矿产资源评估(矿产资源评价体系) 矿区矿产资源评价:& nbsp& nbsp矿区矿产资源评价方法与区域矿产资源评价方法的主要区别在于对所提供的资源潜力的矿床数量、位置、质量和相应数量的描述，这是一项基于高层次数据的评价工作。 它与地质因素紧密结合，是一种基于地质条件分析的评价方法。 矿区矿产资源评价方法的数学类型很多，可分为以下几类:& nbsp& nbsp& nbsp(1)主观评价法:包括地质类比法、简单主观概率法(包括德尔菲法)、复杂主观概率法、主观网络法等。& nbsp& nbsp& nbsp(2)成矿指标评价模型:包括判别分析、聚类分析、回归分析与估计、因子分析、对应分析、矿床模型、成因地质模型等。& nbsp& nbsp& nbsp(3)定性地质标志评价方法:包括模糊数学、逻辑信息、特征分析、数量化理论、概率回归、等级相关分析等。 & nbsp& nbsp& nbsp(4)其他方法:趋势面分析、Cipov定律和空之间分布的统计模型 & nbsp& nbsp& nbsp矿区矿产资源评价应满足以下基本条件:& nbsp①具有高水平的地质矿产资料。 & nbsp& nbsp& nbsp②对成矿控制有基本认识。 & nbsp& nbsp& nbsp③评价区内或与评价区相似的已知区域内存在一定数量的已知矿床作为已知人口。 & nbsp& nbsp& nbsp一般来说，矿区矿产资源评价比区域矿产资源评价更困难。 本节简要介绍矿区矿产资源评价的几种常用方法，定性地质指标的评价方法将在下一节单独介绍。 & nbsp& nbsp& nbsp一、趋势面分析:& nbsp& nbsp超电位面分析是矿产资源评价中常用的评价方法。 通过趋势面分析，可以将某个随空变化的地质矿产特征或变量分离成两部分，即趋势部分(背景)和剩余部分(局部异常和随机扰动)。 & nbsp& nbsp& nbsp有益元素在地壳某空富集形成的矿床地质特征，是地壳某空局部变化的异常点，而矿床中有益元素及元素地球化学性质相似的元素组合的变化与周围地质环境有关，即矿床是在一定地质特征背景下形成的。 总之，矿床的地质特征包括两部分:周围地质环境的趋势变化异常和局部变化异常(包括随机干扰)。 在矿产资源评价中，采用趋势面分析，主要是为了区分:这两种变化可以找出与矿床形成有关的异常点，达到圈定远景区并作出合理评价的目的。 & nbsp& nbsp& nbsp趋势分析有很多数学方法。基于空之间的关系，趋势分析可以分为二维趋势分析和三维趋势分析两种。 & nbsp& nbsp& nbsp(1)二维趋势分析:& nbsp& nbsp二维趋势分析的数学模型如下:& nbsp& nbsp类型& nbspx，y坐标；& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbspZ(x，y)——变量为x和y的函数；& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbspZ(x，y)-趋势部分；& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbspE(x，y)-其余 & nbsp& nbsp& nbsp上述公式的趋势部分一般受区域地质背景条件控制，呈规律性变化，其余主要受当地地质因素影响，往往与评价对象有关。 & nbsp& nbsp& nbspZ(x，y)通常是三维的光滑曲面空，可以用x和y的多项式函数近似表示。 & nbsp& nbsp& nbsp一次多项式函数为:& nbsp& nbsp将x和y的二次项加到一次多项式函数上，可以得到二次多项式函数，即:& nbsp& nbsp以此类推，可以得到任何一个P次的多项式函数。随着多项式次数的增加，它所代表的趋势面形状变得更加复杂。 频率选择取决于具体的地质和矿物特征。 一旦确定了次数，多项式中的系数a0，a1，a2，a3…an就可以用最小二乘法求出。 这种趋势分析称为多项式趋势分析。 & nbsp& nbsp& nbsp除了趋势研究，还可以研究变量随空变化的周期性，称为调和趋势分析和图形趋势分析。 & nbsp& nbsp& nbsp简而言之，趋势分析有很多解决方法。在资源评价中，应根据实际需要选择合适的方法。 一般来说，研究趋势的残值变化所提供的信息至少等于或大于趋势面和数据拟合分析所提供的信息。 一般情况下，应用趋势分析确定成矿远景区或矿区潜在资源在空之间的位置，可以得到一定的结果。 & nbsp& nbsp& nbsp(二)三维趋势分析:& nbsp& nbsp三维趋势分析是二维趋势分析的自然延伸。 它研究三个自变量对一个因变量的最小二乘估计的算法，也可作为变量趋势分析或趋势分析。 & nbsp& nbsp& nbsp多项式趋势分析本质上是回归分析的特例。 假设某一地质过程中的区域化变量可以用函数f(x)来表示，那么函数f(x)可以根据泰勒中值定理，按照麦克劳林公式在原点展开。当函数在以U，V，W为轴的三维笛卡尔坐标系中时，总是可以得到的。y≈C0+Cu1+CV2+Cw3+…& nbsp；& nbsp& nbsp& nbsp& nbsp& nbsp公式表明，区域化变量f(x)可以用空之间坐标的n次多项式来逼近，逼近程度取决于多项式的项数。应用最小二乘法估计其系数CI (I = 1，2，…N)。 & nbsp& nbsp& nbsp三维趋势分析有以下三个特点:& nbsp& nbsp& nbsp(1)三维趋势方程的项数随着超曲面分析次数的增加而急剧增加，给逆矩阵的求解带来困难，尤其是在高阶超曲面的分析中。 & nbsp& nbsp& nbsp(2)趋势方程繁琐，不便于研究。 & nbsp& nbsp& nbsp(3)由于地质过程本身的复杂性和三维趋势分析研究空间的扩大，需要考虑更多的地质问题。 & nbsp& nbsp& nbsp二、因子分析法:& nbsp& nbsp因子分析是对地质矿产观测数据进行浓缩和提炼，解释研究对象——地质变量或样本之间的关系。 这为地质矿产信息的提取、地质分类和地质成因研究提供了新的定量依据。 & nbsp& nbsp& nbsp在因子分析中，无论是地质矿产观测数据的浓缩和细化，还是对研究对象(地质数据和样品)之间关系的解释，都是通过因子来实现的。 每个因素反映了研究对象之间的一种基本关系。 这些基本关系揭示了研究对象之间的地质成因关系。 & nbsp& nbsp& nbsp矿产资源评价的本质是建立地质与矿产关系的评价模型，因子分析的基本目的与这一原理不谋而合。因此，因子分析可以作为矿产资源评价的一种方法。 & nbsp& nbsp& nbsp用因子分析法评价矿产资源时，反映地质变量基本关系的因子很可能代表与资源量有关的地质矿产过程。反映样本基本关系的因子很可能代表与资源量及其键空相关的样本分布 因此，近年来因子分析在矿产资源评价中得到了广泛的讨论和应用。 & nbsp& nbsp& nbsp因子分析就是根据变量之间的关系，总结出一些基本的因素——引起变量之间关系的因素，然后把每个变量按照不同的权重，看作这些因素相加的结果。 & nbsp& nbsp& nbsp如果用x1，x2，…xp表示变量，用f1，f2，…fk表示因子，那么因子分析的数学模型可以写成:[next]:& nbsp；& nbsp类型& nbspAIJ——Xi——Xi对外直接投资的要素负载：& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbspEi——用fi (j = 1，2，…k)表示xi时的余数。 & nbsp& nbsp& nbspXi和fi的关系是倒易还是互惠，取决于aij的正负，波动的程度取决于aij的绝对值。 因子fi的意义显然是由与之密切相关的一些变量决定的，它代表了一个基本的变量组合。 这种基本组合与特定的地质作用有关，用于矿产资源评价时，揭示了与资源量的关系。 & nbsp& nbsp& nbsp为了研究各因子所代表的地质作用与资源的关系，可以标记各因子在不同样本-因子得分中的值。 通过因子得分，我们可以沟通变量和样本，也可以把因子分析数学模型中的x1，x2，…xp看成样本。 在这种情况下，因子f1、f2，...fk可以算是有代表性的样本。 那么每个样品都被认为是这些代表性样品以不同比例“混合”的结果。 & nbsp& nbsp& nbsp当x1，x2，…xp为变量时，称为R型分析；当x1，x2，…xp为样本时，称为Q型分析。 对应分析包括R型结果和Q型结果 在对应分析中，变量和样本不是通过因子得分来传达的，而是通过R型和Q型结果来传达的。 它们之间有简单的对应关系。 而可变样本可以看作是同因子空之间的点。 对于样本，变量的值越高，样本越接近变量。 反之亦然 & nbsp& nbsp& nbsp三。聚类分析方法:& nbsp& nbsp聚类分析是将研究对象按其亲缘程度进行分类。 为了实现合理的灰分分离，必须描述样品之间的亲和程度。 这种方法通常有两种方式:& nbsp& nbsp& nbsp(1)把每个样本看作m维空中的一个点，定义点与点之间的一定距离，如绝对距离、欧氏距离、切比雪夫距离、马氏距离等。 & nbsp& nbsp& nbsp(2)用某种相似系数来描述样本之间的关系，如相关系数、夹角余弦、指数相似系数、连续系数、点相关系数、四分位数相关系数、非参数方法等。 & nbsp& nbsp& nbsp当样本间的距离相似系数确定后，聚类的数学方法有很多种。 一般可分为八种:聚集法、分裂法、最优化法、加法、最优分割法、图论法、预测法、变量筛选法等。 & nbsp& nbsp& nbsp聚类分析是确定研究对象之间的关系。根据这种方法，不同的组具有同一组地质体之间的相似性，这种相似性大于不同组之间的相似性。 这样，在矿产资源评价中可以提供以下信息:& nbsp& nbsp①聚类分析的结果会通过样本的地质变量来显示其地质意义，不同的组其地质意义是不同的。 同组样品的相似性大于不同组样品的相似性，具体来说，它可能指示一个特定的地质过程。 同样，不同的组可能代表不同的地质作用或地质过程。因此，属于同一组的样品可能具有相似的地质成矿条件，表明该类的矿产和资源相似，这与矿产资源评价模型的基本原则是一致的。 & nbsp& nbsp& nbsp②未知样品与已知样品归入同一组，表明它们具有相似的成矿地质条件和相似规模的资源，可以以此推理评价这些样品的资源潜力。 & nbsp& nbsp& nbsp四。存款模拟方式:& nbsp& nbsp矿床模拟法是一种精确的矿产资源评价方法，几乎可以完全模仿地质学家传统的矿产资源评价的基本过程，因此容易被地质学家理解和接受。 但矿床模拟方法需要应用更多的地质矿产资料，使用的数学工具灵活多样。地质矿产人员应具有广泛而深刻的地质矿产及成因知识。 所以这种方法比较难。 & nbsp& nbsp& nbsp(1)基本概念:& nbsp& nbsp1.存款模式:& nbsp& nbsp矿床模型是描述主矿床特征的各种数据及其参数的组合。 确定某一类型矿床的综合矿床模型，一般用以下地质、成因、矿石参数描述。 & nbsp& nbsp& nbsp(1)各种地质特征 & nbsp& nbsp& nbsp(2)矿床的直接围岩 & nbsp& nbsp& nbsp(3)矿床成因。 & nbsp& nbsp& nbsp(4)某些特定矿物质的数量 & nbsp& nbsp& nbsp建立矿床模型的目的是使世界上的各类矿床具有装饰性和典型性，从而在地质资料与矿床模型区对比的基础上，预测研究区的资源远景。 & nbsp& nbsp& nbsp2.模型特征量化:& nbsp& nbsp描述一个模型的地质特征有很多，从几十个到几百个不等。 然而，对于特定的矿床类型，矿物特征的重要性因地而异。 因此，需要事先给每个地质矿产变量一个权重，根据这个权重对所有地质变量进行排队，从而显示出它们的顺序在该类型矿床中的重要性。 例如，在接触交代矿床模型中，矽卡岩显然是最大的变量，而石英岩和片麻岩可能是次要变量。 一些常用的多元统计方法，如特征分析、多重相关分析、因子分析等，都可以用来量化模型特征。 & nbsp& nbsp& nbsp3.资源的量化议价模型:& nbsp& nbsp建立资源定量评价模型的目的是估算评价区的具体资源量。 资源的定量评价模型一般是某种形式的面积或体积估算方法，即在模型面积中可以找到资源量与模型面积的面积或体积的函数，然后可以将这种关系外推至评价区域。 关键问题是如何合理确定评价区域的面积或体积。 在矿床模拟中，有三种常用的资源量估算方法:& nbsp& nbsp& nbsp(1)模型面积法:建立模型面积与某一品位的预期矿床数(n)或总资源潜力(TMP)的关系:e (n) = f (s r)或:& nbsp& nbsp& nbspe(TMP)= f(S R)& nbsp；& nbsp& nbsp类型& nbspS——模型面积；& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbsp& nbspR——可靠性指数，在0和1之间波动。 它描述了模型本身的不确定性。这个指数不是一个数值，而是一个分布。 【下一篇】& nbsp& nbsp& nbsp(2)地质体几何维数法:上述模型区是广义的，它可能包含许多不同的岩性单元。 有些矿床完全产在特定的地质体中，如斑岩铜矿一般产在斑岩中，铬铁矿一般产在超基性岩中。 此时，模型区域一般仅限于斑岩岩体和超基性岩体的范围。 同样，岩体也可视为一个评价区的范围。 这样的 资源潜力与地质体几何尺寸可建立以下关系:E(n)=f(M)或:& nbsp& nbspe(TMP)= f(M)& nbsp；& nbsp& nbsp类型& nbspM——模型所在地质体的几何尺寸(长度、面积或体积)。 & nbsp& nbsp& nbsp当评价区内矿产资源的赋存状态完全未知时，可采用上述体积估算方法。 当评价区矿产资源已知时，可采用此方法估算资源量。 & nbsp& nbsp& nbsp(3)矿产资源相对比例法:在一个矿区(或矿田)内，由于地质条件相似，在一个主矿床周围成群出现许多相似的小矿床。主矿床往往占矿田所有矿床总储量的一半或一半以上，主矿床是最容易找到的。 在实际工作中，应确定该矿田的主矿床与众多次生矿床的储量是否存在一定的比例关系。如果通过模型找到这种比例关系，那么只要在一个评价区找到主矿床，就可以估算出该区各种品位次生矿床的储量。 该方法的基本步骤是:首先分别建立一个具体主矿体的品位、矿石量和金属储量的统计发布模型，然后根据上述模型提供的比例关系，利用评价区已知主矿体的品位、矿石量和金属量，预测该区总资源潜力和各级次生矿床的资源量。 & nbsp& nbsp& nbsp4.蒙特卡洛法:& nbsp& nbsp这是一种概率抽样方法。 在数理统计中，根据抽样结果研究一个量或一组变量的概率分布。 现在，问题正好相反。希望在一个变量或一组变量的概率分布已知的情况下，产生一系列相应的抽样结果。 例如，给定锌品位的概率分布模型，要求用计算机生成数百或数千个锌品位值。 这是一个随机事件概率模拟问题，模拟使用的工具是蒙特卡罗方法。 & nbsp& nbsp& nbsp5.资源数量分配模型:& nbsp& nbsp资源统计分布模型有四种:矿层统计分布模型、矿床金属品位统计分布模型、矿床分布模型和金属总储量分布模型。 & nbsp& nbsp& nbsp如果矿床数量为N，任一矿床的金属品位为Ci，矿石量为Ti，模型区金属总量为M，则有如下关系:& nbsp& nbsp通常，资源参数n、Ci和ti的统计分布可以由实际数据建立。 如果实际数据太少，可以通过统一各参数区间的百分比来建立概率分布。 如果不足，可以通过主观概率，凭经验给出一定的概率。 总之，n、Ci、ti的统计分布模型总是可以建立的。 但对于金属总量M来说，它代表的是一个地区(模型区)的资源总量，这是最终要得到的数据。 由于已知区域数量很少，很难建立基于实际数据的概率分布模型，主观给出一个值显然没有意义。 此时，借助蒙特卡罗方法和N、Ci、Ti的统计分布，可以产生一系列随机抽样。根据相应的采样值，可以计算出金属量Mi，根据大量的Mi值可以建立总金属量的统计分布模型。 对于评价区来说，往往可以获得一个模型(多为比例系统)的校正信息，利用这个信息对模型进行校正，即形成预测区矿产资源金属总量的定量评价模型。 资源的统计分布模型可以概括如下:& nbsp& nbsp(1)如何建立矿产资源参数(n，c，t)的统计分布模型 & nbsp& nbsp& nbsp(2)如何根据上述参数分布模型形成矿产资源中金属总量的统计分布模型？ & nbsp& nbsp& nbsp(3)如何根据评价区的相关信息对总资源模型进行修正，使其适用于评价区资源的定量估算？ & nbsp& nbsp& nbsp(II)组件 。& nbsp& nbsp(1)矿床模型的地质分析和分类 首先，一些基本的矿床模式必须以矿床的成因和地质环境来划分。 同一矿床模型应具有相同的矿物产品组合(当然也可以是单一矿物模型)、地质组成环境和矿床间分布特征空。 矿床模拟的最终目标是建立一个系统的、完整的矿床模型体系，其中包含几个(或几百个)可以概括地球上可能存在的许多不同矿床的矿床模型。 & nbsp& nbsp& nbsp(2)存款模型特征的量化和存款模型的选择。 矿床模型由一系列地质、地球化学和地球物理特征来表示。 这些特征的原始记录有多种形式，包括图形表示和文字描述。 问题是量化这些众多不同记录形式的特征，并解释哪些特征对模型最重要或最普遍；哪些特性对模型不重要或可有可无？ 前一类特征应给予更大的重视。 通过特征分析的方法，矿床模型的所有特征都可以量化。 & nbsp& nbsp& nbsp当有多个模型时，需要将一个评价区与多个模型进行比较，选择与评价区相关系数最大的一个作为评价区的沉积模型。 或者将多个评价与一个模型区域进行比较，根据相关系数选择一组最有利的区域。 & nbsp& nbsp& nbsp(3)矿产资源评价 矿床模型选择时，需要通过矿产资源定量评价模型对评价区的资源量进行定量估算。 资源的定量估算一般采用某种形式的材积估算方法。 动词 （verb的缩写）判别分析方法:& nbsp& nbsp判别分析是矿产资源评价中常用的方法之一。 一般来说，判别分析方法可以用来确定矿体的大小、矿物及其对地质体的响应等级。 判别分析是根据已知的类型特征推断未知对象的过程，所以可以理解为比较一个评价对象(可以是地质体、区域或单元等)的各种地质特征。)与它可能所属的各种已知区域的那些进行比较，以便确定它应该属于哪种类型。 因此，判别分析是类比的数字化、公式化表达方式之一。 & nbsp& nbsp& nbsp(一)判别分析的优势:& nbsp& nbsp(1)与资源量有关的地质特征是一个多维向量空，应用判别分析可以化简为一维判别式空，即多变量问题可以转化为单变量问题，而不会损失很多信息。 & nbsp& nbsp& nbsp(2)控制区已知矿床可划分为任意等级，未知区可用相应等级进行评价。 & nbsp& nbsp& nbsp(2)判别分析方法的数学模型:& nbsp& nbsp(1)贝叶斯准则下的判别分析:它基于归属于某一类的概率最大或误分类损失最小的原则，它包括两类和多类判别。 & nbsp& nbsp& nbsp(2)福彻准则下的歧视。 & nbsp& nbsp& nbsp(3)逐步判别 & nbsp& nbsp& nbsp(4)序贯判别:虽然借鉴了Faucher准则，但克服了一般判别分析模型的局限性，获得了较好的结果。 & nbsp& nbsp& nbsp(5)两状态变量的判别分析——训练迭代法 & nbsp& nbsp& nbsp(6)相似性判别法 & nbsp& nbsp& nbsp不及物动词回归分析法& nbsp& nbsp& nbsp回归分析是矿产资源评价中广泛使用的评价方法。 原因是:& nbsp& nbsp& nbsp(1)它不仅可以研究变量之间的关系，还可以根据一个或几个变量值(称为自变量)估计另一个变量(称为因变量)的值，并推断估计值的准确性。 & nbsp& nbsp& nbsp(2)能找出影响因变量的主要自变量，并确定这些变量之间的关系。 & nbsp& nbsp& nbsp(3)回归分析中的逐步回归可以从大量可选择的自变量中自动选择一组与因变量关系“最密切”的变量，因此可以从大量的观测地质数据中找出一组与资源量关系最密切的变量，建立资源变量与地质条件关系的评价模型，直接估算评价区(单元、矿段)的资源量。 & nbsp& nbsp& nbsp回归分析的数学形式主要有线性回归；多元线性回归；逐渐回归；主成分回归；非线性回归；事件概率回归；部分和多重回归；岭回归；典型回归分析；多元回归等10种。 & nbsp& nbsp& nbsp根据这种方法，可以确定矿区矿产资源评价的三个方面，即确定含矿远景、估算矿体埋深和估算含矿单元的矿产资源量。 & nbsp& nbsp& nbsp七。成因地质模型法:& nbsp& nbsp成因模型法是评价矿产资源发现区地质优势的方法，是矿床模拟估算法的延伸和发展，也是特征分析法的具体应用。 根据成因地质模拟估算法的概念和评价过程可知，该方法有机地结合了地质学和数学方法，是目前正在不断发展的矿产资源评价方法论的最新成果之一。 建立成因地质模型和资源评价的最终目的是建立代表具有相似生成史的各类矿床的成因地质模型。 由于明显的区域变化，大多数类型矿床的成因是不确定的，因此建立代表一种类型的区域模型是非常有用的。 当对典型区域建立了足够的模型时，就有可能将它们综合成代表一类矿床的理论模型。 & nbsp& nbsp& nbsp遗传模型的建立可以分为以下几个步骤:& nbsp& nbsp(1)确定模型所代表的老床模型，界定其他地质地理的边界。 & nbsp& nbsp& nbsp(2)分析综合成矿过程，进而推断矿床的形成历史。 & nbsp& nbsp& nbsp(3)将地质证据和相关过程编制成上述成因图。 & nbsp& nbsp& nbsp(4)指出尚未解决的问题和缺失的观测数据。 & nbsp& nbsp& nbsp原始模型需要修改几次才能产生可接受的临时模型。 模型中的元素数量可以超过100个，其中许多元素可能对确定成矿优势没有意义。 主要控矿因素和次要控矿因素可通过主观选择或统计方法确定，从而获得与地质实际高度吻合的模型。 在选定需要建模的矿床时，应按时间顺序用一般叙述性语言描述这些矿床的成矿过程和成因中的主要地质因素。 该模型的概述旨在引出一个更详细的模型。
下一篇：安全文明生产管理制度(文明生产管理制度的目的)
上一篇：荧光光度法测定血清镁实验报告(荧光光度法较吸收光度法灵敏度高的原因)
免责声明：
本网转载自合作媒体、机构或其他网站的信息，登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其内容的真实性。本网所有信息仅供参考，不做交易和服务的根据。本网内容如有侵权或其它问题请及时告之，本网将及时修改或删除。凡以任何方式登录本网站或直接、间接使用本网站资料者，视为自愿接受本网站声明的约束。