期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到6篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
副矿物包裹体和信号采集时间对锆石U-Pb年龄和微量元素分析结果的影响
1
作者 黄宇 钟世华 +5 位作者 李三忠 赵鸿 薛梓萌 郭广慧 刘嘉情 牛警徽 《地学前缘》 北大核心 2025年第1期388-400,共13页
锆石原位微区U-Pb定年和微量元素分析已成为当前地球科学领域常规的分析手段。然而,锆石微区分析结果的解译受到分析点选取、仪器稳定性和采集信号校正等诸多因素的影响,定量揭示这些因素如何影响锆石微区分析结果是准确探讨该结果地质... 锆石原位微区U-Pb定年和微量元素分析已成为当前地球科学领域常规的分析手段。然而,锆石微区分析结果的解译受到分析点选取、仪器稳定性和采集信号校正等诸多因素的影响,定量揭示这些因素如何影响锆石微区分析结果是准确探讨该结果地质意义的重要前提。本文以来自青海野马泉铁多金属矿床晚三叠世二长花岗斑岩岩体中的锆石为研究对象,开展了LA-ICP-MS锆石原位U-Pb定年和微量元素分析,以探究副矿物包裹体和信号采集时间对锆石微区分析结果产生的影响。研究结果显示,尽管信号采集时间较短时会得到较大的U-Pb定年误差,但它的改变并不会对U-Pb年龄和微量元素分析结果产生明显影响。对比含矿物包裹体和不含矿物包裹体的分析点可知,矿物包裹体的存在同样不会对定年结果产生明显干扰。然而,若选择的锆石分析位置含有磷灰石等副矿物包裹体,得到的分析数据会具有“轻稀土富集”的假象,从而造成诸多误判,如推断出错误的岩浆氧逸度特征等。因此,锆石微区分析前必须首先查明所分析的位置是否存在副矿物包裹体,而在探讨锆石微量元素数据的地质意义前必须将受到矿物包裹体混染的锆石数据予以剔除。 展开更多
关键词 LA-ICP-MS 锆石 U-PB定年 副矿物包裹体 信号采集时间
在线阅读 下载PDF
机器学习:海底矿产资源智能勘探的新途径
2
作者 刘洋 李三忠 +7 位作者 钟世华 郭广慧 刘嘉情 牛警徽 薛梓萌 周建平 董昊 索艳慧 《地学前缘》 EI CAS CSCD 北大核心 2024年第3期520-529,共10页
海底蕴藏着丰富的关键矿产资源,是当前研究的热点,也是未来产业新领域。随着海洋探测技术的不断进步,海底矿产勘探的数据量和数据维数急剧增加,给数据处理与解释带来了巨大困难和挑战。面对海量数据,传统的数据解释与分析方法暴露出许... 海底蕴藏着丰富的关键矿产资源,是当前研究的热点,也是未来产业新领域。随着海洋探测技术的不断进步,海底矿产勘探的数据量和数据维数急剧增加,给数据处理与解释带来了巨大困难和挑战。面对海量数据,传统的数据解释与分析方法暴露出许多问题。机器学习以其强大的自学能力,为无法解决或难以解决的问题提供了一系列智能分析决策方案,提高了数据分析的效率,是海底矿产资源智能勘探的新途径。近年来,机器学习在地球科学领域获得了广泛的关注和研究。为此,围绕机器学习技术应用于海底资源勘探技术,本文首先简要介绍了机器学习中经典的模型算法,然后详细阐述了机器学习在海底能源矿产和金属矿产两个方面的应用现状,最后总结了机器学习在海底矿产智能勘探领域的应用前景,指出了现有研究中存在的问题,提出了解决方案和未来的发展方向。 展开更多
关键词 机器学习 铁锰结核 富钴结壳 天然气水合物 海底矿产
在线阅读 下载PDF
运用机器学习和锆石微量元素构建花岗岩成矿潜力判别图解:以东昆仑祁漫塔格为例 被引量：5
3
作者 郭广慧 钟世华 +7 位作者 李三忠 丰成友 戴黎明 索艳慧 刘嘉情 牛警徽 黄宇 薛梓萌 《西北地质》 CAS CSCD 北大核心 2023年第6期57-70,共14页
由于锆石在中酸性岩中广泛存在且成分稳定、不易受到后期热液活动的扰动,因此锆石成分可以有效记录成矿岩浆信息。其中,锆石的Ce^(4+)/Ce^(3+)、Ce/Ce*、Eu/Eu*和Ce/Nd值可以反映岩浆氧逸度和含水量等成矿信息,已被广泛用于花岗岩类成... 由于锆石在中酸性岩中广泛存在且成分稳定、不易受到后期热液活动的扰动,因此锆石成分可以有效记录成矿岩浆信息。其中,锆石的Ce^(4+)/Ce^(3+)、Ce/Ce*、Eu/Eu*和Ce/Nd值可以反映岩浆氧逸度和含水量等成矿信息,已被广泛用于花岗岩类成矿潜力评价。然而,随着研究的深入发现,这些地球化学指标并不完全具有普适性。此外,以往研究均是根据对成矿岩体的“已知认识”提出成矿潜力判别方法,但考虑到成矿过程的复杂性,许多反映岩浆成矿能力的地球化学信息可能均尚未被揭露。为此,笔者以东昆仑祁漫塔格成矿带为例,借助当前广泛应用的机器学习算法之一—支持向量机,对来自该成矿带斑岩-矽卡岩Cu-Fe-Pb-Zn多金属矿床成矿岩体和全球非成矿岩体的锆石数据开展机器学习训练,目的在于挖掘能够反映岩浆成矿能力的锆石微量元素特征,从而构建花岗岩成矿潜力判别图解。模型训练结果显示,在21个常见的锆石微量元素特征中,Gd、Dy、Yb、Y、Tm等5种元素特征对识别岩浆成矿能力最为重要。在此基础上,笔者新建立了10个二元判别图解,它们在识别成矿岩体和非成矿岩体时的准确率均接近1。研究表明,利用机器学习方法和地质大数据,可以挖掘传统研究方法难以发现的新的地球化学指标和图解,这对深入认识矿床成因、指导找矿勘查具有重要意义。 展开更多
关键词 锆石微量元素 花岗岩 二元判别图解 机器学习 东昆仑
在线阅读 下载PDF
基于机器学习和全岩成分识别东昆仑祁漫塔格斑岩-矽卡岩矿床成矿岩体和贫矿岩体 被引量：3
4
作者 刘嘉情 钟世华 +7 位作者 李三忠 丰成友 戴黎明 索艳慧 郭广慧 牛警徽 薛梓萌 黄宇 《西北地质》 CAS CSCD 北大核心 2023年第6期41-56,共16页
东昆仑祁漫塔格成矿带是中国西北地区重要的铜钼铁铅锌多金属成矿带,发育卡尔却卡、野马泉、维宝、乌兰乌珠儿等许多与花岗岩类有关的斑岩-矽卡岩矿床。随着新一轮找矿突破战略行动的开展,进一步加强对祁漫塔格成矿带花岗岩成矿潜力的研... 东昆仑祁漫塔格成矿带是中国西北地区重要的铜钼铁铅锌多金属成矿带,发育卡尔却卡、野马泉、维宝、乌兰乌珠儿等许多与花岗岩类有关的斑岩-矽卡岩矿床。随着新一轮找矿突破战略行动的开展,进一步加强对祁漫塔格成矿带花岗岩成矿潜力的研究,已成为推动该地区金属矿产储量增长的重要突破口。为此,笔者在系统收集祁漫塔格成矿带典型斑岩-矽卡岩多金属矿床成矿岩体和贫矿岩体(即非成矿岩体)的全岩主量和微量元素数据基础上,选取28种常见的全岩地球化学特征,借助机器学习算法——随机森林,开展机器学习模型训练,建立能够识别该地区斑岩-矽卡岩多金属矿床成矿岩体和非成矿岩体的新方法。根据模型评价指标,笔者训练得到的随机森林分类模型准确率为0.90,证明该方法能够有效识别成矿岩体和非成矿岩体。该研究为祁漫塔格成矿带斑岩-矽卡岩多金属矿床的找矿勘查提供了新思路,将极大地提高找矿效率、降低找矿经济和人力成本,从而更好的服务新一轮找矿突破战略行动。相关机器学习代码已上传至GitHub,地址为https://github.com/ShihuaZhong/2023-Qimantagh-RF-whole-rock-classifier。 展开更多
关键词 成矿潜力 全岩主微量元素 随机森林 机器学习 祁漫塔格 东昆仑
在线阅读 下载PDF
扬州市城市道路植物群落配置分析研究
5
作者 王惊旻 束必清 +3 位作者 朱彦宇 曹传鑫 雷宇轩 薛梓萌 《四川建材》 2021年第4期140-141,146,共3页
实践证明,城市工业生产对城市生态环境有着巨大的影响。尽管近年来扬州工业生产正在远离城市内部,但仍有部分工业园区存在于城市中。为了缓解工业对城市环境的影响,城市道路植物群落配置也不断地创新与改进。基于以上背景,笔者选取了扬... 实践证明,城市工业生产对城市生态环境有着巨大的影响。尽管近年来扬州工业生产正在远离城市内部,但仍有部分工业园区存在于城市中。为了缓解工业对城市环境的影响,城市道路植物群落配置也不断地创新与改进。基于以上背景,笔者选取了扬州主城区及周边道路植物群落配置作为研究对象,对其城市道路群落目前的配置结构、数量特征、季节性、美景度、物种类别等进行分析研究,并对所存在的问题进行改进。根据植物群落内外部环境之间的相互影响因素,进行植物配置优化,来缓解城市工业生产和生态环境的矛盾。本文提出的部分观点可为同类型城市道路植物群落配置提供借鉴。 展开更多
关键词 扬州城市道路 植物群落 植物配置
在线阅读 下载PDF
基于机器学习的磷灰石源岩识别方法
6
作者 刘嘉情 钟世华 +6 位作者 李三忠 戴黎明 索艳慧 郭广慧 牛警徽 薛梓萌 黄宇 《大地构造与成矿学》 2025年第2期467-480,共14页
正确识别花岗岩成因类型一直是国内外地质学领域关注的焦点,对研究大陆壳的形成和演化过程以及认识金属矿床成因、指导找矿勘查等工作均具有重要意义。本次研究在汇编I型和S型花岗岩的磷灰石微量元素数据的基础上,借助两种有监督机器学... 正确识别花岗岩成因类型一直是国内外地质学领域关注的焦点,对研究大陆壳的形成和演化过程以及认识金属矿床成因、指导找矿勘查等工作均具有重要意义。本次研究在汇编I型和S型花岗岩的磷灰石微量元素数据的基础上,借助两种有监督机器学习算法——支持向量机与随机森林,建立了基于磷灰石微量元素特征区分I型和S型花岗岩的方法。研究选取磷灰石的La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu、Sr、Y、δEu、Sr/Y、La/Yb共19种特征用于机器学习训练,获得的分类准确率均不低于0.99,证实运用磷灰石成分可以有效识别花岗岩类型。除此之外,基于准确率更高的支持向量机模型,提出了9种花岗岩成因类型二元判别图解,这些图解在识别I型和S型花岗岩时准确率均高于0.90。本研究不仅为花岗岩成因类型识别提供了新的途径,还为利用其他副矿物开展花岗岩成因研究提供了思路和方法参考。相关机器学习代码已上传至GitHub,地址为https://github.com/ShihuaZhong/Apatite2023MLcode。 展开更多
关键词 磷灰石 S型花岗岩 I型花岗岩 支持向量机 随机森林 机器学习
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部