CN112380674A - 一种基于数字地质模型的矿床预测方法 - Google Patents

一种基于数字地质模型的矿床预测方法 Download PDF

Info

Publication number
CN112380674A
CN112380674A CN202011166876.5A CN202011166876A CN112380674A CN 112380674 A CN112380674 A CN 112380674A CN 202011166876 A CN202011166876 A CN 202011166876A CN 112380674 A CN112380674 A CN 112380674A
Authority
CN
China
Prior art keywords
value
ore
information quantity
posterior probability
evidence
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.)
Pending
Application number
CN202011166876.5A
Other languages
English (en)
Inventor
白芸
朱鹏飞
李晓翠
孔维豪
曹珂
孙璐
刘琳莹
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.)
Beijing Research Institute of Uranium Geology
Original Assignee
Beijing Research Institute of Uranium Geology
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 Beijing Research Institute of Uranium Geology filed Critical Beijing Research Institute of Uranium Geology
Priority to CN202011166876.5A priority Critical patent/CN112380674A/zh
Publication of CN112380674A publication Critical patent/CN112380674A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于成矿预测技术领域，具体涉及一种基于数字地质模型的矿床预测方法，步骤一：根据需要建立研究区数字地质模型；根据研究区实际情况建立数字地质模型，包括：构造模型、矿体模型和岩体模型；步骤二：根据数字地质模型，建立块体模型和各预测要素块体模型；步骤三：计算出证据权法的后验概率值和信息量值，并把证据权法的后验概率值和信息量值结合起来，进行分析，求出有利区间；步骤四：将赋予块体模型的后验概率值和信息量值，筛选出有利区间，在次基础上，结合地质认识，圈定靶区。

Description

一种基于数字地质模型的矿床预测方法
技术领域
本发明属于成矿预测技术领域，具体涉及一种基于数字地质模型的矿床预测方法。
背景技术
进入21世纪，越来越多的矿床进行了三维地质模型的构建，得以直观查看各种预测要素与矿体的空间分布关系，以便准确地预测已知矿体外围和深部延伸趋势。同时矿产资源预测与评价也经历了从二维GIS技术支撑的预测评价向三维成矿预测转换的过程。三维成矿预测可采用的数学模型很多，如证据权模型和信息量模型，但是，现有技术中无论单一采用哪种数学模型，都会存在局限性，因此，为了避免产生这种局限，需要设计一种采用多种数学模型综合的矿床预测方法，将证据权模型和信息量模型综合起来，求出有利区间，利用GOCAD软件，将证据权值和信息量值赋予块体模型，以此筛选出有利区间，圈定靶区，来解决现有技术中采用单一数学模型进行矿床预测局限性的技术问题。
发明内容
本发明针对现有技术中,提出一种基于数字地质模型的矿床预测方法，用于解决采用单一数学模型进行矿床预测具有局限性的技术问题。
本发明的技术方案如下所述：
一种基于数字地质模型的矿床预测方法，包括以下步骤：
步骤一：根据需要建立研究区数字地质模型；根据研究区实际情况建立数字地质模型，包括：构造模型、矿体模型和岩体模型；
步骤二：根据数字地质模型，建立块体模型和各预测要素块体模型；
步骤三：计算出证据权法的后验概率值和信息量值，并把证据权法的后验概率值和信息量值结合起来，进行分析，求出有利区间；
步骤3.1：计算证据权法的后验概率值；
步骤3.2：计算三维信息量值；
步骤3.3：将证据权法的后验概率值和信息量值结合分析，求出有利区间；
步骤3.4：分析证据权法的后验概率值，求出后验概率值的有利区间；根据步骤3.1证据权法计算的后验概率值，统计各区间中含已知矿体的矿块数；
步骤3.5：分析信息量值，求出信息量值的有利区间；
步骤3.6：综合分析证据权法的后验概率值和信息量值，求出最终有利区间；
步骤四：将赋予块体模型的后验概率值和信息量值，筛选出有利区间，在次基础上，结合地质认识，圈定靶区。
所述步骤3.1：计算证据权法的后验概率值，还包括：
在GOCAD软件中对已约束的块体进行属性赋值；
计算先验概率：根据已知矿体的分布，统计与分析各预测要素与矿体在空间上的关系，计算各块体内各证据因子的先验概率；
计算权重：结合证据权公式(1)、公式(2)，进一步计算该研究区的权重值；
Figure BDA0002746101510000021
Figure BDA0002746101510000022
其中，W+代表各证据因子在预测区域中存在时的权重值，W-代表各证据因子在预测区域中不存在时的权重值，B为有因子存在的单元数，
Figure BDA0002746101510000023
为因子
Figure BDA0002746101510000024
缺失的单元数，D为含矿单元数，为不含矿点的单元数。
预测要素证据因子层与已知矿床的证据因子层的相关程度的计算公式如下公式(3)：
C＝W+-W-............(3)
其中，C表示预测要素证据因子层与已知矿床的证据因子层的相关程度，则C；当C大于0时，C的值与该证据因子的成矿有利度成正相关，当C为0时，说明该证据因子与成矿没有关系；当C小于0时，C的值与该证据因子的成矿有利度成负相关；
计算后验概率：在先验概率的基础上，通过公式(4)计算得到后验概率；
Figure BDA0002746101510000031
其中：L(D/B)＝L(D)+W+，
Figure BDA0002746101510000032
后验概率值越大，矿体成矿越有利；
所述步骤3.2：计算三维信息量值，包括：通过收集各类地质要素单变量在研究区的空间分布情况；对研究区预测要素定量化分析、统计，将矿床各预测要素的属性值进行二值化处理，通过三维信息量方法计算得出矿床区域内各找矿要素的信息量值；
计算成矿要素信息量值的条件概率计算公式如下公式(5)：
Figure BDA0002746101510000033
公式IA(B)表示找矿标志A中含有矿体B的信息量值的大小；P(A)表示研究范围内出现找矿标志A的概率值；P(A/B)表示在B矿存在时找矿标志A出现的概率值；
通过频率值进行估算，计算结果同概率值计算结果等同；故在此使用频率值代替概率值进行估算，计算公式如下公式(6)：
Figure BDA0002746101510000041
其中，Nj表示同时包含找矿标志A与矿体的单元块数；N表示含矿单元块总数；Sj表示具有找矿标志A的单元块数；S表示所含单元块总数。
所述步骤3.5，分析信息量值，求出信息量值的有利区间包括：根据研究区预测要素信息量分析各个预测要素对成矿的影响；按照信息量值大小，结合研究区地质背景和成矿规律划分信息量值区，综合统计信息量区间内含矿单元数。
所述步骤3.6，综合分析证据权法的后验概率值和信息量值，求出最终有利区间，包括：在后验概率区间下，结合信息量值研究结果，计算不同信息量区间中的矿块比例、块体比例以及含矿比率；
所述矿块比例为：信息量区间内含已知矿块数量/总已知矿块数量；
所述块体比例为：信息量区间内块体总数量/研究区块体总数量；
所述含矿比率为：矿块比例/块体比例。
本发明的有益效果为：
本发明设计提出一种基于数字地质模型的矿床预测方法，将计算出的证据权法中的后验概率值和信息量法中的信息量值通过数据处理后，将两个值结合分析，求出有利区间，在次基础上进行预测，圈定靶区，提高了预测的准确性和可视性。本发明解决了在矿床预测过程中，使用单一方法的局限性，利用证据权法的后验概率和信息量，两种数值，结合分析，求出有利区间，缩小并三维展示预测范围，在此基础上再圈定靶区，提高预测准确性和可视性。
附图说明
图1为本发明设计的一种基于数字地质模型的矿床预测方法的流程框图；
图2为本发明实施例所述的研究区数字地质模型；
图3为本发明实施例所述的研究区后验概率含已知矿块统计图；
图4为本发明实施例所述研究区信息量值叠合已知矿体统计结果图；
图5为本发明实施例所述的研究区信息量统计分析图；
图6为本发明实施例所述的靶区分布位置图。
具体实施方式
下面结合附图和实施例对本发明的一种基于数字地质模型的矿床预测方法进行详细说明。
一种基于数字地质模型的矿床预测方法，包括以下步骤：
步骤一：根据需要建立研究区数字地质模型；根据研究区实际情况建立数字地质模型，包括：构造模型、矿体模型和岩体模型；
步骤二：根据数字地质模型，建立块体模型和各预测要素块体模型；
步骤三：计算出证据权法的后验概率值和信息量值，并把证据权法的后验概率值和信息量值结合起来，进行分析，求出有利区间；
步骤3.1：计算证据权法的后验概率值；
步骤3.2：计算三维信息量值；
步骤3.3：将证据权法的后验概率值和信息量值结合分析，求出有利区间；
步骤3.4：分析证据权法的后验概率值，求出后验概率值的有利区间；根据步骤3.1证据权法计算的后验概率值，统计各区间中含已知矿体的矿块数；
步骤3.5：分析信息量值，求出信息量值的有利区间；
步骤3.6：综合分析证据权法的后验概率值和信息量值，求出最终有利区间；
步骤四：将赋予块体模型的后验概率值和信息量值，筛选出有利区间，在次基础上，结合地质认识，圈定靶区。
所述步骤3.1：计算证据权法的后验概率值，还包括：
在GOCAD软件中对已约束的块体进行属性赋值；
计算先验概率：根据已知矿体的分布，统计与分析各预测要素与矿体在空间上的关系，计算各块体内各证据因子的先验概率；
计算权重：结合证据权公式(1)、公式(2)，进一步计算该研究区的权重值；
Figure BDA0002746101510000061
Figure BDA0002746101510000062
其中，W+代表各证据因子在预测区域中存在时的权重值，W-代表各证据因子在预测区域中不存在时的权重值，B为有因子存在的单元数，
Figure BDA0002746101510000063
为因子缺失的单元数，D为含矿单元数，
Figure BDA0002746101510000064
为不含矿点的单元数。
预测要素证据因子层与已知矿床的证据因子层的相关程度的计算公式如下公式(3)：
C＝W+-W-............(3)
其中，C表示预测要素证据因子层与已知矿床的证据因子层的相关程度，则C；当C大于0时，C的值与该证据因子的成矿有利度成正相关，当C为0时，说明该证据因子与成矿没有关系；当C小于0时，C的值与该证据因子的成矿有利度成负相关；
计算后验概率：在先验概率的基础上，通过公式(4)计算得到后验概率；
Figure BDA0002746101510000071
其中：L(D/B)＝L(D)+W+，
Figure BDA0002746101510000072
后验概率值越大，矿体成矿越有利；
所述步骤3.2：计算三维信息量值，包括：通过收集各类地质要素单变量在研究区的空间分布情况；对研究区预测要素定量化分析、统计，将矿床各预测要素的属性值进行二值化处理，通过三维信息量方法计算得出矿床区域内各找矿要素的信息量值；
计算成矿要素信息量值的条件概率计算公式如下公式(5)：
Figure BDA0002746101510000073
公式IA(B)表示找矿标志A中含有矿体B的信息量值的大小；P(A)表示研究范围内出现找矿标志A的概率值；P(A/B)表示在B矿存在时找矿标志A出现的概率值；
通过频率值进行估算，计算结果同概率值计算结果等同；故在此使用频率值代替概率值进行估算，计算公式如下公式(6)：
Figure BDA0002746101510000074
其中，Nj表示同时包含找矿标志A与矿体的单元块数；N表示含矿单元块总数；Sj表示具有找矿标志A的单元块数；S表示所含单元块总数。
所述步骤3.5，分析信息量值，求出信息量值的有利区间包括：根据研究区预测要素信息量分析各个预测要素对成矿的影响；按照信息量值大小，结合研究区地质背景和成矿规律划分信息量值区，综合统计信息量区间内含矿单元数。
所述步骤3.6，综合分析证据权法的后验概率值和信息量值，求出最终有利区间，包括：在后验概率区间下，结合信息量值研究结果，计算不同信息量区间中的矿块比例、块体比例以及含矿比率；
所述矿块比例为：信息量区间内含已知矿块数量/总已知矿块数量；
所述块体比例为：信息量区间内块体总数量/研究区块体总数量；
所述含矿比率为：矿块比例/块体比例。
以某研究区的具体实施例对本发明方法作进一步描述：
步骤S1：根据需要建立研究区数字地质模型；
根据研究区实际情况建立数字地质模型(图2)，可包括构造模型、矿体模型和岩体模型等预测要素模型，用于后期预测矿体所在位置。
步骤S2：根据数字地质模型，建立块体模型和各预测要素块体模型；根据数字地质模型，建立研究区块体模型和各预测要素的块体模型，包括构造缓冲带、“三角形”有利地带、组间界面、地层和岩体，便于以后赋予证据权法的后验概率值和信息量值。
步骤S3：计算出证据权法的后验概率值和信息量值，并把2者结合起来，进行分析，求出有利区间；
步骤S3.1：计算出证据权法的后验概率值和信息量值；
步骤S3.1.1：计算出证据权法的后验概率值；
在GOCAD软件中对已约束的块体进行属性赋值。根据已知矿体的分布，统计与分析各预测要素与矿体在空间上的关系，计算各块体内各证据因子的先验概率。结合证据权公式，进一步计算该研究区的权重值(表1)。
表1研究区预测要素权重值
Figure BDA0002746101510000081
Figure BDA0002746101510000091
W+代表各证据因子在预测区域中存在时的权重值；W-代表各证据因子在预测区域中不存在时的权重值；若预测区域中缺失原始数据，将其权重值定为0。
当C大于0时，C的值与该证据因子的成矿有利度成正相关；当C为0时，说明该证据因子与成矿没有关系；当C小于0时，C的值与该证据因子的成矿有利度成负相关。
在先验概率的基础上，计算得到后验概率。后验概率值体现的是各块体的成矿有利度，后验概率值越大，矿体成矿越有利。然后利用GOCAD软件，将后验概率值做为属性，赋予块体模型。
步骤S3.1.2：计算出三维信息量值；
三维信息量是通过研究各类地质要素单变量在研究区的空间分布情况，根据其在矿产预测过程中的统计分析理论和方法应用，探讨各成矿要素对矿产资源预测和评价的指示作用的大小和找矿意义。
通过对研究区预测要素的定量化分析和统计，将矿床各预测要素的属性值进行二值化(0，1)处理，通过三维信息量方法计算得出矿床区域内各找矿要素的信息量值(表2)：
表2研究区预测要素信息量表
Figure BDA0002746101510000092
Figure BDA0002746101510000101
步骤S3.2：将证据权法的后验概率值和信息量值结合分析，求出有利区间；
步骤S3.2.1：分析证据权法的后验概率值，求出后验概率值的有利区间；
根据上述证据权法计算的后验概率值，统计各区间中含已知矿体的矿块数(图5)，经统计60％的已知矿体落在后验概率值>＝0.65的立方块中。
步骤S3.2.2：分析信息量值，求出信息量值的有利区间；
根据表2可以看出，各个预测要素对成矿的影响。基于研究结果，按照信息量值大小，结合研究区地质背景和成矿规律划分信息量值区，进而综合统计信息量区间内含矿单元数(图4)，经统计60％的已知矿体落在信息量值>＝1.2的立方块中。
步骤S3.2.3：综合分析证据权法的后验概率值和信息量值，求出最终有利区间；
在后验概率区间的指导下，结合信息量值研究结果，计算不同信息量区间中的矿块比例(信息量区间内含已知矿块数量/总已知矿块数量)、块体比例(信息量区间内块体总数量/研究区块体总数量)以及含矿比率(矿块比例/块体比例)(图5)，进一步统计发现，随着信息量值的不断升高，含矿比率一直收敛，说明研究区预测工作符合统计学规律，根据图3、4、5的统计规律，可得结论：后验概率>＝0.65且信息量>＝1.2的区域为最终有利成矿区域。
步骤S4：将赋予块体模型的后验概率值和信息量值，筛选出有利区间，在次基础上，结合地质认识，圈定靶区。
在GOCAD软件中，将后验概率值>＝0.65和信息量值>＝1.2的块体，分别筛选出来，并求出两者交集，即为最终有利成矿区间。
在成矿有利区间的基础上，根据地质认识，圈定出靶区(图6)。靶区位于已知矿体下部，-200米到-800米深度。
上面对本发明的实施例作了详细说明，本发明并不限于上述实例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.一种基于数字地质模型的矿床预测方法，其特征在于：包括以下步骤：
步骤一：根据需要建立研究区数字地质模型；根据研究区实际情况建立数字地质模型，包括：构造模型、矿体模型和岩体模型；
步骤二：根据数字地质模型，建立块体模型和各预测要素块体模型；
步骤三：计算出证据权法的后验概率值和信息量值，并把证据权法的后验概率值和信息量值结合起来，进行分析，求出有利区间；
步骤3.1：计算证据权法的后验概率值；
步骤3.2：计算三维信息量值；
步骤3.3：将证据权法的后验概率值和信息量值结合分析，求出有利区间；
步骤3.4：分析证据权法的后验概率值，求出后验概率值的有利区间；根据步骤3.1证据权法计算的后验概率值，统计各区间中含已知矿体的矿块数；
步骤3.5：分析信息量值，求出信息量值的有利区间；
步骤3.6：综合分析证据权法的后验概率值和信息量值，求出最终有利区间；
步骤四：将赋予块体模型的后验概率值和信息量值，筛选出有利区间，在次基础上，结合地质认识，圈定靶区。
2.根据权利要求1所述的一种基于数字地质模型的矿床预测方法，其特征在于：所述步骤3.1：计算证据权法的后验概率值，还包括：
在GOCAD软件中对已约束的块体进行属性赋值；
计算先验概率：根据已知矿体的分布，统计与分析各预测要素与矿体在空间上的关系，计算各块体内各证据因子的先验概率；
计算权重：结合证据权公式(1)、公式(2)，进一步计算该研究区的权重值；
Figure FDA0002746101500000021
Figure FDA0002746101500000022
其中，W+代表各证据因子在预测区域中存在时的权重值，W-代表各证据因子在预测区域中不存在时的权重值，B为有因子存在的单元数，
Figure FDA0002746101500000023
为因子缺失的单元数，D为含矿单元数，
Figure FDA0002746101500000024
为不含矿点的单元数。
预测要素证据因子层与已知矿床的证据因子层的相关程度的计算公式如下公式(3)：
C＝W+-W-…………(3)
其中，C表示预测要素证据因子层与已知矿床的证据因子层的相关程度，则C；当C大于0时，C的值与该证据因子的成矿有利度成正相关，当C为0时，说明该证据因子与成矿没有关系；当C小于0时，C的值与该证据因子的成矿有利度成负相关；
计算后验概率：在先验概率的基础上，通过公式(4)计算得到后验概率P(D/B)；
Figure FDA0002746101500000025
其中：L(D/B)＝L(D)+W+，
Figure FDA0002746101500000026
后验概率值越大，矿体成矿越有利。
3.根据权利要求2所述的一种基于数字地质模型的矿床预测方法，其特征在于：所述步骤3.2：计算三维信息量值，包括：通过收集各类地质要素单变量在研究区的空间分布情况；对研究区预测要素定量化分析、统计，将矿床各预测要素的属性值进行二值化处理，通过三维信息量方法计算得出矿床区域内各找矿要素的信息量值；
计算成矿要素信息量值的条件概率计算公式如下公式(5)：
Figure FDA0002746101500000031
公式IA(B)表示找矿标志A中含有矿体B的信息量值的大小；P(A)表示研究范围内出现找矿标志A的概率值；P(A/B)表示在B矿存在时找矿标志A出现的概率值；
通过频率值进行估算，计算结果同概率值计算结果等同；故在此使用频率值代替概率值进行估算，计算公式如下公式(6)：
Figure FDA0002746101500000032
其中，Nj表示同时包含找矿标志A与矿体的单元块数；N表示含矿单元块总数；Sj表示具有找矿标志A的单元块数；S表示所含单元块总数。
4.根据权利要求3所述的一种基于数字地质模型的矿床预测方法，其特征在于：所述步骤3.5，分析信息量值，求出信息量值的有利区间包括：根据研究区预测要素信息量分析各个预测要素对成矿的影响；按照信息量值大小，结合研究区地质背景和成矿规律划分信息量值区，综合统计信息量区间内含矿单元数。
5.根据权利要求4所述的一种基于数字地质模型的矿床预测方法，其特征在于：所述步骤3.6，综合分析证据权法的后验概率值和信息量值，求出最终有利区间，包括：在后验概率区间下，结合信息量值研究结果，计算不同信息量区间中的矿块比例、块体比例以及含矿比率；
所述矿块比例为：信息量区间内含已知矿块数量/总已知矿块数量；
所述块体比例为：信息量区间内块体总数量/研究区块体总数量；
所述含矿比率为：矿块比例/块体比例。
CN202011166876.5A 2020-10-27 2020-10-27 一种基于数字地质模型的矿床预测方法 Pending CN112380674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011166876.5A CN112380674A (zh) 2020-10-27 2020-10-27 一种基于数字地质模型的矿床预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011166876.5A CN112380674A (zh) 2020-10-27 2020-10-27 一种基于数字地质模型的矿床预测方法

Publications (1)

Publication Number Publication Date
CN112380674A true CN112380674A (zh) 2021-02-19

Family

ID=74577219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011166876.5A Pending CN112380674A (zh) 2020-10-27 2020-10-27 一种基于数字地质模型的矿床预测方法

Country Status (1)

Country Link
CN (1) CN112380674A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272798A (zh) * 2022-08-01 2022-11-01 中国地质大学（武汉） 一种利用信息量扩充成矿预测训练正样本的方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101038680A (zh) * 2007-04-29 2007-09-19 中国地质大学（北京） 基于三维建模的立方体预测模型找矿方法
CN110334882A (zh) * 2019-07-17 2019-10-15 中国地质大学（北京） 一种隐伏矿体定量预测方法及装置
US20200074270A1 (en) * 2018-09-05 2020-03-05 International Business Machines Corporation Estimate ore content based on spatial geological data through 3d convolutional neural networks
CN114399092A (zh) * 2021-12-28 2022-04-26 核工业北京地质研究院 一种基于地下水铀异常的砂岩型铀矿三维找矿预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101038680A (zh) * 2007-04-29 2007-09-19 中国地质大学（北京） 基于三维建模的立方体预测模型找矿方法
US20200074270A1 (en) * 2018-09-05 2020-03-05 International Business Machines Corporation Estimate ore content based on spatial geological data through 3d convolutional neural networks
CN110334882A (zh) * 2019-07-17 2019-10-15 中国地质大学（北京） 一种隐伏矿体定量预测方法及装置
CN114399092A (zh) * 2021-12-28 2022-04-26 核工业北京地质研究院 一种基于地下水铀异常的砂岩型铀矿三维找矿预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FAN YANG, GONGWEN WANG, M. SANTOSH, RUIXI LI, LI TANG, HUAWEN CAO, NANA GUO, CHAO LIU: "Delineation of potential exploration targets based on 3D geological modeling A case study from the Laoangou Pb-Zn-Ag polymetallic ore deposit, China", ORE GEOLOGY REVIEWS, vol. 89, pages 228 - 252 *
张权平;陈建平;陈雪薇;李国超;刘畅;朱静;: "贵州烂泥沟金矿三维定量预测", 地球学报, vol. 41, no. 02, pages 193 - 206 *
马恒: "相山铀矿田邹家山勘查区三维地质建模与定量预测", 中国优秀硕士学位论文全文数据库基础科学辑, no. 2, pages 011 - 411 *
马恒;朱鹏飞;张松;何紫兰;曹珂;白芸;孔伟豪;: "相山铀矿田横涧-岗上英矿区三维预测", 地质与勘探, vol. 53, no. 05, pages 968 - 976 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272798A (zh) * 2022-08-01 2022-11-01 中国地质大学（武汉） 一种利用信息量扩充成矿预测训练正样本的方法及系统
CN115272798B (zh) * 2022-08-01 2023-05-26 中国地质大学（武汉） 一种利用信息量扩充成矿预测训练正样本的方法及系统

Similar Documents

Publication Publication Date Title
CN110334882A (zh) 一种隐伏矿体定量预测方法及装置
Nelson et al. Soil pH buffering capacity: a descriptive function and its application to some acidic tropical soils
CN103345566B (zh) 基于地质内涵的化探异常识别与评价方法
CN105699624B (zh) 一种基于土壤发生层厚度预测的土壤有机碳储量估算方法
CN112613092B (zh) 一种路基压实度空间分布的预测方法和预测装置
CN101055631A (zh) 一种空间数据模糊证据权重分析方法
CN115983505A (zh) 一种固体矿产三维立体成矿预测方法及装置
AU2009341850A1 (en) Method for predicting fluid flow
CN106920176B (zh) 一种矿集区尺度矿产资源估算方法及系统
Yazdani-Chamzini et al. Using a integrated MCDM model for mining method selection in presence of uncertainty
CN105808866B (zh) 一种基于分形方法度量地质要素与矿床的空间关系的方法
CN115494560B (zh) 一种基于ct和钻探数据相结合的建模新方法
CN112380674A (zh) 一种基于数字地质模型的矿床预测方法
CN102576370A (zh) 空隙度分析的系统和方法
CN110286416A (zh) 一种基于物性函数的快速二维密度反演方法
CN107507179A (zh) 基于gocad的岩土体量化分析方法
CN107944750A (zh) 一种贫困深度分析方法及系统
Malanchuk et al. Modelling mineral reserve assessment using discrete kriging methods.
CN111967677A (zh) 一种非常规资源甜点分布的预测方法及装置
CN107908834B (zh) 隐伏矿体的三维定位成矿预测方法以及系统
CN106568919A (zh) 基于岩石物理分析的页岩脆性预测方法
Mavrouli et al. Review and advances in methodologies for rockfall hazard and risk assessment
Hazrathosseini et al. Geometric quality assessment of in situ blocks in dimension stone quarries
Rezaei et al. Three-dimensional subsurface modeling and classification of mineral reserve: a case study of the C-North iron skarn ore reserve, Sangan, NE Iran
Batista et al. Comparative analysis between geological modelling methods

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