CN114138923A - 一种构建地质图知识图谱的方法 - Google Patents
一种构建地质图知识图谱的方法 Download PDFInfo
- Publication number
- CN114138923A CN114138923A CN202111474650.6A CN202111474650A CN114138923A CN 114138923 A CN114138923 A CN 114138923A CN 202111474650 A CN202111474650 A CN 202111474650A CN 114138923 A CN114138923 A CN 114138923A
- Authority
- CN
- China
- Prior art keywords
- geological
- entity
- map
- relation
- relative
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000000463 material Substances 0.000 claims abstract description 12
- 238000013136 deep learning model Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000009545 invasion Effects 0.000 claims description 5
- 230000001089 mineralizing effect Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 208000035126 Facies Diseases 0.000 claims description 3
- OSMSIOKMMFKNIL-UHFFFAOYSA-N calcium;silicon Chemical compound [Ca]=[Si] OSMSIOKMMFKNIL-UHFFFAOYSA-N 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 3
- 230000002378 acidificating effect Effects 0.000 claims 1
- 239000012530 fluid Substances 0.000 claims 1
- 230000007935 neutral effect Effects 0.000 claims 1
- 230000005501 phase interface Effects 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000019771 cognition Effects 0.000 abstract description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 13
- 239000011707 mineral Substances 0.000 description 13
- 235000010755 mineral Nutrition 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 8
- 239000011435 rock Substances 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000033558 biomineral tissue development Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229910052761 rare earth metal Inorganic materials 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- VYAXJSIVAVEVHF-RYIFMDQWSA-N [(8r,9s,13s,14s,17s)-17-(cyclohexen-1-yloxy)-13-methyl-6,7,8,9,11,12,14,15,16,17-decahydrocyclopenta[a]phenanthren-3-yl] propanoate Chemical compound O([C@@H]1[C@@]2(C)CC[C@@H]3C4=CC=C(C=C4CC[C@H]3[C@@H]2CC1)OC(=O)CC)C1=CCCCC1 VYAXJSIVAVEVHF-RYIFMDQWSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009411 base construction Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 238000012933 kinetic analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001698 pyrogenic effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于地质图谱构建技术领域，提供了一种构建地质图知识图谱的方法，包括以下步骤：步骤（1）：地质体实体提取及地质体类型识别；步骤（2）：地质界面实体提取及其类型识别；步骤（3）：断裂构造实体提取及其类型识别；步骤（4）：地质实体与地质实体的关系提取，所述地质实体与地质实体的关系包括空间位置关系、相对时间关系、物质组成关系和成因关系；步骤（5）：生成知识图谱数据库。本发明可将地质图信息以知识图谱的形式表达，不仅具有基本的图网络结构，更具有规范的地质语义连接规则，极大的提高了地质图语义表达的效果，使计算机能够有效处理、分析、理解和应用地质图中包含的地质知识和信息，同时也可以提高地质人员对地质图的理解和认识。
Description
技术领域
本发明属于地质图谱构建技术领域，尤其涉及一种构建地质图知识图谱的方法。
背景技术
知识图谱技术是人工智能技术的重要组成部分，通过“实体-关系-实体”的形式组织和表达信息。知识图谱可以表达重要地质特征、成因、地质演化、矿产形成和矿床分布等方面的重要信息，是进行地质研究、矿产地质调查和矿产预测的地质知识库。地质图主要表达了通过区域地质调查、矿产地质调查所获取的地球表面的地质知识，如：地层单元、岩体、断裂等知识和信息，以往地质图所包含的地质知识主要通过人工的方式进行综合分析，主要用于地质规律挖掘、成因分析和矿产资源预测。图神经网络越来越受到重视，为有效使用知识图谱创造了良好条件。因此，把构建地质图知识图谱对实现智能地质分析和智能找矿预测提供了重要基础条件。
目前，机器学习方法对地质图的智能识别技术更多地集中在图像本身像素点、颜色差异、分辨率等图像的组成结构单元上，但一幅图像所传达的实际信息和知识远多于图像几何结构信息的表达效果，地质图更是如此。地质图的基本内容包括地理要素和地质要素两部分内容，绘图要素包括点、线、区（面）三种文件。其中地理地图既有测量控制点、坐标网等基本的数学要素，也有水系、地貌等基本的自然地理要素，地质要素更包括了地层、断裂、岩体等具有一定时间和空间跨度的信息。
现有的知识图谱技术，多集中于文本信息的组织和开发，缺乏对如何将以图形形式表达的地质图转化为知识图谱的技术方法。而地质图本身包含了丰富的地质知识和信息，是地质科学的“信息宝库”，在地质数据分析中不能有效利用地质图中所包含的知识和信息，将在很大程度上影响地质研究成果的有效性。针对此，本发明研发了一种地质图的知识表示方法，通过提取地质图中所包含的地质实体及关系，将地质图信息以知识图谱的形式表达，不仅具有基本的图网络结构，更具有规范的语义连接规则，极大的提高了地质图语义表达的效果，使计算机能够有效处理、分析、理解和应用地质图中包含的知识和信息，同时也可以提高地质人员对地质图的理解和认识。
发明内容
本发明实施例的目的在于提供一种构建地质图知识图谱的方法，旨在解决目前机器学习方法对地质图的智能分析技术无法完全有效的识别和利用地质图中的知识和信息的问题。
本发明实施例是这样实现的，一种构建地质图知识图谱的方法，包括以下步骤：
步骤（1）：地质体实体提取及地质体类型识别；
步骤（2）：地质界面实体提取及其类型识别；
步骤（3）：断裂构造实体提取及其类型识别；
步骤（4）：地质实体与地质实体的关系提取，所述地质实体与地质实体的关系包括空间位置关系、相对时间关系、物质组成和成因关系；
步骤（5）：生成知识图谱数据库。
进一步的技术方案，所述步骤（1）中的地质体类型识别方法为，根据地质图空间数据库给出的地质体的名称、形成时代、岩性描述信息，基于自然语言模型，获取地质体的数字化表示，训练地质实体类型识别深度学习模型，对地质体类型进行识别，把地质体划分为沉积地质体、侵入地质体、火山地质体和变质地质体及其子类，确定每个地质体所属的标签类型，为构建地质图知识图谱提供实体标签信息。
进一步的技术方案，所述步骤（2）中的地质界面类型包括地层界面、侵入界面、岩性界面、岩相界面、沉积相界面和构造界面等若干大类，每个所述大类包括平行不整合、角度不整合、沉积不整合、侵入和硅钙面等若干子类。
进一步的技术方案，在所述步骤（2）中，从空间数据库提取弧段两侧地质体信息，每个弧段代表一段地质界面，基于NLP技术，采用卷积神经网络构建地质界面类型识别深度学习模型，并进行界面识别。
进一步的技术方案，所述步骤（3）中的断裂构造类型包括张性断裂、压性断裂、左旋压扭性断裂、右旋压扭性断裂、左旋张扭性断裂、右旋张扭性断裂。
进一步的技术方案，在所述步骤（3）中，从空间数据库提取断裂构造的几何信息和属性信息，采用卷积神经网络构建断裂构造类型识别深度学习模型，并进行断裂构造类型识别。
进一步的技术方案，在所述步骤（4）中，所述空间位置关系包括确定相对距离关系、确定相对方位关系、确定相对走向关系和确定相对倾向倾角关系。其中，所述相对距离关系是指一个地质实体到另一地质实体的最小距离，所述相对方位关系是指一个地质要素相对于另一个地质要素的方位，所述相对走向关系是指一个地质体相对于另一个地质体的走向之间的相对关系，所述相对倾向倾角关系是指一个地质体的倾向倾角与地层倾向倾角之间的关系。根据地质体、地质界面、断裂的空间位置信息及产状信息，通过空间位置分析确定地质实体之间的相对距离关系、确定相对方位关系、确定相对走向关系和确定相对倾向倾角关系。
进一步的技术方案，在所述步骤（4）中，所述相对时间关系包括同期、之前、之后三种关系。根据地质体的时代、相对空间位置关系、切割关系确定地质实体之间的相对时间关系。
进一步的技术方案，在所述步骤（4）中，所述物质组成关系包括源于、非源于两种关系，其中来源于关系包括成矿物质来源于、成矿热液来源于等关系。根据地质实体的主要元素、微量元素、稀土元素、同位素信息，通过物质来源相关性分析，如富集、迁移等关系确定地质实体之间的物质来源关系。
本发明实施例提供的一种构建地质图知识图谱的方法，采用地质图实体提取、地质实体标签确定和地质实体之间关系分析，把地质图所包含的信息和知识转化为知识图谱，有效地将地质图件转为计算机可以理解和计算的形式，并以知识图谱的形式组织图件信息可以采用知识图谱分析方法对地质研究、区域地质研究、矿产地质调查与矿产勘查领域进行地质要素的关系、成因机制、地质规律和成矿规律进行分析，实现基于知识的找矿预测方法。
附图说明
图1为本发明实施例提供的一种构建地质图知识图谱的方法中的地质图知识图谱构建流程图；
图2为本发明实施例提供的一种构建地质图知识图谱的方法中的地质图知识图谱与基础地质图谱的关联显示图。
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。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1-2所示，针对地质图的知识和信息的抽取，主要从实体、关系、属性三方面进行抽取，抽取的内容为文本数据和几何数据两种，将地质图所表示的地质体（区数据）、地质界线（弧段数据）、断裂（线数据）、矿床（点数据）作为实体进行抽取。在地质图中，几何数据主要有区数据、弧段数据、线数据、点数据四种。其中，文本数据为点数据的一种，主要为地质图中的注释说明。地质体实体的属性信息抽取内容为地质体的时代、地层单元名称或岩体名称、岩性组合、建造类型等；地质界面（弧段）的属性抽取内容为地质界面类型等；地质实体的关系提取内容包括空间关系、时间关系、成因关系等。构建地质图知识图谱的方法，主要包括以下步骤：
步骤（1）：地质体实体提取及地质体类型分析。地质图上表示的主要地质实体包括：沉积地质体、火成地质体、变质地质体、矿体。通过解析地质图空间数据库，可以提取地质体信息。地质实体类型为地质体所属的类型标签。地质体实体类型分为沉积地质体、火成地质体、变质地质体、矿体等大类。根据地质体的时代、岩性描述和地层单元名称，地质体实体大类可以进一步划分为亚类。每个亚类可以进一步分为子类，如侵入体可以进一步分为深成侵入体、浅成侵入体和超浅成侵入体，或分为基性侵入体、中性侵入体和酸性侵入体等。可以根据岩性描述，基于自然语言模型（BERT、XLNET等），获取地质实体的数字化表示，训练地质实体类型识别深度学习模型，获取每个地质实体类型，确定每个地质体的所属的标签类型，为构建地质图知识图谱提供实体标签信息。
步骤（2）地质界面实体提取及其类型识别。从地质图空间数据库提取弧段信息，每个弧段代表一段地质界面。地质界面类型可以分为地层界面、侵入界面、岩性界面、岩相界面、沉积相界面、构造界面等大类，各大类又可进一步细分为：平行不整合、角度不整合、沉积不整合、侵入、硅钙面等子类。通过从空间数据库提取弧段两侧地质体信息（时代和岩性描述等），基于NLP技术，采用卷积神经网络构建地质界面类型识别深度学习模型，并进行界面类型识别。
步骤（3）断裂构造实体提取及其类型识别。从地质图空间数据库提取断裂构造属性信息和空间位置信息。断裂构造的属性信息包括断裂名称、走向、性质、特征描述、活动时期。断裂的空间位置信息包括断裂控制点的空间坐标信息。根据断裂熟悉信息和空间位置信息，进行断裂构造几何分析、运动学和动力学分析确定断裂构造实体的类型。
步骤（4）：地质实体与地质实体关系提取。
1）空间位置关系
①确定相对距离关系：距离关系是指一个地质实体到另一地质实体的最小距离，指示了空间相关性，如一个矿床到另一个矿床的网格单元中心点到弧段的最短距离，该属性代表了给定空间位置与地质体或地质界面的空间位置关系。通常一个空间位置距成矿地质体的距离越近，成矿相关性越密切、成矿的可能性越大。
②确定相对方位关系：表示一个地质要素相对于另一个地质要素的方位，包括北、北北东、北东、北东东、东、南东东、南东、南南东、南、南南西、南西、南西西、西、北西西、北西和北北西16个方向；如地质图信息中表示燕山期花岗岩体位于某矿床的北东35°，相对距离与相对方位信息结合起来可以确定一个地质体相对另一个地质体的确切空间位置。
③确定相对走向关系：表示一个地质体相对于另一个地质体的走向之间的相对关系，包括:平行、斜交和垂直，如断裂走向与岩体边界走向的关系，如果断裂走向与岩体边界走向斜交，且岩体为成矿地质体，则断裂构造可能为成矿流体的运移通道，有利于成矿床的形成。将上述地质现象转为知识图谱，并通过添加关系属性设定走向之间的相对关系，并引入图算法计算地质要素的关联性
④相对倾向倾角关系：表示一个地质体的倾向倾角与地层（断裂等）倾向倾角之间的关系，包括倾向相同或倾向相反等关系。如果两个地质体的倾向、倾角相近，则表明这两个地质体在空间位置具有一致性。
2）相对时间关系。表示地质图上两个实体在形成时间的相对关系，可将如一个地层单元是实体的形成时代比某个成矿侵入岩体的形成时代早，该地层单元可能为赋矿地层，反之该地层单元与成矿的关系不大，这类时间关系，通过设置具体的时间阈值限定图谱中关系的先后。
3）物质组成关系。表示地质图上某个地质实体与另一个地质实体在物质组成方面的关联性。例如，如果图件信息中一条含矿岩脉与侵入岩体在物质组成上（主要元素、微量元素、稀土元素和同位素）具有相关性，在图谱中往往具有相同的社区聚类。
4）成因关系。表示地质图上某个地质实体与另一个地质实体在成因方面的关联性，包括相关和不相关两种关系。如果一个地质实体与另一个地质实体是在同一构造作用过程中形成的，则这两个地质体具有成因联系。根据地质实体的相对空间位置、形成时间、物质组成方面的相关性，采用深度学习模型可以确定地质体之间的成因联系。
步骤（5）生成知识图谱数据库。采用图数据库，根据前述提取的地质实体、地质实体的属性、地质实体与地质实体的关系，生成由实体节点和关系表达的地质图知识图谱。并把地质图知识图谱与地质知识图谱合并，使地质图知识图谱能与基础地质知识关联起来。此处地质知识图谱的实体与关系主要是从地质图点数据中提取的关于成矿地质背景、成矿规律、成矿模式、以及找矿模式的知识表达。
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 (8)
1.一种构建地质图知识图谱的方法，其特征在于，包括以下步骤：
步骤（1）：地质体实体提取及地质体类型识别；
步骤（2）：地质界面实体提取及其类型识别；
步骤（3）：断裂构造实体提取及其类型识别；
步骤（4）：地质实体与地质实体的关系提取，所述地质实体与地质实体的关系包括空间位置关系、相对时间关系、物质组成关系和成因关系；
步骤（5）：生成知识图谱数据库。
2.根据权利要求1所述的构建地质图知识图谱的方法，其特征在于，所述步骤（1）中的地质体实体类型包括沉积地质体、侵入体、岩脉和矿体；步骤（2）中地质界面实体类型包括不平行不整合、角度不整合、沉积不整合、侵入界面、沉积相界面和硅钙面；步骤（3）中断裂构造实体类型包括张性断裂、压性断裂、左旋压扭性断裂、右旋压扭性断裂、左旋张扭性断裂和右旋张扭性断裂。
3.根据权利要求2所述的构建地质图知识图谱的方法，其特征在于，根据地质体的时代、岩性描述和地层单元名称，将地质体划分为沉积地质体、侵入地质体、火山地质体和变质地质体及其子类型，如侵入地质体可以进一步划分为基性侵入体、中性侵入体和酸性侵入体等子类型。
4.根据权利要求3所述的构建地质图知识图谱的方法，其特征在于，根据地质体的岩性描述，基于自然语言模型，获取地质体的数字化表示，训练地质实体类型识别深度学习模型，获取每个地质实体类型，确定每个地质体所属的标签类型，为构建地质图知识图谱提供实体标签信息。
5.根据权利要求1所述的构建地质图知识图谱的方法，其特征在于，所述步骤（2）中的地质界面类型包括若干大类，所述大类包括地层界面、侵入界面、岩性界面、岩相界面、沉积相界面和构造界面，每个所述大类包括若干子类，如所述地层界面的子类包括平行不整合、角度不整合、沉积不整合和侵入界面。
6.根据权利要求1所述的构建地质图知识图谱的方法，其特征在于，在所述步骤（2）中，从地质图的空间数据库提取弧段两侧地质体信息，基于NLP技术，采用卷积神经网络构建地质界面类型识别深度学习模型，并进行界面类型识别。
7.根据权利要求1所述的构建地质图知识图谱的方法，其特征在于，在所述步骤（4）中，所述空间位置关系包括相对距离关系、相对方位关系、相对走向关系和相对倾向倾角关系；所述时间关系包括同期、之前和之后；所述物质组成关系包括来源于和非来源，其中来源于关系又包括成矿物质来源于和成矿热液来源于；成因关系包括相关和不相关两种关系，其中相关关系包括含矿层位、容矿构造等。
8.根据权利要求7所述的构建地质图知识图谱的方法，其特征在于，所述相对距离关系是指一个地质实体到另一地质实体的最小距离，所述相对方位关系是指一个地质要素相对于另一个地质要素的方位；所述相对走向关系是指一个地质体相对于另一个地质体的走向之间的相对关系；所述相对倾向倾角关系是指一个地质体的倾向倾角与地层倾向倾角之间的关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111474650.6A CN114138923B (zh) | 2021-12-03 | 2021-12-03 | 一种构建地质图知识图谱的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111474650.6A CN114138923B (zh) | 2021-12-03 | 2021-12-03 | 一种构建地质图知识图谱的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114138923A true CN114138923A (zh) | 2022-03-04 |
| CN114138923B CN114138923B (zh) | 2024-06-07 |
Family
ID=80384316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111474650.6A Active CN114138923B (zh) | 2021-12-03 | 2021-12-03 | 一种构建地质图知识图谱的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114138923B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116090662A (zh) * | 2023-03-02 | 2023-05-09 | 中国地质科学院矿产资源研究所 | 基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 |
| CN116307123A (zh) * | 2023-02-23 | 2023-06-23 | 中国地质大学（武汉） | 一种基于知识图谱驱动的矿产资源预测方法、存储介质 |
| CN116662569A (zh) * | 2023-05-31 | 2023-08-29 | 东北石油大学 | 基于知识图谱的油气地质评价方法 |
| CN116665067A (zh) * | 2023-08-01 | 2023-08-29 | 吉林大学 | 基于图神经网络的找矿靶区优选系统及其方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101239785B1 (ko) * | 2012-07-12 | 2013-03-06 | 한국지질자원연구원 | 지질도 시공간 온톨로지 모델 구축 방법 |
| CN103955531A (zh) * | 2014-05-12 | 2014-07-30 | 南京提坦信息科技有限公司 | 基于命名实体库的在线知识地图 |
| CN107133220A (zh) * | 2017-06-07 | 2017-09-05 | 东南大学 | 一种地理学科领域命名实体识别方法 |
| CN111472751A (zh) * | 2019-12-27 | 2020-07-31 | 北京国双科技有限公司 | 测井解释方法、知识图谱构建方法及相关装置 |
| CN112256888A (zh) * | 2020-10-30 | 2021-01-22 | 南京师范大学 | 地理知识获取方法 |
| CA3145918A1 (en) * | 2019-07-26 | 2021-02-04 | Nanyi LI | Address information parsing method and apparatus, system and data acquisition method |
| CN113052968A (zh) * | 2021-04-30 | 2021-06-29 | 电子科技大学 | 三维构造地质模型的知识图谱构建方法 |
| CN113127645A (zh) * | 2021-04-09 | 2021-07-16 | 厦门渊亭信息科技有限公司 | 大规模知识图谱本体自动抽取方法、终端设备及存储介质 |
-
2021
- 2021-12-03 CN CN202111474650.6A patent/CN114138923B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101239785B1 (ko) * | 2012-07-12 | 2013-03-06 | 한국지질자원연구원 | 지질도 시공간 온톨로지 모델 구축 방법 |
| CN103955531A (zh) * | 2014-05-12 | 2014-07-30 | 南京提坦信息科技有限公司 | 基于命名实体库的在线知识地图 |
| CN107133220A (zh) * | 2017-06-07 | 2017-09-05 | 东南大学 | 一种地理学科领域命名实体识别方法 |
| CA3145918A1 (en) * | 2019-07-26 | 2021-02-04 | Nanyi LI | Address information parsing method and apparatus, system and data acquisition method |
| CN111472751A (zh) * | 2019-12-27 | 2020-07-31 | 北京国双科技有限公司 | 测井解释方法、知识图谱构建方法及相关装置 |
| CN112256888A (zh) * | 2020-10-30 | 2021-01-22 | 南京师范大学 | 地理知识获取方法 |
| CN113127645A (zh) * | 2021-04-09 | 2021-07-16 | 厦门渊亭信息科技有限公司 | 大规模知识图谱本体自动抽取方法、终端设备及存储介质 |
| CN113052968A (zh) * | 2021-04-30 | 2021-06-29 | 电子科技大学 | 三维构造地质模型的知识图谱构建方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘俊楠;刘海砚;陈晓慧;郭漩;郭文月;朱新铭;赵清波;: "面向多源地理空间数据的知识图谱构建", 地球信息科学学报, no. 07 * |
| 周永章;陈川;张旗;王功文;肖凡;沈文杰;卞静;王亚;杨威;焦守涛;刘艳鹏;韩枫;: "地质大数据分析的若干工具与应用", 大地构造与成矿学, no. 02 * |
| 朱月琴;谭永杰;吴永亮;张林兵;李杨;赵亚楠;: "面向地质大数据的语义检索模型研究", 中国矿业, no. 12 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307123A (zh) * | 2023-02-23 | 2023-06-23 | 中国地质大学（武汉） | 一种基于知识图谱驱动的矿产资源预测方法、存储介质 |
| CN116307123B (zh) * | 2023-02-23 | 2023-11-14 | 中国地质大学（武汉） | 一种基于知识图谱驱动的矿产资源预测方法、存储介质 |
| CN116090662A (zh) * | 2023-03-02 | 2023-05-09 | 中国地质科学院矿产资源研究所 | 基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 |
| CN116090662B (zh) * | 2023-03-02 | 2024-05-24 | 中国地质科学院矿产资源研究所 | 基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 |
| CN116662569A (zh) * | 2023-05-31 | 2023-08-29 | 东北石油大学 | 基于知识图谱的油气地质评价方法 |
| CN116662569B (zh) * | 2023-05-31 | 2024-04-16 | 东北石油大学 | 基于知识图谱的油气地质评价方法 |
| CN116665067A (zh) * | 2023-08-01 | 2023-08-29 | 吉林大学 | 基于图神经网络的找矿靶区优选系统及其方法 |
| CN116665067B (zh) * | 2023-08-01 | 2023-10-03 | 吉林大学 | 基于图神经网络的找矿靶区优选系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114138923B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA3122686C (en) | Automated reservoir modeling using deep generative networks | |
| Cannon | Reservoir modelling: A practical guide | |
| US11521122B2 (en) | Automated seismic interpretation systems and methods for continual learning and inference of geological features | |
| CN114138923A (zh) | 一种构建地质图知识图谱的方法 | |
| Agar et al. | Fundamental controls on fluid flow in carbonates: current workflows to emerging technologies | |
| US11175434B2 (en) | Geologic stratigraphy via implicit and jump functions | |
| Tadeusiewicz | Neural networks in mining sciences–general overview and some representative examples | |
| CN115879648B (zh) | 一种基于机器学习的三元深部成矿预测方法及系统 | |
| US11249208B2 (en) | Geologic structural model generation | |
| US10732310B2 (en) | Seismic attributes derived from the relative geological age property of a volume-based model | |
| CN106920176B (zh) | 一种矿集区尺度矿产资源估算方法及系统 | |
| US20230161061A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
| Wu et al. | A 3D modeling approach to complex faults with multi-source data | |
| US20230176242A1 (en) | Framework for integration of geo-information extraction, geo-reasoning and geologist-responsive inquiries | |
| Zhang et al. | Three-dimensional structural modeling (3D SM) and joint geophysical characterization (JGC) of hydrocarbon reservoir | |
| CN113627657A (zh) | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 | |
| McGaughey et al. | Geological models, rock properties, and the 3D inversion of geophysical data | |
| WO2023130074A1 (en) | Geologic modeling framework | |
| CN112800158B (zh) | 一种地质图的向量化表示方法 | |
| CN113052968B (zh) | 三维构造地质模型的知识图谱构建方法 | |
| Lovejoy | Scaling and scale invariance | |
| Liu et al. | 3D Geo-Modeling Framework for Multisource Heterogeneous Data Fusion Based on Multimodal Deep Learning and Multipoint Statistics: A case study in South China Sea | |
| US9354340B2 (en) | Strike and dip tooltip for seismic sections | |
| Otmane | Integrated reservoir simulation and machine learning for enhanced reservoir characterization and performance prediction | |
| Hammam et al. | Novel Dual Porosity Simulation Workflow and Solutions for the 3D Fracture Modeling |
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 |