周波数ドメイントレーニングデータを介したミネラルのプロスペクリビティマッピングのための地質学的に制約されているガノマリーネットワーク

生成的敵対的ネットワーク（GAN）およびさまざまなディープ自動エンコーダーが、ここ10年で異なる鉱石資源に関連するマルチエレメントの地球化学的異常を認識するために頻繁に実行されてきました。マルチエレメント地球化学異常パターンの効率的な認識は、鉱物探査ターゲティングにおいて重要な問題です。従来の手順には、効率的なパターン認識を実行するのに十分な能力がありません。一方、機械学習アルゴリズムの影響力のあるサブセットとしてのディープラーニングアルゴリズムは、分類とパターン認識において壮大な結論を提示することができます。なぜなら、それらは複雑な入力の高レベルの機能を抽出する際に堅牢な能力を持っているからです。しかし、多くの深い学習アルゴリズムが地球化学的異常を認識するために使用されましたが、GANはマルチエレメントの地球化学異常パターンを認識する際に特定の尊厳を示しています。しかし、これらのフレームワークは、地質学的知識を学び、合理的な潜在的なマップを生み出すために制約されるべきです。この点で、地質学的に制約された新規のガノマリーは、マルチエレメントの地球化学的異常を認識するために、周波数ドメイントレーニングデータでトレーニングされました。地質学的に制約されているガノマリーネットワークの適用と、ネイタリ地区でのフェイザバード地区でのAU-CU鉱化の鉱物システムパラメーターを考慮したのは、適切な結果に気づきました。成功率の曲線は、生成された周波数ドメイン地球化学データのマップが30％対応する領域で86.68％のAU-CU発生を追跡し、空間ドメインの地球化学データのマップが80.13％AU-CU発生を30％対応してトレースしたことを実証しました。

Generative adversarial networks (GAN) and various deep autoencoders have been frequently executed to recognize multi-element geochemical anomalies linked to different ore resources in recent decade. Efficient recognition of multi-element geochemical anomaly patterns is a significant issue in mineral exploration targeting. Traditional procedures have not sufficient capability to perform efficient pattern recognition. While, deep learning algorithms as influential subset of machine learning algorithms can present magnificent conclusions in classification and pattern recognition. Because those have robust ability in extracting high-level features of complex inputs. Although, many deep learning algorithms were used to recognize geochemical anomalies but the GANs have demonstrated specific dignity in recognizing multi-element geochemical anomaly patterns. But, these frameworks should be constrained to learn geological knowledge and yield reasonable potential maps. In this regard, a novel geologically-constrained GANomaly was trained with frequency domain training data to recognize multi-element geochemical anomalies. Application of the geologically-constrained GANomaly network with considering mineral system parameters of the Au-Cu mineralization in the Feyzabad district, NE Iran was eventuated to suitable results. The success-rate curves demonstrated that produced map of frequency domain geochemical data has traced 86.68% Au-Cu occurrences via 30% corresponded area while produced map of spatial domain geochemical data has traced 80.13% Au-Cu occurrences via 30% corresponded area.