CN108960429A - 矿产资源覆盖区、深部矿床勘查预测方法及系统 - Google Patents

矿产资源覆盖区、深部矿床勘查预测方法及系统 Download PDF

Info

Publication number
CN108960429A
CN108960429A CN201810482267.7A CN201810482267A CN108960429A CN 108960429 A CN108960429 A CN 108960429A CN 201810482267 A CN201810482267 A CN 201810482267A CN 108960429 A CN108960429 A CN 108960429A
Authority
CN
China
Prior art keywords
bayes
data
model
assimilation
deep
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810482267.7A
Other languages
English (en)
Other versions
CN108960429B (zh
Inventor
梁元
柳炳利
罗德江
魏友华
刘斌
郭科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201810482267.7A priority Critical patent/CN108960429B/zh
Publication of CN108960429A publication Critical patent/CN108960429A/zh
Application granted granted Critical
Publication of CN108960429B publication Critical patent/CN108960429B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Consolidation Of Soil By Introduction Of Solidifying Substances Into Soil (AREA)

Abstract

本发明公开一种矿产资源覆盖区、深部矿床勘查预测方法及系统。所述勘查预测方法通过对地质数据建立贝叶斯混合同化模型，生成具有时间一致性、空间一致性和物理一致性的各种地表状态数据，再采用贝叶斯推断的方法，找出地质异常，进而在地质异常推断的基础上，对矿产资源覆盖区、隐藏矿床、深部矿产进行圈靶；根据圈靶结果进行矿产资源覆盖区、隐藏矿床、深部矿床进行预测。采用本发明的方法或系统，能够对矿产资源覆盖区、深部矿床进行有效的评估和验证。

Description

矿产资源覆盖区、深部矿床勘查预测方法及系统
技术领域
本发明涉及矿产勘查领域，特别是涉及一种矿产资源覆盖区、深部矿床勘查预测方法及系统。
背景技术
随着我国矿产勘查工作的持续进行和国民经济建设对矿产资源需求的不断增长,围绕深部找矿的有关研究和实践工作已引起有关管理部门和业内人士的高度关注和重视。在当前开展的危机矿山进一步的矿产勘查以及我国经济相对比较发达的中东部地区的矿产勘查工作中,深部矿基本上是最主要的工作对象。开展深部矿的研究和勘查工作,对于缓解目前矿产资源日益匮乏、供需关系严重失衡都有着非常直接的现实意义。深部矿勘查已成为矿产勘查领域内继隐伏矿勘查之后的又一主要勘查对象。
由于深部矿相对于浅部矿的埋藏深度大,造成人们对其矿床地质特征了解较少,矿化信息多为间接信息,，已有的勘查技术方法的有效性进一步降低,因而勘查难度、勘查投资以及勘查风险也相应增大。
针对深部矿勘查难度较大的现状，为了减少深部矿勘查的盲目性和风险性,提高深部矿勘查工作的有效性，目前深部找矿的地质成矿理论研究和深部找矿技术与方法的研究已成为深部矿勘查研究的热点。
发明内容
本发明的目的是提供一种矿产资源覆盖区、深部矿床勘查预测方法及系统，提高了深部矿勘查工作的有效性。
为实现上述目的，本发明提供了如下方案：
一种矿产资源覆盖区、深部矿床勘查预测方法，所述勘查预测方法包括：
获取地质数据、地球物理数据和地球化学数据；
根据所述地质数据建立贝叶斯同化过程模型；
根据所述地球物理数据和所述地球化学数据建立贝叶斯同化数据模型；
根据所述贝叶斯同化过程模型和所述贝叶斯同化数据模型建立贝叶斯混合同化模型；
对所述贝叶斯混合同化模型进行贝叶斯推断，得到异常推断结果；
根据所述异常推断结果，对矿产资源覆盖区、隐藏矿床进行圈靶，得到靶区；
对所述靶区进行预测，得到勘查预测结果。
可选的，所述根据所述地质数据建立贝叶斯同化过程模型，具体包括：
根据所述地质数据，得到地质空间展布趋势的过程、空间变异趋势的过程、成矿构造的过程以及专家推测过程；
采用贝叶斯方法对所述地质空间展布趋势的过程、所述空间变异趋势的过程、所述成矿构造的过程以及所述专家推测过程进行相同时空的转化，得到贝叶斯同化过程模型，所述贝叶斯同化过程模型如下：
p(X|φp)＝p(X1|φp)p(X2|φp),…,p(Xn-1|φp)p(Xn|φp)
其中，X1,X2,...,Xn表示不同数据源,φp为参数，p(Xn|φp)表示数据源Xn的数据模型。
可选的，所述根据所述地球物理数据和所述地球化学数据建立贝叶斯同化数据模型，具体包括：
根据所述地球物理数据和所述地球化学数据，得到不同来源、不同分辨率、直接或间接的观测数据，将所述观测数据生成具有时间一致性、空间一致性和物理一致性的各种地表状态数据；
根据各种所述地表状态数据建立贝叶斯同化数据模型，所述建立贝叶斯同化数据模型如下：
p(Y|T,βD)＝p(Y1|T1,βD)p(Y2|T2,βD),…,p(Yn|Tn,βD)
其中，Y1,Y2,...,Yn表示不同的数据源，T1,T2,...,Tn分别为数据源Y1,Y2,...,Yn对应的时间，βD为参数，p(Yn,Tn|φp)表示数据源Yn的数据模型。
可选的，所述根据所述贝叶斯同化过程模型和所述贝叶斯同化数据模型建立贝叶斯混合同化模型，具体包括：
将所述贝叶斯同化过程模型与所述贝叶斯同化数据模型按照设定的时空转换值，构建混合的贝叶斯混合同化模型，所述贝叶斯混合同化模型如下：
p(X,Y|φp,T,βD)＝p(X1,Y1|φp,T1,βD)p(X2,Y2|φp,T2,βD),…,p(Xn,Yn|φp,Tn,βD)
其中，p(Xn,Yn|φp,Tn,βD)表示数据源Xn、Yn的混合贝叶斯混合同化模型。
可选的，所述对所述贝叶斯混合同化模型进行贝叶斯推断，得到异常推断结果，具体包括：
对所述贝叶斯混合同化模型进行地质异常、地球物理异常、地球化学异常的推断，得到异常推断结果。
为实现上述目的，本发明还提供了如下方案：
一种矿产资源覆盖区、深部矿床勘查预测系统，所述勘查预测系统包括：
数据获取模块，用于获取地质数据、地球物理数据和地球化学数据；
贝叶斯同化过程模型建立模块；用于根据所述地质数据建立贝叶斯同化过程模型；
贝叶斯同化数据模型建立模块，用于根据所述地球物理数据和所述地球化学数据建立贝叶斯同化数据模型；
贝叶斯混合同化模型建立模块，用于根据所述贝叶斯同化过程模型和所述贝叶斯同化数据模型建立贝叶斯混合同化模型；
异常推断结果确定模块，用于对所述贝叶斯混合同化模型进行贝叶斯推断，得到异常推断结果；
靶区确定模块，用于根据所述异常推断结果，对矿产资源覆盖区、隐藏矿床进行圈靶，得到靶区；
勘查预测结果获取模块，用于对所述靶区进行预测，得到勘查预测结果。
可选的，所述贝叶斯同化过程模型建立模块，具体包括：
过程确定单元，用于根据所述地质数据，得到地质空间展布趋势的过程、空间变异趋势的过程、成矿构造的过程以及专家推测过程；
同化过程模型建立单元，用于采用贝叶斯方法对所述地质空间展布趋势的过程、所述空间变异趋势的过程、所述成矿构造的过程以及所述专家推测过程进行相同时空的转化，得到贝叶斯同化过程模型，所述贝叶斯同化过程模型如下：
p(X|φp)＝p(X1|φp)p(X2|φp),…,p(Xn-1|φp)p(Xn|φp)
其中，X1,X2,...,Xn表示不同数据源,φp为参数，p(Xn|φp)表示数据源Xn的数据模型。
可选的，所述贝叶斯同化数据模型建立模块，具体包括：
地表状态数据确定单元，用于根据所述地球物理数据和所述地球化学数据，得到不同来源、不同分辨率、直接或间接的观测数据，将所述观测数据生成具有时间一致性、空间一致性和物理一致性的各种地表状态数据；
同化数据模型建立单元，用于根据各种所述地表状态数据建立贝叶斯同化数据模型，所述建立贝叶斯同化数据模型如下：
p(Y|T,βD)＝p(Y1|T1,βD)p(Y2|T2,βD),…,p(Yn|Tn,βD)
其中，Y1,Y2,...,Yn表示不同的数据源，T1,T2,...,Tn分别为数据源Y1,Y2,...,Yn对应的时间，βD为参数，p(Yn,Tn|φp)表示数据源Yn的数据模型。
可选的，所述贝叶斯混合同化模型建立模块，具体为：
将所述贝叶斯同化过程模型与所述贝叶斯同化数据模型按照设定的时空转换值，构建混合的贝叶斯混合同化模型，所述贝叶斯混合同化模型既可以进行过程同化，也可以进行数据同化，所述贝叶斯混合同化模型如下：
p(X,Y|φp,T,βD)＝p(X1,Y1|φp,T1,βD)p(X2,Y2|φp,T2,βD),…,p(Xn,Yn|φp,Tn,βD)
其中，p(Xn,Yn|φp,Tn,βD)表示数据源Xn、Yn的混合贝叶斯混合同化模型。
可选的，所述异常推断结果确定模块，具体为：
对所述贝叶斯混合同化模型进行地质异常、地球物理异常、地球化学异常的推断，得到异常推断结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明将贝叶斯同化过程模型与贝叶斯同化数据模型按照一定的时空要求，构建混合的贝叶斯混合同化模型，采用贝叶斯推断的方法，找出异常的地方，进而在异常推断的基础上，对矿产资源覆盖区、隐藏矿床进行圈靶；根据圈靶结果进行矿产资源覆盖区、隐藏矿床进行预测，从而实现了对矿产资源覆盖区、隐藏矿产的评估和验证。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例矿产资源覆盖区、深部矿床勘查预测方法流程图；
图2为本发明实施例矿产资源覆盖区、深部矿床勘查预测系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种矿产资源覆盖区、深部矿床勘查预测方法及系统，提高了深部矿勘查工作的有效性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例矿产资源覆盖区、深部矿床勘查预测方法流程图。一种矿产资源覆盖区、深部矿床勘查预测方法，所述勘查预测方法包括：
步骤101：获取地质数据、地球物理数据和地球化学数据；
步骤102：根据所述地质数据建立贝叶斯同化过程模型，具体包括：
根据所述地质数据，得到地质空间展布趋势的过程、空间变异趋势的过程、成矿构造的过程以及专家推测过程；
采用贝叶斯方法对所述地质空间展布趋势的过程、所述空间变异趋势的过程、所述成矿构造的过程以及所述专家推测过程进行相同时空的转化，得到贝叶斯同化过程模型，所述贝叶斯同化过程模型如下：
p(X|φp)＝p(X1|φp)p(X2|φp),…,p(Xn-1|φp)p(Xn|φp)
其中，X1,X2,...,Xn表示不同数据源,φp为参数，p(Xn|φp)表示数据源Xn的数据模型。
步骤103：根据所述地球物理数据和所述地球化学数据建立贝叶斯同化数据模型，具体包括：
根据所述地球物理数据和所述地球化学数据，得到不同来源、不同分辨率、直接或间接的观测数据，将所述观测数据生成具有时间一致性、空间一致性和物理一致性的各种地表状态数据；
根据各种所述地表状态数据建立贝叶斯同化数据模型，所述建立贝叶斯同化数据模型如下：
p(Y|T,βD)＝p(Y1|T1,βD)p(Y2|T2,βD),…,p(Yn|Tn,βD)
其中，Y1,Y2,...,Yn表示不同的数据源，T1,T2,...,Tn分别为数据源Y1,Y2,...,Yn对应的时间，βD为参数，p(Yn,Tn|φp)表示数据源Yn的数据模型。
步骤104：根据所述贝叶斯同化过程模型和所述贝叶斯同化数据模型建立贝叶斯混合同化模型，具体包括：
将所述贝叶斯同化过程模型与所述贝叶斯同化数据模型按照设定的时空转换值，构建混合的贝叶斯混合同化模型，所述贝叶斯混合同化模型如下：
p(X,Y|φp,T,βD)＝p(X1,Y1|φp,T1,βD)p(X2,Y2|φp,T2,βD),…,p(Xn,Yn|φp,Tn,βD)
其中，p(Xn,Yn|φp,Tn,βD)表示数据源Xn、Yn的混合贝叶斯混合同化模型。
步骤105：对所述贝叶斯混合同化模型进行贝叶斯推断，得到异常推断结果，对所述贝叶斯混合同化模型进行地质异常、地球物理异常、地球化学异常的推断，得到异常推断结果；
步骤106：根据所述异常推断结果，对矿产资源覆盖区、隐藏矿床进行圈靶，得到靶区；
步骤107：对所述靶区进行预测，得到勘查预测结果。
步骤101中，通过地质方法得到地质数据的方法是研究成矿的地质条件、地质环境和地质作用，从而进行找矿的一种方法，在矿产调查中常用。具体是通过观察出露在地表面的地层、岩石进行搜集和综合分析。了解有无能源、矿物条件，并对有利地区作出评价。
通过地球物理方法得到地球物理数据的方法是根据地下岩石或矿体的物理性质差异所引起在地表的某些物理现象(表现为异常的现象)的变化去判断地质构造或发现矿体的一种方法，包括地震、重力、磁力、电法、地热、放射性及地下地球物理测量等。
通过地球化学(化探)方法得到地球化学数据的方法是对岩石、土壤、地下水、地表水、植物、水系以及湖底沉积物等天然产物中一种或几种化学特征作测定，再据测定结果所发现的化探异常，实现找矿之目的，包括岩石地球化学方法(金属量测量)、水化学方法和生物地球化学方法等。
此外，钻探法得到数据是依据地质、物化探等方法提供的信息来确定井位进行钻探，可直接得到地下的各种地质资料，可以确定地下构造特点和矿物特征。遥感技术应用得到数据以地质特征标志和地质模型研究为基础，结合物理手段和数学方法，对所获得的地球表层的遥感数据进行分析、解译，以求获得各种地质要素和矿产资源时空分布特征信息，从而揭示地壳结构、地质构造及矿产资源分布及其发生发展规律的一门综合性技术。
步骤101中获取地质数据、地球物理数据和地球化学数据主要从地质、地球物理和地球化学三个方面着手：
第一，地质方面，先将现有的地物化遥的数据进行分析，建立多尺度的初始推断；然后建立多尺度的地质体三维模型、物性、物质组的分布模型；在此基础上，研究空间展布趋势、空间变异趋势、成矿期构造应力场性质、专家初步推断；
第二，地球物理方面，首先对成矿构造岩矿石物性进行测试，然后组合敏感特性分析，然后进行大地电磁法探测，得到深部成矿构造和地球物理的本构关系，最后抽象出地球物理的反演模型；
第三，地球化学方面，首先是成矿构造岩矿石化学成份进行测试，然后是敏感化学元素组合分析，再然后是构造地球化学法进行探测；建立深部矿产构造地球化学规律模型，最后形成地球化学推断模型。
通过贝叶斯混合同化模型，已经对采集的时空过程、数据进行统一，确保时空过程相同、保证了分析数据的时间一致性、空间一致性和物理一致性，再根据贝叶斯推断方法，来对地质异常、地球物理异常、地球化学异常进行分析，找出异常的地方。贝叶斯推断是从概率论中的贝叶斯定理扩充而来。贝叶斯定理断定：已知一个事件集Bi(i＝1,2,...k)中每一Bi的概率P(Bi)，又知在Bi已发生的条件下事件A的条件概率P(A/Bi)，就可得出在给定A已发生的条件下任何Bi的条件概率(逆概率)为P(Bi/A)，即P(Bi/A)＝P(Bi)P(A/Bi)/(P(B1)P(A/B1)+P(B2)P(A/B2)+...+P(Bn)P(A/Bn))。
圈靶，是指找矿靶区是指位于成矿有利构造部位、具有良好成矿前提的可能赋存有工业矿床或矿体的地区。一般靶区面积在4km2以内，而以1km2～2km2为佳。在预测标志优化基础上最大限度地缩小靶区面积，加强靶区含矿率研究，以提高钻探验证的见矿率，提高发现矿床(体)的命中率，提高地质找矿效果。因此，靶区的圈定，是以最小面积和最大含矿率作为基本准则。靶区筛选，则是在靶区已经固定的情况下，进一步对各靶区发现矿床可能性大小作出判断，对成矿有利度排序，是选优弃劣的过程。
常规的勘探流程：
1、勘探、收集资料(物探、化探等相关资料)
2、对地层构造进行分析
3、对采矿区域的地层进行分析，分析和预测(猜测矿石的大致走向)，即了解矿石走向和规律。
4、通过矿石预测的相关理论和方法，再加上地质成矿的相关理论和方法，确定地层矿石的大致区域，然后圈定选择打钻井的大致范围。
5、然后，根据物探、化探、地质等相关资料，确定钻井的地方。
上述勘探方法在钻头在钻进过程中经常会遇到复杂的地层，加上深部地层的构造极其复杂，尤其是所穿越的岩石层非常之多，且不同层位的岩石的坚硬程度不同，因此对于整个钻进工程而言具有较大的难度；在钻进过程中钻孔经常会出现偏斜距较大的情况，尤其是在钻深孔时，往往偏斜距与钻浅孔的偏斜距的偏差要大得多，因而难以对钻孔落点位置进行精确的确定，进而影响整个深部矿产勘查工作的开展；在样本获取过程中存在的较大的难度，这是由于钻孔旨在得到矿产的样品，而对于复杂的岩层来说，则对钻探技术的要求更加严格，就现有的钻探技术来说，往往由于器具和钻探人员的专业技术水平的高低不一，导致矿产样本获取的难度较大；钻探施工过程中危险系数较大，且需要耗费大量的人力物力财力，尤其是施工中存在较大的工作负荷，因而必须严防出现孔内事故，所以在钻进施工过程中对于各种各样钻进设备材料和工具的要求具有较高的性价比，因而整个施工过程具有较大的危险性，且耗费的人力物力材力较大，从而极大化的影响钻进工作的开展。
本发明将贝叶斯同化过程模型与贝叶斯同化数据模型按照一定的时空要求，构建混合的贝叶斯混合同化模型，采用贝叶斯推断的方法，找出异常的地方，进而在异常推断的基础上，对矿产资源覆盖区、隐藏矿床进行圈靶；根据圈靶结果进行矿产资源覆盖区、隐藏矿床进行预测，从而实现了对矿产资源覆盖区、隐藏矿产的评估和验证，提高了矿产资源覆盖区、大深度、隐藏矿产预测的准确性。
图2为本发明实施例矿产资源覆盖区、深部矿床勘查预测系统结构图。如图2所示，一种矿产资源覆盖区、深部矿床勘查预测系统，所述勘查预测系统包括：
数据获取模块201，用于获取地质数据、地球物理数据和地球化学数据；
贝叶斯同化过程模型建立模块202，用于根据所述地质数据建立贝叶斯同化过程模型；
贝叶斯同化数据模型建立模203，用于根据所述地球物理数据和所述地球化学数据建立贝叶斯同化数据模型；
贝叶斯混合同化模型建立模块204，用于根据所述贝叶斯同化过程模型和所述贝叶斯同化数据模型建立贝叶斯混合同化模型；
异常推断结果确定模块205，用于对所述贝叶斯混合同化模型进行贝叶斯推断，得到异常推断结果；
靶区确定模块206，用于根据所述异常推断结果，对矿产资源覆盖区、隐藏矿床进行圈靶，得到靶区；
勘查预测结果获取模块207，用于对所述靶区进行预测，得到勘查预测结果。
所述贝叶斯同化过程模型建立模块202，具体包括：
过程确定单元，用于根据所述地质数据，得到地质空间展布趋势的过程、空间变异趋势的过程、成矿构造的过程以及专家推测过程；
同化过程模型建立单元，用于采用贝叶斯方法对所述地质空间展布趋势的过程、所述空间变异趋势的过程、所述成矿构造的过程以及所述专家推测过程进行相同时空的转化，得到贝叶斯同化过程模型，所述贝叶斯同化过程模型如下：
p(X|φp)＝p(X1|φp)p(X2|φp),…,p(Xn-1|φp)p(Xn|φp)
其中，X1,X2,...,Xn表示不同数据源,φp为参数，p(Xn|φp)表示数据源Xn的数据模型。
所述贝叶斯同化数据模型建立模块203，具体包括：
地表状态数据确定单元，用于根据所述地球物理数据和所述地球化学数据，得到不同来源、不同分辨率、直接或间接的观测数据，将所述观测数据生成具有时间一致性、空间一致性和物理一致性的各种地表状态数据；
同化数据模型建立单元，用于根据各种所述地表状态数据建立贝叶斯同化数据模型，所述建立贝叶斯同化数据模型如下：
p(Y|T,βD)＝p(Y1|T1,βD)p(Y2|T2,βD),…,p(Yn|Tn,βD)
其中，Y1,Y2,...,Yn表示不同的数据源，T1,T2,...,Tn分别为数据源Y1,Y2,...,Yn对应的时间，βD为参数，p(Yn,Tn|φp)表示数据源Yn的数据模型。
所述贝叶斯混合同化模型建立模块204，具体为：
将所述贝叶斯同化过程模型与所述贝叶斯同化数据模型按照设定的时空转换值，构建混合的贝叶斯混合同化模型，所述贝叶斯混合同化模型既可以进行过程同化，也可以进行数据同化，所述贝叶斯混合同化模型如下：
p(X,Y|φp,T,βD)＝p(X1,Y1|φp,T1,βD)p(X2,Y2|φp,T2,βD),…,p(Xn,Yn|φp,Tn,βD)
其中，p(Xn,Yn|φp,Tn,βD)表示数据源Xn、Yn的混合贝叶斯混合同化模型。
所述异常推断结果确定模块205，具体为：
对所述贝叶斯混合同化模型进行地质异常、地球物理异常、地球化学异常的推断，得到异常推断结果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种矿产资源覆盖区、深部矿床勘查预测方法，其特征在于，所述勘查预测方法包括：
获取地质数据、地球物理数据和地球化学数据；
根据所述地质数据建立贝叶斯同化过程模型；
根据所述地球物理数据和所述地球化学数据建立贝叶斯同化数据模型；
根据所述贝叶斯同化过程模型和所述贝叶斯同化数据模型建立贝叶斯混合同化模型；
对所述贝叶斯混合同化模型进行贝叶斯推断，得到异常推断结果；
根据所述异常推断结果，对矿产资源覆盖区、隐藏矿床进行圈靶，得到靶区；
对所述靶区进行预测，得到勘查预测结果。
2.根据权利要求1所述的矿产资源覆盖区、深部矿床勘查预测方法，其特征在于，所述根据所述地质数据建立贝叶斯同化过程模型，具体包括：
根据所述地质数据，得到地质空间展布趋势的过程、空间变异趋势的过程、成矿构造的过程以及专家推测过程；
采用贝叶斯方法对所述地质空间展布趋势的过程、所述空间变异趋势的过程、所述成矿构造的过程以及所述专家推测过程进行相同时空的转化，得到贝叶斯同化过程模型，所述贝叶斯同化过程模型如下：
p(X|φp)＝p(X1|φp)p(X2|φp),···,p(Xn-1|φp)p(Xn|φp)
其中，X1,X2,...,Xn表示不同数据源,φp为参数，p(Xn|φp)表示数据源Xn的数据模型。
3.根据权利要求1所述的矿产资源覆盖区、深部矿床勘查预测方法，其特征在于，所述根据所述地球物理数据和所述地球化学数据建立贝叶斯同化数据模型，具体包括：
根据所述地球物理数据和所述地球化学数据，得到不同来源、不同分辨率、直接或间接的观测数据，将所述观测数据生成具有时间一致性、空间一致性和物理一致性的各种地表状态数据；
根据各种所述地表状态数据建立贝叶斯同化数据模型，所述建立贝叶斯同化数据模型如下：
p(Y|T,βD)＝p(Y1|T1,βD)p(Y2|T2,βD),···,p(Yn|Tn,βD)
其中，Y1,Y2,...,Yn表示不同的数据源，T1,T2,...,Tn分别为数据源Y1,Y2,...,Yn对应的时间，βD为参数，p(Yn,Tn|φp)表示数据源Yn的数据模型。
4.根据权利要求1所述的矿产资源覆盖区、深部矿床勘查预测方法，其特征在于，所述根据所述贝叶斯同化过程模型和所述贝叶斯同化数据模型建立贝叶斯混合同化模型，具体包括：
将所述贝叶斯同化过程模型与所述贝叶斯同化数据模型按照设定的时空转换值，构建混合的贝叶斯混合同化模型，所述贝叶斯混合同化模型如下：
p(X,Y|φp,T,βD)＝p(X1,Y1|φp,T1,βD)p(X2,Y2|φp,T2,βD),···,p(Xn,Yn|φp,Tn,βD)
其中，p(Xn,Yn|φp,Tn,βD)表示数据源Xn、Yn的混合贝叶斯混合同化模型。
5.根据权利要求1所述的矿产资源覆盖区、深部矿床勘查预测方法，其特征在于，所述对所述贝叶斯混合同化模型进行贝叶斯推断，得到异常推断结果，具体包括：
对所述贝叶斯混合同化模型进行地质异常、地球物理异常、地球化学异常的推断，得到异常推断结果。
6.一种矿产资源覆盖区、深部矿床勘查预测系统，其特征在于，所述勘查预测系统包括：
数据获取模块，用于获取地质数据、地球物理数据和地球化学数据；
贝叶斯同化过程模型建立模块；用于根据所述地质数据建立贝叶斯同化过程模型；
贝叶斯同化数据模型建立模块，用于根据所述地球物理数据和所述地球化学数据建立贝叶斯同化数据模型；
贝叶斯混合同化模型建立模块，用于根据所述贝叶斯同化过程模型和所述贝叶斯同化数据模型建立贝叶斯混合同化模型；
异常推断结果确定模块，用于对所述贝叶斯混合同化模型进行贝叶斯推断，得到异常推断结果；
靶区确定模块，用于根据所述异常推断结果，对矿产资源覆盖区、隐藏矿床进行圈靶，得到靶区；
勘查预测结果获取模块，用于对所述靶区进行预测，得到勘查预测结果。
7.根据权利要求1所述的矿产资源覆盖区、深部矿床勘查预测系统，其特征在于，所述贝叶斯同化过程模型建立模块，具体包括：
过程确定单元，用于根据所述地质数据，得到地质空间展布趋势的过程、空间变异趋势的过程、成矿构造的过程以及专家推测过程；
同化过程模型建立单元，用于采用贝叶斯方法对所述地质空间展布趋势的过程、所述空间变异趋势的过程、所述成矿构造的过程以及所述专家推测过程进行相同时空的转化，得到贝叶斯同化过程模型，所述贝叶斯同化过程模型如下：
p(X|φp)＝p(X1|φp)p(X2|φp),···,p(Xn-1|φp)p(Xn|φp)
其中，X1,X2,...,Xn表示不同数据源,φp为参数，p(Xn|φp)表示数据源Xn的数据模型。
8.根据权利要求1所述的矿产资源覆盖区、深部矿床勘查预测系统，其特征在于，所述贝叶斯同化数据模型建立模块，具体包括：
地表状态数据确定单元，用于根据所述地球物理数据和所述地球化学数据，得到不同来源、不同分辨率、直接或间接的观测数据，将所述观测数据生成具有时间一致性、空间一致性和物理一致性的各种地表状态数据；
同化数据模型建立单元，用于根据各种所述地表状态数据建立贝叶斯同化数据模型，所述建立贝叶斯同化数据模型如下：
p(Y|T,βD)＝p(Y1|T1,βD)p(Y2|T2,βD),···,p(Yn|Tn,βD)
其中，Y1,Y2,...,Yn表示不同的数据源，T1,T2,...,Tn分别为数据源Y1,Y2,...,Yn对应的时间，βD为参数，p(Yn,Tn|φp)表示数据源Yn的数据模型。
9.根据权利要求1所述的矿产资源覆盖区、深部矿床勘查预测系统，其特征在于，所述贝叶斯混合同化模型建立模块，具体为：
将所述贝叶斯同化过程模型与所述贝叶斯同化数据模型按照设定的时空转换值，构建混合的贝叶斯混合同化模型，所述贝叶斯混合同化模型既可以进行过程同化，也可以进行数据同化，所述贝叶斯混合同化模型如下：
p(X,Y|φp,T,βD)＝p(X1,Y1|φp,T1,βD)p(X2,Y2|φp,T2,βD),···,p(Xn,Yn|φp,Tn,βD)
其中，p(Xn,Yn|φp,Tn,βD)表示数据源Xn、Yn的混合贝叶斯混合同化模型。
10.根据权利要求1所述的矿产资源覆盖区、深部矿床勘查预测系统，其特征在于，所述异常推断结果确定模块，具体为：
对所述贝叶斯混合同化模型进行地质异常、地球物理异常、地球化学异常的推断，得到异常推断结果。
CN201810482267.7A 2018-05-18 2018-05-18 矿产资源覆盖区、深部矿床勘查预测方法及系统 Expired - Fee Related CN108960429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810482267.7A CN108960429B (zh) 2018-05-18 2018-05-18 矿产资源覆盖区、深部矿床勘查预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810482267.7A CN108960429B (zh) 2018-05-18 2018-05-18 矿产资源覆盖区、深部矿床勘查预测方法及系统

Publications (2)

Publication Number Publication Date
CN108960429A true CN108960429A (zh) 2018-12-07
CN108960429B CN108960429B (zh) 2020-11-10

Family

ID=64499326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810482267.7A Expired - Fee Related CN108960429B (zh) 2018-05-18 2018-05-18 矿产资源覆盖区、深部矿床勘查预测方法及系统

Country Status (1)

Country Link
CN (1) CN108960429B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060173A (zh) * 2019-04-27 2019-07-26 烟台市牟金矿业有限公司 一种深部金矿床成矿找矿方法
CN110782101A (zh) * 2019-12-11 2020-02-11 山东省煤田地质规划勘察研究院 一种基于多元地学信息叠加识别的矿产预测方法
CN112053438A (zh) * 2020-09-18 2020-12-08 中南大学 基于水平集的成矿构造深部推断建模方法
CN112198299A (zh) * 2020-09-29 2021-01-08 南京林业大学 一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737155A (zh) * 2011-04-12 2012-10-17 中国科学院寒区旱区环境与工程研究所 基于贝叶斯滤波的通用数据同化方法
WO2014202618A2 (en) * 2013-06-17 2014-12-24 University Of Neuchâtel Method for determining the configuration of a structure
CN104933199A (zh) * 2015-07-14 2015-09-23 成都理工大学 一种基于可信机制的地质大数据融合系统及方法
CN107038505A (zh) * 2017-04-25 2017-08-11 中国地质大学（北京） 基于机器学习的找矿模型预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737155A (zh) * 2011-04-12 2012-10-17 中国科学院寒区旱区环境与工程研究所 基于贝叶斯滤波的通用数据同化方法
WO2014202618A2 (en) * 2013-06-17 2014-12-24 University Of Neuchâtel Method for determining the configuration of a structure
CN104933199A (zh) * 2015-07-14 2015-09-23 成都理工大学 一种基于可信机制的地质大数据融合系统及方法
CN107038505A (zh) * 2017-04-25 2017-08-11 中国地质大学（北京） 基于机器学习的找矿模型预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FORD, A 等: "A Comparative Analysis of Weights of Evidence, Evidential Belief Functions, and Fuzzy Logic for Mineral Potential Mapping Using Incomplete Data at the Scale of Investigation", 《NATURAL RESOURCES RESEARCH》 *
HAN CHANG-IK 等: "Mineral Resource Quantitative Prediction Based on LS-SVM Combining with Bayesian Inference", 《JOURNAL OF NORTHEASTERN UNIVERSITY (NATURAL SCIENCE)》 *
QIN, FL 等: "Using EVT for Geological Anomaly Design and Its Application in Identifying Anomalies in Mining Areas", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 *
杨佳佳 等: "基于证据加权模型的综合信息成矿预测", 《地质学报》 *
马建文 等: "数据同化算法研究现状综述", 《地球科学进展》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060173A (zh) * 2019-04-27 2019-07-26 烟台市牟金矿业有限公司 一种深部金矿床成矿找矿方法
CN110060173B (zh) * 2019-04-27 2021-05-18 烟台市牟金矿业有限公司 一种深部金矿床成矿找矿方法
CN110782101A (zh) * 2019-12-11 2020-02-11 山东省煤田地质规划勘察研究院 一种基于多元地学信息叠加识别的矿产预测方法
CN112053438A (zh) * 2020-09-18 2020-12-08 中南大学 基于水平集的成矿构造深部推断建模方法
CN112053438B (zh) * 2020-09-18 2022-07-15 中南大学 基于水平集的成矿构造深部推断建模方法
CN112198299A (zh) * 2020-09-29 2021-01-08 南京林业大学 一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法

Also Published As

Publication number Publication date
CN108960429B (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
Tronicke et al. Crosshole traveltime tomography using particle swarm optimization: A near-surface field example
CN104614782B (zh) 一种盐湖卤水探测方法
Fasani et al. Underground cavity investigation within the city of Rome (Italy): A multi-disciplinary approach combining geological and geophysical data
CN108279444A (zh) 一种热液型铀矿深部探测方法
CN109991681A (zh) 一种基于地质及地球物理技术的稀有金属矿床找矿方法
CN108960429A (zh) 矿产资源覆盖区、深部矿床勘查预测方法及系统
Chirindja et al. Improving the groundwater-well siting approach in consolidated rock in Nampula Province, Mozambique
Szabó et al. Factor analysis of engineering geophysical sounding data for water-saturation estimation in shallow formations
Khalil et al. Geotechnical parameters from seismic measurements: Two field examples from Egypt and Saudi Arabia
Hoover Geophysical choices for karst investigations
Rezaei et al. Determination of unstable tectonic zones in C–North deposit, Sangan, NE Iran using GPR method: Importance of structural geology
Liu et al. Integrated geological and geophysical exploration for concealed ores beneath cover in the Chaihulanzi goldfield, northern China
Mallet et al. Multi-geophysical field measurements to characterize lithological and hydraulic properties of a multi-scale karstic and fractured limestone vadose zone: Beauce aquifer (O-ZNS)
Abedi et al. Collocated cokriging of iron deposit based on a model of magnetic susceptibility: a case study in Morvarid mine, Iran
Hubbard et al. Hydrogeological characterization using geophysical methods
Xu et al. Groundwater flow conceptualization and storage determination of the Table Mountain Group (TMG) Aquifers
Elis et al. Resistivity imaging for identification of fracture zones in crystalline bedrock in Brazil
Killeen Borehole geophysics: exploring the third dimension
Mostafaei et al. Mineral resource estimation using a combination of drilling and IP-Rs data using statistical and cokriging methods
CN110119852B (zh) 一种不确定成矿信息的统一表征方法及系统
Oshmarin et al. Capabilities and limitations of electromagnetic techniques in Eastern Siberia
Astic et al. Joint inversion of potential-fields data over the DO-27 kimberlite pipe using a Gaussian mixture model prior
Sagar et al. Electrical Resistivity Tomography in Geotechnical Engineering Applications
Anderson et al. A generalized protocol for selecting appropriate geophysical techniques
CN110096622B (zh) 一种多尺度的数据统一表达方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201110