(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110449878.3 (22)申请日 2021.04.25 (65)同一申请的已公布的文献号 申请公布号 CN 113191076 A (43)申请公布日 2021.07.3 0 (73)专利权人 中国地质大 学 （武汉） 地址 430000 湖北省武汉市洪山区鲁磨路 388号 (72)发明人 左仁广　熊义辉　罗紫荆　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 曹雄 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 111/08(2020.01) 审查员 严开元 (54)发明名称 一种基于成矿规律构建深度学习损失函数 的方法 (57)摘要 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。 权利要求书1页 说明书3页 附图3页 CN 113191076 B 2022.08.30 CN 113191076 B 1.一种基于成矿规 律构建深度学习损失函数的方法， 其特 征在于， 包括以下步骤： 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、 基于约束权重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； 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， w＝cx–a/ ρmax， c为常数， a为分形维数， ρmax为矿床分布密度与缓冲区距离幂律函数的最大值； 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； 所述S4中构建的基于物理约束的损失函数L ossp表达式为： 其中， xi为位置i处地球化学原始数据， f(xi)为xi的重构数据， 为位置i处的约束权 重， 如果研究区某位置出现物理非一致性预测， 则对该位置基于约束权重 设置不同程度 的误差惩罚项， 如离控矿要素越近的区域出现物理非一致性预测， 通过此损失函数设置较 小的误差惩罚项； 反之， 离控矿要素越远的区域出现物理非一致性预测， 通过此损失函数设 置较大的误差惩罚项。 2.根据权利要求1所述的基于成矿规律构建深度学习损失函数的方法， 其特征在于， 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。 3.根据权利要求1所述的基于成矿规律构建深度学习损失函数的方法， 其特征在于， 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。 4.根据权利要求1所述的基于成矿规律构建深度学习损失函数的方法， 其特征在于， 所 述原始深度学习损失函数Losstotal＝Lossvae+λLossp， Lossp为物理约束的损失函数， Lossvae 为原始变分自编 码网络的损失函数， 通过正则项系数λ， 权衡原有深度学习模型重构误差损 失函数和物理约束损失函数之间比重， 进 而对物理非一 致预测做出惩罚。权　利　要　求　书 1/1 页 2 CN 113191076 B 2一种基于成矿规律构建深度学习 损失函数的方 法 技术领域 [0001]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 [0002]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。 [0003]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 [0004]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。 [0005]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： [0006]S1、 制作岩体边界缓冲区； [0007]S2、 构建矿床分布密度与缓冲区距离幂律 函数； [0008]S3、 构建不同缓冲区对 矿床的约束权 重； [0009]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。 [0010]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说　明　书 1/3 页 3 CN 113191076 B 3