Quantitative Inversion Modeling Method for Grading Deerni Copper Deposits Based on Visible and Near-Infrared Hyperspectral Data

Abstract

Quantitative metal grade inversion based on hyperspectral data is an effective approach to achieve the real-time in situ determination of ore body grades and has the advantages of low cost compared with traditional chemical analysis methods. However, the redundant nature of hyperspectral data and the parameter-limiting nature of machine learning algorithms reduce the modeling accuracy and precision, resulting in severe limitations on the application of hyperspectral techniques for the grade inversion of Deerni copper ore bodies. In this paper, we first obtained visible-NIR hyperspectral data for 190 ore samples using a spectrometer and determined the copper content of the sample set using chemical analysis; then, we processed the raw hyperspectral data using three dimensionality reduction algorithms and optimized a BP neural network based on an evolutionary algorithm. Finally, a Deerni copper grade inversion model was established using the hyperspectral data before and after dimensionality reduction, and the inversion accuracy and precision was compared and analyzed with that obtained by the BP neural network, the random forest and the variable hidden layer nodes models. The combination of the LLE dimensionality reduction algorithm and the optimized BP neural network algorithm achieves the highest modeling precision, with an R² of 0.950.

RÉSUMÉ

L'inversion quantitative de la teneur en métaux basée sur des données hyperspectrales est une approche efficace pour déterminer in situ et en temps réel la teneur en minéraux des gisements et présente l'avantage d'être peu coûteuse par rapport aux méthodes traditionnelles d'analyse chimique. Cependant, la nature redondante des données hyperspectrales et la nature limitative des paramètres des algorithmes d'apprentissage automatique réduisent l'exactitude et la précision de la modélisation, ce qui limite considérablement l'application des techniques hyperspectrales pour l'inversion de la teneur des gisements de cuivre Deerni. Dans cet article, nous avons d'abord obtenu des données hyperspectrales visible-NIR pour 190 échantillons de minerai à l'aide d'un spectromètre et déterminé la teneur en cuivre de l'ensemble des échantillons à l'aide d'une analyse chimique; ensuite, nous avons traité les données hyperspectrales brutes à l'aide de trois algorithmes de réduction de la dimensionnalité et optimisé un réseau neuronal BP basé sur un algorithme évolutionnaire. Enfin, un modèle d'inversion de la teneur en cuivre des gisements de Deerni a été établi en utilisant les données hyperspectrales avant et après la réduction de la dimensionnalité, et la précision de l'inversion a été comparée et analysée avec celle obtenue par les modèles du réseau neuronal BP, de la forêt aléatoire et des noeuds de couches cachées variables. La combinaison de l'algorithme de réduction de la dimensionnalité LLE et de l'algorithme du réseau neuronal BP optimisé permet d'obtenir la meilleure précision de modélisation, avec un R2 de 0,950.

Disclosure statement

No conflict of interest was reported by the author(s).

Additional information

Funding

This research was funded in part by the National Natural Science Foundation of China under Grant [52074064] and Grant [41371437] and the National Key Research and Development Plan of China under Grant [2016YFC0801602].