CN113722412B - 一种于空间维度上查询及预测岩石参数的方法 - Google Patents

一种于空间维度上查询及预测岩石参数的方法 Download PDF

Info

Publication number
CN113722412B
CN113722412B CN202111022019.2A CN202111022019A CN113722412B CN 113722412 B CN113722412 B CN 113722412B CN 202111022019 A CN202111022019 A CN 202111022019A CN 113722412 B CN113722412 B CN 113722412B
Authority
CN
China
Prior art keywords
rock
predicting
map
module
parameters
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
CN202111022019.2A
Other languages
English (en)
Other versions
CN113722412A (zh
Inventor
徐颖
汤俊喜
陈荣
吴帮标
夏开文
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202111022019.2A priority Critical patent/CN113722412B/zh
Publication of CN113722412A publication Critical patent/CN113722412A/zh
Application granted granted Critical
Publication of CN113722412B publication Critical patent/CN113722412B/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
    • 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
    • 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
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种于空间维度上查询并预测岩石参数的方法，该方法由三个模块组成，它包括地图集模块，交互空间模块和预测岩石参数模块，地图集模块利用SuperMap软件对地图图层进行预处理，将栅格地图配准并矢量化，为交互空间模块提供可视化界面，为预测岩石模块的预测功能提供可输入信息，交互空间模块为使用C#语言通过二次开发整合地图资源和预测数据资源创建的人机方便交互的软件，预测岩石参数模块通过收集大量岩石参数数据，对已知的完整岩石物理参数作为一次训练样本，对不完整数据进行预处理作为测试样本，提高预测结果的正确率，通过Python算法达到预测岩石参数的目的；本发明可查询及预测世界范围内任意一处地点岩石的各种物理参数。

Description

一种于空间维度上查询及预测岩石参数的方法
技术领域
本发明属于岩土力学性质查询预测技术领域，具体涉及一种于空间维度上查询及预测岩石参数的方法。
背景技术
世界上岩石的种类千差万别，同一种岩石的物理参数及性质也不尽相同，因此每次岩土工程选址、实验室进行岩土试验对岩石的选择都需要亲自到现场进行勘探工作，获取现场岩石的基本属性和参数等数据，耗费大量的人力物力。在计算机技术飞速发展的现代，使用大数据查询及预测岩石岩性和物理参数已是一种必然趋势。
现有的预测岩石岩性的手段基本都是根据现场钻孔岩心数据、测井数据、岩石组分构成和地震数据来进行训练或者反演达到预测岩性的目的，不能脱离于“地理位置”和“现场获取数据”这两个框架。
发明内容
为了解决上述问题，本发明提供一种于空间维度上查询及预测岩石参数的方法，可快速便捷的查询及预测各地范围内岩石的基本性质和物理参数。
为解决以上问题，本方法采用了如下技术方法：
一种于空间维度上查询及预测岩石参数的方法，该方法由三个模块组成，包括地图集模块，交互空间模块和预测岩石参数模块，地图集模块利用SuperMap软件对地图图层进行预处理，将栅格地图配准并矢量化，使地图图层能够搭载各类岩石和图层所处空间的基本信息，为交互空间模块提供可视化界面，为预测岩石模块的预测功能提供可输入信息，交互空间模块为使用C#语言通过二次开发整合地图资源和预测数据资源创建的方便人机交互的软件，预测岩石参数模块通过收集大量岩石参数数据，对已知的完整岩石物理参数作为一次训练样本，对不完整数据进行预处理作为测试样本，提高预测结果的正确率，通过Python算法达到预测岩石参数的目的，包括如下步骤：
步骤1：收集各地高精度地图并利用SuperMap软件将其配准和矢量化，将拓扑构面生成的面称为面域，于地图面域上增加岩石年代、地层符号、岩性和粒径及矿物成分等基本信息；
步骤2：收集已知的各种岩石参数数据，利用Python算法对完整岩石数据和不完整岩石数据进行预处理分别作为训练样本和测试样本，提高预测精度；
步骤3：将Python算法打包封装成岩石预测程序，每种岩石的各个物理参数对应各个不同的Python预测程序；
步骤4：使用C#语言设计人机交互界面，即交互空间模块，将矢量地质图数据-操作人-Python预测程序结合起来；
步骤5：在步骤4的人机交互界面中点击某一面域，查看该面域岩石的基本信息；
步骤6：点击欲查看的某种岩石物理性质，从众多类别岩石中选择该岩石类别，激活对应上述某种岩石的上述某种物理性质下的Python预测程序；
步骤7：根据步骤5中查询显示的岩石基本信息，输入到步骤6打开的预测程序中预测岩石参数；
步骤8：按照固定格式输出预测结果，可直接导入到其他软件中为后续数值模拟做基础，如将结果写为k文件格式输出，k文件可作为ANSYS的命令计算文件。
进一步说明，利用SuperMap软件对高精度地图进行矢量化步骤：首先建立工作空间，导入栅格高精度地图，然后建立线数据集，对地图各个岩石类型所属区域描边，经过拓扑构面生成面数据集，赋予面数据集里的各个面域具有多个岩石特定属性信息。
进一步说明，地图集模块需将各个独立的面数据集集和在一个工作空间下，供交互空间模块调用。
进一步说明，使用Python算法预测岩石物理参数所输入变量包括以下变量的全部或部分：年代、形成原因、岩石类别、风化、侵蚀、断层、粒径和矿物成分。
进一步说明，预测岩石单轴抗压强度的模型输入变量为粒径和矿物成分，输出变量为岩石单轴抗压强度。
进一步说明，收集各种岩石参数数据建立数据库，通过PCA算法进行高维数据的降维，KNN进行数据增强，然后尝试多种算法进行训练、验证及测试，选出合适的模型为RandomForest模型。
有益效果：
1、利用本发明方法可查询及预测世界范围内任意一处地点的岩石各种物理参数，为岩土工程的选址、地质勘探的前期工作提供参考和实验室岩土试验的岩石类别及质量选择都有较高的应用价值，减少了在场地勘探和岩石选择上的人力物力的投入，提高了岩土专业人员的工作效率。
2、本发明利用地图集模块利用SuperMap软件对地图图层进行预处理，将栅格地图配准并矢量化，使地图图层能够搭载各类岩石和图层所处空间的基本信息，为交互空间模块提供可视化界面，为预测岩石模块的预测功能提供可输入信息，将处理好的多个地图归一，集合在一个工作空间下。
3、本发明使用C#语言和SuperMap iObjects.NET 10i组件开发包建立交互空间模块，通过二次开发整合地图资源和预测数据资源创建的方便人机交互的软件，将矢量地质图数据-操作人-Python预测程序结合起来。
4、本发明预测岩石参数模块通过收集大量岩石参数数据，对已知的完整岩石物理参数作为一次训练样本，对不完整数据进行预处理作为测试样本，提高预测结果的正确率，通过Python算法达到预测岩石参数的目的，如将信息显示窗口中岩石基本信息输入岩石预测程序中即可预测岩石单轴抗压强度，之后按规定文件格式导出即可预测岩石参数。
附图说明
图1是本发明提出的一种于空间维度上查询及预测岩石参数的方法的各模块关联图；
图2是本发明提出的一种于空间维度上查询及预测岩石参数的方法的步骤流程图；
图3是交互模块初始界面图；
图4是查询面域中岩石信息实例图；
图5是预测岩石参数模块可执行文件打开初始界面图；
图6是岩石参数预测结果图。
具体实施方式
下面将结合本方法实施例中的附图，对本方法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申请的一部分实施例，而不是全部的实施例。基于本方法中的实施例，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，都属于本方法保护的范围。
实施例1
如图1所示，一种于空间维度上查询并预测岩石参数的方法，该方法由三个模块组成，它包括地图集模块，交互空间模块和预测岩石参数模块，地图集模块利用SuperMap软件对地图图层进行预处理，将栅格地图配准并矢量化，使地图图层能够搭载各类岩石和图层所处空间的基本信息，为交互空间模块提供可视化界面，为预测岩石模块的预测功能提供可输入信息。交互空间模块为使用C#语言通过二次开发整合地图资源和预测数据资源创建的方便人机交互软件。预测岩石参数模块通过收集大量岩石参数数据，对已知的完整岩石物理参数作为一次训练样本，对不完整数据进行预处理(理论归纳与流程设计)作为测试样本，提高预测结果的正确率，通过Python算法达到预测岩石参数的目的。
如图2所示，岩石数据预处理步骤：基于国内外公开发表的文献，结合课题组历史累积资料，采用数据挖掘的方法搜集统计岩石材料的产地、物理参数和力学参数；
如图2所示，岩石建立材料参数库步骤：对上述数据进行整理、分析，获得各材料参数，并分析材料地质参数与力学参数之间的关联性，建立材料参数库模型。
如图2所示，岩石建立预测岩石参数模块步骤：通过PCA算法进行高维数据的降维，KNN进行数据增强，然后尝试多种算法进行训练、验证及测试，选出合适的模型为RandomForest模型。
利用Anaconda创建专门的虚拟环境，根据主程序的需要配置对应的package，然后用pyinstaller将主程序和模型统一打包为一个可执行文件，文件打开界面如图4所示。
如图2所示，地质图配准步骤：对各个地图进行配准工作，选取5各控制点添加空间坐标信息。
如图2所示，地质图矢量化步骤：打开SuperMap软件，建立工作空间，创建文件型数据源并导入高精度地图。
在数据源下创建线数据集，对整张地图各岩石区域描边后经过拓扑构面生成面数据集。
对上述生成的面数据集添加多个文本属性，为各面域中的岩石添加基本参数和为了实现预测功能需要输入的特定信息。
如图2所示，建立地图集步骤：将处理好的多个地图归一，集合在一个工作空间下。
如图2所示，生成交互空间步骤：使用C#语言和SuperMap iObjects.NET 10i组件开发包建立交互空间模块，交互模块初始界面如图3。
交互模块初始界面由工具条、普通图层和三维球体组成。
如图2所示，选择欲查看的岩石所在面域步骤：首先点击图3中左侧普通图层下的省份名称，三维球体根据空间坐标信息自动跳转到对应省份位置并显示该省份轮廓地图，图中实线将山东区域分为一个个岩石面域，点击面域于界面左侧跳出信息显示窗口，包括该面域岩石的基本信息，包括地区、年代、地层、岩性和粒径及矿物成分，如图4。
如图2所示，选择并激活岩石参数预测程序步骤：点击三维球体中山东区域随意一处面域获得岩石类别信息后，根据上述信息激活对应的岩石预测程序，程序界面如图5。
如图2所示，预测结果并导出步骤：将信息显示窗口中岩石基本信息输入岩石预测程序中即可预测岩石单轴抗压强度，之后按规定文件格式导出即可，预测结果图如图6所示。
实施例2
本实施例进一步说明上述一种于空间维度上查询并预测岩石参数的方法，包括如下步骤：
步骤1：收集各地高精度地图并利用SuperMap软件将其配准和矢量化，将拓扑构面生成的面称为面域，于地图面域上增加岩石年代、地层符号、岩性和粒径及矿物成分等基本信息；
步骤2：收集已知的各种岩石参数数据，利用Python算法对完整岩石数据和不完整岩石数据进行预处理分别作为训练样本和测试样本，提高预测精度；
步骤3：将Python算法打包封装成岩石预测程序，每种岩石的各个物理参数对应各个不同的Python预测程序；
步骤4：使用C#语言设计人机交互界面，即交互空间模块，将矢量地质图数据-操作人-Python预测程序结合起来；
步骤5：在步骤4的人机交互界面中点击某一面域，查看该面域岩石的基本信息；
步骤6：点击欲查看的某种岩石物理性质，从众多类别岩石中选择该岩石类别，激活对应上述某种岩石的上述某种物理性质下的Python预测程序；
步骤7：根据步骤5中查询显示的岩石基本信息，输入到步骤6打开的预测程序中预测岩石参数；
步骤8：按照固定格式输出预测结果，可直接导入到其他软件中为后续数值模拟做基础，如将结果写为k文件格式输出，k文件可作为ANSYS的命令计算文件。
其中，所述的SuperMap软件是GIS软件的一种或其他的GIS软件实现相同的功能。
其中，利用SuperMap软件对高精度地图进行矢量化步骤是首先建立工作空间，导入栅格高精度地图，然后建立线数据集，对地图各个岩石类型所属区域描边，经过拓扑构面生成面数据集，之后赋予面数据集里的各个面域多个岩石特定属性信息。
其中，地图集模块需将各个独立的面数据集集和在一个工作空间下，供交互空间模块调用。
其中，使用其它计算机语言实现的相同人机交互功能与C#语言相同。
其中，使用Python算法预测岩石物理参数所输入变量包括以下变量的全部或部分：年代、形成原因、岩石类别、风化、侵蚀、断层、粒径和矿物成分，预测岩石单轴抗压强度的模型输入变量为粒径和矿物成分，输出变量为岩石单轴抗压强度。
其中，收集各种岩石参数数据建立数据库，通过PCA算法进行高维数据的降维，KNN进行数据增强，然后尝试多种算法进行训练、验证及测试，选出合适的模型为RandomForest模型。
其中，除了Python语言外，使用其他计算机语言以相同的方法实现的相同预测功能与Python语言相同。
其中，所述预测岩石参数的方法具有用于预测其它岩石和其它参数的功能。

Claims (8)

1.一种于空间维度上查询及预测岩石参数的方法，该方法由三个模块组成，包括地图集模块，交互空间模块和预测岩石参数模块，地图集模块利用SuperMap软件对地图图层进行预处理，将栅格地图配准并矢量化，使地图图层能够搭载各类岩石和图层所处空间的基本信息，为交互空间模块提供可视化界面，为预测岩石模块的预测功能提供可输入信息，交互空间模块为使用C#语言通过二次开发整合地图资源和预测数据资源创建的方便人机交互的软件，预测岩石参数模块通过收集大量岩石参数数据，对已知的完整岩石物理参数作为一次训练样本，对不完整数据进行预处理作为测试样本，提高预测结果的正确率，通过Python算法达到预测岩石参数的目的，其特征在于，包括如下步骤：
步骤1：收集各地高精度地图并利用SuperMap软件将其配准和矢量化，将拓扑构面生成的面称为面域，于地图面域上增加岩石年代、地层符号、岩性和粒径及矿物成分的基本信息；
步骤2：收集已知的各种岩石参数数据，利用Python算法对完整岩石数据和不完整岩石数据进行预处理分别作为训练样本和测试样本，提高预测精度；
步骤3：将Python算法打包封装成岩石预测程序，每种岩石的各个物理参数对应各个不同的Python预测程序；
步骤4：使用C#语言设计人机交互界面，即交互空间模块，将矢量地质图数据-操作人-Python预测程序结合起来；
步骤5：在步骤4的人机交互界面中点击某一面域，查看该面域岩石的基本信息；
步骤6：点击欲查看的某种岩石物理性质，从众多类别岩石中选择该岩石类别，激活对应上述某种岩石的上述某种物理性质下的Python预测程序；
步骤7：根据步骤5中查询显示的岩石基本信息，输入到步骤6打开的预测程序中预测岩石参数；
步骤8：按照固定格式输出预测结果，将结果写为k文件格式输出，k文件可作为ANSYS的命令计算文件。
2.根据权利要求1所述的一种于空间维度上查询及预测岩石参数的方法，其特征在于：所述的SuperMap软件是GIS软件的一种或其他的GIS软件实现相同的功能。
3.根据权利要求1所述的一种于空间维度上查询及预测岩石参数的方法，其特征在于：利用SuperMap软件对高精度地图进行矢量化步骤是首先建立工作空间，导入栅格高精度地图，然后建立线数据集，对地图各个岩石类型所属区域描边，经过拓扑构面生成面数据集，之后赋予面数据集里的各个面域多个岩石特定属性信息。
4.根据权利要求1所述的一种于空间维度上查询及预测岩石参数的方法，其特征在于：地图集模块需将各个独立的面数据集集和在一个工作空间下，供交互空间模块调用。
5.根据权利要求1所述的一种于空间维度上查询及预测岩石参数的方法，其特征在于：使用其它计算机语言实现的相同人机交互功能与C#语言相同。
6.根据权利要求1所述的一种于空间维度上查询及预测岩石参数的方法，其特征在于：使用Python算法预测岩石物理参数所输入变量包括以下变量的全部或部分：年代、形成原因、岩石类别、风化、侵蚀、断层、粒径和矿物成分，预测岩石单轴抗压强度的模型输入变量为粒径和矿物成分，输出变量为岩石单轴抗压强度。
7.根据权利要求6所述的一种于空间维度上查询及预测岩石参数的方法，其特征在于：收集各种岩石参数数据建立数据库，通过PCA算法进行高维数据的降维，KNN进行数据增强，然后尝试多种算法进行训练、验证及测试，选出合适的模型为Random Forest模型。
8.根据权利要求6所述的一种于空间维度上查询及预测岩石参数的方法，其特征在于：除了Python语言外，使用其他计算机语言以相同的方法实现的相同预测功能与Python语言相同。
CN202111022019.2A 2021-09-01 2021-09-01 一种于空间维度上查询及预测岩石参数的方法 Active CN113722412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111022019.2A CN113722412B (zh) 2021-09-01 2021-09-01 一种于空间维度上查询及预测岩石参数的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111022019.2A CN113722412B (zh) 2021-09-01 2021-09-01 一种于空间维度上查询及预测岩石参数的方法

Publications (2)

Publication Number Publication Date
CN113722412A CN113722412A (zh) 2021-11-30
CN113722412B true CN113722412B (zh) 2023-09-08

Family

ID=78680651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111022019.2A Active CN113722412B (zh) 2021-09-01 2021-09-01 一种于空间维度上查询及预测岩石参数的方法

Country Status (1)

Country Link
CN (1) CN113722412B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182335A (zh) * 2018-01-26 2018-06-19 山东科技大学 一种基于abaqus的岩石力学试验数值仿真方法
US10689954B1 (en) * 2019-04-24 2020-06-23 Dagang Oil Field Company Of Cnpc Research method of trajectory design and on-site tracking and adjustment of shale oil horizontal well
CN111596978A (zh) * 2019-03-03 2020-08-28 山东英才学院 用人工智能进行岩相分类的网页显示方法、模块和系统
WO2021026545A1 (en) * 2019-08-06 2021-02-11 Exxonmobil Upstream Research Company Petrophysical inversion with machine learning-based geologic priors

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182335A (zh) * 2018-01-26 2018-06-19 山东科技大学 一种基于abaqus的岩石力学试验数值仿真方法
CN111596978A (zh) * 2019-03-03 2020-08-28 山东英才学院 用人工智能进行岩相分类的网页显示方法、模块和系统
US10689954B1 (en) * 2019-04-24 2020-06-23 Dagang Oil Field Company Of Cnpc Research method of trajectory design and on-site tracking and adjustment of shale oil horizontal well
WO2021026545A1 (en) * 2019-08-06 2021-02-11 Exxonmobil Upstream Research Company Petrophysical inversion with machine learning-based geologic priors

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
区域三维空间岩石可钻性预测方法研究与应用;耿智;樊洪海;陈勉;王金钟;纪荣艺;景宁;石油钻探技术;第42卷(第5期);全文 *

Also Published As

Publication number Publication date
CN113722412A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN104881435B (zh) 一种基于数据挖掘的研究流程自动化测井评价专家系统
CN101906965B (zh) Vr地质环境下的地层识别与分析方法
CN102750739B (zh) 三维地质模型的构建方法
CN111859811B (zh) 一种基于模糊逻辑和机器学习的成矿预测方法及系统
CN103233741B (zh) 定量化评价超大型地下洞室群施工期围岩稳定性的方法
CN110490100A (zh) 基于深度学习的岩土自动识别定名方法及系统
MX2015004001A (es) Propagacion de actualizaciones del plano de fractura.
CN103279986A (zh) 三维水平地质剖面图制作方法及其用途
CN102609982B (zh) 空间地质数据非结构化模式的拓扑发现方法
CN104598553B (zh) 一种复合式的地质图制图自动综合的方法
CN114238488B (zh) 一种多专业数字化成果集成与数据交互方法及系统
CN107038505A (zh) 基于机器学习的找矿模型预测方法
CN109102564A (zh) 一种复杂地质体数值模型的耦合建模方法
CN113223116B (zh) 一种基于AutoCAD的滑边坡地质模型、构建方法及评价方法
CN106530101A (zh) 一种矿岩界判定及探采对比方法
Hassanzadeh et al. An automatic geological 3D cross-section generator: Geopropy, an open-source library
CN113722412B (zh) 一种于空间维度上查询及预测岩石参数的方法
CN116307123B (zh) 一种基于知识图谱驱动的矿产资源预测方法、存储介质
McGaughey et al. Geological models, rock properties, and the 3D inversion of geophysical data
CN113534283B (zh) 一种砂岩型铀矿成矿要素特征的定量评价方法
CN114325828A (zh) 一种砂岩型铀矿数字地质图编制方法
EP3451191B1 (en) Computer implemented method for manipulating a numerical model of a 3d domain
CN111815769A (zh) 逆冲推覆构造带构造的建模方法、计算设备及存储介质
CN109002674A (zh) 一种隧洞群施工进度仿真方法及系统
CN116797755B (zh) 一种构造混杂岩带多时空三维地质结构建模方法

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