CN113323662A - 一种潜在矿区的矿产资源分析系统 - Google Patents
一种潜在矿区的矿产资源分析系统 Download PDFInfo
- Publication number
- CN113323662A CN113323662A CN202110654741.1A CN202110654741A CN113323662A CN 113323662 A CN113323662 A CN 113323662A CN 202110654741 A CN202110654741 A CN 202110654741A CN 113323662 A CN113323662 A CN 113323662A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- prediction
- module
- geological
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 96
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 65
- 239000011707 mineral Substances 0.000 title claims abstract description 65
- 238000005065 mining Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 26
- 238000007405 data analysis Methods 0.000 claims description 17
- 238000011160 research Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 4
- IYLGZMTXKJYONK-ACLXAEORSA-N (12s,15r)-15-hydroxy-11,16-dioxo-15,20-dihydrosenecionan-12-yl acetate Chemical compound O1C(=O)[C@](CC)(O)C[C@@H](C)[C@](C)(OC(C)=O)C(=O)OCC2=CCN3[C@H]2[C@H]1CC3 IYLGZMTXKJYONK-ACLXAEORSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- IYLGZMTXKJYONK-UHFFFAOYSA-N ruwenine Natural products O1C(=O)C(CC)(O)CC(C)C(C)(OC(C)=O)C(=O)OCC2=CCN3C2C1CC3 IYLGZMTXKJYONK-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C39/00—Devices for testing in situ the hardness or other properties of minerals, e.g. for giving information as to the selection of suitable mining tools
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及矿产资源分析,具体涉及一种潜在矿区的矿产资源分析系统,利用潜在矿区识别单元基于对分析数据的处理分析结果划定待识别区,通过地质数据采集单元能够根据待识别区确定预测区域,从而实现对潜在矿区位置的准确判断;储量分析预测模块根据区域模型、空间模型对预测区域进行矿产储量预测分析,从而能够准确预测潜在矿产资源量;预测模型优化模块根据储量分析预测模块预测分析得到的矿产储量与实地勘查结果之间的差异,对预测模型构建单元构建的区域模型、空间模型进行模型优化,从而能够不断提升潜在矿产资源量的预测精度;本发明提供的技术方案能够有效克服不能对潜在矿区的位置进行准确判断、无法准确预测潜在矿产资源量的缺陷。
Description
技术领域
本发明涉及矿产资源分析,具体涉及一种潜在矿区的矿产资源分析系统。
背景技术
对区域未发现的潜在矿产资源进行定量预测是矿产资源评价的重要任务。自二十世纪八十年代初,国际地科联推广了区域价值法、体积法、丰度法、矿床模型法、主观概率法和综合预测等六种方法以来,矿产资源评价得到了长足发展。一方面,定量数学模型由特征分析发展到证据权、模糊证据权、神经网络等方法;另一方面,国际上资源评价方法体系逐步由矿床模型法固定为“三部式”评价方法。
关于潜在矿产资源量的估算问题,资源评价专家也一直在努力解决,如:维克斯首先使用体积法来估计未发现的石油资源;辛格等提出的“三部式”资源量估算方法中,使用了未发现矿床数,标准矿床模型的品位、吨位等数据进行潜在资源量模拟估算。在二十世纪八十年代开展的资源量预测中除体积法外,还重点探讨了数量化理论、逻辑信息法等资源量估算方法,试图用数学方法找出影响资源量的地质变量组合。
然而,现有的潜在矿产资源量估算方法,一方面不能对潜在矿区的位置进行准确判断,无法准确识别预测区域;另一方面对于潜在矿产资源量估算的精确度较低,不能准确预测潜在矿产资源量。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种潜在矿区的矿产资源分析系统,能够有效克服现有技术所存在的不能对潜在矿区的位置进行准确判断、无法准确预测潜在矿产资源量的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种潜在矿区的矿产资源分析系统,包括服务器,以及
潜在矿区识别单元,根据当地相关地质信息确定研究预测矿产种类,采集相应分析数据,并基于对分析数据的处理分析结果划定待识别区;
地质数据采集单元,根据待识别区确定预测区域及取样点,并采集地质样本数据、地质信息;
第二数据处理模块,用于对地质数据采集单元采集的地质样本数据、地质信息进行分层归类,并对同层中相邻区域的数据信息进行整合;
预测模型构建单元,用于对第二数据处理模块的数据处理结果进行分析,并根据分析结果构建区域模型、空间模型;
储量分析预测模块,根据预测模型构建单元构建的区域模型、空间模型对预测区域进行矿产储量预测分析;
预测模型优化模块,根据储量分析预测模块预测分析得到的矿产储量与实地勘查结果之间的差异,对预测模型构建单元构建的区域模型、空间模型进行模型优化。
优选地,所述潜在矿区识别单元包括:
基础数据采集模块,用于采集当地相关地质信息;
分析种类确定模块,根据当地相关地质信息确定研究预测矿产种类;
分析数据采集模块,根据研究预测矿产种类筛选并采集相应分析数据;
第一数据处理模块,用于对分析数据进行分类及归一化处理,并对归一化数据进行叠加;
第一数据分析模块,用于对第一数据处理模块的数据处理结果进行处理分析,并划定待识别区。
优选地,所述分析数据采集模块根据研究预测矿产种类从地球物理信息、地球化学信息和矿产勘查信息筛选并采集相应分析数据;
所述地球物理信息包括重磁测量、电磁测量等数据信息;
所述地球化学信息包括岩石地球化学测量、土壤地球化学测量、水系沉积物测量等数据信息。
优选地,所述第一数据处理模块根据分析数据采集模块筛选并采集得到分析数据的所属种类及对应计量单位进行数据分类,并对每一类分析数据进行归一化处理。
优选地,所述第一数据处理模块将每一类分析数据对应的归一化数据乘以相应权重系数,并进行叠加得到区域判别参数;
所述第一数据分析模块根据区域判别参数绘制等值线平面图,选取零值线以上的区域为待识别区。
优选地,所述地质数据采集单元包括:
取样点设定模块,根据待识别区确定预测区域及取样点;
地质数据采集模块,用于在各取样点处采集深度地质样本数据、中间层地质样本数据和浅层地质样本数据;
地质信息采集模块,用于采集预测区域内的地质物理信息、地质化学信息。
优选地,所述取样点设定模块根据在待识别区内进行的扩散性分层取样结果,确定潜在矿区分布区域的边界线,并将边界线内部区域作为预测区域;
所述取样点设定模块根据预测区域的地理分布特点进行划分,并确定各区域内的取样点。
优选地,所述预测模型构建单元包括:
第二数据分析模块,用于对地质数据采集模块采集的地质样本数据进行分析测算;
区域模型构建模块,结合第二数据分析模块的分析结果以及地质信息采集模块采集的地质信息构建区域模型;
空间模型构建模块,结合第二数据分析模块的分析结果以及地理分布空间信息构建空间模型。
优选地,所述预测模型优化模块根据储量分析预测模块的预测分析结果选定合适的实地勘查点,对从实地勘查点采集到的地质样本数据进行元素分析,得到预测矿产储量与实地勘查结果之间的差异,基于该差异对区域模型、空间模型进行模型优化。
(三)有益效果
与现有技术相比,本发明所提供的一种潜在矿区的矿产资源分析系统,具有以下优点:
1)利用潜在矿区识别单元能够根据当地相关地质信息确定研究预测矿产种类,采集相应分析数据,并基于对分析数据的处理分析结果划定待识别区,通过地质数据采集单元能够根据待识别区确定预测区域,从而实现对潜在矿区位置的准确判断;
2)借助第二数据处理模块对地质数据采集单元采集的地质样本数据、地质信息进行有效处理,预测模型构建单元对数据处理结果进行分析,并根据分析结果构建区域模型、空间模型,储量分析预测模块根据区域模型、空间模型对预测区域进行矿产储量预测分析,从而能够准确预测潜在矿产资源量;
3)预测模型优化模块根据储量分析预测模块预测分析得到的矿产储量与实地勘查结果之间的差异,对预测模型构建单元构建的区域模型、空间模型进行模型优化,从而能够不断提升潜在矿产资源量的预测精度。
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,下面将对实施例或现有技术描述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为本发明的系统示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
一种潜在矿区的矿产资源分析系统,如图1所示,包括服务器,以及
潜在矿区识别单元,根据当地相关地质信息确定研究预测矿产种类,采集相应分析数据,并基于对分析数据的处理分析结果划定待识别区;
地质数据采集单元,根据待识别区确定预测区域及取样点,并采集地质样本数据、地质信息;
第二数据处理模块,用于对地质数据采集单元采集的地质样本数据、地质信息进行分层归类,并对同层中相邻区域的数据信息进行整合;
预测模型构建单元,用于对第二数据处理模块的数据处理结果进行分析,并根据分析结果构建区域模型、空间模型;
储量分析预测模块,根据预测模型构建单元构建的区域模型、空间模型对预测区域进行矿产储量预测分析;
预测模型优化模块,根据储量分析预测模块预测分析得到的矿产储量与实地勘查结果之间的差异,对预测模型构建单元构建的区域模型、空间模型进行模型优化。
潜在矿区识别单元包括:
基础数据采集模块,用于采集当地相关地质信息;
分析种类确定模块,根据当地相关地质信息确定研究预测矿产种类;
分析数据采集模块,根据研究预测矿产种类筛选并采集相应分析数据;
第一数据处理模块,用于对分析数据进行分类及归一化处理,并对归一化数据进行叠加;
第一数据分析模块,用于对第一数据处理模块的数据处理结果进行处理分析,并划定待识别区。
分析数据采集模块根据研究预测矿产种类从地球物理信息、地球化学信息和矿产勘查信息筛选并采集相应分析数据。其中,地球物理信息包括重磁测量、电磁测量等数据信息;地球化学信息包括岩石地球化学测量、土壤地球化学测量、水系沉积物测量等数据信息。
第一数据处理模块根据分析数据采集模块筛选并采集得到分析数据的所属种类及对应计量单位进行数据分类,并对每一类分析数据进行归一化处理。
第一数据处理模块将每一类分析数据对应的归一化数据乘以相应权重系数,并进行叠加得到区域判别参数。第一数据分析模块根据区域判别参数绘制等值线平面图,选取零值线以上的区域为待识别区。
本申请技术方案中,首先基于当地相关地质信息确定研究预测矿产种类,再根据研究预测矿产种类从地球物理信息、地球化学信息和矿产勘查信息筛选并采集相应分析数据,并由第一数据处理模块进行数据处理,得到区域判别参数,根据得到区域判别参数准确判断潜在矿区位置。
地质数据采集单元包括:
取样点设定模块,根据待识别区确定预测区域及取样点;
地质数据采集模块,用于在各取样点处采集深度地质样本数据、中间层地质样本数据和浅层地质样本数据;
地质信息采集模块,用于采集预测区域内的地质物理信息、地质化学信息。
取样点设定模块根据在待识别区内进行的扩散性分层取样结果,确定潜在矿区分布区域的边界线,并将边界线内部区域作为预测区域。取样点设定模块根据预测区域的地理分布特点进行划分,并确定各区域内的取样点。
本申请技术方案中,取样点设定模块根据在待识别区内进行的扩散性分层取样结果,确定潜在矿区分布区域的边界线,从而能够准确识别出预测区域。
预测模型构建单元包括:
第二数据分析模块,用于对地质数据采集模块采集的地质样本数据进行分析测算;
区域模型构建模块,结合第二数据分析模块的分析结果以及地质信息采集模块采集的地质信息构建区域模型;
空间模型构建模块,结合第二数据分析模块的分析结果以及地理分布空间信息构建空间模型。
本申请技术方案中,区域模型构建模块结合第二数据分析模块的分析结果以及地质信息采集模块采集的地质信息构建区域模型,空间模型构建模块结合第二数据分析模块的分析结果以及地理分布空间信息构建空间模型,储量分析预测模块基于区域模型、空间模型能够对预测区域中潜在矿产资源量进行准确预测。
预测模型优化模块根据储量分析预测模块的预测分析结果选定合适的实地勘查点,对从实地勘查点采集到的地质样本数据进行元素分析,得到预测矿产储量与实地勘查结果之间的差异,基于该差异对区域模型、空间模型进行模型优化。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种潜在矿区的矿产资源分析系统,其特征在于:包括服务器,以及
潜在矿区识别单元,根据当地相关地质信息确定研究预测矿产种类,采集相应分析数据,并基于对分析数据的处理分析结果划定待识别区;
地质数据采集单元,根据待识别区确定预测区域及取样点,并采集地质样本数据、地质信息;
第二数据处理模块,用于对地质数据采集单元采集的地质样本数据、地质信息进行分层归类,并对同层中相邻区域的数据信息进行整合;
预测模型构建单元,用于对第二数据处理模块的数据处理结果进行分析,并根据分析结果构建区域模型、空间模型;
储量分析预测模块,根据预测模型构建单元构建的区域模型、空间模型对预测区域进行矿产储量预测分析;
预测模型优化模块,根据储量分析预测模块预测分析得到的矿产储量与实地勘查结果之间的差异,对预测模型构建单元构建的区域模型、空间模型进行模型优化。
2.根据权利要求1所述的潜在矿区的矿产资源分析系统,其特征在于:所述潜在矿区识别单元包括:
基础数据采集模块,用于采集当地相关地质信息;
分析种类确定模块,根据当地相关地质信息确定研究预测矿产种类;
分析数据采集模块,根据研究预测矿产种类筛选并采集相应分析数据;
第一数据处理模块,用于对分析数据进行分类及归一化处理,并对归一化数据进行叠加;
第一数据分析模块,用于对第一数据处理模块的数据处理结果进行处理分析,并划定待识别区。
3.根据权利要求2所述的潜在矿区的矿产资源分析系统,其特征在于:所述分析数据采集模块根据研究预测矿产种类从地球物理信息、地球化学信息和矿产勘查信息筛选并采集相应分析数据;
所述地球物理信息包括重磁测量、电磁测量等数据信息;
所述地球化学信息包括岩石地球化学测量、土壤地球化学测量、水系沉积物测量等数据信息。
4.根据权利要求3所述的潜在矿区的矿产资源分析系统,其特征在于:所述第一数据处理模块根据分析数据采集模块筛选并采集得到分析数据的所属种类及对应计量单位进行数据分类,并对每一类分析数据进行归一化处理。
5.根据权利要求4所述的潜在矿区的矿产资源分析系统,其特征在于:所述第一数据处理模块将每一类分析数据对应的归一化数据乘以相应权重系数,并进行叠加得到区域判别参数;
所述第一数据分析模块根据区域判别参数绘制等值线平面图,选取零值线以上的区域为待识别区。
6.根据权利要求1所述的潜在矿区的矿产资源分析系统,其特征在于:所述地质数据采集单元包括:
取样点设定模块,根据待识别区确定预测区域及取样点;
地质数据采集模块,用于在各取样点处采集深度地质样本数据、中间层地质样本数据和浅层地质样本数据;
地质信息采集模块,用于采集预测区域内的地质物理信息、地质化学信息。
7.根据权利要求6所述的潜在矿区的矿产资源分析系统,其特征在于:所述取样点设定模块根据在待识别区内进行的扩散性分层取样结果,确定潜在矿区分布区域的边界线,并将边界线内部区域作为预测区域;
所述取样点设定模块根据预测区域的地理分布特点进行划分,并确定各区域内的取样点。
8.根据权利要求6所述的潜在矿区的矿产资源分析系统,其特征在于:所述预测模型构建单元包括:
第二数据分析模块,用于对地质数据采集模块采集的地质样本数据进行分析测算;
区域模型构建模块,结合第二数据分析模块的分析结果以及地质信息采集模块采集的地质信息构建区域模型;
空间模型构建模块,结合第二数据分析模块的分析结果以及地理分布空间信息构建空间模型。
9.根据权利要求8所述的潜在矿区的矿产资源分析系统,其特征在于:所述预测模型优化模块根据储量分析预测模块的预测分析结果选定合适的实地勘查点,对从实地勘查点采集到的地质样本数据进行元素分析,得到预测矿产储量与实地勘查结果之间的差异,基于该差异对区域模型、空间模型进行模型优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654741.1A CN113323662A (zh) | 2021-06-11 | 2021-06-11 | 一种潜在矿区的矿产资源分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654741.1A CN113323662A (zh) | 2021-06-11 | 2021-06-11 | 一种潜在矿区的矿产资源分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113323662A true CN113323662A (zh) | 2021-08-31 |
Family
ID=77421248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110654741.1A Pending CN113323662A (zh) | 2021-06-11 | 2021-06-11 | 一种潜在矿区的矿产资源分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113323662A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626230A (zh) * | 2022-03-18 | 2022-06-14 | 杨邦会 | 一种地质矿产资源储量的模拟方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103534617A (zh) * | 2011-02-25 | 2014-01-22 | 全球科技服务有限公司 | 用于定位地下矿体的方法、系统及装置 |
CN103942841A (zh) * | 2013-08-15 | 2014-07-23 | 中国地质科学院矿产资源研究所 | 基于gis的矿产资源多元信息处理方法及其系统 |
CN110442666A (zh) * | 2019-08-02 | 2019-11-12 | 中国地质调查局发展研究中心 | 一种基于神经网络模型的矿产资源预测方法及系统 |
CN110728402A (zh) * | 2019-10-10 | 2020-01-24 | 辽宁工程技术大学 | 一种基于地质标本分析的区域矿产资源预测系统 |
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 |
-
2021
- 2021-06-11 CN CN202110654741.1A patent/CN113323662A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103534617A (zh) * | 2011-02-25 | 2014-01-22 | 全球科技服务有限公司 | 用于定位地下矿体的方法、系统及装置 |
CN103942841A (zh) * | 2013-08-15 | 2014-07-23 | 中国地质科学院矿产资源研究所 | 基于gis的矿产资源多元信息处理方法及其系统 |
CN110442666A (zh) * | 2019-08-02 | 2019-11-12 | 中国地质调查局发展研究中心 | 一种基于神经网络模型的矿产资源预测方法及系统 |
CN110728402A (zh) * | 2019-10-10 | 2020-01-24 | 辽宁工程技术大学 | 一种基于地质标本分析的区域矿产资源预测系统 |
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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626230A (zh) * | 2022-03-18 | 2022-06-14 | 杨邦会 | 一种地质矿产资源储量的模拟方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106526693B (zh) | 裂缝识别方法和装置 | |
US11037084B2 (en) | Method and apparatus for evaluating exploitation value of a geological resource | |
CN109800863B (zh) | 一种基于模糊理论和神经网络的测井相识别方法 | |
Wan | A spatial decision support system for extracting the core factors and thresholds for landslide susceptibility map | |
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
Karami et al. | Assessment and modeling of the groundwater hydrogeochemical quality parameters via geostatistical approaches | |
CN110728402B (zh) | 一种基于地质标本分析的区域矿产资源预测系统 | |
Ghiasi-Freez et al. | Semi-automated porosity identification from thin section images using image analysis and intelligent discriminant classifiers | |
CN107480460B (zh) | 大区域复杂背景区多元素地球化学异常识别方法 | |
CN107728231B (zh) | 一种预测核磁共振测井横向弛豫时间t2分布的方法 | |
CN107356958A (zh) | 一种基于地质信息约束的河流相储层分步地震相预测方法 | |
CN103345566B (zh) | 基于地质内涵的化探异常识别与评价方法 | |
CN113642849A (zh) | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 | |
Wang et al. | Improved pore structure prediction based on MICP with a data mining and machine learning system approach in Mesozoic strata of Gaoqing field, Jiyang depression | |
CN114139819B (zh) | 基于地统计加权随机森林的地球化学变量空间预测方法 | |
CN117576335B (zh) | 面向矿产区域勘查的三维空间模型数据处理方法及系统 | |
RU2630852C1 (ru) | Способ прогноза эффективной емкости коллекторов на основе получаемых поляризационных параметров и проводимости для выбранного типа среды | |
CN113323662A (zh) | 一种潜在矿区的矿产资源分析系统 | |
Taghvaeenezhad et al. | Quantifying the criteria for classification of mineral resources and reserves through the estimation of block model uncertainty using geostatistical methods: a case study of Khoshoumi Uranium deposit in Yazd, Iran | |
Cardarilli et al. | Landslide risk management through spatial analysis and stochastic prediction for territorial resilience evaluation | |
CN109656906A (zh) | 一种基于大数据的勘查资料的处理方法 | |
CN117272181B (zh) | 采用机器学习建模来判别锆石宿主岩石和成矿环境的方法 | |
Sheng et al. | Evaluation of hydrocarbon potential using fuzzy AHP-based grey relational analysis: a case study in the Laoshan Uplift, South Yellow Sea, China | |
Aitken et al. | A role for data richness mapping in exploration decision making | |
Li et al. | A rapid updating method to predict grade heterogeneity at smaller scales |
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 |