CN111753467B - 矿产结果预测方法、装置、计算机设备及存储介质 - Google Patents

矿产结果预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111753467B
CN111753467B CN202010593799.5A CN202010593799A CN111753467B CN 111753467 B CN111753467 B CN 111753467B CN 202010593799 A CN202010593799 A CN 202010593799A CN 111753467 B CN111753467 B CN 111753467B
Authority
CN
China
Prior art keywords
mineral
parameters
explored
model
ore
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.)
Active
Application number
CN202010593799.5A
Other languages
English (en)
Other versions
CN111753467A (zh
Inventor
肖凡
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202010593799.5A priority Critical patent/CN111753467B/zh
Publication of CN111753467A publication Critical patent/CN111753467A/zh
Application granted granted Critical
Publication of CN111753467B publication Critical patent/CN111753467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Mining & Mineral Resources (AREA)
  • Mathematical Optimization (AREA)
  • Fluid Mechanics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)

Abstract

本发明适用于计算机技术领域，提供了一种矿产结果预测方法、装置、计算机设备及存储介质，其中方法包括：获取拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数；利用力‑热‑流多场耦合数值模拟计算模型对上述参数进行多物理场数值模拟计算，得到多个成矿条件参数；根据成矿条件参数以及最优矿产结果预测模型确定矿产预测结果。本发明提供的矿产结果预测方法，在获取到拟勘探矿床的基本特性后，先进行多物理场数值模拟计算用于拟合成矿过程，得到多个无法被直接测量的成矿条件参数，再利用上述成矿条件参数来确定矿产预测结果，即提出一种成矿机制与数据双重驱动的矿产结果预测方法，能够有效改善的矿产预测结果的准确性。

Description

矿产结果预测方法、装置、计算机设备及存储介质
技术领域
本发明属于计算机技术领域，尤其涉及一种矿产结果预测方法、装置、计算机设备及存储介质。
背景技术
矿产结果预测是当前矿产勘查工作的热点与难点，尤其是对深部矿产结果的预测。随着机器学习算法的发展，机器学习算法为深部矿产结果预测提供了一种基于数据驱动建立预测模型的有效途径，利用机器学习算法建立成矿响应变量与预测变量之间的复杂数学关系，可以达到定量预测矿产与优化成矿预测变量的目的。
然而，利用机器学习算法训练生成的矿产结果预测模型所揭示的仅仅是成矿响应变量与预测变量之间的数字关系，也就是说，矿产结果预测模型所揭示的矿响应变量与预测变量之间的复杂数字关系并没有将成矿机制或机理与成矿事实联系起来，无实际地质意义，甚至有的时候所揭露出来的复杂数字关系是“黑箱”(如人工神经网络等)，不存在具体的数学公式，在实际应用中存在较大的局限性，无法取得较好的预测精确性。
可见，现有的单纯利用机器学习算法训练生成的矿产结果预测模型还存在预测精确性不足的技术问题。
发明内容
本发明实施例的目的在于提供一种矿产结果预测方法，旨在解决现有的单纯利用机器学习算法训练生成的矿产结果预测模型还存在预测精确性不足的技术问题。
本发明实施例是这样实现的，一种矿产结果预测方法，包括：
获取拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数；
在最优模拟驱动条件下，根据最优力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算，得到多个成矿条件参数；所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数中的一种或多种；
根据所述多个成矿条件参数以及最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果；
其中，所述最优模拟驱动条件、所述最优力-热-流多场耦合数值模拟计算模型以及所述最优矿产结果预测模型是基于预设的机器学习算法同时训练生成的；所述最优力-热-流多场耦合数值模拟计算模型至少由基于拟勘探矿床的勘探资料所建立的拟勘探矿床几何模型与基于力、热、流多物理场的动力学方程所建立的力-热-流多场耦合数值本构模型结合组成。
本发明实施例的另一目的在于提供一种矿产结果预测装置，包括：
信息获取单元，用于获取拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数；
多物理场数值模拟计算单元，用于在最优模拟驱动条件下，根据最优力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算，得到多个成矿条件参数；所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数中的一种或多种；
矿产结果预测单元，用于根据所述多个成矿条件参数以及最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果；
其中，所述最优模拟驱动条件、所述最优力-热-流多场耦合数值模拟计算模型以及所述最优矿产结果预测模型是基于预设的机器学习算法同时训练生成的；所述最优力-热-流多场耦合数值模拟计算模型至少由基于拟勘探矿床的勘探资料所建立的拟勘探矿床几何模型与基于力、热、流多物理场的动力学方程所建立的力-热-流多场耦合数值本构模型结合组成。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述矿产结果预测方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述矿产结果预测方法的步骤。
本发明实施例提供的一种矿产结果预测方法，相比于现有的机器学习算法是直接构建拟勘探矿床的特征信息与成矿结果之间的关系模型，本发明是在获取到拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数之后，先利用最优力-热-流多场耦合数值模拟计算模型进行多物理场数值模拟计算，得到在训练得到的最佳成矿机制下的多个无法被直接测量的成矿条件参数，然后再利用该成矿条件参数以及训练得到的最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果。本发明提出了一种成矿机制与数据双重驱动的矿产结果预测方法，能够有效改善的矿产预测结果的准确性，同时数据驱动还能进一步反演、验证已有的基于成矿机制驱动建立的模型与理论，甚至有可能揭示新的动力学机制。
附图说明
图1为本发明实施例提供的一种矿产结果预测方法的步骤流程图；
图2为本发明实施例提供的一种构建拟勘探矿床的几何模型的步骤流程图；
图3为本发明实施例提供的一种建立力-热-流多场耦合数值本构模型的步骤流程图；
图4为本发明实施例提供的一种训练生成最优模拟驱动条件、最优力-热-流多场耦合数值模拟计算模型以及最优矿产结果预测模型的步骤流程图；
图5为本发明实施例提供的一种确定初始化的模拟驱动条件的步骤流程图；
图6为本发明实施例提供的另一种训练生成最优模拟驱动条件、最优力-热-流多场耦合数值模拟计算模型以及最优矿产结果预测模型的步骤流程图；
图7为本发明实施例提供的一种矿产结果预测装置的结构示意图；
图8为本发明实施例提供一种执行矿产结果预测方法的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现有的机器学习算法在训练生成矿产结果预测模型的过程中，仅仅考虑了矿响应变量与预测变量之间的关系，也就是说利用机器学习算法所训练生成的矿产结果预测模型是一种纯数据驱动的矿产结果预测模型，其揭示的拟勘探矿床的特征信息与预测变量之间的复杂数字关系无实际意义，在实际应用中存在较大的局限性，无法取得较好的预测精确性。本发明通过在获取到拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数等特征信息后，先基于训练得到的最优力-热-流多场耦合数值模拟计算模型进行多物理场数值模拟计算，得到在最可能成矿机制下的多个无法被直接测量的成矿条件参数，进一步利用该成矿条件参数以及训练得到的最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果，即提出了一种成矿机制与数据双重驱动的矿产结果预测方法，能够有效改善的矿产预测结果的准确性，同时数据驱动还能进一步反演、验证已有的力-热-流多场耦合数值模拟计算模型，甚至有可能揭示新的动力学成矿机制。
图1为本发明实施例提供的一种矿产结果预测方法的步骤流程图，具体包括以下步骤：
步骤S102，获取拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数。
在本发明实施例中，所述拟勘探矿床的地质构造信息以及岩矿石物性参数以及流体参数反映了拟勘探矿床的一些基本特性，常规的机器学习算法也是直接基于勘探数据建立上述基本特性与矿产预测结果之间的直接数学关系。
在本发明实施例中，所述岩矿石物性参数至少包括岩矿石密度、孔隙度、渗透率、热导率、泊松比中的一种或多种，所述流体参数至少包括流体粘度、流体温度、流体压力中的一种或多种。当然，所选用的岩矿石物性参数与流体参数种类越多，信息越丰富，最终预测出的矿产结果更加准确。
步骤S104，在最优模拟驱动条件下，根据最优力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算，得到多个成矿条件参数。
在本发明实施例中，所述模拟驱动条件包括温压条件、应力条件以及约束条件等等，是实现数值模拟计算过程的驱动要素。
在本发明实施例中，在多物理场数值模拟软件中，在确定了模拟驱动条件以及力-热-流多场耦合数值模拟计算模型后，将上述地质构造信息、岩矿石物性参数以及流体参数带入，就能自动进行拟勘探矿床的力-热-流多场耦合成矿动力学过程数值模拟，模拟结果中包括多种形式的参数，例如应力场参数(包括主应力、剪应力、差应力、等效应力等)、温度场参数(包括温度、梯度等)以及流体场参数(包括流向、流速、流量、流体势等)等等，上述形式的参数无法通过勘探信息直接获取，并且上述形式的参数与成矿结果之间的关联更为紧密，将上述形式的参数作为成矿条件参数进行预测，能够起到更为精确的预测效果。
在本发明实施例中，所述最优力-热-流多场耦合数值模拟计算模型至少由基于拟勘探矿床的勘探资料所建立的拟勘探矿床几何模型与基于力、热、流多物理场的动力学方程所建立的力-热-流多场耦合数值本构模型结合组成。其中拟勘探矿床几何模型与力-热-流多场耦合数值本构模型的构建过程请分别参阅图2以及图3解释说明的内容。
在本发明实施例中，所述最优模拟驱动条件、所述最优力-热-流多场耦合数值模拟计算模型是基于预设的机器学习算法同时训练生成的，其中，具体的训练过程可以参阅图4及其解释说明的内容。所述机器学习算法包括但不限于神经网络、随机森林、支持向量机等，本发明对具体的机器学习算法不做限制，显然，不同的机器学习算法所训练出的模型以及模型的预测结果不尽相同，本领域技术人员完全可以通过多次重复试验，找到预测效果最优的模型所对应的机器学习算法。
步骤S106，根据所述多个成矿条件参数以及最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果。
在本发明实施例中，所述最优矿产结果预测模型同样是基于机器学习算法预先训练生成的，具体的训练过程同样可以参阅图4及其解释说明的内容。
在本发明实施例中，所述最优矿产结果预测模型所揭示的是如应力场、温度场以及流体场等参数与拟勘探矿床的矿产预测结果之间的关系。
本发明实施例提供的一种矿产结果预测方法，相比于现有的机器学习算法是直接构建拟勘探矿床的特征信息与成矿结果之间的关系模型，本发明是在获取到拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数之后，先利用最优力-热-流多场耦合数值模拟计算模型进行多物理场数值模拟计算，得到在训练得到的最佳成矿机制下的多个无法被直接测量的成矿条件参数，然后再利用该成矿条件参数以及训练得到的最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果。本发明提出了一种成矿机制与数据双重驱动的矿产结果预测方法，能够有效改善的矿产预测结果的准确性，同时数据驱动还能进一步反演、验证已有的基于成矿机制驱动建立的模型与理论，甚至有可能揭示新的动力学机制。
如图2所示，为本发明实施例提供的一种构建拟勘探矿床的几何模型的步骤流程图，具体包括以下步骤。
步骤S202，根据拟勘探矿床的勘探剖面图像或钻孔图像确定所述拟勘探矿床的浅部几何模型。
在本发明实施例中，由于勘探、钻孔通常是在勘探矿床的浅部处实现，因此，拟勘探矿床的浅部几何模型可以根据拟勘探矿床的勘探剖面图像或钻孔图像来确定。
步骤S204，根据所述拟勘探矿床的地球物理勘探信息确定所述拟勘探矿床的深部几何模型。
在本发明实施例中，所述拟勘探矿床的地球物理勘探信息包括重、磁、电等地球物理资料，基于所述地球物理资料可以进一步推断出拟勘探矿床的深部地质结构，从而构建出深部几何模型。
步骤S206，根据所述拟勘探矿床的形成历史信息与保存历史信息确定所述拟勘探矿床的复原模型。
在本发明实施例中，通过归纳总结拟勘探矿床的形成与保存历史，可以确定拟勘探矿床的复原模型。
步骤S208，根据所述浅部几何模型、所述深部几何模型以及所述复原模型构建所述拟勘探矿床的几何模型。
在本发明实施例中，将所述复原模型、浅部几何模型、深部几何模型统一结合，就能够建立出用于矿产结果预测数值模拟计算的几何模型。
在本发明实施例中，通过利用复原模型、浅部几何模型以及深部几何模型统一构建出拟勘探矿床的几何模型，能够完整的表征出拟勘探矿床的输入特征，多角度的对矿产结果进行数值模型计算，所确定出的矿产预测结果更加准确。
如图3所示，为本发明实施例提供的建立力-热-流多场耦合数值本构模型的步骤流程图，具体包括以下步骤。
步骤S302，根据胡克定律构建力场的应变方程。
步骤S304，根据傅里叶定律构建热场的传热方程。
步骤S306，根据达西定律构建流场的流动方程。
步骤S308，根据所述应变方程、所述传热方程以及所述流动方程构建力-热-流多场耦合数值本构模型。
在本发明实施例中，基于在先的研究可知力、热、流三种物理场的动力学模型对成矿的影响较为明显，因此通过构建应变方程、传热方程以及流动方程，从力、热、流三种物理场的角度构建出基于成矿动力学机制驱动的力-热-流多场耦合数值本构模型作为基础模型，其中胡克定律、傅里叶定律以及达西定律属于本领域技术人员的公知常识，基于上述定律所建立的应变方程、传热方程以及流动方程同样属于本领域技术人员能够确定的内容，在此不再具体一一说明。
如图4所示，为本发明实施例提供的一种训练生成最优模拟驱动条件、最优力-热-流多场耦合数值模拟计算模型以及最优矿产结果预测模型的步骤流程图，具体包括以下步骤：
步骤S402，构建拟勘探矿床的训练集。
在本发明实施例中，所述训练集同样是基于拟勘探矿床得到的。其包括了拟勘探矿床在部分已知勘探点的地质构造信息、岩矿石物性参数与流体参数以及矿产真实结果。
步骤S404，构建初始化的力-热-流多场耦合数值模拟计算模型以及初始化的矿产结果预测模型，并确定初始化的模拟驱动条件。
在本发明实施例中，所述初始化的力-热-流多场耦合数值模拟计算模型至少由基于拟勘探矿床的勘探资料所建立的初始化的拟勘探矿床几何模型与基于力、热、流多物理场的动力学方程所建立的初始化的力-热-流多场耦合数值本构模型结合组成。
在本发明实施例中，考虑到机器学习算法本身就是是需要不断对力-热-流多场耦合数值模拟计算模型以及矿产结果预测模型中的参数进行优化，以得到最优的模型，因此力-热-流多场耦合数值模拟计算模型以及矿产结果预测模型中的初始参数对最终的结果影响不大，仅仅影响到训练的时长。
作为本发明的一个优选实施例，在确定初始化的力-热-流多场耦合数值模拟计算模型、初始化的矿产结果预测模型以及初始化的模拟驱动条件前，对条件以及参数进行敏感性分析，确定对模型计算结果影响最大的条件以及参数，从而确定出关键条件或关键参数，并作为初始条件，能够极大的简化训练过程，提高训练的效率。其中，以初始化的模拟驱动条件为例，以对不同的模拟驱动条件进行敏感性分析以确定初始化的模拟驱动条件的步骤具体请参与图5及其解释说明。
步骤S406，在所述模拟驱动条件下，根据所述力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算，得到所述拟勘探矿床在已知勘探点的多个成矿条件响应参数。
在本发明实施例中，所述训练过程中进行多物理场数值模拟计算的过程与前述步骤S104相似，具体的可以参阅前述步骤S104的解释说明，事实上，步骤S406属于模型的训练过程，而步骤S104属于模型的应用过程，训练过程通常发生在应用过程之前。
步骤S408，根据所述多个成矿条件响应参数以及所述矿产结果预测模型确定所述拟勘探矿床在已知勘探点的矿产预测响应结果。
在本发明实施例中，同样的训练过程中基于成矿条件响应参数以及矿产结果预测模型确定矿产预测响应结果与前述步骤S106相似，具体可以参阅前述步骤S106的解释说明。
步骤S410，根据所述矿产预测响应结果以及所述矿产真实结果确定矿产结果预测的准确率。
在本发明实施例中，所述矿产结果预测准确率可以由多种形式的指标进行评估，包括但不限于交叉验证精度、ROC曲线AUC值、空间相关统计量t值等等，针对不同的机器学习算法，所选择用于评估矿产结果预测准确率的指标也不尽相同，本发明对该过程中所选择的具体手段不做限制，确定矿产结果预测的准确率属于本领域技术人员在进行机器学习过程中所熟知的过程，在此不再赘述。
步骤S412，判断所述准确率是否满足预设的优化条件。当判断所述准确率不满足预设的优化条件时，执行步骤S414；当判断所述准确率满足预设的优化条件时，执行步骤S416。
在本发明实施例中，当所述准确率满足优化条件时，表明拟勘探矿床在已知勘探点的矿产预测响应结果与拟勘探矿床在已知勘探点的矿产真实结果基本吻合，也就是表明训练得到的最优力-热-流多场耦合数值模拟计算模型与最优模拟驱动条件能够很好地表征拟勘探矿床的成矿动力学过程，最优矿产结果预测模型能够很好的描述在多物理场驱动下得到的参量与成矿直接之间的关系，也就是此时所得到的力-热-流多场耦合数值模拟计算模型、矿产结果预测模型以及模拟驱动条件最为符合真实情况。当所述准确率不满足优化条件，表明拟勘探矿床在已知勘探点的矿产预测响应结果与拟勘探矿床在已知勘探点的矿产真实结果并未基本吻合，因此还需要对力-热-流多场耦合数值模拟计算模型、矿产结果预测模型当中的参数进行进一步的优化。
在本发明实施例中，所述预设的优化条件可以是判断上述描述准确率的指标值是否达到最大或者超过预设的阈值，具体的优化条件可以根据实际需要具体选择。
步骤S414，按照预设的优化规则对所述模拟驱动条件、所述力-热-流多场耦合数值模拟计算模型以及所述矿产结果预测模型进行优化，并返回至所述步骤S406。
在本发明实施例中，在对模型的参数进行优化的过程中，具体所采用的优化规则通常基于机器学习算法的不同而有所不同，例如对于神经网络可以选用反向传播算法、梯度下降算法进行优化，也可以简单采用控制变量法进行优化。
步骤S416，将当前模拟驱动条件确定为最优模拟驱动条件，将当前力-热-流多场耦合数值模拟计算模型确定为最优力-热-流多场耦合数值模拟计算模型，将当前矿产结果预测模型确定为最优矿产结果预测模型。
在本发明实施例中，结合步骤S412的论述可知，当所述准确率满足优化条件时，此时力-热-流多场耦合数值模拟计算模型、矿产结果预测模型以及模拟驱动条件最为符合真实情况分别确定为最优力-热-流多场耦合数值模拟计算模型、最优矿产结果预测模型以及最优模拟驱动条件。
如图5所示，为本发明实施例提供的一种确定初始化的模拟驱动条件的步骤流程图，具体包括以下步骤：
步骤S502，对所述模拟驱动条件进行敏感性分析，确定关键性模拟驱动条件。
步骤S504，根据所述关键性模拟驱动条件确定初始化的模拟驱动条件。
在本发明实施例中，对计算模型中条件-参量进行敏感性分析，可以揭示不同条件-参量对模型计算结果影响程度，进而判断控制模拟结果变化的关键性敏感性条件-参量，确定初始化的模拟驱动条件，能够有效简化训练过程，提高模型的训练效率。
如图6所示，为本发明实施例提供的另一种训练生成最优模拟驱动条件、最优力-热-流多场耦合数值模拟计算模型以及最优矿产结果预测模型的步骤流程图，详述如下。
在本发明实施例中，与图4所示出的一种一种训练生成最优模拟驱动条件、最优力-热-流多场耦合数值模拟计算模型以及最优矿产结果预测模型的步骤流程图的区别在于，在所述步骤S406之后，还包括：
步骤S602，判断所述多个成矿条件响应参数的合理性。当判断所述多个成矿条件响应参数不合理时，执行步骤S604；当判断所述多个成矿条件响应参数合理时，执行步骤S408。
在本发明实施例中，通过对成矿条件响应参数的合理性进行判断，在最终模拟得到的成矿条件响应参数显然不合理的情况下，显然力-热-流多场耦合数值模拟计算模型与模拟驱动条件不合理，应当先对力-热-流多场耦合数值模拟计算模型与模拟驱动条件进行修正，而无需进行后续的利用矿产结果预测模型进行矿产预测的过程，有效节约了训练的时间，同时也避免了力-热-流多场耦合数值模拟计算模型与模拟驱动条件不合理，而矿产结果预测模型却成功建立了不合理的成矿条件参数与成矿结果之间的错误关系的可能。
步骤S604，按照预设的修正规则对所述模拟驱动条件以及所述力-热-流多场耦合数值模拟计算模型进行修正，并返回至所述步骤S406。
在本发明实施例中，通过对显然不合理的力-热-流多场耦合数值模拟计算模型与模拟驱动条件进行修正，直至得到合理的力-热-流多场耦合数值模拟计算模型与模拟驱动条件，保证了力-热-流多场耦合数值模拟计算模型与矿产结果预测模型的合理性。
如图7所示，为本发明实施例提供的一种矿产结果预测装置的结构示意图，详述如下。
在本发明实施例中，所述矿产结果预测装置包括：
信息获取单元710，用于获取拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数。
在本发明实施例中，所述拟勘探矿床的地质构造信息以及岩矿石物性参数以及流体参数反映了拟勘探矿床的一些基本特性，常规的机器学习算法也是直接基于勘探数据建立上述基本特性与矿产预测结果之间的直接数学关系。
在本发明实施例中，所述岩矿石物性参数至少包括岩矿石密度、孔隙度、渗透率、热导率、泊松比中的一种或多种，所述流体参数至少包括流体粘度、流体温度、流体压力中的一种或多种。当然，所选用的岩矿石物性参数与流体参数种类越多，信息越丰富，最终预测出的矿产结果更加准确。
多物理场数值模拟计算单元720，用于在最优模拟驱动条件下，根据最优力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算，得到多个成矿条件参数。
在本发明实施例中，所述模拟驱动条件包括温压条件、应力条件以及约束条件等等，是实现数值模拟计算过程的驱动要素。
在本发明实施例中，在多物理场数值模拟软件中，在确定了模拟驱动条件以及力-热-流多场耦合数值模拟计算模型后，将上述地质构造信息、岩矿石物性参数以及流体参数带入，就能自动进行拟勘探矿床的力-热-流多场耦合成矿动力学过程数值模拟，模拟结果中包括多种形式的参数，例如应力场参数(包括主应力、剪应力、差应力、等效应力等)、温度场参数(包括温度、梯度等)以及流体场参数(包括流向、流速、流量、流体势等)等等，上述形式的参数无法通过勘探信息直接获取，并且上述形式的参数与成矿结果之间的关联更为紧密，将上述形式的参数作为成矿条件参数进行预测，能够起到更为精确的预测效果。
在本发明实施例中，所述最优力-热-流多场耦合数值模拟计算模型至少由基于拟勘探矿床的勘探资料所建立的拟勘探矿床几何模型与基于力、热、流多物理场的动力学方程所建立的力-热-流多场耦合数值本构模型结合组成。
在本发明实施例中，所述最优模拟驱动条件、所述最优力-热-流多场耦合数值模拟计算模型是基于预设的机器学习算法同时训练生成的。所述机器学习算法包括但不限于神经网络、随机森林、支持向量机等，本发明对具体的机器学习算法不做限制，显然，不同的机器学习算法所训练出的模型以及模型的预测结果不尽相同，本领域技术人员完全可以通过多次重复试验，找到预测效果最优的模型所对应的机器学习算法。
矿产结果预测单元730，用于根据所述多个成矿条件参数以及最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果。
在本发明实施例中，所述最优矿产结果预测模型所揭示的是如应力场、温度场以及流体场等参数与拟勘探矿床的矿产预测结果之间的关系。
本发明实施例提供的一种矿产结果预测装置，相比于现有的机器学习算法是直接构建拟勘探矿床的特征信息与成矿结果之间的关系模型，本发明是在获取到拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数之后，先利用最优力-热-流多场耦合数值模拟计算模型进行多物理场数值模拟计算，得到在训练得到的最佳成矿机制下的多个无法被直接测量的成矿条件参数，然后再利用该成矿条件参数以及训练得到的最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果。本发明提出了一种成矿机制与数据双重驱动的矿产结果预测装置，能够有效改善的矿产预测结果的准确性，同时数据驱动还能进一步反演、验证已有的基于成矿机制驱动建立的模型与理论，甚至有可能揭示新的动力学机制。
图8示出了一个实施例中计算机设备的内部结构图。如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现矿产结果预测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行矿产结果预测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的矿产结果预测装置可以实现为一种计算机程序的形式，计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该矿产结果预测装置的各个程序模块，比如，图7所示出的信息获取单元710、多物理场数值模拟计算单元720以及矿产结果预测单元730。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的矿产结果预测方法中的步骤。
例如，图8所示的计算机设备可以通过如图7所示的矿产结果预测装置中的信息获取单元710执行步骤S102；计算机设备可通过多物理场数值模拟计算单元720执行步骤S104；计算机设备可通过矿产结果预测单元730执行步骤S106。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数；
在最优模拟驱动条件下，根据最优力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算，得到多个成矿条件参数；所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数中的一种或多种；
根据所述多个成矿条件参数以及最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果；
其中，所述最优模拟驱动条件、所述最优力-热-流多场耦合数值模拟计算模型以及所述最优矿产结果预测模型是基于预设的机器学习算法同时训练生成的；所述最优力-热-流多场耦合数值模拟计算模型至少由基于拟勘探矿床的勘探资料所建立的拟勘探矿床几何模型与基于力、热、流多物理场的动力学方程所建立的力-热-流多场耦合数值本构模型结合组成。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数；
在最优模拟驱动条件下，根据最优力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算，得到多个成矿条件参数；所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数中的一种或多种；
根据所述多个成矿条件参数以及最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果；
其中，所述最优模拟驱动条件、所述最优力-热-流多场耦合数值模拟计算模型以及所述最优矿产结果预测模型是基于预设的机器学习算法同时训练生成的；所述最优力-热-流多场耦合数值模拟计算模型至少由基于拟勘探矿床的勘探资料所建立的拟勘探矿床几何模型与基于力、热、流多物理场的动力学方程所建立的力-热-流多场耦合数值本构模型结合组成。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种矿产结果预测方法，其特征在于，包括：
获取拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数；
在最优模拟驱动条件下，根据最优力-热-流多场耦合数值模拟计算模型以及所述地质构造信息、岩矿石物性参数与流体参数进行成矿地质作用过程中的多物理场数值模拟计算，得到多个成矿条件参数；所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数中的一种或多种；
根据所述多个成矿条件参数以及最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果；
其中，所述最优模拟驱动条件、所述最优力-热-流多场耦合数值模拟计算模型以及所述最优矿产结果预测模型是基于预设的机器学习算法同时训练生成的；所述最优力-热-流多场耦合数值模拟计算模型至少由基于拟勘探矿床的勘探资料所建立的拟勘探矿床几何模型与基于力、热、流多物理场的动力学方程所建立的力-热-流多场耦合数值本构模型结合组成；
基于预设的机器学习算法同时训练生成所述最优模拟驱动条件、所述最优力-热-流多场耦合数值模拟计算模型以及所述最优矿产结果预测模型的步骤，具体包括：
构建拟勘探矿床的训练集；所述训练集包括拟勘探矿床在已知勘探点的地质构造信息、岩矿石物性参数与流体参数以及矿产真实结果；
构建初始化的力-热-流多场耦合数值模拟计算模型以及初始化的矿产结果预测模型，并确定初始化的模拟驱动条件；所述初始化的力-热-流多场耦合数值模拟计算模型至少由基于拟勘探矿床的勘探资料所建立的初始化的拟勘探矿床几何模型与基于力、热、流多物理场的动力学方程所建立的初始化的力-热-流多场耦合数值本构模型结合组成；
在所述模拟驱动条件下，根据所述力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算，得到所述拟勘探矿床在已知勘探点的多个成矿条件响应参数；所述成矿条件响应参数至少包括应力场参数、温度场参数、流体场参数中的一种或多种；
根据所述多个成矿条件响应参数以及所述矿产结果预测模型确定所述拟勘探矿床在已知勘探点的矿产预测响应结果；
根据所述矿产预测响应结果以及所述矿产真实结果确定矿产结果预测的准确率；
判断所述准确率是否满足预设的优化条件；
当判断所述准确率不满足预设的优化条件时，按照预设的优化规则对所述模拟驱动条件、所述力-热-流多场耦合数值模拟计算模型以及所述矿产结果预测模型进行优化，并返回至所述在所述模拟驱动条件下，根据所述力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算的步骤；
当判断所述准确率满足预设的优化条件时，将当前模拟驱动条件确定为最优模拟驱动条件，将当前力-热-流多场耦合数值模拟计算模型确定为最优力-热-流多场耦合数值模拟计算模型，将当前矿产结果预测模型确定为最优矿产结果预测模型。
2.根据权利要求1所述的矿产结果预测方法，其特征在于，基于拟勘探矿床的勘探资料建立拟勘探矿床几何模型的步骤，具体包括：
根据拟勘探矿床的勘探剖面图像或钻孔图像确定所述拟勘探矿床的浅部几何模型；
根据所述拟勘探矿床的地球物理勘探信息确定所述拟勘探矿床的深部几何模型；
根据所述拟勘探矿床的形成历史信息与保存历史信息确定所述拟勘探矿床的复原模型；
根据所述浅部几何模型、所述深部几何模型以及所述复原模型构建所述拟勘探矿床几何模型。
3.根据权利要求1所述的矿产结果预测方法，其特征在于，基于力、热、流多物理场的动力学方程建立力-热-流多场耦合数值本构模型的步骤，具体包括：
根据胡克定律构建力场的应变方程；
根据傅里叶定律构建热场的传热方程；
根据达西定律构建流场的流动方程；
根据所述应变方程、所述传热方程以及所述流动方程构建力-热-流多场耦合数值本构模型。
4.根据权利要求1所述的矿产结果预测方法，其特征在于，所述确定初始化的模拟驱动条件的步骤，具体包括：
对所述模拟驱动条件进行敏感性分析，确定关键性模拟驱动条件；
根据所述关键性模拟驱动条件确定初始化的模拟驱动条件。
5.根据权利要求1所述的矿产结果预测方法，其特征在于，在所述得到所述拟勘探矿床在已知勘探点的多个成矿条件响应参数的步骤之后，还包括：
判断所述多个成矿条件响应参数的合理性；
当判断所述多个成矿条件响应参数不合理时，按照预设的修正规则对所述模拟驱动条件以及所述力-热-流多场耦合数值模拟计算模型进行修正，并返回至所述在所述模拟驱动条件下，根据所述力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算的步骤。
6.根据权利要求1所述的一种矿产结果预测方法，其特征在于，所述岩矿石物性参数至少包括岩矿石密度、孔隙度、渗透率、热导率、泊松比中的一种或多种，所述流体参数至少包括流体粘度、流体温度、流体压力中的一种或多种。
7.一种矿产结果预测装置，其特征在于，包括：
信息获取单元，用于获取拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数；
多物理场数值模拟计算单元，用于在最优模拟驱动条件下，根据最优力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算，得到多个成矿条件参数；所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数中的一种或多种；
矿产结果预测单元，用于根据所述多个成矿条件参数以及最优矿产结果预测模型确定所述拟勘探矿床的矿产预测结果；
基于预设的机器学习算法同时训练生成所述最优模拟驱动条件、所述最优力-热-流多场耦合数值模拟计算模型以及所述最优矿产结果预测模型的步骤，具体包括：
构建拟勘探矿床的训练集；所述训练集包括拟勘探矿床在已知勘探点的地质构造信息、岩矿石物性参数与流体参数以及矿产真实结果；
构建初始化的力-热-流多场耦合数值模拟计算模型以及初始化的矿产结果预测模型，并确定初始化的模拟驱动条件；所述初始化的力-热-流多场耦合数值模拟计算模型至少由基于拟勘探矿床的勘探资料所建立的初始化的拟勘探矿床几何模型与基于力、热、流多物理场的动力学方程所建立的初始化的力-热-流多场耦合数值本构模型结合组成；
在所述模拟驱动条件下，根据所述力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算，得到所述拟勘探矿床在已知勘探点的多个成矿条件响应参数；所述成矿条件响应参数至少包括应力场参数、温度场参数、流体场参数中的一种或多种；
根据所述多个成矿条件响应参数以及所述矿产结果预测模型确定所述拟勘探矿床在已知勘探点的矿产预测响应结果；
根据所述矿产预测响应结果以及所述矿产真实结果确定矿产结果预测的准确率；
判断所述准确率是否满足预设的优化条件；
当判断所述准确率不满足预设的优化条件时，按照预设的优化规则对所述模拟驱动条件、所述力-热-流多场耦合数值模拟计算模型以及所述矿产结果预测模型进行优化，并返回至所述在所述模拟驱动条件下，根据所述力-热-流多场耦合数值模拟计算模型对所述拟勘探矿床的地质构造信息、岩矿石物性参数以及流体参数进行多物理场数值模拟计算的步骤；
当判断所述准确率满足预设的优化条件时，将当前模拟驱动条件确定为最优模拟驱动条件，将当前力-热-流多场耦合数值模拟计算模型确定为最优力-热-流多场耦合数值模拟计算模型，将当前矿产结果预测模型确定为最优矿产结果预测模型。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述矿产结果预测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述矿产结果预测方法的步骤。
CN202010593799.5A 2020-06-23 2020-06-23 矿产结果预测方法、装置、计算机设备及存储介质 Active CN111753467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010593799.5A CN111753467B (zh) 2020-06-23 2020-06-23 矿产结果预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010593799.5A CN111753467B (zh) 2020-06-23 2020-06-23 矿产结果预测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111753467A CN111753467A (zh) 2020-10-09
CN111753467B true CN111753467B (zh) 2023-08-22

Family

ID=72677375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010593799.5A Active CN111753467B (zh) 2020-06-23 2020-06-23 矿产结果预测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111753467B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465013B (zh) * 2020-11-25 2024-02-02 平安科技（深圳）有限公司 海洋平底结构物入水砰击力的峰值预测方法、装置及设备
CN113868967B (zh) * 2021-12-03 2022-04-12 中铁第一勘察设计院集团有限公司 结构监测数据预测方法、装置及存储介质
CN114943186A (zh) * 2022-07-19 2022-08-26 数皮科技(湖北)有限公司 基于全岩化学数据的花岗岩热导率极限提升梯度预测方法
CN115879648B (zh) * 2023-02-21 2023-06-06 中国地质科学院 一种基于机器学习的三元深部成矿预测方法及系统
CN116720976B (zh) * 2023-05-18 2024-01-19 中山大学 Mvt型铅锌矿成矿预测方法、装置、计算机设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105651778A (zh) * 2016-01-20 2016-06-08 成都理工大学 基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法
CN109101767A (zh) * 2018-09-20 2018-12-28 鞍钢集团矿业有限公司 基于t-h耦合的膏体充填料浆管道输送阻力损失计算方法
CN109190277A (zh) * 2018-09-14 2019-01-11 广东电网有限责任公司 高压电缆接头防爆装置泄能孔开口半径的仿真方法
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
CN110264016A (zh) * 2019-06-28 2019-09-20 中国地质大学（北京） 一种矿产探测方法及装置
CN110489910A (zh) * 2019-08-27 2019-11-22 中国海洋石油集团有限公司 一种基于岩-场-流耦合的有利储层评价预测技术
CA3105711A1 (en) * 2018-08-20 2020-02-27 Landmark Graphics Corporation Hybrid physics-based and machine learning models for reservoir simulations
CN111161410A (zh) * 2019-12-30 2020-05-15 中国矿业大学(北京) 一种矿井数字孪生模型及其构建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105651778A (zh) * 2016-01-20 2016-06-08 成都理工大学 基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法
CA3105711A1 (en) * 2018-08-20 2020-02-27 Landmark Graphics Corporation Hybrid physics-based and machine learning models for reservoir simulations
CN109190277A (zh) * 2018-09-14 2019-01-11 广东电网有限责任公司 高压电缆接头防爆装置泄能孔开口半径的仿真方法
CN109101767A (zh) * 2018-09-20 2018-12-28 鞍钢集团矿业有限公司 基于t-h耦合的膏体充填料浆管道输送阻力损失计算方法
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
CN110264016A (zh) * 2019-06-28 2019-09-20 中国地质大学（北京） 一种矿产探测方法及装置
CN110489910A (zh) * 2019-08-27 2019-11-22 中国海洋石油集团有限公司 一种基于岩-场-流耦合的有利储层评价预测技术
CN111161410A (zh) * 2019-12-30 2020-05-15 中国矿业大学(北京) 一种矿井数字孪生模型及其构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王语 ; 周永章 ; 肖凡 ; 王俊 ; 王恺其 ; 余晓彤 ; .基于成矿条件数值模拟和支持向量机算法的深部成矿预测――以粤北凡口铅锌矿为例.大地构造与成矿学.2020,(第02期),正文全文. *

Also Published As

Publication number Publication date
CN111753467A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111753467B (zh) 矿产结果预测方法、装置、计算机设备及存储介质
Zhang et al. Application of LSTM approach for modelling stress–strain behaviour of soil
Shahin Load–settlement modeling of axially loaded steel driven piles using CPT-based recurrent neural networks
US20170177992A1 (en) Growth functions for modeling oil production
Deng et al. Hybrid grey wolf optimization algorithm–based support vector machine for groutability prediction of fractured rock mass
Liu et al. Incorporation of physics into machine learning for production prediction from unconventional reservoirs: A brief review of the gray-box approach
Nejati et al. On the use of the RMR system for estimation of rock mass deformation modulus
CN112650056B (zh) 海洋平台的减振控制律确定方法、装置、设备及存储介质
Muduli et al. First-order reliability method for probabilistic evaluation of liquefaction potential of soil using genetic programming
Barkhordari et al. Prediction of permanent earthquake-induced deformation in earth dams and embankments using artificial neural networks
Jiang et al. Inverse analysis for geomaterial parameter identification using Pareto multiobjective optimization
AU2013399056B2 (en) CART-based proxy flow simulation procedure for ranking geostatistical realizations of rock properties
Dey et al. Multi-fidelity approach for uncertainty quantification of buried pipeline response undergoing fault rupture displacements in sand
Zhang et al. Upscaling Shear Strength of Heterogeneous Oil Sands with Interbedded Shales Using Artificial Neural Network
KR20200058258A (ko) 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체
Zhao et al. Determining geomechanical parameters and a deformation uncertainty analysis of the Longtan Hydropower Station slope, China
Wen et al. Multiphase flow prediction with deep neural networks
Qian et al. GAN inversion method of an initial in situ stress field based on the lateral stress coefficient
Yan et al. A rigorous random field-based framework for 3D stratigraphic uncertainty modelling
Abreu et al. Inverse analysis of hydraulic fracturing tests based on artificial intelligence techniques
Obrzud et al. Optimization framework for calibration of constitutive models enhanced by neural networks
Le Ravalec Optimizing well placement with quality maps derived from multi-fidelity meta-models
CN114036829B (zh) 地质剖面图生成方法、系统、设备及存储介质
Tran Simulated annealing technique in discrete fracture network inversion: optimizing the optimization
CN115618208A (zh) 数据修复方法、装置、计算机设备和存储介质

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