CN110442666A - 一种基于神经网络模型的矿产资源预测方法及系统 - Google Patents
一种基于神经网络模型的矿产资源预测方法及系统 Download PDFInfo
- Publication number
- CN110442666A CN110442666A CN201910710734.1A CN201910710734A CN110442666A CN 110442666 A CN110442666 A CN 110442666A CN 201910710734 A CN201910710734 A CN 201910710734A CN 110442666 A CN110442666 A CN 110442666A
- Authority
- CN
- China
- Prior art keywords
- sampled point
- information
- mine
- neural network
- network model
- 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
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 67
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 60
- 239000011707 mineral Substances 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011160 research Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000013480 data collection Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 239000000454 talc Substances 0.000 claims abstract description 17
- 229910052623 talc Inorganic materials 0.000 claims abstract description 17
- 235000012222 talc Nutrition 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims description 15
- 230000000306 recurrent effect Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 229910052737 gold Inorganic materials 0.000 claims description 12
- 239000010931 gold Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 8
- 239000011435 rock Substances 0.000 claims description 8
- 229910052710 silicon Inorganic materials 0.000 claims description 8
- 239000010703 silicon Substances 0.000 claims description 8
- 210000004233 talus Anatomy 0.000 claims description 8
- 229910052787 antimony Inorganic materials 0.000 claims description 6
- 229910052785 arsenic Inorganic materials 0.000 claims description 6
- 229910052788 barium Inorganic materials 0.000 claims description 6
- 229910052802 copper Inorganic materials 0.000 claims description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 229910052745 lead Inorganic materials 0.000 claims description 6
- 229910052748 manganese Inorganic materials 0.000 claims description 6
- 229910052753 mercury Inorganic materials 0.000 claims description 6
- 229910052718 tin Inorganic materials 0.000 claims description 6
- 229910052721 tungsten Inorganic materials 0.000 claims description 6
- 229910052725 zinc Inorganic materials 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims 1
- 230000003139 buffering effect Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 9
- 238000004393 prognosis Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001594 aberrant effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于神经网络模型的矿产资源预测方法及系统，涉及地球信息科学领域，主要包括：对已知地质图进行裁剪，得到包含有多个采样点的研究区；根据地球物理异常信息构建缓冲区；根据采样点的位置信息和缓冲区中心线得到成矿概率权重值；根据采样点的位置信息以及三叠系滑石关组与硅质角砾岩重要性的线性关系计算成矿概率特征值；根据权重表计算数据标签；构建行数与采样点个数等同的矩阵数据集，每行数据对应一采样点包含的地球化学元素含量、成矿概率权重值、成矿概率特征值和数据标签；利用矩阵数据集对构建的神经网络模型进行训练和优化；利用训练和优化后的模型对待测区预测，圈定矿产资源靶区。本发明能够实现预测结果更精确。
Description
技术领域
本发明涉及地球信息科学领域，特别是涉及一种基于神经网络模型的矿产资源预测方法及系统。
背景技术
近年来，世界经济发展迅速，矿产资源愈发成为经济社会发展的重要物质基础，开发利用矿产资源也成为了现代化建设的必然要求。成矿预测是为了提高找矿的成效和预见性而进行的一项综合研究工作，它能够根据工作地区内已有的各种地质矿产和物化探等实际资料，全面分析工作地区内的地质特点和已发现各种矿产的类型、规模及其在时间、空间上与地质构造的关系，阐明其成矿规律，进而预测工作地区内可能发现矿产的有利地段、控制条件，指出需要进一步工作的方向、顺序和内容等，为正在进行的或下一阶段的普查找矿工作提供依据。
目前，地质调查资料处理技术主要集中在前处理和检索查询方面，而地质调查综合资料的深度分析与挖掘是地质调查大数据分析与挖掘面临的重要技术问题。随着大数据技术在全球发展迅猛，掀起了对大数据巨大的研究热潮。在大数据时代，对信息量极大的数据来说，数据分析过程是数据处理的关键性环节。大数据分析处理主要分为两大类。简单分析主要是使用传统关系型数据库的联机分析处理技术和方法，通过使用SQL语句完成各种查询、统计分析；而大数据的深度价值仅通过简单分析是难以发现的，通常需要使用基于机器学习和数据挖掘的智能化复杂分析才能实现。
随着人工智能技术的不断发展，矿产资源矿产预测评价工作也逐步进入新的研究阶段。自深度学习的概念被提出以来，神经网络就被广泛应用于各行各业之中。近年来，利用神经网络进行成矿预测的工作也取得了不小的进展。相较于传统的成矿预测方法，神经网络能够在更短的时间内取得更为精确的效果，然而现有的神经网络矿产资源预测方法广泛存在效率低，无法批量处理数据，神经网络模型针对性差以及预测结果准确率低等缺陷。
发明内容
本发明的目的是提供一种基于神经网络模型的矿产资源预测方法及系统，能够实现预测结果更精确。
为实现上述目的，本发明提供了如下方案：
一种基于神经网络模型的矿产资源预测方法，包括：
对集合有多元地质信息的已知地质图进行裁剪，得到包含有多个采样点的研究区；所述研究区包含每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息；
根据所述地球物理异常信息构建缓冲区；
根据每个所述采样点的位置信息和所述缓冲区的中心线得到每个所述采样点的成矿概率权重值；
根据每个所述采样点的位置信息以及所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系，计算每个所述采样点的成矿概率特征值；
根据所述已知地质图的权重表计算每个所述采样点的数据标签；
构建矩阵数据集；所述矩阵数据集的行数与所述采样点的个数等同，每一行数据对应一个所述采样点包含的所有信息，所述信息包括所述采样点的地球化学元素含量、成矿概率权重值、成矿概率特征值和数据标签；
构建基于全连接层的深度学习回归神经网络模型；
利用所述矩阵数据集对所述神经网络模型进行训练和优化，得到训练和优化后的神经网络模型；所述训练和优化后的神经网络模型的输出为矿产资源靶区；
对待预测地区采集的地质图进行处理，并将处理结果输入所述训练和优化后的神经网络模型，圈定待预测地区的矿产资源靶区。
可选的，所述对集合有多元地质信息的已知地质图进行裁剪，得到包含有多个采样点的研究区，具体包括：
在ArcGIS软件中对收集的四幅集合有多元地质信息的已知地质图进行裁剪，得到包含有1860个采样点的研究区；
利用ArcGIS软件对所述研究区内每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息进行显示；其中，所述位置信息包括经纬度坐标；所述地球化学元素含量包括Cu、Pb、Zn、Ag、Mo、Sn、W、Mn、Ba、As、Sb、Bi、Cd、Au和Hg的含量；所述地球物理异常信息包括金异常、三叠系、F3组合异常、重力500米延拓数据构造线和硅质角砾岩。
可选的，所述根据所述地球物理异常信息构建缓冲区，具体包括：
若所述地球物理异常信息的存储形式为点文件时，则在距离所述研究区中心线的3mm处构建缓冲区；
若所述地球物理异常信息的存储形式为线文件时，则在距离所述研究区中心线的5mm处构建缓冲区。
可选的，所述根据每个所述采样点的位置信息和所述缓冲区的中心线得到每个所述采样点的成矿概率权重值，具体包括：
获取所述缓冲区的中心线位置信息；
根据每个所述采样点的位置信息和所述缓冲区的中心线位置信息，按照公式1/S，计算得到每个所述采样点的成矿概率权重值；其中S为所述采样点和所述中心线之间的垂直距离。
可选的，所述根据每个所述采样点的位置信息以及所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系，计算每个所述采样点的成矿概率特征值，具体包括：
获取所述研究区内三叠系滑石关组以及硅质角砾岩体的区域范围；
确定所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系为1:4；
根据每个所述采样点位于所述区域范围内的情况以及所述线性关系，计算每个所述采样点的成矿概率特征值。
可选的，所述根据所述已知地质图的权重表计算每个所述采样点的数据标签，具体包括：
获取所述已知地质图的权重表；所述权重表为已知地质图中表示各个采样点的权重值的表格；
对所述权重表中各所述采样点的权重值分别按照公式进行非线性运算，计算得到各所述采样点的数据标签；式中，I为所述权重表中各所述采样点的权重值。
为实现上述目的，本发明还提供了如下方案：
一种基于神经网络模型的矿产资源预测系统，包括：
研究区构建模块，用于对集合有多元地质信息的已知地质图进行裁剪，得到包含有多个采样点的研究区；所述研究区包含每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息；
缓冲区构建模块，用于根据所述地球物理异常信息构建缓冲区；
成矿概率权重值计算模块，用于根据每个所述采样点的位置信息和所述缓冲区的中心线得到每个所述采样点的成矿概率权重值；
成矿概率特征值计算模块，用于根据每个所述采样点的位置信息以及所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系，计算每个所述采样点的成矿概率特征值；
数据标签计算模块，用于根据所述已知地质图的权重表计算每个所述采样点的数据标签；
矩阵数据集构建模块，用于构建矩阵数据集；所述矩阵数据集的行数与所述采样点的个数等同，每一行数据对应一个所述采样点包含的所有信息，所述信息包括所述采样点的地球化学元素含量、成矿概率权重值、成矿概率特征值和数据标签；
神经网络模型构建模块，用于构建基于全连接层的深度学习回归神经网络模型；
模型训练优化模块，用于利用所述矩阵数据集对所述神经网络模型进行训练和优化，得到训练和优化后的神经网络模型；所述训练和优化后的神经网络模型的输出为矿产资源靶区；
矿产资源预测模块，用于对待预测地区采集的地质图进行处理，并将处理结果输入所述训练和优化后的神经网络模型，圈定待预测地区的矿产资源靶区。
可选的，所述研究区构建模块，具体包括：
裁剪单元，用于在ArcGIS软件中对收集的四幅集合有多元地质信息的已知地质图进行裁剪，得到包含有1860个采样点的研究区；
采样点信息显示单元，用于利用ArcGIS软件对所述研究区内每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息进行显示；其中，所述位置信息包括经纬度坐标；所述地球化学元素含量包括Cu、Pb、Zn、Ag、Mo、Sn、W、Mn、Ba、As、Sb、Bi、Cd、Au和Hg的含量；所述地球物理异常信息包括金异常、三叠系、F3组合异常、重力500米延拓数据构造线和硅质角砾岩。
可选的，所述缓冲区构建模块，具体包括：
点文件缓冲区构建单元，用于若所述地球物理异常信息的存储形式为点文件时，则在距离所述研究区中心线的3mm处构建缓冲区；
线文件缓冲区构建单元，用于若所述地球物理异常信息的存储形式为线文件时，则在距离所述研究区中心线的5mm处构建缓冲区。
可选的，所述成矿概率权重值计算模块，具体包括：
缓冲区中心线获取单元，用于获取所述缓冲区的中心线位置信息；
成矿概率权重值计算单元，用于根据每个所述采样点的位置信息和所述缓冲区的中心线位置信息，按照公式1/S，计算得到每个所述采样点的成矿概率权重值；其中S为所述采样点和所述中心线之间的垂直距离。
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：本发明公开一种基于神经网络模型的矿产资源预测方法及系统，首次利用集合有多元地质信息的已知地质图的综合地学数据通过神经网络进行成矿预测，通过对集合有多元地质信息的已知地质图进行裁剪，得到包含有多个采样点的研究区；所述研究区包含每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息，并根据每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息构建矩阵数据集，由于所述矩阵数据集的行数与所述采样点的个数等同，每一行数据对应一个所述采样点包含的所有信息，所述信息包括所述采样点的地球化学元素含量、成矿概率权重值、成矿概率特征值和数据标签，从而能够利用此矩阵数据集对基于全连接层的深度学习回归神经网络模型进行训练和优化，得到针对矿产资源进行精确预测的神经网络模型，利用该模型对待预测地区进行矿产资源预测，能够精确圈定矿产资源靶区，实现预测结果更精确。
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为本发明基于神经网络模型的矿产资源预测方法实施例的流程图；
图2为基于全连接层的深度学习回归神经网络模型结构图；
图3为基于神经网络模型的矿产资源预测方法示意图；
图4为本发明基于神经网络模型的矿产资源预测系统实施例的结构图。
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基于神经网络模型的矿产资源预测方法及系统，能够实现预测结果更精确。
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做进一步详细的说明。
图1为本发明基于神经网络模型的矿产资源预测方法实施例的流程图。参见图1，该基于神经网络模型的矿产资源预测方法包括：
步骤101：对集合有多元地质信息的已知地质图进行裁剪，得到包含有多个采样点的研究区；所述研究区包含每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息。
该步骤101具体包括：
在ArcGIS软件中利用简单的GIS裁剪功能，对收集的四幅集合有多元地质信息的已知地质图进行裁剪，得到包含有1860个采样点的研究区。
利用ArcGIS软件对所述研究区内每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息进行显示；其中，所述位置信息包括经纬度坐标；所述地球化学元素含量包括Cu、Pb、Zn、Ag、Mo、Sn、W、Mn、Ba、As、Sb、Bi、Cd、Au和Hg的含量；所述地球物理异常信息包括金异常、三叠系、F3组合异常、重力500米延拓数据构造线和硅质角砾岩。
其中，收集的四幅集合有多元地质信息的已知地质图包含有总计7776件1:5万水系沉积物样品的测量成果，该测量成果就是地球化学元素测试值，即每个采样点的金属元素含量。该实施例中所述研究区是在四幅五万比例尺范围区域基础上裁剪后的区域，裁剪后的研究区包含的化探采样点即为该实施例中的采样点。
步骤102：根据所述地球物理异常信息构建缓冲区。
该步骤102具体包括：
若所述地球物理异常信息的存储形式为点文件时，则在距离所述研究区中心线的3mm处构建缓冲区。
若所述地球物理异常信息的存储形式为线文件时，则在距离所述研究区中心线的5mm处构建缓冲区。
步骤103：根据每个所述采样点的位置信息和所述缓冲区的中心线得到每个所述采样点的成矿概率权重值。
该步骤103具体包括：
获取所述缓冲区的中心线位置信息。
根据每个所述采样点的位置信息和所述缓冲区的中心线位置信息，按照公式1/S，计算得到每个所述采样点的成矿概率权重值；其中S为所述采样点和所述中心线之间的垂直距离。
该实施例中，所述缓冲区的中心线即为异常中心，所述采样点距离异常中心越近，成矿概率越高。
步骤104：根据每个所述采样点的位置信息以及所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系，计算每个所述采样点的成矿概率特征值。
该步骤104具体包括：
获取所述研究区内三叠系滑石关组以及硅质角砾岩体的区域范围。
结合相关资料，确定所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系为1:4。
根据每个所述采样点位于所述区域范围内的情况以及所述线性关系，计算每个所述采样点的成矿概率特征值。例如，若所述采样点在所述区域范围的中心且所述区域范围为硅质角砾岩体的区域范围，则对所述采样点赋最高成矿概率特征值。
在该实施例中，硅质角砾岩体与大桥矿区成矿关联紧密。
步骤105：根据所述已知地质图的权重表计算每个所述采样点的数据标签。
该步骤105具体包括：
获取所述已知地质图的权重表；所述权重表为已知地质图中表示各个采样点的权重值的表格。
对所述权重表中各所述采样点的权重值分别按照公式进行非线性运算，计算得到各所述采样点的数据标签；式中，I为所述权重表中各所述采样点的权重值。
在该实施例中，各所述采样点的数据标签即为各所述采样点的网络模型成矿概率权重值，以各所述采样点的网络模型成矿概率权重值作为回归神经网络的数据标签。数据标签的计算需采取合理的计算方法，使得成矿特征大致与标签特征值相贴近。
步骤106：构建矩阵数据集；所述矩阵数据集的行数与所述采样点的个数等同，每一行数据对应一个所述采样点包含的所有信息，所述信息包括所述采样点的地球化学元素含量、成矿概率权重值、成矿概率特征值和数据标签。
在该实施例中，矩阵数据集为1860×18的矩阵，该矩阵包含1860行、15列地球化学元素含量、1列成矿概率权重值、1列成矿概率特征值以及1列数据标签。矩阵数据集包含地球化学采样点数据1860条，包含了与研究区成矿有关的测试元素。
步骤107：构建基于全连接层的深度学习回归神经网络模型。
图2为基于全连接层的深度学习回归神经网络模型结构图，参见图2，在该实施例中，根据实际需要，通过反复实验优化网络模型，确定基于全连接层的深度学习回归神经网络模型由四层全连接层构成，每一层的维度分别为64，32，16，1，迭代次数确定为200，训练批次数据量为10，学习率设置为0.002，并选择合适的激活函数与损失函数，以此构建基于全连接层的深度学习回归神经网络模型。
首先需要确定合适的激活函数与损失函数。激活函数与损失函数是神经网络中不可或缺的一部分。激活函数能够将非线性特征引入到神经网络中，使其能更好地拟合实际问题。主要目的是将模型中一个节点的输入信号转换成一个输出信号，该输出信号被用作神经网络中下一个层的输入。损失函数是度量神经网络的输出的预测值与实际值之间的差距的一种方式。神经网络通过损失函数度量训练效果，并通过反向传播的方法利用优化算法对神经网络参数进行调节。
激活函数选择ReLU，其表达式为：
f(x)＝max(0,x)
式中，x即为神经网络节点的输入，该实施例中x代表训练数据集，即矩阵数据集中每个采样点的地球化学元素含量、成矿概率权重值、成矿概率特征值和数据标签。
采用RMSProp算法对模型进行优化，其更新参数的方法为：
式中：
Sdw＝βSdw+(1-β)dw2
Sdb＝βSdb+(1-β)db2
为了使分母不为0，令∈＝10-8；dw2和db2指逐个元素进行操作。默认情况下，α＝0.9，β＝0.1。
损失函数选择均方误差(MSE)，定义为：
式中，yi为一个训练批次中第i个数据的标签真值，该实施例中即代表根据已知地质图的权重表中各所述采样点的权重值所计算出的数据标签，而yi'为神经网络给出的预测值。n代表每个训练批次中训练的数据个数，该实施例中为10。
而后预先设定足够大的迭代次数，在经过一定迭代次数的训练后，神经网络的损失曲线会逐步收敛，这是神经网络的特性。因此如果能够确定合适的迭代次数，神经网络模型的训练损失就能够达到合适的低值并且趋于稳定，在该实施例训练数据的基础上，综合考虑模型优化效果以及训练时间等因素，将回归网络模型的迭代次数确定为200次作为实验迭代轮数，再通过几次训练调节迭代次数至训练损失曲线刚好收敛；最后根据损失情况确定模型层数、学习率等超参数。
神经网络的学习率是又一重要的超参数。过大的学习率会使得神经网络在训练时难以找到最佳的训练参数，而过小的学习率则会大大增加迭代次数与训练时间，使训练易发生过拟合。结合上述确定的迭代次数使用训练集进行训练，学习率为0.002时回归网络模型的平均绝对误差最小，网络模型预测效果最佳。
步骤108：利用所述矩阵数据集对所述神经网络模型进行训练和优化，得到训练和优化后的神经网络模型；所述训练和优化后的神经网络模型的输出为矿产资源靶区。
在该实施例中，首先对所述矩阵数据集做标准化处理，并进行归一化操作，尽可能去除不同量纲的影响。随机选取所述矩阵数据集的80％作为训练集，剩下20％作为测试集，训练集与测试集中均包含15列地球化学元素含量、1列成矿概率权重值和1列成矿概率特征值共17列特征数据以及其对应的1列数据标签。
而后将训练集代入所述神经网络模型中，训练集中15列地球化学元素含量、1列成矿概率权重值和1列成矿概率特征值用作训练神经网络，训练集中1列数据标签作为利用损失函数优化模型的依据。
最后，保存训练得到的权值，以便在预测时恢复模型。
利用训练好的深度学习回归神经网络对预测的样本，即测试集进行预测，圈定靶区范围。
步骤109：对待预测地区采集的地质图进行处理，并将处理结果输入所述训练和优化后的神经网络模型，圈定待预测地区的矿产资源靶区。
在该实施例中，对待预测地区采集的地质图进行处理，其处理过程与步骤101、步骤102、步骤103和步骤104对集合有多元地质信息的已知地质图进行处理的过程相同，对待预测地区采集的地质图进行步骤101、步骤102、步骤103和步骤104的处理后，根据步骤101、步骤102、步骤103和步骤104得到的结果构建行数与采样点个数等同的矩阵数据集，矩阵数据集中每一行数据对应一个采样点包含的所有信息，所述信息包括采样点的地球化学元素含量、成矿概率权重值和成矿概率特征值，最终得到的矩阵数据集为1860×17的矩阵，该矩阵包含1860行、15列地球化学元素含量、1列成矿概率权重值和1列成矿概率特征值。即对待预测地区采集的地质图进行处理，得到的处理结果是矩阵数据集为1860×17的矩阵，该矩阵包含1860行、15列地球化学元素含量、1列成矿概率权重值和1列成矿概率特征值，将该处理结果输入到训练和优化后的神经网络模型中，即可圈定出精确的待预测地区的矿产资源靶区。
图3为基于神经网络模型的矿产资源预测方法示意图，参见图3，该基于神经网络模型的矿产资源预测方法简单来说，共包括有数据输入、模型训练和结果预测三大部分，通过结果预测可以圈定出精确的待预测地区的矿产资源靶区。
图4为本发明基于神经网络模型的矿产资源预测系统实施例的结构图。参见图4，该基于神经网络模型的矿产资源预测系统包括：
研究区构建模块401，用于对集合有多元地质信息的已知地质图进行裁剪，得到包含有多个采样点的研究区；所述研究区包含每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息。
该研究区构建模块401具体包括：
裁剪单元，用于在ArcGIS软件中对收集的四幅集合有多元地质信息的已知地质图进行裁剪，得到包含有1860个采样点的研究区。
采样点信息显示单元，用于利用ArcGIS软件对所述研究区内每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息进行显示；其中，所述位置信息包括经纬度坐标；所述地球化学元素含量包括Cu、Pb、Zn、Ag、Mo、Sn、W、Mn、Ba、As、Sb、Bi、Cd、Au和Hg的含量；所述地球物理异常信息包括金异常、三叠系、F3组合异常、重力500米延拓数据构造线和硅质角砾岩。
缓冲区构建模块402，用于根据所述地球物理异常信息构建缓冲区。
该缓冲区构建模块402具体包括：
点文件缓冲区构建单元，用于若所述地球物理异常信息的存储形式为点文件时，则在距离所述研究区中心线的3mm处构建缓冲区。
线文件缓冲区构建单元，用于若所述地球物理异常信息的存储形式为线文件时，则在距离所述研究区中心线的5mm处构建缓冲区。
成矿概率权重值计算模块403，用于根据每个所述采样点的位置信息和所述缓冲区的中心线得到每个所述采样点的成矿概率权重值。
该成矿概率权重值计算模块403具体包括：
缓冲区中心线获取单元，用于获取所述缓冲区的中心线位置信息。
成矿概率权重值计算单元，用于根据每个所述采样点的位置信息和所述缓冲区的中心线位置信息，按照公式1/S，计算得到每个所述采样点的成矿概率权重值；其中S为所述采样点和所述中心线之间的垂直距离。
成矿概率特征值计算模块404，用于根据每个所述采样点的位置信息以及所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系，计算每个所述采样点的成矿概率特征值。
该成矿概率特征值计算模块404具体包括：
区域范围获取单元，用于获取所述研究区内三叠系滑石关组以及硅质角砾岩体的区域范围。
线性关系确定单元，用于确定所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系为1:4。
成矿概率特征值计算单元，用于根据每个所述采样点位于所述区域范围内的情况以及所述线性关系，计算每个所述采样点的成矿概率特征值。
数据标签计算模块405，用于根据所述已知地质图的权重表计算每个所述采样点的数据标签。
该数据标签计算模块405具体包括：
权重表获取单元，用于获取所述已知地质图的权重表；所述权重表为已知地质图中表示各个采样点的权重值的表格。
数据标签计算单元，用于对所述权重表中各所述采样点的权重值分别按照公式进行非线性运算，计算得到各所述采样点的数据标签；式中，I为所述权重表中各所述采样点的权重值。
矩阵数据集构建模块406，用于构建矩阵数据集；所述矩阵数据集的行数与所述采样点的个数等同，每一行数据对应一个所述采样点包含的所有信息，所述信息包括所述采样点的地球化学元素含量、成矿概率权重值、成矿概率特征值和数据标签。
神经网络模型构建模块407，用于构建基于全连接层的深度学习回归神经网络模型。
模型训练优化模块408，用于利用所述矩阵数据集对所述神经网络模型进行训练和优化，得到训练和优化后的神经网络模型；所述训练和优化后的神经网络模型的输出为矿产资源靶区。
矿产资源预测模块409，用于对待预测地区采集的地质图进行处理，并将处理结果输入所述训练和优化后的神经网络模型，圈定待预测地区的矿产资源靶区。
本发明公开的基于神经网络模型的矿产资源预测方法，首次在五万比例尺的综合地学数据通过神经网络进行成矿预测，针对现有技术的效率低，无法批量处理数据等缺陷，通过优化网络结构，快速高效的提出数据特征进而达到预测的目的。本发明提供了一种将传统方法、现有的海量地质数据以及大量已有的研究成果与深度学习网络模型相结合的方案，从而构造出一种效率高、可批量化处理数据的、充分发挥深度学习的时效性、智能性，弱化人为因素的干扰性的矿产资源预测评价方法。与现有的矿产资源预测评价方法相比，该方法具有智能化、批量化和自动化的优点，可以在预测精度与传统方法相差不大的基础上显著提高成矿预测的效率，并且预测区域不受地理条件的影响，极大程度上节约了成本。
与现有技术相比，本发明公开的基于神经网络模型的矿产资源预测方法，其有益效果包括如下几点：
(1)通过设计深度学习分类模型和回归模型，利用网络模型中神经元连接的权值和偏置构建成矿要素和成矿结果之间的非线性关系。模型具有较强的拟合能力，可以充分学习专家的先验知识，弱化成矿预测各要素条件独立性约束条件。模型具有一定的泛化能力，创新性地将人工智能方法引入成矿预测中，实现智能化找矿。
(2)构建找矿预测模型数据训练样本库阶段，在充分考虑已有研究成果以及地质专家知识的前提下，通过合理量化各找矿预测要素来构建模型训练样本库，进而圈定找矿预测靶区，创新了量化找矿预测要素的智能建模方法，不同于传统证据权法条件独立性的约束，更能合理解释地质成矿的复杂性特征。
(3)人工神经网络特有的非线性适应性信息处理能力，已经在神经专家系统，模式识别，智能控制，组合优化，预测等领域得到了成功的应用，在大比例尺区域找矿预测领域研究较少，通过本发明的试验对比得出该方法在找矿预测领域较好的可靠性。
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，相关之处参见系统部分说明即可。
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)
1.一种基于神经网络模型的矿产资源预测方法，其特征在于，包括：
对集合有多元地质信息的已知地质图进行裁剪，得到包含有多个采样点的研究区；所述研究区包含每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息；
根据所述地球物理异常信息构建缓冲区；
根据每个所述采样点的位置信息和所述缓冲区的中心线得到每个所述采样点的成矿概率权重值；
根据每个所述采样点的位置信息以及所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系，计算每个所述采样点的成矿概率特征值；
根据所述已知地质图的权重表计算每个所述采样点的数据标签；
构建矩阵数据集；所述矩阵数据集的行数与所述采样点的个数等同，每一行数据对应一个所述采样点包含的所有信息，所述信息包括所述采样点的地球化学元素含量、成矿概率权重值、成矿概率特征值和数据标签；
构建基于全连接层的深度学习回归神经网络模型；
利用所述矩阵数据集对所述神经网络模型进行训练和优化，得到训练和优化后的神经网络模型；所述训练和优化后的神经网络模型的输出为矿产资源靶区；
对待预测地区采集的地质图进行处理，并将处理结果输入所述训练和优化后的神经网络模型，圈定待预测地区的矿产资源靶区。
2.根据权利要求1所述的基于神经网络模型的矿产资源预测方法，其特征在于，所述对集合有多元地质信息的已知地质图进行裁剪，得到包含有多个采样点的研究区，具体包括：
在ArcGIS软件中对收集的四幅集合有多元地质信息的已知地质图进行裁剪，得到包含有1860个采样点的研究区；
利用ArcGIS软件对所述研究区内每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息进行显示；其中，所述位置信息包括经纬度坐标；所述地球化学元素含量包括Cu、Pb、Zn、Ag、Mo、Sn、W、Mn、Ba、As、Sb、Bi、Cd、Au和Hg的含量；所述地球物理异常信息包括金异常、三叠系、F3组合异常、重力500米延拓数据构造线和硅质角砾岩。
3.根据权利要求1所述的基于神经网络模型的矿产资源预测方法，其特征在于，所述根据所述地球物理异常信息构建缓冲区，具体包括：
若所述地球物理异常信息的存储形式为点文件时，则在距离所述研究区中心线的3mm处构建缓冲区；
若所述地球物理异常信息的存储形式为线文件时，则在距离所述研究区中心线的5mm处构建缓冲区。
4.根据权利要求1所述的基于神经网络模型的矿产资源预测方法，其特征在于，所述根据每个所述采样点的位置信息和所述缓冲区的中心线得到每个所述采样点的成矿概率权重值，具体包括：
获取所述缓冲区的中心线位置信息；
根据每个所述采样点的位置信息和所述缓冲区的中心线位置信息，按照公式1/S，计算得到每个所述采样点的成矿概率权重值；其中S为所述采样点和所述中心线之间的垂直距离。
5.根据权利要求1所述的基于神经网络模型的矿产资源预测方法，其特征在于，所述根据每个所述采样点的位置信息以及所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系，计算每个所述采样点的成矿概率特征值，具体包括：
获取所述研究区内三叠系滑石关组以及硅质角砾岩体的区域范围；
确定所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系为1:4；
根据每个所述采样点位于所述区域范围内的情况以及所述线性关系，计算每个所述采样点的成矿概率特征值。
6.根据权利要求1所述的基于神经网络模型的矿产资源预测方法，其特征在于，所述根据所述已知地质图的权重表计算每个所述采样点的数据标签，具体包括：
获取所述已知地质图的权重表；所述权重表为已知地质图中表示各个采样点的权重值的表格；
对所述权重表中各所述采样点的权重值分别按照公式进行非线性运算，计算得到各所述采样点的数据标签；式中，I为所述权重表中各所述采样点的权重值。
7.一种基于神经网络模型的矿产资源预测系统，其特征在于，包括：
研究区构建模块，用于对集合有多元地质信息的已知地质图进行裁剪，得到包含有多个采样点的研究区；所述研究区包含每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息；
缓冲区构建模块，用于根据所述地球物理异常信息构建缓冲区；
成矿概率权重值计算模块，用于根据每个所述采样点的位置信息和所述缓冲区的中心线得到每个所述采样点的成矿概率权重值；
成矿概率特征值计算模块，用于根据每个所述采样点的位置信息以及所述研究区内三叠系滑石关组与硅质角砾岩体重要性的线性关系，计算每个所述采样点的成矿概率特征值；
数据标签计算模块，用于根据所述已知地质图的权重表计算每个所述采样点的数据标签；
矩阵数据集构建模块，用于构建矩阵数据集；所述矩阵数据集的行数与所述采样点的个数等同，每一行数据对应一个所述采样点包含的所有信息，所述信息包括所述采样点的地球化学元素含量、成矿概率权重值、成矿概率特征值和数据标签；
神经网络模型构建模块，用于构建基于全连接层的深度学习回归神经网络模型；
模型训练优化模块，用于利用所述矩阵数据集对所述神经网络模型进行训练和优化，得到训练和优化后的神经网络模型；所述训练和优化后的神经网络模型的输出为矿产资源靶区；
矿产资源预测模块，用于对待预测地区采集的地质图进行处理，并将处理结果输入所述训练和优化后的神经网络模型，圈定待预测地区的矿产资源靶区。
8.根据权利要求7所述的基于神经网络模型的矿产资源预测系统，其特征在于，所述研究区构建模块，具体包括：
裁剪单元，用于在ArcGIS软件中对收集的四幅集合有多元地质信息的已知地质图进行裁剪，得到包含有1860个采样点的研究区；
采样点信息显示单元，用于利用ArcGIS软件对所述研究区内每个所述采样点的位置信息、地球化学元素含量和地球物理异常信息进行显示；其中，所述位置信息包括经纬度坐标；所述地球化学元素含量包括Cu、Pb、Zn、Ag、Mo、Sn、W、Mn、Ba、As、Sb、Bi、Cd、Au和Hg的含量；所述地球物理异常信息包括金异常、三叠系、F3组合异常、重力500米延拓数据构造线和硅质角砾岩。
9.根据权利要求7所述的基于神经网络模型的矿产资源预测系统，其特征在于，所述缓冲区构建模块，具体包括：
点文件缓冲区构建单元，用于若所述地球物理异常信息的存储形式为点文件时，则在距离所述研究区中心线的3mm处构建缓冲区；
线文件缓冲区构建单元，用于若所述地球物理异常信息的存储形式为线文件时，则在距离所述研究区中心线的5mm处构建缓冲区。
10.根据权利要求7所述的基于神经网络模型的矿产资源预测系统，其特征在于，所述成矿概率权重值计算模块，具体包括：
缓冲区中心线获取单元，用于获取所述缓冲区的中心线位置信息；
成矿概率权重值计算单元，用于根据每个所述采样点的位置信息和所述缓冲区的中心线位置信息，按照公式1/S，计算得到每个所述采样点的成矿概率权重值；其中S为所述采样点和所述中心线之间的垂直距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910710734.1A CN110442666B (zh) | 2019-08-02 | 2019-08-02 | 一种基于神经网络模型的矿产资源预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910710734.1A CN110442666B (zh) | 2019-08-02 | 2019-08-02 | 一种基于神经网络模型的矿产资源预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110442666A true CN110442666A (zh) | 2019-11-12 |
| CN110442666B CN110442666B (zh) | 2021-08-24 |
Family
ID=68432908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910710734.1A Active CN110442666B (zh) | 2019-08-02 | 2019-08-02 | 一种基于神经网络模型的矿产资源预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110442666B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859811A (zh) * | 2020-07-30 | 2020-10-30 | 中国地质科学院矿产资源研究所 | 一种基于模糊逻辑和机器学习的成矿预测方法及系统 |
| CN111860983A (zh) * | 2020-07-06 | 2020-10-30 | 中国煤炭地质总局勘查研究总院 | 煤中伴生金属资源量估算方法 |
| CN112288243A (zh) * | 2020-10-19 | 2021-01-29 | 中国煤炭地质总局勘查研究总院 | 一种煤中伴生金属资源评价方法及装置 |
| CN113191076A (zh) * | 2021-04-25 | 2021-07-30 | 中国地质大学（武汉） | 一种基于成矿规律构建深度学习损失函数的方法 |
| CN113323662A (zh) * | 2021-06-11 | 2021-08-31 | 山东省地矿工程勘察院 | 一种潜在矿区的矿产资源分析系统 |
| CN113326784A (zh) * | 2021-06-01 | 2021-08-31 | 中国石油天然气集团有限公司 | 一种矿产资源的检测方法、系统及设备 |
| CN113627657A (zh) * | 2021-07-23 | 2021-11-09 | 核工业北京地质研究院 | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 |
| CN114154627A (zh) * | 2022-02-10 | 2022-03-08 | 山东省地质矿产勘查开发局第七地质大队（山东省第七地质矿产勘查院） | 一种基于gis与双层神经网络的土壤剖面测量方法及设备 |
| CN115907151A (zh) * | 2022-11-21 | 2023-04-04 | 自然资源陕西省卫星应用技术中心 | 一种基于地质大数据的智能成矿预测方法 |
| CN117238405A (zh) * | 2023-09-20 | 2023-12-15 | 昆明理工大学 | 一种基于深度学习的地球化学数据分析方法和装置 |
| CN117313550A (zh) * | 2023-11-25 | 2023-12-29 | 核工业北京地质研究院 | 基于模型的铀资源潜力预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706589A (zh) * | 2009-12-07 | 2010-05-12 | 中国科学院新疆生态与地理研究所 | 基于地理元组的矿集区定量预测方法 |
| CN105678399A (zh) * | 2015-12-29 | 2016-06-15 | 中国地质科学院矿产资源研究所 | 一种区域矿产资源量估算分析方法及其系统 |
| US20170083820A1 (en) * | 2015-09-21 | 2017-03-23 | International Business Machines Corporation | Posterior probabilistic model for bucketing records |
| CN109711597A (zh) * | 2018-11-14 | 2019-05-03 | 东莞理工学院 | 一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法 |
-
2019
- 2019-08-02 CN CN201910710734.1A patent/CN110442666B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706589A (zh) * | 2009-12-07 | 2010-05-12 | 中国科学院新疆生态与地理研究所 | 基于地理元组的矿集区定量预测方法 |
| US20170083820A1 (en) * | 2015-09-21 | 2017-03-23 | International Business Machines Corporation | Posterior probabilistic model for bucketing records |
| CN105678399A (zh) * | 2015-12-29 | 2016-06-15 | 中国地质科学院矿产资源研究所 | 一种区域矿产资源量估算分析方法及其系统 |
| CN109711597A (zh) * | 2018-11-14 | 2019-05-03 | 东莞理工学院 | 一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| EMILSON PEREIRA LEITE ET AL.: "Artificial Neural Networks Applied to Mineral Potential Mapping for Copper-Gold Mineralizations in the Carajás Mineral Province, Brazil", 《GEOPHYSICAL PROSPECTING》 * |
| 吴永亮等: "基于大数据智能的找矿模型构建与预测", 《中国矿业》 * |
| 聂虹等: "数据驱动下的矿产预测模型构建方法研究", 《中国矿业》 * |
| 蔡惠慧等: "基于深度学习的钨钼找矿靶区预测方法研究", 《地球信息科学》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860983A (zh) * | 2020-07-06 | 2020-10-30 | 中国煤炭地质总局勘查研究总院 | 煤中伴生金属资源量估算方法 |
| CN111859811A (zh) * | 2020-07-30 | 2020-10-30 | 中国地质科学院矿产资源研究所 | 一种基于模糊逻辑和机器学习的成矿预测方法及系统 |
| CN112288243A (zh) * | 2020-10-19 | 2021-01-29 | 中国煤炭地质总局勘查研究总院 | 一种煤中伴生金属资源评价方法及装置 |
| CN113191076A (zh) * | 2021-04-25 | 2021-07-30 | 中国地质大学（武汉） | 一种基于成矿规律构建深度学习损失函数的方法 |
| CN113326784A (zh) * | 2021-06-01 | 2021-08-31 | 中国石油天然气集团有限公司 | 一种矿产资源的检测方法、系统及设备 |
| CN113323662A (zh) * | 2021-06-11 | 2021-08-31 | 山东省地矿工程勘察院 | 一种潜在矿区的矿产资源分析系统 |
| CN113627657A (zh) * | 2021-07-23 | 2021-11-09 | 核工业北京地质研究院 | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 |
| CN114154627A (zh) * | 2022-02-10 | 2022-03-08 | 山东省地质矿产勘查开发局第七地质大队（山东省第七地质矿产勘查院） | 一种基于gis与双层神经网络的土壤剖面测量方法及设备 |
| CN114154627B (zh) * | 2022-02-10 | 2022-05-20 | 山东省地质矿产勘查开发局第七地质大队（山东省第七地质矿产勘查院） | 一种基于gis与双层神经网络的土壤剖面测量方法及设备 |
| CN115907151A (zh) * | 2022-11-21 | 2023-04-04 | 自然资源陕西省卫星应用技术中心 | 一种基于地质大数据的智能成矿预测方法 |
| CN117238405A (zh) * | 2023-09-20 | 2023-12-15 | 昆明理工大学 | 一种基于深度学习的地球化学数据分析方法和装置 |
| CN117238405B (zh) * | 2023-09-20 | 2024-05-31 | 昆明理工大学 | 一种基于深度学习的地球化学数据分析方法和装置 |
| CN117313550A (zh) * | 2023-11-25 | 2023-12-29 | 核工业北京地质研究院 | 基于模型的铀资源潜力预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110442666B (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110442666A (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
| Ouenes | Practical application of fuzzy logic and neural networks to fractured reservoir characterization | |
| CN113488117B (zh) | 一种具有深度学习能力的深部金矿床成矿找矿方法 | |
| CN106526693A (zh) | 裂缝识别方法和装置 | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| CN104677734A (zh) | 一种多尺度信息融合的致密地层脆性指数测量方法 | |
| CN102759748A (zh) | 基于目标分析的交汇分析地震储层预测方法 | |
| CN115879648A (zh) | 一种基于机器学习的三元深部成矿预测方法及系统 | |
| Mahjour et al. | Developing a workflow to represent fractured carbonate reservoirs for simulation models under uncertainties based on flow unit concept | |
| CN105986819B (zh) | 用于测井资料自动处理与综合解释的方法和装置 | |
| CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
| CN106033127B (zh) | 基于横波速度变化率的地应力方位地震预测方法 | |
| Zhang | Exploration on coal mining-induced rockburst prediction using Internet of things and deep neural network | |
| CN111273372B (zh) | 一种基于化探异常编制潜在成矿温度组合图的编图方法 | |
| CN109656906A (zh) | 一种基于大数据的勘查资料的处理方法 | |
| Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
| Chatterjee et al. | Ore grade estimation of a limestone deposit in India using an artificial neural network | |
| CN1187626C (zh) | 多元素优化集合控制找矿勘查方法 | |
| CN106501851A (zh) | 一种地震属性优化方法及装置 | |
| Rabeau et al. | Log-uniform distribution of gold deposits along major Archean fault zones | |
| CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
| CN106568918A (zh) | 页岩有机碳含量toc预测方法 | |
| CN115046516A (zh) | 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法 | |
| CN116068663A (zh) | 基于磁震联合低频建模的火成岩波阻抗反演方法 | |
| CN115880455A (zh) | 基于深度学习的三维智能插值方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230711 Address after: 100055 No.55, Honglian South Road, Xicheng District, Beijing Patentee after: Command center of natural resources comprehensive survey of China Geological Survey Address before: Courtyard 45, Fuwai Street, Xicheng District, Beijing 100037 Patentee before: DEVELOPMENT & RESEARCH CENTER OF CHINA GEOLOGICAL SURVEY BUREAU |
|
| TR01 | Transfer of patent right |