CN114925918A - 一种海外金属矿产找矿靶区优选方法及系统 - Google Patents
一种海外金属矿产找矿靶区优选方法及系统 Download PDFInfo
- Publication number
- CN114925918A CN114925918A CN202210569125.0A CN202210569125A CN114925918A CN 114925918 A CN114925918 A CN 114925918A CN 202210569125 A CN202210569125 A CN 202210569125A CN 114925918 A CN114925918 A CN 114925918A
- Authority
- CN
- China
- Prior art keywords
- target area
- index
- overseas
- model
- optimizing
- 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
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 44
- 239000011707 mineral Substances 0.000 title claims abstract description 44
- 239000002184 metal Substances 0.000 title claims abstract description 34
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000011161 development Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000001089 mineralizing effect Effects 0.000 claims abstract description 18
- 238000011002 quantification Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000005553 drilling Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 239000011435 rock Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004075 alteration Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 description 25
- 238000012795 verification Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000033558 biomineral tissue development Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- RYTYSMSQNNBZDP-UHFFFAOYSA-N cobalt copper Chemical compound [Co].[Cu] RYTYSMSQNNBZDP-UHFFFAOYSA-N 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种海外金属矿产找矿靶区优选方法及系统，涉及金属矿产预测领域，该方法包括：获取模型区的成矿地质条件和外部开发条件；根据成矿地质条件和外部开发条件构建指标库；根据指标库构建指标体系；对指标体系进行定量化处理，得到数据库；构建靶区优选模型；利用数据库的数据对所述靶区优选模型进行训练，得到训练后的靶区优选模型；利用训练后的靶区优选模型对待优选靶区进行计算，得到待优选靶区的级别及概率。本发明能够解决小比例尺、数据不充分情况下，海外金属矿产找矿靶区快速优选问题，能够提高海外金属矿产预测效率，提高预测结果的准确性和可靠性。
Description
技术领域
本发明涉及金属矿产预测领域，特别是涉及一种海外金属矿产找矿靶区优选方法及系统。
背景技术
靶区优选是矿产资源预测与评价中的重要内容，是不同勘查阶段衔接的过渡环节，靶区优选的准确性对后续勘查工作的布局有直接影响。靶区优选不仅要考虑地质、物探、化探、遥感等各类找矿信息的空间分布特征判断成矿可能性，还要综合考虑地理、交通、经济等多方面因素，对找矿靶区进行分级与优劣排序，相对于找矿有利地段的圈定难度更大。对比国内矿产勘查工作，海外矿产勘查常面临公开资料少、工作程度低、资料不准确等问题，利用传统方法开展靶区优选工作面临更强的不确定性，严重影响靶区优选的效率和准确性。在矿业大数据时代，人工智能技术为海外矿产勘查带来了新思路，借助于机器学习算法，解决数据不充分情况下，海外金属矿产找矿靶区快速优选问题，有利于提高海外金属矿产预测效率，降低预测结果的不确定性。
发明内容
本发明的目的是提供一种海外金属矿产找矿靶区优选方法及系统，能够解决小比例尺、数据不充分情况下，海外金属矿产找矿靶区快速优选问题，有利于提高海外金属矿产预测效率，提高预测结果的准确性和可靠性。
为实现上述目的，本发明提供了如下方案：
一种海外金属矿产找矿靶区优选方法，包括：
获取模型区的成矿地质条件和外部开发条件，所述模型区为已勘查开发项目；
根据所述成矿地质条件和外部开发条件构建指标库；
根据所述指标库构建指标体系，所述指标体系包括空间指标和属性指标；
对所述指标体系进行定量化处理，得到数据库；
构建靶区优选模型；
利用所述数据库的数据对所述靶区优选模型进行训练，得到训练后的靶区优选模型；
利用所述训练后的靶区优选模型对待优选靶区进行计算，得到待优选靶区的级别及概率。
可选的，所述成矿地质条件包括大地构造环境、成矿区带、含矿建造、断裂带、岩浆岩、围岩蚀变、物探异常、化探异常、遥感异常和最新钻孔时间。
可选的，所述外部开发条件包括工程地质条件、水文地质条件、可选冶性、供水情况、供电情况、与开发矿山的距离、与城市的距离、与铁路的距离、所在地区营商环境、劳工关系、政治风险、运营风险和安全风险。
可选的，所述空间指标包括大地构造环境、成矿区带、含矿建造、断裂带、岩浆岩、物探异常、化探异常和遥感异常。
可选的，所述属性指标包括与开发矿山的距离、与城市的距离和与铁路的距离。
可选的，采用对空间提取、归一化处理、分级赋值的方式对所述指标体系进行定量化处理。
可选的，所述数据库包括模型区数据和待优选靶区数据。
可选的，采用距离加权最近邻算法构建靶区优选模型。
可选的，利用GIS平台对所述指标体系进行定量化处理。
一种海外金属矿产找矿靶区优选系统，包括：
获取模块，用于获取已勘查开发项目的成矿地质条件和外部开发条件；
指标库构建模块，用于根据所述成矿地质条件和外部开发条件构建指标库；
指标体系构建模块，用于根据所述指标库构建指标体系，所述指标体系包括空间指标和属性指标；
定量化处理模块，用于对所述指标体系进行定量化处理，得到数据库；
靶区优选模型构建模块，用于构建靶区优选模型；
训练模块，用于利用所述数据库的数据对所述靶区优选模型进行训练，得到训练后的靶区优选模型；
计算模块，用于利用所述训练后的靶区优选模型对待优选靶区进行计算，得到待优选靶区的级别及概率。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明在小比例尺、数据不充分情况下，利用距离加权最近邻算法(KNN)等机器学习算法，通过计算待优选靶区与模型区的相关性，快速判断待优选靶区的级别、优劣排序，体现待优选靶区的见矿概率及潜在价值，有利于提高海外金属矿产预测效率，提高成矿预测结果的准确性和可靠性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明海外金属矿产找矿靶区优选方法流程图；
图2为本发明海外金属矿产找矿靶区优选系统模块图。
具体实施方式
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，所描述的实施例仅仅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做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。
本发明的目的是提供一种海外金属矿产找矿靶区优选方法及系统，能够解决小比例尺、数据不充分情况下，海外金属矿产找矿靶区快速优选问题，有利于提高海外金属矿产预测效率，提高预测结果的准确性和可靠性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明海外金属矿产找矿靶区优选方法流程图，如图1所示，一种海外金属矿产找矿靶区优选方法，包括：
步骤101：获取模型区的成矿地质条件和外部开发条件，所述模型区为已勘查开发项目。
其中，已勘查开发项目是指研究区内已开展矿产普查、详查、勘探、开发的项目。
模型区的成矿地质条件包括大地构造环境、成矿区带、含矿建造、断裂带、岩浆岩、围岩蚀变、物探异常、化探异常、遥感异常以及最新钻孔时间等；外部开发条件包括工程地质条件、水文地质条件、可选冶性、供水情况、供电情况、与开发矿山的距离、与城市的距离、与铁路的距离、所在地区营商环境、劳工关系、政治风险、运营风险以及安全风险等。
以中非铜钴矿带砂页岩型铜矿为例，将卡莫阿-卡库拉、Mutunda、Tenke等矿山作为模型区，根据矿区地质详查报告、钻探勘查报告建立指标库，包括所属国家、所属地区、大地构造位置、成矿区带、矿床成因类型、成矿时代、成矿作用、赋矿地层、主岩、蚀变类型、矿石类型、矿体特征、资源量、储量、平均品位、成矿温度、成矿盐度、最新钻孔时间、钻孔见矿深度、钻孔见矿品位、物探异常、化探异常、矿化蚀变、工程地质条件、水文地质条件、工程地质条件、基础设施以及环保要求等。
步骤102：根据所述成矿地质条件和外部开发条件构建指标库。
其中，根据模型区成矿地质条件、外部开发条件，建立模型区靶区优选指标库，以成矿地质条件为基础，综合工程开发、地缘政治、政策、经济、地理等外部开发条件，建立模型区靶区优选指标库，作为后续指标体系构建的基础。
步骤103：根据所述指标库构建指标体系，所述指标体系包括空间指标和属性指标。
其中，针对海外金属矿产靶区预测数据不充分、比例尺小的情况，结合待优选靶区指标可获取情况，在模型区靶区优选指标库中选取一部分指标，构建靶区优选的指标体系。
空间指标是指与空间位置相关，可转化为空间图层的指标，包括大地构造环境、成矿区带、含矿建造、断裂带、岩浆岩、物探异常、化探异常以及遥感异常等；属性指标是指直接描述待优选靶区的指标，可定量化为数值，如与开发矿山的距离、与城市的距离以及与铁路的距离等。
构建的靶区优选指标体系包括一级指标和二级指标，一级指标分为成矿地质条件、外部开发条件根据指标可获取情况，二级指标中成矿地质条件选取含矿建造、断裂带、物探异常、化探异常、矿化蚀变、最新钻孔时间以及勘查投入；外部开发条件选取周边矿山开发情况、基础设施、政策环境、经营环境、安全风险以及环保要求。
二级指标从模型区指标库中选取。
步骤104：对所述指标体系进行定量化处理，得到数据库。
具体的，需要分别对模型区、待优选靶区进行空间指标和属性指标信息提取，建立数据库。该数据库包括模型区数据与待优选靶区数据。
针对空间指标和属性指标，分别采用空间提取、归一化处理、分级赋值等不同的方式进行定量化处理。
具体包括：在GIS平台上，将空间指标转化为空间图层，对模型区和待优选靶区进行靶区优选指标信息提取，定量化处理转化为数值；首先，将空间图层与靶区所在空间位置叠加，将指标转化为数值，例如含矿建造指标转化为是否出露赋矿地层，是则赋值为1，否则赋值为0；断裂带指标则建立缓冲区，根据与断裂带之间的距离赋值。然后，利用归一化处理、分级赋值等不同的方式进行定量化处理，使最终分值介于0-1之间。最后，计算模型区得分，对模型区项目的市值进行正向归一化处理，得到模型区得分。对属性指标进行归一化处理或分级赋值，如对营商环境得分进行正归一化处理，将分值转化为0-1之间。
归一化处理包括正向归一化和负向归一化，与靶区开发有利的条件使用正向归一化，反之则使用负向归一化，具体处理方法如下：
正向归一化：
负向归一化：
其中，xi为指标vi的归一化值，vi为第i个靶区的原始值，min(vi)为所有靶区指标vi的最小值，max(vi)为所有靶区指标vi的最大值。通过这一步骤将指标的分值转化到[0-1]之间。
其他的，例如营商环境得分，也采用正向归一化方式处理。
分级得分即根据数据出现的统计频率，将数据分为几个范围，分别赋予分值。例如最新钻孔时间，采用分级得分方式处理。
步骤105：构建靶区优选模型。
具体为，利用机器学习分类算法构建靶区优选模型，机器学习分类算法包括最近邻算法(KNN)、支持向量机、随机森林、人工神经网络等，用于定量计算待优选靶区与模型区之间的相关性。
例如，靶区优选模型采用距离加权KNN算法构建，计算方法如下：
首先针对一个成矿区带，将待优选靶区作为待测样本x，计算与x距离最近的k个模型区样本，涵盖这k个样本的x的邻域记作Nk(x)。在Nk(x)中根据加权多数表决法确定x的类别y。
距离计算公式为：设特征空间X是n维实数向量空间Rn，xi，xj∈X,
xi，xj的距离L定义为：
其中，l为向量x的维度。
距离权重w的计算公式为：
其中，α和c是常数。
步骤106：利用所述数据库的数据对所述靶区优选模型进行训练，得到训练后的靶区优选模型。
利用模型区对靶区优选数学模型进行训练，准确率验证通过后，对待优选靶区进行快速计算，其中，将数据库中模型区数据作为训练集，待优选靶区作为预测集，选择训练集中20％作为验证集。利用训练集对靶区优选模型进行训练，利用验证集验证准确率，准确率超过80％即为通过验证，利用通过验证的模型对预测集进行评价。
训练与预测过程如下：
(D1)将模型区数据作为训练集，待优选靶区数据作为预测集，选择训练集中20％作为验证集。
(D2)输入训练集指标参数与得分，对靶区优选数学模型进行训练，利用验证集验证准确率，准确率超过80％即为通过验证；未通过验证则调整模型参数，直至通过验证。
(D3)利用通过验证的模型对预测集进行预测，输入预测集靶区的各指标参数，输出靶区得分与级别。
步骤107：利用所述训练后的靶区优选模型对待优选靶区进行计算，得到待优选靶区的级别及概率。
其中，根据待优选靶区级别及概率，生成图表，并输出成果报告。其中，靶区级别分为I级、II级、III级，体现了靶区见矿概率及潜在价值。
另外，基于上述方法，本发明还提供了一种海外金属矿产找矿靶区优选系统，如图2所示，包括：
获取模块201，用于获取已勘查开发项目的成矿地质条件和外部开发条件。
指标库构建模块202，用于根据所述成矿地质条件和外部开发条件构建指标库。
指标体系构建模块203，用于根据所述指标库构建指标体系，所述指标体系包括空间指标和属性指标。
定量化处理模块204，用于对所述指标体系进行定量化处理，得到数据库；
靶区优选模型构建模块205，用于构建靶区优选模型。
训练模块206，用于利用所述数据库的数据对所述靶区优选模型进行训练，得到训练后的靶区优选模型。
计算模块207，用于利用所述训练后的靶区优选模型对待优选靶区进行计算，得到待优选靶区的级别及概率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种海外金属矿产找矿靶区优选方法，其特征在于，包括：
获取模型区的成矿地质条件和外部开发条件，所述模型区为已勘查开发项目；
根据所述成矿地质条件和外部开发条件构建指标库；
根据所述指标库构建指标体系，所述指标体系包括空间指标和属性指标；
对所述指标体系进行定量化处理，得到数据库；
构建靶区优选模型；
利用所述数据库的数据对所述靶区优选模型进行训练，得到训练后的靶区优选模型；
利用所述训练后的靶区优选模型对待优选靶区进行计算，得到待优选靶区的级别及概率。
2.根据权利要求1所述的海外金属矿产找矿靶区优选方法，其特征在于，所述成矿地质条件包括大地构造环境、成矿区带、含矿建造、断裂带、岩浆岩、围岩蚀变、物探异常、化探异常、遥感异常和最新钻孔时间。
3.根据权利要求1所述的海外金属矿产找矿靶区优选方法，其特征在于，所述外部开发条件包括工程地质条件、水文地质条件、可选冶性、供水情况、供电情况、与开发矿山的距离、与城市的距离、与铁路的距离、所在地区营商环境、劳工关系、政治风险、运营风险和安全风险。
4.根据权利要求1所述的海外金属矿产找矿靶区优选方法，其特征在于，所述空间指标包括大地构造环境、成矿区带、含矿建造、断裂带、岩浆岩、物探异常、化探异常和遥感异常。
5.根据权利要求1所述的海外金属矿产找矿靶区优选方法，其特征在于，所述属性指标包括与开发矿山的距离、与城市的距离和与铁路的距离。
6.根据权利要求1所述的海外金属矿产找矿靶区优选方法，其特征在于，采用对空间提取、归一化处理、分级赋值的方式对所述指标体系进行定量化处理。
7.根据权利要求1所述的海外金属矿产找矿靶区优选方法，其特征在于，所述数据库包括模型区数据和待优选靶区数据。
8.根据权利要求1所述的海外金属矿产找矿靶区优选方法，其特征在于，采用距离加权最近邻算法构建靶区优选模型。
9.根据权利要求1或6所述的海外金属矿产找矿靶区优选方法，其特征在于，利用GIS平台对所述指标体系进行定量化处理。
10.一种海外金属矿产找矿靶区优选系统，其特征在于，包括：
获取模块，用于获取已勘查开发项目的成矿地质条件和外部开发条件；
指标库构建模块，用于根据所述成矿地质条件和外部开发条件构建指标库；
指标体系构建模块，用于根据所述指标库构建指标体系，所述指标体系包括空间指标和属性指标；
定量化处理模块，用于对所述指标体系进行定量化处理，得到数据库；
靶区优选模型构建模块，用于构建靶区优选模型；
训练模块，用于利用所述数据库的数据对所述靶区优选模型进行训练，得到训练后的靶区优选模型；
计算模块，用于利用所述训练后的靶区优选模型对待优选靶区进行计算，得到待优选靶区的级别及概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210569125.0A CN114925918A (zh) | 2022-05-24 | 2022-05-24 | 一种海外金属矿产找矿靶区优选方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210569125.0A CN114925918A (zh) | 2022-05-24 | 2022-05-24 | 一种海外金属矿产找矿靶区优选方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114925918A true CN114925918A (zh) | 2022-08-19 |
Family
ID=82810283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210569125.0A Pending CN114925918A (zh) | 2022-05-24 | 2022-05-24 | 一种海外金属矿产找矿靶区优选方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114925918A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115907151A (zh) * | 2022-11-21 | 2023-04-04 | 自然资源陕西省卫星应用技术中心 | 一种基于地质大数据的智能成矿预测方法 |
| 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 (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130179841A1 (en) * | 2012-01-05 | 2013-07-11 | Jeremy Mutton | System and Method for Virtual Touring of Model Homes |
| CN107038505A (zh) * | 2017-04-25 | 2017-08-11 | 中国地质大学（北京） | 基于机器学习的找矿模型预测方法 |
| CN108090665A (zh) * | 2017-12-13 | 2018-05-29 | 山东大学 | 基于一维x条件下梯形云模型的岩溶隧道突水风险确定方法 |
| CN113946950A (zh) * | 2021-10-12 | 2022-01-18 | 青海省第三地质勘查院 | 一种快速圈定金矿找矿靶区的方法 |
-
2022
- 2022-05-24 CN CN202210569125.0A patent/CN114925918A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130179841A1 (en) * | 2012-01-05 | 2013-07-11 | Jeremy Mutton | System and Method for Virtual Touring of Model Homes |
| CN107038505A (zh) * | 2017-04-25 | 2017-08-11 | 中国地质大学（北京） | 基于机器学习的找矿模型预测方法 |
| CN108090665A (zh) * | 2017-12-13 | 2018-05-29 | 山东大学 | 基于一维x条件下梯形云模型的岩溶隧道突水风险确定方法 |
| CN113946950A (zh) * | 2021-10-12 | 2022-01-18 | 青海省第三地质勘查院 | 一种快速圈定金矿找矿靶区的方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115907151A (zh) * | 2022-11-21 | 2023-04-04 | 自然资源陕西省卫星应用技术中心 | 一种基于地质大数据的智能成矿预测方法 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Machine learning-based classification of rock discontinuity trace: SMOTE oversampling integrated with GBT ensemble learning | |
| CN114925918A (zh) | 一种海外金属矿产找矿靶区优选方法及系统 | |
| 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 | |
| Yousefi et al. | Translation of the function of hydrothermal mineralization-related focused fluid flux into a mappable exploration criterion for mineral exploration targeting | |
| CN110596778B (zh) | 一种热液型铀矿勘查方法 | |
| Wood, AO et al. | Mineral exploration: Discovering and defining ore deposits | |
| Hajihosseinlou et al. | Stacking: A novel data-driven ensemble machine learning strategy for prediction and mapping of Pb-Zn prospectivity in Varcheh district, west Iran | |
| Barak et al. | A knowledge-guided fuzzy inference approach for integrating geophysics, geochemistry, and geology data in a deposit-scale porphyry copper targeting, Saveh, Iran. | |
| Zhou et al. | Novel approach to evaluate rock mass fragmentation in block caving using unascertained measurement model and information entropy with flexible credible identification criterion | |
| Sheng et al. | Rock mass quality classification based on deep learning: A feasibility study for stacked autoencoders | |
| Zhang et al. | Evaluation of the water yield of coal roof aquifers based on the FDAHP-entropy method: a case study in the Donghuantuo coal mine, China | |
| Hossein Morshedy et al. | A new method for 3D designing of complementary exploration drilling layout based on ore value and objective functions | |
| Farzamian et al. | A weighted fuzzy aggregation GIS model in the integration of geophysical data with geochemical and geological data for Pb–Zn exploration in Takab area, NW Iran | |
| Chatterjee et al. | Ore grade estimation of a limestone deposit in India using an artificial neural network | |
| Hmoud et al. | Effect of blast movement uncertainty on dig-limits optimization in open-pit mines | |
| Sadeghi | SPS Model: a significant algorithm to reduce the time and computer memory required in geostatistical simulations | |
| Galupino et al. | Development of a k-Nearest Neighbor (kNN) Machine Learning Model to Estimate the SPT N-Values of Valenzuela City, Philippines | |
| CN115081685A (zh) | 一种金属矿床深部资源三维可视化定位预测方法 | |
| Partington | Exploration targeting using GIS: More than a digital light table | |
| Leuangthong et al. | Optimal selection of selective mining unit (SMU) size | |
| He et al. | Gaussian process model of surrounding rock classification based on digital characterization of rock mass structure and its application | |
| Goldstein et al. | A Review of Orebody Knowledge Enhancement using Machine Learning on Open Pit Mine Measure-While-Drilling Data | |
| Bahri et al. | Mineral Potential Modeling of Porphyry Copper Deposits using Continuously-Weighted Spatial Evidence Layers and Union Score Integration Method | |
| CN117471546B (zh) | 一种黑色岩系型金矿找矿方法 | |
| CN117474340A (zh) | 用于地铁盾构施工沉降的风险评价方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220819 |