基于神经网络的河北平原区黏土矿物空间分布定量研究
发布时间：2021-10-07 10:43
黏土矿物不仅对寻找黏土类矿物资源具有指示意义,而且对于区域古气候、环境污染、石油勘探等研究都具有重要意义。但黏土矿物空间分布获取较为困难,目前国内积累了覆盖大部分面积的中大比例尺地球化学数据,具有分析元素多、精度高的特征,基于地球化学元素含量开展黏土矿物预测,可以为黏土矿物的空间分布研究提供新思路。如何建立地球化学元素含量和黏土矿物之间的复杂关系,是基于地球化学元素含量开展黏土矿物空间分布预测的关键之一。机器学习和人工智能算法的发展为建立地球化学元素与黏土矿物之间的非线性关系提供了可能,本研究基于河北平原多目标1∶20万地球化学数据和111个表层土壤黏土矿物分析数据,利用BP神经网络建立河北平原区地球化学元素含量与黏土矿物之间的预测模型,对河北平原区高岭石、绿泥石、伊利石的空间分布进行预测。研究发现河北平原区高岭石、绿泥石、伊利石等的黏土矿物分布与研究区地貌特征、土壤类型以及人为因素等都有联系,高岭石、绿泥石、伊利石在整个冀东平原区以及北三县平原区含量普遍偏低,在太行山山前平原区含量普遍偏高;黏土矿物在冲积扇平原、冲积平原含量偏高,在洪积平原含量较低;河北平原区的黏土矿物在保定和唐山等...
【文章来源】：矿产与地质. 2020,34(01)
【文章页数】：10 页
【部分图文】：
河北平原区地质简图
通过验证集检验神经网络预测模型的泛化程度，高岭石、绿泥石和伊利石三种黏土矿物的真实值与预测值对比折线图（图3、图4、图5）显示，三种黏土矿物验证集的真实值与预测值在部分极高值和极低值处差异较大，极值处差异可能是由于模型受样本数量限制导致，但整体数据趋势基本一致，因此模型可用于河北平原区高岭石、绿泥石以及伊利石的分布预测。图4 绿泥石真实值与预测值对比折线图
神经元是神经网络系统的基本单元，其功能相当于1个处理单元，神经元以多层结构排列，使得神经网络包括1个输入层、1个或多个隐藏层和1个输出层。由于信息分布于网络中的各个神经元中，神经网络具有较强的鲁棒性和容错性，对数据分布要求不严格，具备处理数据遗漏或者错误的能力，能够处理由于地球化学元素数据缺失或错误等引起的轻微扰动。神经网络具有较强的信息综合能力，可协调多种输入信息关系，充分逼近很多复杂的非线性关系，以此可模拟黏土矿物与地球化学元素之间复杂的关系[33]。神经网络可利用新样本进行自我训练，调整参数，得到新的预测模型，减少一些由于样本数据量大引起的不必要开销问题，这是传统学习方式不具备的能力[34]。本研究采用单隐含层神经网络建立黏土矿物与地球化学元素之间关系的模型，其网络结构见图2。其中，神经网络的输入为地球化学元素，输出为黏土矿物含量预测值。预测模型决定预测结果准确性，1个合适的模型能够更充分表示数据的内在数学关系，有利于对未知数据进行准确预测。可以通过建立1个验证集对预测模型的泛化能力进行评估[35-36]，本研究将收集到的111个黏土矿物数据样本划分为训练集和验证集，分别用于模型的训练和评估。由于数据样本的黏土矿物含量分布不均匀，采用留出法将数据集划分为两个互斥的集合可能会造成网络性能偏向样本较多的数据，并采取分层抽样对数据集进行划分。统计每种黏土矿物各个含量范围的样本个数，分别提取70%的样本作为训练集，用于神经网络的训练学习，其余样本作为验证集，用于评估训练好的神经网络模型。由于地球化学元素的数量级差别较大，神经元的输出通常都被限制在一定的范围内，因此需要对原始数据进行归一化处理，将数据映射到[0,1]范围内处理，避免神经元过饱和，提升模型的收敛速度和精度[37-38]。
【参考文献】：
期刊论文
[1]一种时频平滑的深度神经网络语音增强方法[J]. 袁文浩,梁春燕,娄迎曦,房超,王志强. 西安电子科技大学学报. 2019(04)
[2]基于BP神经网络的水体叶绿素a浓度预测模型优化研究[J]. 蒋定国,全秀峰,李飞,刘伟. 南水北调与水利科技. 2019(02)
[3]基于BP神经网络预测轮古油田奥陶系碳酸盐岩油藏洞穴充填程度[J]. 于聪灵,蔡忠贤,杨海军,朱永峰,王慧. 新疆石油地质. 2018(05)
[4]基于BP神经网络的风云四号遥感图像云检测算法[J]. 高军,王恺,田晓宇,陈建. 红外与毫米波学报. 2018(04)
[5]基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法[J]. 罗育辉,蔡延光,戚远航,黄何列. 计算机应用研究. 2019(11)
[6]风化成土过程中自生矿物的气候指示意义[J]. 方谦,洪汉烈,赵璐璐,程峰,殷科,王朝文. 地球科学. 2018(03)
[7]一种地质生态环境评估系统[J]. 龙晓君,郑健松,李小建,何政伟,刘严松. 测绘科学. 2018(03)
[8]基于BP神经网络的溶洞规模预测及应用[J]. 刘振华,范宏运,朱宇泽,柳尚. 中国岩溶. 2018(01)
[9]激光诱导击穿光谱结合人工神经网络测定地质标样中的铁含量[J]. 胡杨,李子涵,吕涛. 激光与光电子学进展. 2017(05)
[10]陕西镇安二叠系碳酸盐岩粘土矿物特征及其对古气候的指示[J]. 曹婷丽,程成,李双应,庞长兴,魏星. 地质论评. 2017(02)
硕士论文
[1]河北平原土壤矿物学特征及环境意义[D]. 陈文静.河北地质大学 2018
[2]河北平原区地貌地球化学特征研究[D]. 谷海峰.石家庄经济学院 2011
本文编号：3421894
【文章来源】：矿产与地质. 2020,34(01)
【文章页数】：10 页
【部分图文】：
河北平原区地质简图
通过验证集检验神经网络预测模型的泛化程度，高岭石、绿泥石和伊利石三种黏土矿物的真实值与预测值对比折线图（图3、图4、图5）显示，三种黏土矿物验证集的真实值与预测值在部分极高值和极低值处差异较大，极值处差异可能是由于模型受样本数量限制导致，但整体数据趋势基本一致，因此模型可用于河北平原区高岭石、绿泥石以及伊利石的分布预测。图4 绿泥石真实值与预测值对比折线图
神经元是神经网络系统的基本单元，其功能相当于1个处理单元，神经元以多层结构排列，使得神经网络包括1个输入层、1个或多个隐藏层和1个输出层。由于信息分布于网络中的各个神经元中，神经网络具有较强的鲁棒性和容错性，对数据分布要求不严格，具备处理数据遗漏或者错误的能力，能够处理由于地球化学元素数据缺失或错误等引起的轻微扰动。神经网络具有较强的信息综合能力，可协调多种输入信息关系，充分逼近很多复杂的非线性关系，以此可模拟黏土矿物与地球化学元素之间复杂的关系[33]。神经网络可利用新样本进行自我训练，调整参数，得到新的预测模型，减少一些由于样本数据量大引起的不必要开销问题，这是传统学习方式不具备的能力[34]。本研究采用单隐含层神经网络建立黏土矿物与地球化学元素之间关系的模型，其网络结构见图2。其中，神经网络的输入为地球化学元素，输出为黏土矿物含量预测值。预测模型决定预测结果准确性，1个合适的模型能够更充分表示数据的内在数学关系，有利于对未知数据进行准确预测。可以通过建立1个验证集对预测模型的泛化能力进行评估[35-36]，本研究将收集到的111个黏土矿物数据样本划分为训练集和验证集，分别用于模型的训练和评估。由于数据样本的黏土矿物含量分布不均匀，采用留出法将数据集划分为两个互斥的集合可能会造成网络性能偏向样本较多的数据，并采取分层抽样对数据集进行划分。统计每种黏土矿物各个含量范围的样本个数，分别提取70%的样本作为训练集，用于神经网络的训练学习，其余样本作为验证集，用于评估训练好的神经网络模型。由于地球化学元素的数量级差别较大，神经元的输出通常都被限制在一定的范围内，因此需要对原始数据进行归一化处理，将数据映射到[0,1]范围内处理，避免神经元过饱和，提升模型的收敛速度和精度[37-38]。
【参考文献】：
期刊论文
[1]一种时频平滑的深度神经网络语音增强方法[J]. 袁文浩,梁春燕,娄迎曦,房超,王志强. 西安电子科技大学学报. 2019(04)
[2]基于BP神经网络的水体叶绿素a浓度预测模型优化研究[J]. 蒋定国,全秀峰,李飞,刘伟. 南水北调与水利科技. 2019(02)
[3]基于BP神经网络预测轮古油田奥陶系碳酸盐岩油藏洞穴充填程度[J]. 于聪灵,蔡忠贤,杨海军,朱永峰,王慧. 新疆石油地质. 2018(05)
[4]基于BP神经网络的风云四号遥感图像云检测算法[J]. 高军,王恺,田晓宇,陈建. 红外与毫米波学报. 2018(04)
[5]基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法[J]. 罗育辉,蔡延光,戚远航,黄何列. 计算机应用研究. 2019(11)
[6]风化成土过程中自生矿物的气候指示意义[J]. 方谦,洪汉烈,赵璐璐,程峰,殷科,王朝文. 地球科学. 2018(03)
[7]一种地质生态环境评估系统[J]. 龙晓君,郑健松,李小建,何政伟,刘严松. 测绘科学. 2018(03)
[8]基于BP神经网络的溶洞规模预测及应用[J]. 刘振华,范宏运,朱宇泽,柳尚. 中国岩溶. 2018(01)
[9]激光诱导击穿光谱结合人工神经网络测定地质标样中的铁含量[J]. 胡杨,李子涵,吕涛. 激光与光电子学进展. 2017(05)
[10]陕西镇安二叠系碳酸盐岩粘土矿物特征及其对古气候的指示[J]. 曹婷丽,程成,李双应,庞长兴,魏星. 地质论评. 2017(02)
硕士论文
[1]河北平原土壤矿物学特征及环境意义[D]. 陈文静.河北地质大学 2018
[2]河北平原区地貌地球化学特征研究[D]. 谷海峰.石家庄经济学院 2011
本文编号：3421894
本文链接：https://www.wllwen.com/kejilunwen/diqiudizhi/3421894.html
教材专著
