基于非线性成矿动力系统的机器学习方法应用研究

【摘要】：随着数字化进程的不断推进,地质科学迫切需要引入可以实现数据自动处理和分析的新技术与新方法,机器学习理论的发展为地质大数据中的复杂问题提供了新的求解途径。论文针对非线性成矿系统进行了动力过程的研究,验证了系统的动力学行为以及系统变量之间的非线性函数关系,并针对系统中的不同目标问题进行了机器学习模型的应用与探讨。论文主要研究成果如下:(1)以成矿元素为研究对象,运用相空间重构技术和关联维数,结合反应扩散方程对成矿元素的动力过程进行研究,研究表明:成矿元素的聚集与扩散过程具有混沌性态,其动力过程所形成的吸引子具有稳定的分形维数,系统的稳定性决定了相空间中吸引子的具体形态。(2)以涨落耗散定理为出发点,通过考察成矿系统内部的涨落,得到了系统对于能量的耗散程度,并结合实际钻孔中元素含量的分布特征,研究了成矿系统能量耗散对于元素含量分布的影响,结果显示:系统能量的耗散程度决定了成矿元素含量在空间中的分布高低。(3)利用DLA模型对不同约束条件下成矿流体的渗透过程进行模拟,结果显示:成矿流体的运移行迹在空间上具有自相似性,可以将其视为一种分形生长过程。(4)以结构化数据为基础,分别针对系统中的回归问题、岩性识别问题和特征提取问题探讨了不同机器学习模型的应用效果,结果显示:随机森林和SVM模型对于系统内部的非线性关系拟合效果较好;GBDT算法对于岩性识别问题具有较高的分类精度;经过熵函数的计算,随机森林模型选择的特征具有更高的分类能力;相比于PCA模型,基于RBF核函数和Sigmoid核函数的KPCA模型特征提取效果更好,并且实验样本在新生成的特征空间中线性可分;ISOMAP和LLE两种流形学习模型可以有效的学习高维空间中的变化,使得样本经过映射后在新特征空间中的分类边界明显;前馈神经网络模型则可以在求解目标问题的同时实现特征的自动提取,其隐含层的权重分布在一定程度上影响着特征学习的有效性。