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

Resumo Técnico: Pesquisa sobre Localização Espacial 3D e Predição de Corpos Minerais Profundos Ocultos Baseada em Redes Neurais de Grafos

Definição do Problema
A localização espacial e a predição de corpos minerais profundos ocultos representam um desafio técnico crítico na exploração de recursos minerais. Diferente dos depósitos rasos, os corpos minerais profundos existem em ambientes geológicos complexos governados por processos multiestágios sobrepostos (movimentos tectônicos, intrusão magmática, alteração hidrotermal), resultando em forte heterogeneidade espacial e características de distribuição não lineares. Os métodos de predição atuais enfrentam limitações significativas:

1. Escassez de Dados e Incerteza: Os dados de sondagem são esparsos e distribuídos de forma desigual com a profundidade, levando a uma alta incerteza geológica.
2. Restrições Metodológicas: Métodos geoestatísticos tradicionais (ex: Krigagem) dependem de pressupostos de estacionaridade espacial que falham sob condições complexas e heterogêneas. Abordagens de aprendizado profundo (ex: CNNs, RNNs) operam tipicamente em grades regulares ou sequências no espaço euclidiano, falhando em capturar relações topológicas espaciais essenciais (adjacência, truncamento, contenção) entre elementos geológicos.
3. Integração de Conhecimento: Os métodos existentes de fusão de dados multimodais frequentemente tratam dados heterogêneos (sondagem, geofísica, geoquímica) como simples concatenações de características, falhando em explorar associações estruturais. Além disso, o conhecimento geológico especializado é frequentemente tratado como entrada estática, em vez de ser integrado como restrições contínuas durante o treinamento do modelo, limitando a plausibilidade geológica das predições sob condições de amostra pequena.

Metodologia
Os autores propõem o HetGNN-KG, um framework de predição por aprendizado de grafos que integra redes neurais de grafos heterogêneos com restrições de grafos de conhecimento geológico. A metodologia consiste em três componentes principais:

1. Construção de Grafo Heterogêneo para Dados Multimodais:

   • Representação de Nós: Dados multimodais são codificados como um grafo heterogêneo onde os nós representam amostras de sondagem (litologia, alteração, teor, profundidade), anomalias geofísicas (gravidade, magnetismo, resistividade) e indicadores geoquímicos.
   • Definição de Arestas: Três tipos de arestas são estabelecidos para refletir as realidades geológicas:
     • Proximidade Espacial: Conecta nós baseando-se na distância 3D, incorporando um fator de atenuação de profundidade para considerar a diminuição da densidade de dados em maiores profundidades.
     • Contato Geológico: Conecta nós baseando-se em tipos de contato (falha, estratigráfico, intrusivo) com pesos aprendíveis.
     • Semântica Genética: Conecta nós geofísicos e geoquímicos onde anomalias físicas e enriquecimentos de elementos apresentam respostas espaciais coordenadas.
   • Passagem de Mensagem: Um mecanismo de passagem de mensagem heterogêneo consciente da profundidade é empregado. Ele utiliza matrizes de peso separadas e módulos de atenção para diferentes tipos de relação, permitindo que o modelo distinga o significado físico de diferentes relações geológicas enquanto preserva conexões de auto-loop para evitar a diluição da informação de medição original.

2. Predição Restrita por Grafo de Conhecimento Geológico:

   • Construção do Grafo de Conhecimento: Um grafo de conhecimento de mineralização é construído com entidades (ex: falhas controladoras de minério, zonas de alteração) e relações (ex: "controla", "associado a").
   • Alinhamento de Embedding: Os embeddings de entidade do grafo de conhecimento são alificados com os embeddings de nó do grafo de dados via uma matriz de projeção compartilhada.
   • Perdas de Restrição: Três funções de perda específicas são incorporadas ao processo de treinamento para impor regras geológicas:
     • Perda de Alinhamento ($\mathcal{L}_{align}$): Minimiza a distância entre os nós do grafo de dados e as entidades correspondentes do grafo de conhecimento (ex: um nó de sondagem próximo a uma falha se alinha com a entidade "falha controladora de minério").
     • Perda de Restrição Estrutural ($\mathcal{L}_{struct}$): Baseada em princípios de distância translacional, garantindo a consistência geométrica de tripletos de mineralização no espaço de embedding.
     • Perda de Restrição Semântica ($\mathcal{L}_{sem}$): Penaliza predições onde nós com alta probabilidade de mineralização carecem de similaridade semântica com as entidades geológicas controladoras de minério correspondentes. Esta perda é ponderada pela probabilidade de predição para focar as restrições em zonas possivelmente mineralizadas.

3. Quantificação de Incerteza:

   • O framework utiliza Monte Carlo Dropout durante a inferência para decompor a incerteza da predição em Incerteza Epistêmica (incerteza dos parâmetros do modelo devido à escassez de dados) e Incerteza Aleatória (ruído inerente aos dados). Isso permite uma avaliação da confiabilidade da predição estratificada por profundidade.

Principais Contribuições

1. Framework de Grafo Unificado: Construção de um framework de aprendizado de grafos que utiliza grafos heterogêneos para representar uniformemente dados geológicos multimodais (sondagem, geofísica, geoquímica) e um grafo de conhecimento geológico, permitindo operação sinérgica dentro de um único pipeline de treinamento.
2. GNN Heterogênea com Consciência de Profundidade: Proposta de um método de modelagem de associação espacial que codifica associações físicas cross-modais e a esparsidade de dados dependente da profundidade através de tipos de arestas especializados e fatores de atenuação de profundidade, evitando a interferência mútua entre diferentes modalidades de dados.
3. Aprendizado de Restrição Guiado por Conhecimento: Desenvolvimento de um método de predição que incorpora regras de mineralização como perdas de restrição estrutural e semântica diferenciáveis. Isso permite que o aprendizado baseado em dados e as restrições de regras geológicas operem conjuntamente, garantindo que as predições adiram à plausibilidade geológica.
4. Decomposição de Incerteza: Implementação de um método para avaliar quantitativamente a incerteza da predição, distinguindo entre lacunas de conhecimento (epistêmica) e ruído de medição (aleatória), auxiliando na priorização de alvos de exploração.

Resultos Experimentais
O framework foi validado em seis conjuntos de dados: um conjunto de engenharia local do cinturão metalogenético do Médio-Baixo Yangtze (depósitos de Cu-Fe tipo skarn) e cinco conjuntos de dados públicos (Gawler Craton, modelos sintéticos Noddyverse, cobre porfirítico USGS, geoquímica NGSA e ouro orogênico MRD282).

• Desempenho: O método proposto (HetGNN-KG) superou consistentemente seis baselines (Kriging, Random Forest, SVM, 3D-CNN, GAT e GNN Homogênea) em todos os conjuntos de dados. Alcançou os maiores valores de AUC, F1 score, precisão e recall.
• Generalização: O método demonstrou desempenho estável em diversos contextos geológicos e tipos de depósitos. A lacuna de desempenho foi mais pronunciada no conjunto de dados multimodal Gawler, validando a eficácia da modelagem de grafo heterogêneo.
• Estudos de Ablação: A remoção de componentes específicos (ex: arestas semânticas genéticas, perda de restrição semântica) resultou em quedas significativas de desempenho, confirmando que as associações cross-modais e as restrições de conhecimento são os principais motores do sucesso do modelo.
• Visualização e Incerteza:
  • As predições 3D mostraram extensão direcional ao longo de estruturas de falha e zonas de contato, consistentes com regras geológicas, ao contrário das saídas elipsoidais isotrópicas das 3D-CNNs.
  • A análise de incerteza revelou que a incerteza epistêmica aumentou com a profundidade em áreas de baixa cobertura de sondagem, enquanto a incerteza aleatória correlacionou-se com zonas de contato geológico.
  • Visualizações t-SNE demonstraram que as restrições do grafo de conhecimento agruparam efetivamente os nós mineralizados mais próximos dos embeddings de entidades geológicas relevantes, reduzindo a sobreposição com nós não mineralizados.

Significância e Alegações
O artigo afirma que o HetGNN-KG aborda as limitações fundamentais dos métodos existentes na exploração profunda ao ir além das estruturas de dados euclidianas para capturar topologias espaciais complexas e ao integrar o conhecimento geológico dinamicamente, em vez de estaticamente. O framework é apresentado como uma ferramenta que aumenta a plausibilidade geológica e a interpretabilidade das predições de localização espacial 3D, particularmente em ambientes profundos com escassez de dados. Ao decompor a incerteza, o método fornece insights acionáveis para priorizar a engenharia de exploração, distinguindo entre regiões que requerem mais coleta de dados (alta incerteza epistêmica) e aquelas com ruído de medição inerente (incerteza aleatória). Os autores posicionam este trabalho como um passo em direção a uma IA mais confiável e guiada pelo conhecimento na avaliação de recursos minerais, embora notem que trabalhos futuros são necessários para atualizações dinâmicas de grafos de conhecimento e estratégias de aprendizado ativo.