廣西羅維鉛鋅銀多金屬礦區圍巖蝕變與礦化關系研究
——基于SVM遙感礦化蝕變信息提取方法

龍明周，李 偉，岳小軍

(廣西壯族自治區第四地質隊，廣西 南寧 530033 )

0 引言

羅維礦區位于廣西扶綏縣中東鄉與隆安縣古潭鄉及南寧市富庶鄉三地交界上，礦區已探明鳳凰山大型銀礦床和姆馱山礦床[1-2]、淥井鉛鋅礦等大小不等的礦床。利用三維激光技術的圍巖結構面信息分析圍巖蝕變及礦化特征是開展礦床定量化研究的新方法[3-7]，在實際運用中仍有待進一步完善。圍巖蝕變及礦化具有密切的關系[8-9]，與為此筆者以羅維礦區鉛鋅銀多金屬礦為研究對象，研究利用三維激光技術的圍巖結構面信息采集和提取羅維礦區鉛鋅銀多金屬礦圍巖蝕變及礦化特征的分析方法，促進對礦床的基礎研究。

1 研究區概況

1.1 區域地質

羅維礦區所屬區域位于華南揚子板塊與華夏板塊結合帶部位的崇左弧盆系、崇左島弧之上。地層有基底地層寒武系淺變質類復理石碎屑巖和蓋層泥盆系碎屑巖、碳酸鹽巖(圖1)。研究區分布于西大明山背斜的北東部。鳳凰山銀鉛鋅礦床和淥井鉛鋅礦床是西大明山地區兩個有代表性的熱液型脈狀銀鉛鋅礦床。地層出露情況：鳳凰山鉛鋅銀礦區以寒武系黃洞口組為主，淥井鉛鋅礦區及羅維鎢鉍礦區以寒武系小內沖組為主。礦區構造以斷裂為主，斷裂構造是礦區主要的控礦和容礦構造。巖漿巖分布很少，僅出露少量酸性和基性巖脈。在斷裂破碎帶附近，鳳凰山鉛鋅銀礦床的圍巖蝕變類型有絹云母化、黃鐵礦化、硅化、碳酸鹽化等。淥井鉛鋅礦床的圍巖蝕變類型有絹云母化、黃鐵礦化、硅化。

1.2 礦床地質特征

研究區面上多以熱液脈型礦床為主，如鳳凰山礦床、淥井礦床、長屯礦床和弄屯礦床等(圖1)。典型礦區圍巖蝕變強烈，主要有矽卡巖化、黃鐵礦化、硅化、綠泥石化、黏土化和碳酸鹽化，局部發育有絹云母化。其中矽卡巖化與鎢鉍礦化關系最密切。

圖1 羅維礦區區域地質構造略圖

1.2.1 鳳凰山鉛鋅銀礦床

鳳凰山鉛鋅銀礦床礦體主要受斷裂構造控制。鳳凰山鉛鋅銀礦床礦體多數產在斷層F1和F4中，斷層F2中也有礦體，可見NWW向—EW向斷層是主要的控礦斷層，該組斷層產狀變化部位和局部張性地段是控礦的有利部位。另外，還有一些礦體分布在NW向斷層F5、F6與NWW向—EW向斷層F1、F2的交會部位，可見NW向與NWW向—EW向斷層交會部位也是成礦的有利部位。然而，NE向斷層卻很少含有礦體，說明NE向斷層含礦性差。鳳凰山鉛鋅銀礦床中的礦體分為5個，礦體平均走向為NWW到EW向，平均傾向為SSW，礦體的傾角大多較陡。

鳳凰山鉛鋅銀礦床的礦物組成較復雜，以含多種銀礦物和錳礦物為特征，金屬礦物主要有黃鐵礦、白鐵礦、磁黃鐵礦、毒砂、黃銅礦、方鉛礦、閃鋅礦、硫錳礦以及多種含銀的礦物等。礦石多具有結晶粒狀結構、填隙結構和交代結構。礦石構造主要有浸染狀構造、塊狀構造和脈狀構造等。

鳳凰山鉛鋅銀礦床的圍巖蝕變類型主要為絹云母化、黃鐵礦化、硅化、碳酸鹽化等。

1.2.2 淥井鉛鋅礦床

淥井鉛鋅礦床的西段有7個礦體，多數為盲礦體。這些礦體呈近EW向平行排列，傾向約165°，傾角70°～80°。每個礦體呈脈狀產出，礦體沿走向及傾向有擴大、收縮、彎曲、尖滅等變化。其中，3號礦體最長，達1060 m，延伸最深，達300 m，是淥井礦區的主礦體。目前，除3號和5號礦體外，其余各礦體均已尖滅并被采空。

淥井鉛鋅礦床的東段有5個礦體。這些礦體一般充填在層面裂隙中，傾角較小，多呈透鏡狀。其中，8號礦體規模較大，長250 m，寬100 m，傾向SE，傾角24°，目前已被采空。其余4個礦體為零星小礦體，工業意義不大。

淥井鉛鋅礦床礦石的礦物組成簡單，金屬礦物有方鉛礦、閃鋅礦、黃鐵礦和黃銅礦以及極少量的斑銅礦和輝銅礦，非金屬礦物有石英、絹云母、方解石；方鉛礦和閃鋅礦是該礦床的礦石礦物。氧化礦物有褐鐵礦、孔雀石、白鉛礦、鉛礬、菱鋅礦等。礦石結構主要為結晶粒狀結構、共結邊結構、固溶體分離結構等。礦石構造有致密塊狀構造、條帶狀構造、脈狀構造和斑雜狀構造等。

淥井鉛鋅礦床的圍巖蝕變類型主要為絹云母化、黃鐵礦化、硅化。

2 研究方法

該方法流程圖見圖2。

圖2 流程圖Fig.2 Flow chart

2.1 基于三維激光技術的圍巖結構面信息采集

三維激光掃描設備使用FARO(Focus 3D)的相位法測量。采用模板匹配算法將圍巖結構面劃分為多個方向的模板，每一模板均為N×N矩陣，再利用掃描儀以巖心為對象，對礦區內的圍巖結構面進行掃描。采用逐行(或列)掃描方式記錄有關結構面坐標信息。具體步驟如下：

步驟1：打開圍巖圖像，經過圖像處理后，將鼠標移至圖像顯示區域，此時鼠標將變成定位光標形狀，在軟件狀態欄中同時顯示光標所在的位置。

步驟2：選定某一圍巖結構面，將光標移至該結構面中心一側起始點位置，通過鍵盤上、下、左、右等按鍵對光標精確定位，并用“Tab”鍵記錄該點坐標(像素單位)，對該結構面進行逐行或列定位，分別記錄各個坐標點坐標。追索完畢后，按“F2”存盤，存儲為文件形式。

步驟3：重復步驟2，對其他各結構面中心進行定位，拾取結構面坐標信息結束。

羅維礦區鉛鋅銀多金屬礦圍巖結構面產狀信息的η矩陣模式：

(1)

其中，Φ、φ、γ表示羅維礦區鉛鋅銀多金屬礦圍巖結構面產狀信息的法向量，x、y表示坐標。

假定羅維礦區鉛鋅銀多金屬礦圍巖結構面中m個點的坐標依次是(x1，y1，z1)，(x2，y2，z2)，…，(xm，ym，zm)，m表示圍巖結構面中結構點的數量。那么將公式(1)表示為

(2)

(3)

其中，(Φ、φ、γ)表示B，為圍巖結構面產狀信息的法向量。三維激光掃描儀的運行原理是激光反射[7]，僅可以掃描獲取完整的巖體結構面，所以單位法向量里，γ的值大于0，(Φ、φ、γ)表示巖體結構面的單位外法向量。在大地坐標系里，設Y正軸方向是正北，X正軸方向是正東，Z正軸方向是上，使用公式(4)能夠得到此巖體結構面在大地坐標系里的傾向θ與傾角?：

?=arccos(γ)

(4)

(5)

基于法向量計算的結構面傾向角數據，為智能化提取羅維礦區鉛鋅銀多金屬礦圍巖結構面信息，使用K均值聚類分析方法，對結構面實施分類劃分。聚類核心內容為每個結構面的法向量數據，聚類后運算每個聚類中法向量數據，將其變換成傾向傾角數據。K均值聚類分析方法：

1)設置羅維礦區鉛鋅銀多金屬礦圍巖結構面信息聚類總數M；

2)初始化聚類中心：任意選擇M個樣本設成初始聚類中心；

3)樣本點分類：按照就近標準把羅維礦區鉛鋅銀多金屬礦圍巖結構面信息樣本設成某個聚類中心，運算此聚類中心值；

4)多次執行第3)步，直至全部樣本點均被納入對應種類里；

5)多次執行第3)～第4)步，直到聚類中心值不會出現變動方可停止，獲取羅維礦區鉛鋅銀多金屬礦圍巖結構面每個中心點坐標和每個節點的分類值[11]。

2.2 基于PCA和布谷鳥算法優化SVM的遙感礦化蝕變信息提取

蝕變及礦化特征通常出現于金屬礦圍巖結構表面，使用基于三維激光技術的羅維礦區鉛鋅銀多金屬礦圍巖結構面信息采集方法，獲取羅維礦區鉛鋅銀多金屬礦圍巖結構面信息后，利用基于PCA和布谷鳥算法優化SVM的遙感礦化蝕變信息提取方法，提取礦化蝕變信息，實現羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變及礦化特征研究。

2.2.1 基于PCA的SVM

通過非線性轉換將輸入樣本空間映射到高位空間，然后在高位空間中檢索最佳分類平面，以此實現樣本數據分類識別[12]。

(6)

使用松弛變量εj和懲罰因子D解決特征提取誤差問題，以此轉換成：

(7)

參照泛函理論，在蝕變及礦化特征數據種類最佳分類中導入1個合理的內積函數T(a，aj)，實現蝕變及礦化特征輸入空間至高維空間的變換，內積函數為

(8)

其中，a為圍巖結構面信息訓練樣本；β2為核參數。蝕變及礦化特征數據最佳分類面相應的分類決策函數k(a)是

(9)

核函數的類型對支持向量機分類效果的作用不大，而核參數和懲罰因子對其分類結果存在直接影響。所以，本文需要通過布谷鳥算法完成支持向量機核參數和懲罰因子的尋優。

2.2.2 基于布谷鳥算法的SVM最佳參數提取

布谷鳥設置三種理想條件：

1)布谷鳥一次只生產一顆蛋，無規律性的在某個鳥窩里實施孵育；

2)只把最佳鳥窩遺傳至后代；

3)可以采用的鳥窩數量M存在固定性，假定鳥窩宿主能夠發覺陌生鳥蛋的概率是Qa∈[0，1]。

(10)

(11)

通過布谷鳥算法完成支持向量機核函數和懲罰因子的尋優，它的輸入屬于一組隨機出現的值，輸出是一組最佳的懲罰因子和核參數。具體步驟：

1)初始化布谷鳥種群

3)更新鳥窩位置，把更新后鳥窩方位和上一代對比，獲取最佳位置，以此判斷更新后鳥窩位置qt。

4)將Qa與隨機數w對比，保存被察覺概率最低的鳥窩，更新被察覺概率最高的鳥窩；計算新鳥窩適應度，把它和qt里鳥窩位置的適應度進行對比，適應度很低的鳥窩會被適應度較高的鳥窩代替，以此得到新的最佳鳥窩位置qt。

5)分析最優鳥窩位置的適應度值是否滿足需求，如果滿足，輸出最佳鳥窩，此時的懲罰因子和核參數即為最佳值。

2.2.3 礦化蝕變信息提取步驟

1)輸入已利用三維激光技術采集的羅維礦區鉛鋅銀多金屬礦圍巖結構面信息數據；

2)使用訓練后最佳SVM模型，完成羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變及礦化特征分類，輸出所獲取的圍巖結構面蝕變及礦化特征。

3 信息采集

按上述2.1節對礦區圍巖結構面信息進行采集，見表1。

表1 各個礦區巖心信息采集情況Table 1 Drilling core information collection of each mining area

使用基于三維激光技術的羅維礦區鉛鋅銀多金屬礦圍巖結構面信息采集方法，獲取羅維礦區鉛鋅銀多金屬礦蝕變遙感圖(圖3)。

圖3 蝕變遙感圖Fig.3 Remote sensing map of alteration

4 實驗結果

使用本文方法對羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變及礦化特征進行研究，該礦區礦產詳情見表2。

表2 該礦區礦產詳情Table 2 Details of mineral resources in the mining area

該礦區中，蝕變礦產鉛鋅銀多金屬礦圍巖存在蝕變情況。

4.1 硅化類蝕變

在羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變類型為硅化條件下，使用本文方法對羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變及礦化特征進行提取，結果見表3、表4。

表3 硅化蝕變及礦化特征提取結果Table 3 Silicification alteration and mineralization feature extraction result

表4 本文方法提取差值Table 4 The method of this paper extracts the difference

分析表3、表4數據可知，硅化蝕變條件下，利用所提方法提取羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變及礦化特征后，僅對鉛礦平均厚度提取結果存在0.01 m的誤差，剩下特征提取誤差為0 t、0 t/m3、0萬噸，由此可見，硅化蝕變條件下，本文方法對羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變及礦化特征的提取結果可信。

4.2 碳酸鹽化類蝕變

在羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變類型為碳酸鹽化條件下，使用本文方法對羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變及礦化特征進行提取，結果見表5、表6。

由表5、表6可知，在羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變類型為碳酸鹽化條件下，所提方法下，鉛礦與銀礦的資源量、平均厚度、礦石體重以及礦石量提取結果無誤差，鋅礦的資源量、礦石體重以及礦石量的提取結果無誤差，但是平均厚度存在0.01m的差值。

表5 碳酸鹽化蝕變及礦化特征提取結果Table 5 Carbonate alteration and mineralization feature extraction result

表6 本文方法提取差值Table 6 The method of this paper extracts the difference

4.3 黃鐵礦化類蝕變

在黃鐵礦化類蝕變條件下，提取羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變及礦化特征。結果見表7、表8。

表7 黃鐵礦化蝕變及礦化特征提取結果Table 7 Pyritization alteration and mineralization feature extraction result

表8 本文方法提取差值Table 8 The method of this paper extracts the difference

由表7、表8可知，所提方法在黃鐵礦化蝕變條件下，對羅維礦區鉛鋅銀多金屬礦圍巖結構面蝕變及礦化特征的提取差值最大值為0.02 m，僅對銀礦與鋅礦的平均厚度提取結果存在差值，但是差值不大，在可接受范圍內。

5 結論

文章提出基于礦化蝕變信息提取的羅維礦區鉛鋅銀多金屬礦圍巖蝕變及礦化特征研究方法。利用三維激光技術采集圍巖結構面信息，基于PCA和布谷鳥算法優化SVM的遙感礦化蝕變信息提取，并使用本文方法，在硅化類、碳酸鹽化類和黃鐵礦化類蝕變條件下，對羅維礦區礦化特征進行提取。提取結果表示：本文方法結構面特征的提取結果誤差差值較小。