Research on 3D Spatial Localization and Prediction of Deep Concealed Ore Bodies Based on Graph Neural Networks and Multi- Source Geological Constraints

Technische Samenvatting: Onderzoek naar 3D Ruimtelijke Lokalisatie en Voorspelling van Diep Verborgen Ertslichamen op basis van Graph Neural Networks en Multi-bron Geologische Constraints

Probleemstelling
De ruimtelijke lokalisatie en voorspelling van diep verborgen ertslichamen vormt een kritieke technische uitdaging in de exploratie van minerale hulpbronnen. In tegenstelling tot ondiepe afzettingen bevinden diepe ertslichamen zich in complexe geologische omgevingen die worden beheerst door gesuperponeerde meerfasige processen (tektonische bewegingen, magmatische intrusie, hydrothermale alteratie), wat resulteert in sterke ruimtelijke heterogeniteit en niet-lineaire distributiekenmerken. Huidige voorspellingsmethoden kampen met significante beperkingen:

1. Dataschaarste en Onzekerheid: Boorgatgegevens zijn schaars en ongelijkmatig verdeeld met de diepte, wat leidt tot een hoge geologische onzekerheid.
2. Methodologische Beperkingen: Traditionele geostatistische methoden (bijv. Kriging) vertrouwen op aannames van ruimtelijke stationariteit die falen onder complexe, heterogene omstandigheden. Deep learning-benaderingen (bijv. CNN's, RNN's) opereren doorgaans op regelmatige roosters of sequenties in de Euclidische ruimte, waardoor ze essentiele ruimtelijke topologische relaties (nabijheid, afsnijding, inkapseling) tussen geologische elementen niet kunnen vastleggen.
3. Kennisintegratie: Bestaande methoden voor multi-bron datafusie behandelen heterogene data (boorings, geofysica, geochemie) vaak als eenvoudige kenmerkconcentraties, waarbij ze er niet in slagen structurele associaties te exploiteren. Bovendien wordt de expertise van geologen vaak als statische input vastgelegd in plaats van geïntegreerd als continue constraints tijdens het modeltrainingsproces, wat de geologische plausibiliteit van voorspellingen onder condities met kleine steekproeven beperkt.

Methodologie
De auteurs stellen HetGNN-KG voor, een graph-learning voorspellingsframework dat heterogene graph neural networks integreert met geologische kennisgrafiek-constraints. De methodologie bestaat uit drie kerncomponenten:

1. Heterogene Graph Constructie voor Multi-bron Data:

   • Node Representatie: Multi-bron data worden gecodeerd als een heterogene graph waarbij nodes staan voor boorgatmonsters (lithologie, alteratie, gehalte, diepte), geofysische anomalieën (zwaartekracht, magnetisme, resistiviteit) en geochemische indicatoren.
   • Edge Definitie: Drie soorten edges worden vastgesteld om de geologische realiteit te reflecteren:
     • Ruimtelijke Nabijheid: Verbindt nodes op basis van 3D-afstand, waarbij een diepte-attenuatiefactor wordt opgenomen om de afnemende datadichtheid bij grotere dieptes te compenseren.
     • Geologisch Contact: Verbindt nodes op basis van contacttypen (breuk, stratigrafisch, intrusief) met leerbare gewichten.
     • Genetische Semantiek: Verbindt geofysische en geochemische nodes waar fysieke anomalieën en elementenverrijkingen een gecoördineerde ruimtelijke respons vertonen.
   • Message Passing: Er wordt een diepte-bewust heterogeen message passing mechanisme gebruikt. Dit maakt gebruik van aparte leerbare gewichtsmatrices en aandachtmodules voor verschillende relatietypes, waardoor het model de fysieke betekenis van verschillende geologische relaties kan onderscheiden terwijl zelf-loop verbindingen behouden blijven om de verdunning van de oorspronkelijke meetinformatie te voorkomen.

2. Geologische Kennisgrafiek-geconstreinde Voorspelling:

   • Kennisgrafiek Constructie: Een mineralisatie-kennisgrafiek wordt gebouwd met entiteiten (bijv. ertskontroleerde breuken, alteratiezones) en relaties (bijv. "controleert", "geassocieerd met").
   • Embedding Alignment: De entiteit-embeddings van de kennisgrafiek worden uitgelijnd met de node-embeddings van de datagrafiek via een gedeelde projectiematrix.
   • Constraint Losses: Drie specifieke verliesfuncties worden in het trainingsproces ingebed om geologische regels af te dwingen:
     • Alignment Loss ($\mathcal{L}_{align}$): Minimaliseert de afstand tussen datagrafiek-nodes en de corresponderende kennisgrafiek-entiteiten (bijv. een boorgat-node nabij een breuk komt overeen met de "ertskontroleerde breuk" entiteit).
     • Structural Constraint Loss ($\mathcal{L}_{struct}$): Gebaseerd op translationele afstandsprincipes, zorgt voor de geometrische consistentie van mineralisatie-triplets in de embedding-ruimte.
     • Semantic Constraint Loss ($\mathcal{L}_{sem}$): Bestraft voorspellingen waarbij nodes met een hoge mineralisatiekans een lage semantische gelijkenis vertonen met de corresponderende ertskontrollerende geologische entiteiten. Deze loss wordt gewogen door de voorspellingskans om de focus van de constraints op waarschijnlijke mineralisatiezones te leggen.

3. Onzekerheidskwantificatie:

   • Het framework maakt gebruik van Monte Carlo Dropout tijdens de inferentie om voorspellingsonzekerheid te decomponeren in Epistemische Onzekerheid (modelparameter-onzekerheid door dataschaarste) en Aleatorische Onzekerheid (inherente dataruis). Dit maakt een diepte-gestratificeerde beoordeling van de voorspellingsbetrouwbaarheid mogelijk.

Belangrijkste Bijdragen

1. Verenigd Graph Framework: Constructie van een graph-learning framework dat heterogene grafen gebruikt om multi-bron geologische data (boorings, geofysica, geochemie) en een geologische kennisgrafiek uniform te representeren, wat synergetische operatie binnen één enkel trainingsproces mogelijk maakt.
2. Heterogene GNN met Dieptebewustzijn: Voorstel van een methode voor ruimtelijke associatiemodellering die cross-modale fysieke associaties en diepte-afhankelijke dataschaarste codeert via gespecialiseerde edge-types en diepte-attenuatiefactoren, wat wederzijdse interferentie tussen verschillende datamodaliteiten voorkomt.
3. Kennis-gestuurde Constraint Learning: Ontwikkeling van een voorspellingsmethode die mineralisatieregels inbedt als differentieerbare structurele en semantische constraint losses. Dit maakt zowel data-gedreven leren als geologische regel-constraints gezamenlijk mogelijk, waardoor wordt gegarandeerd dat voorspellingen voldoen aan de geologische plausibiliteit.
4. Onzekerheidsdecompositie: Implementatie van een methode om voorspellingsonzekerheid kwantitatief te evalueren door onderscheid te maken tussen kennisgebreken (epistemisch) en meetruis (aleatorisch), wat helpt bij het prioriteren van boordoelen.

Experimentele Resultaten
Het framework is gevalideerd op zes datasets: één lokale engineering dataset van de Midden-Lage Yangtze metallogene gordel (skarn-type Cu-Fe afzettingen) en vijf publieke datasets (Gawler Craton, Noddyverse synthetische modellen, USGS porphyry koper, NGSA geochemie, en MRD282 orogene goud).

• Prestaties: De voorgestelde methode (HetGNN-KG) presteerde consequent beter dan zes baselines (Kriging, Random Forest, SVM, 3D-CNN, GAT, en Homogene GNN) over alle datasets. Het behaalde de hoogste AUC, F1-score, precisie en recall.
• Generalisatie: De methode toonde een stabiele prestatie over diverse geologische achtergronden en type afzettingen. Het prestatieverschil was het meest uitgesproken op de multi-modale Gawler-dataset, wat de effectiviteit van heterogene graph-modellering valideert.
• Ablatie-studies: Het verwijderen van specifieke componenten (bijv. genetische semantische edges, semantische constraint loss) resulteerde in significante prestatieverliezen, wat bevestigt dat cross-modale associaties en kennis-constraints de primaire drijvers van het succes van het model zijn.
• Visualisatie en Onzekerheid:
  • 3D-voorspellingen toonden directionele extensie langs breukstructuren en contactzones, consistent met geologische regels, in tegen tegenstelling tot de isotrope ellipsoïde outputs van 3D-CNN's.
  • Onzekerheidsanalyse toonde aan dat epistemische onzekerheid toenam met de diepte in gebieden met een schaarse boorgatdekking, terwijl aleatorische onzekerheid correleerde met geologische contactzones.
  • t-SNE visualisaties toonden aan dat de kennisgrafiek-constraints de mineralisatie-nodes effectief clusterden dichter bij relevante geologische entiteit-embeddings, waardoor overlap met niet-gemineraliseerde nodes werd verminderd.

Betekenis en Claims
Het artikel claimt dat HetGNN-KG de fundamentele beperkingen van bestaande methoden in diepe exploratie aanpakt door verder te gaan dan Euclidische datastructuren om complexe ruimtelijke topologieën te vangen en door geologische kennis dynamisch in plaats van statisch te integreren. Het framework wordt gepresenteerd als een instrument dat de geologische plausibiliteit en interpreteerbaarheid van 3D ruimtelijke lokalisatievoorspellingen verhoogt, met name in data-arme diepe omgevingen. Door onzekerheid te decomponeren, biedt de methode bruikbare inzichten voor het prioriteren van exploratie-engineering, waarbij onderscheid wordt gemaakt tussen regio's die meer dataverzameling vereisen (hoge epistemische onzekerheid) en regio's met inherente meetruis. De auteurs positioneren dit werk als een stap naar meer betrouwbare, kennis-gestuurde AI in de beoordeling van minerale hulpbronnen, hoewel zij opmerken dat toekomstig werk nodig is voor dynamische kennisgrafiek-updates en active learning-strategieën.