CN110596351A - 一种基于网格搜索与Monte Carlo模型的定量黄土不同物源相对贡献率的方法 - Google Patents
一种基于网格搜索与Monte Carlo模型的定量黄土不同物源相对贡献率的方法 Download PDFInfo
- Publication number
- CN110596351A CN110596351A CN201910930089.4A CN201910930089A CN110596351A CN 110596351 A CN110596351 A CN 110596351A CN 201910930089 A CN201910930089 A CN 201910930089A CN 110596351 A CN110596351 A CN 110596351A
- Authority
- CN
- China
- Prior art keywords
- loess
- source
- err
- sample
- potential
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于网格搜索技术与Monte Carlo模型的定量黄土多物源组成贡献率大小的方法,首先,读取黄土以及潜在物源区样品的地球化学元素含量数据;接着,构建基于最小误差分析的目标函数及其约束条件;然后,借助Monte Carlo模型与网格搜索技术实现黄土中来源于各潜在物源区粉尘相对比重的定量计算。本发明通过引入Monte Carlo模型,使在仅知黄土与潜在物源区样品地球化学元素含量的情况下便可实现对各物源对黄土组成贡献的相对比重定量。再借助网格搜索技术,通过在全域空间的有效搜索与采样,从而保证了定量结果的精度。
Description
技术领域
本发明属地球科学第四纪地质学风成沉积物源分析领域。具体来讲是通过MonteCarlo模型与网格搜索技术的利用,以实现黄土中来源于近源与远源的各组分含量的有效定量分析。以此,使在黄土与古气候研究中,以准确解析古环境代用指标蕴含的物源、古气候、矿物成分等方面的意义,及为各物源区的面积、沙丘活动性等方面的探讨提供参考。同时,黄土的物源研究也有助于更好的阐明和理解亚洲古粉尘的演化历史。
背景技术
中国境内黄土分布面积广阔,厚度巨大,蕴含着丰富多样的环境变迁信息。近几十年来,中国的黄土研究取得了丰硕的成果。然而,越来越多的研究表明,黄土的物质来源比较复杂,且对各地区黄土的物源区一直存在着争议。如研究表明,青藏高原、阿拉善高原、塔克拉玛干沙漠等都有可能是黄土高原黄土的物源;而研究也表明,除中亚内陆沙漠外,近源的河流沉积物也是中亚黄土的物源之一。与此同时,难以通过一个测定的指标或构建模型来判定黄土中各物源区的比例,各潜在物源区对黄土的各自贡献的定量化研究也较缺乏。对黄土物源的不同认识,将会影响到黄土蕴含的古环境信息提取、古环境代用指标的解译。而对黄土各组成部分进行准确的定量化分析则有助于解决以上问题。因此,随着黄土沉积记录分析的深入,黄土的物质来源研究成为领域内关注的热点,也成为亟待解决的重大科学问题。
在黄土物源的探讨中,使用到的常规方法包括粒度敏感组分、重矿物、锆石年龄谱、矿物表面形态、示踪矿物或元素含量分析等。如通过对粒度、稀土元素的分析,得出伊犁黄土的主要组成部分来源于近源的河流相沉积物;通过对主量元素的含量、比值、三角图等各方面的研究表明,黄土高原黄土主要来源于西部沙漠与中西部沙漠。上述方法通常是从黄土的物理组成或超微量元素进行分析的。然而,黄土的形成、搬运和堆积是一个受控因素众多、复杂多变的过程,整个过程使地球化学元素和矿物组分、矿物磨圆度等发生了分选、混杂、再分选、再混杂等变化。黄土的主量元素具有一定的物源追溯意义,前人的研究也反映了其值得深入研究。从黄土主量元素角度进行分析,有利于从动态的角度把握黄土的物源组成和变化。
发明内容
为克服现有方法存在的不足,本发明提供了一种基于网格搜索技术与MonteCarlo模型的定量黄土各潜在物源贡献率大小的方法,基于所测定待分析区域黄土、可能物源区(山麓冲洪积物、河流沉积物、沙漠砂、基岩等)的地球化学元素含量数据,首先构建基于最小误差分析的目标函数,接着利用Monte Carlo模型实施有效解的采样,并通过目标函数对解质量进行评价与更新,然后借助网格搜索技术在解空间内进行有效搜索,使获取所构建目标函数的优质解。
本发明利用Monte Carlo模型并结合网格搜索技术,通过在解空间中对样本实施有效的搜索与评价,使实现对各物源组分的有效定量。根据该定量结果,有助于研究人员准确定量分析黄土各潜在物源贡献的相对比重,从而促进黄土古气候研究的深入发展。
本发明采用的技术方案是:
一种基于网格搜索技术与Monte Carlo模型的定量黄土多物源组成贡献率大小的方法,所述方法包括以下步骤:
步骤1:读取黄土以及潜在物源区沉积物样品所测的地球化学元素含量数据,过程如下:
1.1)提取黄土与潜在物源区沉积物样品所测定的地球化学元素个数n_ele;
1.2)分别提取黄土、所有m个潜在物源区沉积物的样品个数nl,ns1, ns2,…,nsm;
步骤2:构建基于最小误差分析的目标函数及其约束条件,过程如下:
2.1)构建基于误差的目标函数,其目标是使得黄土样品中的元素含量wl与各潜在物源区样品中相对应元素含量ws的误差err最小;
2.2)构建相对应目标函数的约束条件,其约束是使得误差函数值 err及各物源相对比重p不小于0,且所有m个可能物源区相对贡献比重的和不大于1,从而确保了各潜在物源对黄土组成贡献的相对比重的有效取值,其中黄土中第i个样品的第h个潜在物源的相对贡献比重记为pih且初始化为0,i=1,2,…,nl且h=1,2,…,m;
步骤3:计算黄土中第i个样品中所有潜在物源对黄土组分的相对比重,过程如下:
3.1)统一黄土以及各物源区样品所有元素含量的单位,并初始化相关变量,如搜索步长stp与最小误差min_err,黄土中第i个样品的第h个物源的最优相对比重ppih=0与平均最优相对比重ave_ppih=0 以及计算次数N,i=1,2,…,nl且h=1,2,…,m;循环变量i=1,g= 1与j=1;
3.2)若i>nl,则转至3.13);否则,转至3.3);
3.3)若g>N,则转到3.12);否则,执行t=1且转至3.4);
3.4)提取黄土中第i个样品的第j个元素,并基于Monte Carlo模型提取第h个物源的第k个样品,h=1,2,…,m且k∈{1,2,…,nsk};
3.5)基于步骤2所述的目标函数与约束条件,构建式(1)与式 (2)所示的表达式,其中errj指针对第j个元素的含量误差,wlij指黄土第i个样品的j个元素的含量,wsh-kj指第h个物源第k个样品的第j个元素的含量,j=1,2,…,n_ele;
3.6)执行式(1)与式(2),并利用式(3)计算err;
3.7)若err<min_err,执行min_err=err与ppih=pih,h=1,2,…, m;
3.8)若t>m,则转至3.11);否则,转至3.9);
3.9)若pt>1,则执行t=t+1并转至3.8);否则,转至3.10);
3.10)执行式(4),并转至3.4);
pit=pit+stp (4)
3.11)执行式(5)(t=1,2,…,m)与g=g+1,并转至3.3);
ave_ppit=ave_ppit+ppit/N (5)
3.12)执行i=i+1,并转至3.2);
3.13)输出ave_ppit,i=1,2,…,nl且t=1,2,…,m。
本发明的技术构思为:首先,读取黄土以及潜在物源区样品的地球化学元素含量数据;接着,构建基于最小误差分析的目标函数及其约束条件;然后,借助Monte Carlo模型与网格搜索技术实现黄土中来源于各潜在物源区粉尘相对比重的定量计算。
本发明的有益效果主要表现在:通过引入Monte Carlo模型,使在仅知黄土与潜在物源区样品地球化学元素含量的情况下便可实现对各物源对黄土组成贡献的相对比重定量。再借助网格搜索技术,通过在全域空间的有效搜索与采样,从而保证了定量结果的精度。
附图说明
图1是一种基于网格搜索技术与Monte Carlo模型的定量黄土物源组分比重方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1,一种基于网格搜索与Monte Carlo模型的定量黄土不同物源相对贡献率的方法,包括以下步骤:
步骤1:读取黄土以及潜在物源区样品的地球化学元素含量数据,过程如下:
1.1)提取黄土与潜在物源区沉积物样品所测定的地球化学元素个数n_ele;
1.2)分别提取黄土、所有m个潜在物源区沉积物的样品个数nl,ns1, ns2,…,nsm;
步骤2:构建基于最小误差分析的目标函数及其约束条件,过程如下:
2.1)构建基于误差的目标函数,其目标是使得黄土元素含量wl 与各物源区样品相对应元素含量ws的误差err最小;
2.2)构建相对应目标函数的约束条件,其约束是使得误差函数值 err及各可能物源对黄土组成贡献的相对比重p不小于0,且所有m个可能物源对黄土组成贡献的相对比重的和不大于1,从而确保了黄土中各物源比重的有效取值。其中黄土中第i个样品的第h个物源相对比重记为pih且初始化为0,i=1,2,…,nl且h=1,2,…,m。
步骤3:计算黄土中第i个样品中所有可能物源的相对比重,过程如下:
3.1)统一黄土以及各可能物源所有元素含量的单位,并初始化相关变量,如搜索步长stp与最小误差min_err,黄土中第i个样品的第 h个物源的最优相对比重ppih=0与平均最优相对比重ave_ppih=0以及计算次数N,i=1,2,…,nl且h=1,2,…,m;循环变量i=1,g=1 与j=1;
3.2)若i>nl,则转至3.13);否则,转至3.3);
3.3)若g>N,则转到3.12);否则,执行t=1且转至3.4);
3.4)提取黄土中第i个样品的第j个元素,并基于Monte Carlo模型提取第h个物源的第k个样品,h=1,2,…,m且k∈{1,2,…,nsk};
3.5)基于步骤2所述的目标函数与约束条件,构建式(1)与式 (2)所示的表达式,其中errj指针对第j个元素含量的误差,wlij指黄土第i个样品的j个元素的含量,wsh-kj指第h个物源第k个样品的第j个元素的含量,j=1,2,…,n_ele;
3.6)执行式(1)与式(2),并利用式(3)计算err;
3.7)若err<min_err,执行min_err=err与ppih=pih,h=1,2,…, m;
3.8)若t>m,则转至3.11);否则,转至3.9);
3.9)若pt>1,则执行t=t+1并转至3.8);否则,转至3.10);
3.10)执行式(4),并转至3.4);
pit=pit+stp (4)
3.11)执行式(5)(t=1,2,…,m)与g=g+1,并转至3.3);
ave_ppit=ave_ppit+ppit/N (5)
3.12)执行i=i+1,并转至3.2);
3.13)输出ave_ppit,i=1,2,…,nl且t=1,2,…,m。
本实施借助Monte Carlo模型与网格搜索技术,有效实现了黄土各物源对黄土组成的贡献率的定量。除有助于研究黄土古气候外,各物源对黄土组成贡献的相对比重又与物源区相关,从而能进一步解释黄土物源区的变化。相比传统的定性分析,该方法不仅具备高精度的特点,且所得结果直观可信;在所获取信息有限的情况下还可实现对大规模定量问题的有效求解,使有助于研究人员更准确地对古环境进行定量重建。该方法也能运用于其他类型沉积物物源的分析,也能运用于花粉源的分析等。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种基于网格搜索技术与Monte Carlo模型的定量黄土多物源组成贡献率大小的方法,其特征在于,所述方法包括以下步骤:
步骤1:读取黄土以及潜在物源区沉积物样品所测的地球化学元素含量数据,过程如下:
1.1)提取黄土与潜在物源区沉积物样品所测定的地球化学元素个数n_ele;
1.2)分别提取黄土、所有m个潜在物源区沉积物的样品个数nl,ns1,ns2,…,nsm;
步骤2:构建基于最小误差分析的目标函数及其约束条件,过程如下:
2.1)构建基于误差的目标函数,其目标是使得黄土样品中的元素含量wl与各潜在物源区样品中相对应元素含量ws的误差err最小;
2.2)构建相对应目标函数的约束条件,其约束是使得误差函数值err及各物源相对比重p不小于0,且所有m个可能物源区相对贡献比重的和不大于1,从而确保了各潜在物源对黄土组成贡献的相对比重的有效取值,其中黄土中第i个样品的第h个潜在物源的相对贡献比重记为pih且初始化为0,i=1,2,…,nl且h=1,2,…,m;
步骤3:计算黄土中第i个样品中所有潜在物源对黄土组分的相对比重,过程如下:
3.1)统一黄土以及各物源区样品所有元素含量的单位,并初始化相关变量,如搜索步长stp与最小误差min_err,黄土中第i个样品的第h个物源的最优相对比重ppih=0与平均最优相对比重ave_ppih=0以及计算次数N,i=1,2,…,nl且h=1,2,…,m;循环变量i=1,g=1与j=1;
3.2)若i>nl,则转至3.13);否则,转至3.3);
3.3)若g>N,则转到3.12);否则,执行t=1且转至3.4);
3.4)提取黄土中第i个样品的第j个元素,并基于Monte Carlo模型提取第h个物源的第k个样品,h=1,2,…,m且k∈{1,2,…,nsk};
3.5)基于步骤2所述的目标函数与约束条件,构建式(1)与式(2)所示的表达式,其中errj指针对第j个元素的含量误差,wlij指黄土第i个样品的j个元素的含量,wsh-kj指第h个物源第k个样品的第j个元素的含量,j=1,2,…,n_ele;
3.6)执行式(1)与式(2),并利用式(3)计算err;
3.7)若err<min_err,执行min_err=err与ppih=pih,h=1,2,…,m;
3.8)若t>m,则转至3.11);否则,转至3.9);
3.9)若pt>1,则执行t=t+1并转至3.8);否则,转至3.10);
3.10)执行式(4),并转至3.4);
pit=pit+stp (4)
3.11)执行式(5)(t=1,2,…,m)与g=g+1,并转至3.3);
ave_ppit=ave_ppit+ppit/N (5)
3.12)执行i=i+1,并转至3.2);
3.13)输出ave_ppit,i=1,2,…,nl且t=1,2,…,m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910930089.4A CN110596351B (zh) | 2019-09-29 | 2019-09-29 | 一种基于网格搜索与Monte Carlo模型的定量黄土不同物源相对贡献率的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910930089.4A CN110596351B (zh) | 2019-09-29 | 2019-09-29 | 一种基于网格搜索与Monte Carlo模型的定量黄土不同物源相对贡献率的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110596351A true CN110596351A (zh) | 2019-12-20 |
CN110596351B CN110596351B (zh) | 2021-11-30 |
Family
ID=68864551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910930089.4A Active CN110596351B (zh) | 2019-09-29 | 2019-09-29 | 一种基于网格搜索与Monte Carlo模型的定量黄土不同物源相对贡献率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596351B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1206837A (zh) * | 1997-03-04 | 1999-02-03 | 安娜钻机国际有限公司 | 测定地球岩层密度的方法 |
WO2003093815A1 (en) * | 2002-05-01 | 2003-11-13 | Exxonmobil Upstream Research Company | Chemical structural and compositional yields model for predicting hydrocarbon thermolysis products |
US20080059140A1 (en) * | 2006-08-04 | 2008-03-06 | Elodie Salmon | Method of quantifying hydrocarbon formation and retention in a mother rock |
CN101701954A (zh) * | 2009-10-26 | 2010-05-05 | 西安石油大学 | 一种基于构造热演化历史判别碎屑岩形成时代的方法 |
CN103810537A (zh) * | 2014-02-12 | 2014-05-21 | 南京大学 | 一种基于水质模型的区域环境风险评估方法 |
CN105844301A (zh) * | 2016-04-05 | 2016-08-10 | 北华航天工业学院 | 基于贝叶斯源识别的土壤中重金属污染源解析方法 |
CN107067333A (zh) * | 2017-01-16 | 2017-08-18 | 长沙矿山研究院有限责任公司 | 一种高寒高海拔高陡边坡稳定性监控方法 |
CN107067075A (zh) * | 2016-10-11 | 2017-08-18 | 河南大学 | 一种基于人工蜂群算法的城市土地生态安全空间探测模型 |
CN108960680A (zh) * | 2018-07-27 | 2018-12-07 | 中国地质科学院探矿工艺研究所 | 一种泥石流松散物源活跃性判定方法 |
-
2019
- 2019-09-29 CN CN201910930089.4A patent/CN110596351B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1206837A (zh) * | 1997-03-04 | 1999-02-03 | 安娜钻机国际有限公司 | 测定地球岩层密度的方法 |
WO2003093815A1 (en) * | 2002-05-01 | 2003-11-13 | Exxonmobil Upstream Research Company | Chemical structural and compositional yields model for predicting hydrocarbon thermolysis products |
US20080059140A1 (en) * | 2006-08-04 | 2008-03-06 | Elodie Salmon | Method of quantifying hydrocarbon formation and retention in a mother rock |
CN101701954A (zh) * | 2009-10-26 | 2010-05-05 | 西安石油大学 | 一种基于构造热演化历史判别碎屑岩形成时代的方法 |
CN103810537A (zh) * | 2014-02-12 | 2014-05-21 | 南京大学 | 一种基于水质模型的区域环境风险评估方法 |
CN105844301A (zh) * | 2016-04-05 | 2016-08-10 | 北华航天工业学院 | 基于贝叶斯源识别的土壤中重金属污染源解析方法 |
CN107067075A (zh) * | 2016-10-11 | 2017-08-18 | 河南大学 | 一种基于人工蜂群算法的城市土地生态安全空间探测模型 |
CN107067333A (zh) * | 2017-01-16 | 2017-08-18 | 长沙矿山研究院有限责任公司 | 一种高寒高海拔高陡边坡稳定性监控方法 |
CN108960680A (zh) * | 2018-07-27 | 2018-12-07 | 中国地质科学院探矿工艺研究所 | 一种泥石流松散物源活跃性判定方法 |
Non-Patent Citations (3)
Title |
---|
郭进 等: "复合指纹识别技术定量示踪流域泥沙来源", 《农业工程学报》 * |
陈悦丽等: "基于Monte Carlo-SHALSTAB模型的滑坡危险性评价――以福建省德化县为例 ", 《灾害学》 * |
高立蒙等: "渤海表层沉积物中有机碳的分布和来源 ", 《海洋学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110596351B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102037492A (zh) | 图像数据处理 | |
Geuser et al. | Determination of matrix composition based on solute‐solute nearest‐neighbor distances in atom probe tomography | |
CN110531054B (zh) | 基于Bootstrap抽样的土壤有机碳预测不确定性估测方法 | |
Jonkers et al. | Correcting for the influence of ice‐rafted detritus on grain size‐based paleocurrent speed estimates | |
Liu et al. | Compositional balance analysis: an elegant method of geochemical pattern recognition and anomaly mapping for mineral exploration | |
Zhu et al. | Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm | |
CN111504277B (zh) | 一种利用氢氧同位素的湖泊补给水源示踪方法 | |
CN110231452A (zh) | 基于等温吸附曲线预测土壤粘粒含量或盐分含量的方法 | |
Payton et al. | The influence of grain shape and size on the relationship between porosity and permeability in sandstone: A digital approach | |
de Marez et al. | Interaction of the Gulf Stream with small scale topography: A focus on lee waves | |
CN111402969A (zh) | 一种陆源有机碳含量的预测方法、装置、设备及系统 | |
CN110596351B (zh) | 一种基于网格搜索与Monte Carlo模型的定量黄土不同物源相对贡献率的方法 | |
Chen et al. | Next-generation seismic model of the Australian crust from synchronous and asynchronous ambient noise imaging | |
CN111580179B (zh) | 一种有机碳含量确定方法、装置及系统 | |
CN116956119A (zh) | 一种基于沉积噪声模拟的泥页岩层序地层划分方法及装置 | |
CN113720952B (zh) | 用于储层解释评价的图版生成方法、装置、设备及介质 | |
Guntoro et al. | 3D ore characterization as a paradigm shift for process design and simulation in mineral processing | |
Chen et al. | Rapid T 1–T 2 measurement using drive equilibrium pulse sequence | |
Bloem et al. | Bayesian geochemical correlation and tomography | |
CN112926260A (zh) | 一种岩土材料物理力学参数准确估值新方法 | |
Hunter et al. | Integrating grain-scale geology in digital rock physics | |
Shinotsuka et al. | Sample structure prediction from measured XPS data using Bayesian estimation and SESSA simulator | |
CN107871028B (zh) | 一种层序地层的级别划分方法及装置 | |
Japperi et al. | Quantification of Pore Size Population and Diagenesis using Digital Rock Tools | |
Schefke | Deepbench: Open-source tools for ai in the sky |
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 |