常增长提供了有效的解决方法。机器学习被认为是人工智能的核心。通过机器学习方法，智能处理磷灰石微量元素数据能够寻找更准确，更高效的矿床判别方法。

发明内容

为此，本发明提供一种基于XGBoost的矿床类型鉴别方法及系统，以解决现有技术无法准确高效的判别矿床类型的问题。

为了实现上述目的，本发明提供如下技术方案：

根据本发明实施例的第一方面，提出了一种基于XGBoost的矿床类型鉴别方法，所述方法包括：

收集磷灰石微量元素数据，并构建训练集和测试集；

基于XGBoost算法构建机器学习模型，使用所述训练集对机器学习模型进行训练，并使用所述测试集对训练的模型进行评估；

将待鉴别的磷灰石微量元素数据输入至得到的机器学习模型，得到矿床成因类型预测结果。

进一步地，收集磷灰石微量元素数据，具体包括：

获取不同矿床类型以及未矿化的磷灰石微量元素数据，所述不同矿床类型包括斑岩型矿床、矽卡岩型矿床、基律纳型矿床、IOCG矿床和造山型矿床。

进一步地，所述方法还包括数据预处理，具体包括：

筛选14种常见且数据交集最多的元素构建典型磷灰石微量元素数据集，14种磷灰石微量元素为La,Ce,Pr,Nd,Sm,Eu,Gd,Dy,Yb,Lu,Sr,Y,Th和U；

进行数据清洗；对微量元素数据进行对数处理，使其符合正态分布；对数据进行标准化；在保证每个类别比例不变的前提下，将数据随机划分为训练集和测试集。

进一步地，所述数据预处理，还包括：

使用人工少数类过采样法，过采样数据量较少的类别，以解决类间不平衡问题。

进一步地，基于XGBoost算法构建机器学习模型，使用所述训练集对机器学习模型进行训练，具体包括：

利用网格搜索与交叉验证进行模型超参数调优。

进一步地，使用所述测试集对训练的模型进行测试，具体包括：

选取精确率、召回率、F1分数和准确率作为模型评估指标。

根据本发明实施例的第二方面，提出了一种基于XGBoost的矿床类型鉴别系统，所述系统包括：