CN115879648B - 一种基于机器学习的三元深部成矿预测方法及系统 - Google Patents
一种基于机器学习的三元深部成矿预测方法及系统 Download PDFInfo
- Publication number
- CN115879648B CN115879648B CN202310138653.5A CN202310138653A CN115879648B CN 115879648 B CN115879648 B CN 115879648B CN 202310138653 A CN202310138653 A CN 202310138653A CN 115879648 B CN115879648 B CN 115879648B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- underground
- model
- data
- ore
- 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
Links
- 238000005065 mining Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000010801 machine learning Methods 0.000 title claims abstract description 67
- 239000011435 rock Substances 0.000 claims abstract description 86
- 238000005553 drilling Methods 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 58
- 230000015572 biosynthetic process Effects 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 23
- 230000005484 gravity Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000009933 burial Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 230000000704 physical effect Effects 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 210000003462 vein Anatomy 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 2
- 238000003909 pattern recognition Methods 0.000 claims 1
- 238000005755 formation reaction Methods 0.000 description 38
- 229910052500 inorganic mineral Inorganic materials 0.000 description 24
- 239000011707 mineral Substances 0.000 description 24
- 230000000875 corresponding effect Effects 0.000 description 23
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 6
- 230000033558 biomineral tissue development Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 5
- 229910052737 gold Inorganic materials 0.000 description 5
- 239000010931 gold Substances 0.000 description 5
- 239000010438 granite Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000004441 surface measurement Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 239000000571 coke Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000011274 Benincasa cerifera Nutrition 0.000 description 1
- 244000036905 Benincasa cerifera Species 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 231100000136 action limit Toxicity 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- TVZPLCNGKSPOJA-UHFFFAOYSA-N copper zinc Chemical compound [Cu].[Zn] TVZPLCNGKSPOJA-UHFFFAOYSA-N 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- HNPSIPDUKPIQMN-UHFFFAOYSA-N dioxosilane;oxo(oxoalumanyloxy)alumane Chemical compound O=[Si]=O.O=[Al]O[Al]=O HNPSIPDUKPIQMN-UHFFFAOYSA-N 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000000003 hoof Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- JQJCSZOEVBFDKO-UHFFFAOYSA-N lead zinc Chemical compound [Zn].[Pb] JQJCSZOEVBFDKO-UHFFFAOYSA-N 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- YFLLTMUVNFGTIW-UHFFFAOYSA-N nickel;sulfanylidenecopper Chemical compound [Ni].[Cu]=S YFLLTMUVNFGTIW-UHFFFAOYSA-N 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于机器学习的三元深部成矿预测方法及系统，涉及机器学习技术领域，深部成矿预测方法包括获取目标区域的属性特征；属性特征包括地质特征、地球化学特征、地球物理特征和遥感解译特征；基于区域成矿模式识别模型对属性特征进行预测，得到区域成矿模式；建立目标区域的地下三维地质模型；根据地下三维地质模型获取目标区域的地下岩矿石的三维立体属性；将区域成矿模式和三维立体属性输入至训练好的深部找矿预测模型中，得到目标区域的成矿信息。本发明采用机器学习算法进行区域成矿模式和深部找矿的预测，通过机器学习区域成矿模式和深部找矿的规律，其具有很强的客观性，避免了人为主观因素的影响，从而提高了成矿预测的准确性。
Description
技术领域
本发明涉及机器学习技术领域，特别是涉及一种基于机器学习的三元深部成矿预测方法及系统。
背景技术
当前，部分关键矿产资源短缺已经成为经济发展的主要瓶颈，大力开展矿产资源的成矿预测和找矿工作已经迫在眉睫。矿产资源预测评价是对一个国家或某个地区近地表和地下未发现矿产资源的矿种、类型、空间位置、数量和经济价值的估算与评价。成矿预测可以为获得关键矿产资源提供基础支撑，关键矿产资源的获得可以为缓解供给侧的紧缺，成矿预测有着重要的社会经济意义。而传统的成矿预测主要以人为进行成矿预测，但是人为成矿预测有很强的主观性，其成矿预测结果准确性较低。
发明内容
本发明的目的是提供一种基于机器学习的三元深部成矿预测方法及系统，可提高了成矿预测的准确性。
为实现上述目的，本发明提供了如下方案：
一种基于机器学习的三元深部成矿预测方法，所述方法包括：
获取目标区域的属性特征；所述属性特征包括地质特征、地球化学特征、地球物理特征和遥感解译特征；
将所述目标区域的属性特征输入至训练好的区域成矿模式识别模型中，得到所述目标区域的区域成矿模式；所述训练好的区域成矿模式识别模型为以样本区域的样本属性特征为输入，以所述样本区域的样本区域成矿模式为标签训练得到的模型；
建立所述目标区域的地下三维地质模型；
根据所述三维地质模型获取所述目标区域的地下岩矿石的三维立体属性；所述三维立体属性包括密度、磁化率、电阻率、波阻抗、泊松比和岩石类型；
将所述区域成矿模式和所述地下岩矿石的三维立体属性输入至训练好的深部找矿预测模型中，得到所述目标区域的成矿信息；所述成矿信息包括所述的目标区域内成矿的类别、体积和埋深；所述训练好的深部找矿预测模型为以所述样本区域的样本区域成矿模式和样本岩矿石属性为输入，以所述样本区域的样本成矿信息为标签训练得到的模型。
可选的，所述建立所述目标区域的地下三维地质模型，具体包括：
根据所述目标区域的若干钻孔信息建立所述目标区域的地下显式三维地质模型；所述钻孔信息包括地下的岩心数据和地层数据；
根据所述钻孔信息以及所述目标区域的地球物理数据建立所述目标区域的地下隐式三维地质模型；
将所述地下显式三维地质模型和所述地下隐式三维地质模型进行融合，得到所述目标区域的最终地下三维地质模型；所述最终地下三维地质模型为所述目标区域的地下三维地质模型。
可选的，所述根据所述钻孔信息以及所述目标区域的地球物理数据建立所述目标区域的地下隐式三维地质模型，具体包括：
基于若干所述钻孔信息，对所述目标区域未钻孔的地下位置进行插值处理，并根据所述钻孔信息和地下插值信息建立第一地下隐式三维地质模型；
根据所述地球物理数据建立第二地下隐式三维地质模型。
可选的，所述将所述地下显式三维地质模型和所述地下隐式三维地质模型进行融合，得到所述目标区域的最终地下三维地质模型，具体包括：
比对所述第一地下隐式三维地质模型和所述第二地下隐式三维地质模型的地质数据，得到比对结果；所述地质数据包括岩心数据和地层数据；
将比对结果中不相同的地质数据修改为所述地下显式三维地质模型中相应的地质数据。
可选的，所述区域成矿模式识别模型包括多种机器学习算法训练得到的多种模型；所述机器学习算法包括KNN、BPNN、SVM、RF和/或GBDT机器学习算法；将基于各机器学习算法得到的区域成矿模式均作为所述深部找矿预测模型的输入。
可选的，在将所述区域成矿模式和所述岩矿石属性输入至训练好的深部找矿预测模型中之前，还包括：
采用KNN机器学习算法训练得到第一深部找矿预测模型；
采用BPNN机器学习算法训练得到第二深部找矿预测模型；
采用SVM机器学习算法训练得到第三深部找矿预测模型；
采用RF机器学习算法训练得到第四深部找矿预测模型；
采用GBDT机器学习算法训练得到第五深部找矿预测模型；
将所述第一深部找矿预测模型、所述第二深部找矿预测模型、所述第三深部找矿预测模型、所述第四深部找矿预测模型和所述第五深部找矿预测模型进行加权融合，得到训练好的所述深部找矿预测模型。
本发明还提供了一种基于机器学习的三元深部成矿预测系统，所述系统包括：
属性特征获取模块，用于获取目标区域的属性特征；所述属性特征包括地质特征、地球化学特征、地球物理特征和遥感解译特征；
区域成矿模式预测模块，用于将所述目标区域的属性特征输入至训练好的区域成矿模式识别模型中，得到所述目标区域的区域成矿模式；所述训练好的区域成矿模式识别模型为以样本区域的样本属性特征为输入，以所述样本区域的样本区域成矿模式为标签训练得到的模型；
三维地质模型建立模块，用于建立所述目标区域的地下三维地质模型；
岩矿石属性获取模块，用于根据所述三维地质模型获取所述目标区域的地下岩矿石的三维立体属性；所述三维立体属性包括密度、磁化率、电阻率、波阻抗、泊松比和岩石类型；
深部找矿预测模块，用于将所述区域成矿模式和所述地下岩矿石的三维立体属性输入至训练好的深部找矿预测模型中，得到所述目标区域的成矿信息；所述成矿信息包括所述的目标区域内成矿的类别、体积和埋深；所述训练好的深部找矿预测模型为以所述样本区域的样本区域成矿模式和样本岩矿石属性为输入，以所述样本区域的样本成矿信息为标签训练得到的模型。
可选的，所述三维地质模型建立模块包括：
显式三维地质模型建立子模块，用于根据所述目标区域的若干钻孔信息建立所述目标区域的地下显式三维地质模型；所述钻孔信息包括地下的岩心数据和地层数据；
隐式三维地质模型建立子模块，用于根据所述钻孔信息以及所述目标区域的地球物理数据建立所述目标区域的地下隐式三维地质模型；
三维地质模型建立子模块，用于将所述地下显式三维地质模型和所述地下隐式三维地质模型进行融合，得到所述目标区域的最终地下三维地质模型；所述最终地下三维地质模型为所述目标区域的地下三维地质模型。
可选的，所述隐式三维地质模型建立子模块包括：
第一隐式三维地质模型建立单元，用于基于若干所述钻孔信息，对所述目标区域未钻孔的地下位置进行插值处理，并根据所述钻孔信息和地下插值信息建立第一地下隐式三维地质模型；
第二隐式三维地质模型建立单元，用于根据所述地球物理数据建立第二地下隐式三维地质模型。
可选的，所述三维地质模型建立子模块包括：
对比单元，用于比对所述第一地下隐式三维地质模型和所述第二地下隐式三维地质模型的地质数据，得到比对结果；所述地质数据包括岩心数据和地层数据；
修改单元，用于将比对结果中不相同的地质数据修改为所述地下显式三维地质模型中相应的地质数据。
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：本发明提供了一种基于机器学习的三元深部成矿预测方法，基于目标区域的属性特征采用区域成矿模式识别模型得到目标区域的区域成矿模式，并基于上述区域成矿模式和目标区域的地下岩矿石的三维立体属性采用深部找矿预测模型得到目标区域的成矿信息，本发明采用机器学习算法进行区域成矿模式和深部找矿的预测，通过机器学习区域成矿模式和深部找矿的规律，其具有很强的客观性，避免了人为主观因素的影响，从而提高了成矿预测的准确性。
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为本申请实施例1提供的基于机器学习的三元深部成矿预测方法流程示意图；
图2为本申请实施例1提供的三山岛成矿带成矿模式图；
图3为本申请实施例1提供的胶西北三山岛-焦家金矿密集区成矿模式图；
图4为本申请实施例1提供的海阳—栖霞探测剖面二维地壳结构图；
图5为本申请实施例1提供的高精度磁测
等值线平面示意图；
图6为本申请实施例1提供的GBDT算法原理示意图；
图7为本申请实施例2提供的基于机器学习的三元深部成矿预测系统框图。
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。
本发明提供了一种基于机器学习的三元深部成矿预测方法及系统，基于目标区域的属性特征采用区域成矿模式识别模型得到目标区域的区域成矿模式，并基于上述区域成矿模式和目标区域的地下岩矿石的三维立体属性采用深部找矿预测模型得到目标区域的成矿信息，本发明采用机器学习算法进行区域成矿模式和深部找矿的预测，通过机器学习区域成矿模式和深部找矿的规律，其具有很强的客观性，避免了人为主观因素的影响，从而提高了成矿预测的准确性。
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。
实施例1
如图1所示，本发明提供了一种基于机器学习的三元深部成矿预测方法，包括：
S1：获取目标区域的属性特征；所述属性特征包括地质特征、地球化学特征、地球物理特征和遥感解译特征。其中，地质特征：包括构造特征：包括断层、圈闭等；地层，包括岩性、物性、储层分布等；含油气特征；油藏特征：包括油气层分布、温度、压力系统等；资源量。地球物理特征主要包括重力勘探数据、磁力勘探数据、电磁勘探数据以及地震勘探数据，是通过相应的重力仪、磁力仪、电磁仪以及地震仪等设备观测获得的。
S2：将所述目标区域的属性特征输入至训练好的区域成矿模式识别模型中，得到所述目标区域的区域成矿模式；所述训练好的区域成矿模式识别模型为以样本区域的样本属性特征为输入，以所述样本区域的样本区域成矿模式为标签训练得到的模型。
S3：建立所述目标区域的地下三维地质模型。
S4：根据所述三维地质模型获取所述目标区域的地下岩矿石的三维立体属性；所述三维立体属性包括但不限于密度、磁化率、电阻率、波阻抗（层密度）、泊松比和岩石类型等。
S5：将所述区域成矿模式和所述地下岩矿石的三维立体属性输入至训练好的深部找矿预测模型中，得到所述目标区域的成矿信息；所述成矿信息包括所述的目标区域内成矿的类别、体积和埋深；所述训练好的深部找矿预测模型为以所述样本区域的样本区域成矿模式和样本岩矿石属性为输入，以所述样本区域的样本成矿信息为标签训练得到的模型。
本实施例中的“三元”指的是区域成矿模式、地下三维地质模型以及综合成矿信息的提取。本实施例将“三元”深部成矿预测划分为三个部分，包括：区域成矿模式的识别、地下三维地质模型的建立和深部找矿的预测。上述三部分的具体内容如下：
一、区域成矿模式的识别
在区域成矿模式的识别过程中，又划分为1.“已知的地区”区域成矿模式的识别和筛选，2.未知地区区域成矿模式的预测两个部分。
1、“已知的地区”区域成矿模式的识别和筛选
这一部分主要针对地质勘查开发相对成熟和完善的地区（已知的地区，即样本区域），筛选经典地区的典型矿床，利用其区域成矿模式和对应的可以指示地质特征、成矿条件（控矿因素）、形成环境、矿化标志等的属性特征，本实施中属性特征包括地质特征、地球化学特征、地球物理特征和遥感解译特征。通过机器学习算法，对具有较为明确区域成矿模式及其对应信息（对应信息指的是样本属性特征）进行训练识别形成相应的机器学习认知模式，具体如下：
1.1成矿模式按照范围一般可分为四种，分别为区域成矿模式、矿床成矿模式、矿床的立体模式（模型）、找矿模型。本实施例针对其中的区域成矿模式，首先，选择地质勘查开发相对成熟和完善的地区，筛选出N组（套）经典地区的典型矿床所对应的区域成矿模式作为区域成矿模式识别模型的标签。本实施例中N≥10。需要说明的是，本实施例中的区域成矿模式为二维区域成矿模式。本实施例选取的经典地区典型成矿模式主要包括：（1）江西冷水坑银铅锌矿床，（2）江西斑岩铜矿床，（3）江西西华山钨矿床，（4）山东玲珑金矿，（5）安徽铜官山铜矿，（6）山东焦家金矿床，（7）西藏罗布莎铬铁矿矿床，（8）新疆阿舍勒铜锌块状硫化物矿床，（9）新疆喀拉通克铜镍硫化物矿床，（10）内蒙古羊蹄子山锐钛矿矿床，（11）安徽铜陵冬瓜山铜矿床，（12）内蒙古包头哈达门沟金矿，（13）西藏阿里地区多龙矿集区，（14）江西九瑞矿集区，（15）陕西沙坪沟钼矿床，（16）山东三山岛成矿带。本实施例以山东三山岛-焦家金矿的成矿模式为例进行说明，其成矿模式如图2所示，本实施例中通过机器学习算法识别的区域成矿模式为图2中的一剖面，图2为三山岛成矿带成矿模式图，图3为胶西北三山岛-焦家金矿密集区成矿模式。该地区海阳—栖霞探测剖面二维地壳结构如图4所示，该地区高精度磁测ΔT等值线平面如图5所示。图2中（1-软流圈，2-岩石圈地幔，3-下地壳，4-郭家岭花岗岩，5-玲珑花岗岩，6-前寒武系，7-海域，8-煌斑岩，9-金矿体，10-赋矿断裂，11-岩浆流体，12-幔源C-H-O流体）；图3中（1-第四系，2-前寒武系变质岩，3-玲珑岩体，4-郭家岭岩体，5-煌斑岩脉，6-断层，7-蚀变带，8-矿体）。
1.2其次，针对筛选得到的区域成矿模式，属性特征除上述地质特征、地球化学特征、地球物理特征和遥感解译特征外，还包括构造、岩矿石、钻探等属性特征，搜集并整理上述的属性特征。在本实施例中，在采用样本属性特征进行训练之前，还包括：将其进行成图处理，具体地：
无论是以图件形式为主的地质、构造、遥感、岩矿石等属性特征，还是以数据形式为主的地球化学、地球物理、钻探等属性特征，全部进行成图处理，对各项图片单元进行标准化处理，获取样本区域对应的属性特征，并建立区域成矿模式图片标签。
这里的“属性特征”是指区域成矿模式所对应的地质、构造、遥感、岩矿石、地球化学、地球物理、钻探等特征，在计算机里表现为图像的不同像素值，对于观察者就是图片的颜色特征，即地质、构造、遥感、岩矿石、地球化学、地球物理、钻探等的不同属性赋予不同的颜色。举例说明：以本身为图片形式的地质特征为例，不同地质单元（岩石谱系单位的基本单位，相当于岩石地层单位中的组，是地质填图中最基本的填图单位）表征为不同颜色，计算机里为不同像素值；而对地质特征图片进行图像标准化处理，就是把所有特征进行汇总和归类（如简约划分为100种），并与不同颜色（像素值）相对应，即把256个像素值重新分为100份。另外以本身为数据形式转化为图片为例，计算机渲染成图即可，其他过程参考地质特征。而以数据形式为主的地球化学、地球物理、钻探等属性特征，进行成图处理，以地球物理的磁力数据举例，一套磁力数据通过对不同数据的数值赋予不同的颜色（像素）再投影在平面上，就可以完成数据到图像的处理。
1.3最后，利用多种机器学习算法得到的模型对其进行训练，经过调参确定各机器学习算法的符合设定条件的模型，通过步骤1.2所建立的区域成矿模式图片标签，对筛选的经典地区的典型区域成矿模式进行训练，形成“属性特征图片资料-区域成矿模式”的认知模式“模型”，得到多组区域成矿模式模型，对多组结果取“并集”。在本实施例中，所述机器学习算法包括KNN、BPNN、SVM、RF和/或GBDT机器学习算法。
取并集意味着得到的不同结果都保存，不进行进一步的分析和筛选。例如，先用训练模型-1训练，图片-1通过训练模型-1得到区域成矿模式-1，图片-2通过训练模型-1也得到区域成矿模式-1，这时可以认为图片-1和图片-2都对应着区域成矿模式-1；继续用训练模型-2训练，图片-1通过训练模型-2得到区域成矿模式-1，图片-2通过训练模型-2却得到区域成矿模式-2，这时认为图片-1对应着区域成矿模式-1但是图片-2都对应着区域成矿模式-2，而不是区域成矿模式-1。此时将两种训练模式得到的输出都保留，就是取并集。
其中，已知的地区指经典的、已经有成熟的、经过验证的成矿模式，并且该地区具有大量的地质、地球化学、地球物理、遥感、钻井等资料。未知的地区指有一定的调查基础，但是没有成熟的成矿模式的地区，即成矿预测的目标区域。
2、未知地区区域成矿模式的预测
其过程为步骤S1和S2，所述区域成矿模式识别模型包括多种机器学习算法训练得到的多种模型；将基于各机器学习算法得到的区域成矿模式均作为所述深部找矿预测模型的输入。
对待研究区（目标区域）的区域成矿模式的识别：这里需要特别注意，获得的区域成矿模式虽然是以垂向深度剖面显示的，但是这种区域成矿模式不具有深度定量指示意义，更多的是二维平面地表的投影位置的对应以及成矿的概念模式。所以，把目标区域的属性特征输入到训练好的区域成矿模式识别模型中，得到相应的二维区域成矿模式，如果识别不成功，则认为不具有找矿意义；如果成功，则继续下一步（深部找矿的预测）。
二、地下三维地质模型的建立
可选的，所述建立所述目标区域的地下三维地质模型，具体包括：
根据所述目标区域的若干钻孔信息建立所述目标区域的地下显式三维地质模型；所述钻孔信息包括地下的岩心数据和地层数据。
根据所述钻孔信息以及所述目标区域的地球物理数据建立所述目标区域的地下隐式三维地质模型。
将所述地下显式三维地质模型和所述地下隐式三维地质模型进行融合，得到所述目标区域的最终地下三维地质模型；所述最终地下三维地质模型为所述目标区域的地下三维地质模型。
其中，所述根据所述钻孔信息以及所述目标区域的地球物理数据建立所述目标区域的地下隐式三维地质模型，具体包括：
基于若干所述钻孔信息，对所述目标区域未钻孔的地下位置进行插值处理，并根据所述钻孔信息和地下插值信息建立第一地下隐式三维地质模型。
根据所述地球物理数据建立第二地下隐式三维地质模型。
其中，所述将所述地下显式三维地质模型和所述地下隐式三维地质模型进行融合，得到所述目标区域的最终地下三维地质模型，具体包括：
比对所述第一地下隐式三维地质模型和所述第二地下隐式三维地质模型的地质数据，得到比对结果；所述地质数据包括岩心数据和地层数据。
将比对结果中不相同的地质数据修改为所述地下显式三维地质模型中相应的地质数据。
上述步骤具体如下：
上述区域成矿模式所对应的面积范围较大，而且对于成矿只是概念模式的识别，最多只能圈定地表范围的成矿区域，即地下矿产资源在地面的二维投影，无法指导矿产资源赋存的深部信息。为了突破以往找矿预测局限于二维平面定位，深入到地下、突出深部三维空间的矿体、矿床赋存位置，在已经获得明确的区域成矿模式基础上，我们对地质勘查开发成熟完善的经典地区进行三维地质模型的建立，主要分为显式三维地质模型的建立、隐式三维地质模型的建立以及显式和隐式融合的地下三维地质模型这三个步骤，具体如下：
1、地下显式三维地质模型的建立：利用地表上的地质信息、遥感解译信息以及地下钻孔岩心信息，通过对地表以及地下的岩性、构造、地层、矿脉以及断裂等信息，首先通过不同钻孔的连线，确定地下剖面，并在剖面上绘制上述信息，然后将剖面上的各个信息直接绘制连线来连接跨多个截面的曲面，建立起由直观可见的显式信息串连起来的地下三维地质模型。这种方式建立地质模型既耗时又不灵活，因为当有更多数据可用时，也很难更新模型。显式三维地质模型的建立具体方式，直接通过地下钻孔获得岩心、地层等数据，通过ModelVision等软件，直接将各个地质属性连接起来，建立直接的、显式的地下三维地质模型。
2、地下隐式三维地质模型的建立：狭义定义分为两类，一类是基于地质信息的隐式三维地质建模，即第一地下隐式三维地质模型，类似于显式三维地质建模，基于地质信息的隐式三维地质建模是采用插值等函数关系生成的曲线或者曲面替代隐式三维地质建模中的直接绘制剖面的连接线，来对地下剖面进行连接；基于定量分析和综合多源专题地学数据层的证据权方法，生成量化的含矿潜力图。在采用传统方法的矿产勘查工作中，需要对比分析地质、地球物理和地球化学等专题图件，得出值得进一步工作的靶区，证据权法实际上就是传统勘查方法的数字化“版本”。
另外一类是基于地球物理信息的隐式三维地质建模，即第二地下隐式三维地质模型，利用地面测量地球物理数据，以剖面性测量的地震勘探数据解释、电磁勘探数据反演等辅助手段为约束，以覆盖率更大的面积性测量的重力、磁力勘探数据（重磁数据）的三维网格化方法的反演为主，通过地下岩矿石的三维立体属性（密度、磁化率、电阻率等）、体积（富集量）、距离测量面深度与测量数据之间的定量关系，对地下岩矿石体积及地质结构建立由物理属性参数的隐式信息链接的地下三维地质模型。
其中，地质信息主要包括地质学家野外实地观测的、钻探获取的甚至是通过遥感图像解译得到的地层、构造、岩矿石等的属性信息。地球物理数据主要包括重力勘探数据、磁力勘探数据、电磁勘探数据以及地震勘探数据，是通过相应的重力仪、磁力仪、电磁仪以及地震仪等设备观测获得的。其中，地下岩矿石的三维立体属性、体积、距离测量面深度与测量数据之间的定量关系表达式为：d=Gm，其中d是测量数据（测量数据指的是地球物理数据），m是单位体积上的地下岩矿石的三维立体属性，G是由m的体积和m距离d的深度组成的核函数。以地球物理的重力勘探距离，d是地面测量得到的重力数据，它是分布于二维地平面上的离散数据，即每个地平面由xy轴确定的位置上存在一个测量重力数据；m是地表以下单位体积上的岩矿石对应的密度值；G是一个复杂的函数关系，是地下所有单位体积上的岩矿石的位置与地平面由xy轴确定的位置之间的距离，再作用了对应的密度值m，最后对所有的求和。其他类似，只是电阻率对应电磁数据、磁化率对应磁场数据等。
其中，第二地下隐式三维地质模型建立过程如下：首先对目标区域内采集的1:5万重力数据和收集的1:5万航磁数据进行求取布格异常、化极、位场分离等处理和分析，然后分别对区内的高精度重磁数据进行了三维物性反演，同时利用面积性的阵列大地电磁和天然地震数据完成三维反演；并将结果截取至重磁三维反演相同范围，接着根据地质剖面、钻孔资料、岩石标本等先验信息利用ModelVision构建2.5维人机交互模型，利用二维的重磁数据对地质模型进行约束，再使用Geomodeller拼接成全域渐变平滑的第二地下隐式三维地质模型。重力和磁力数据的布格异常、化极、位场分离等由ModelVision软件完成。重力数据和磁力数据的三维物性反演分别采用UBC的GRAV3D（Li and Oldenburg，1998）和MAG3D（Li and Oldenburg，1996）程序，其核心原理：
将重磁数据的场源区域划分成若干个长方体或立方体单元的组合，保持单元形态不变，通过反演所得物性变化确定场源范围。物性反演也称网格反演，其目的是寻找一个可以最大限度描绘物性分布的三维函数。其目标函数
一般表达式为：
其中
为参考模型，/>
系数表示不同方向上的平滑程度，/>
为加权函数。
重磁数据的三维反演的流程为：
1）数据准备：该步骤包括重磁测量数据的区域场分离、滤波等处理。
2）网格剖分：这个步骤是将模型离散化的过程，将地下半空间按照地面水平网格间距和深度间距剖分成多个矩形体。
3）定义反演参数：先定义目标函数，目标函数决定模型的大小，如何根据先验信息来确定目标函数中空间相关系数、深度加权函数等是决定反演结果好坏的关键。其次，设置合适的拟合差，拟合差为计算正演场与实测场的均方误差。
4）解的评价，从收敛性、地质解释的合理性对反演结果进行综合评价。
利用面积性的阵列大地电磁和天然地震数据完成三维反演，大地电磁采用程序为ModEM，采用的是全张量阻抗元素数据集。天然地震数据采集的流动台站的布设点距在5km-10km之间不等，TOMOG3D层析成像（tomography）采用LSQR进行反演。重磁数据的采集范围和地质建模的区域范围是一致的，但是大地电磁和天然地震数据采集范围比较稀疏，这两项反演结果远没有重磁数据的三维反演精细。
3、显式和隐式融合的地下三维地质模型（即目标区域的地下隐式三维地质模型（最终地下隐式三维地质模型））：以显式三维地质模型的地表和地下钻孔获得的确定的地质、岩矿石等为支撑信息，利用基于地球物理信息的隐式三维地质建模的人机交互反演，修改基于地质信息的隐式三维地质模型中由插值、隐式函数计算所获得的地下三维地质模型的其他部分信息，对其中具有确切地表和地下钻孔信息的部分（确切地表和地下钻孔信息的部分指的是通过钻探得到的真实的地质和岩矿石信息）保持不变，主要通过隐式三维地质建模所使用的数学物理原理方法拟合地表观测的地球物理数据。以地球物理数据为主导，通过人工选取基于地质信息的隐式三维模型（第一地下隐式三维地质模型）和基于地球物理信息的隐式三维模型（第二地下隐式三维地质模型）之间的值，进行正反演，去拟合地球物理数据，挑选两组模型中拟合效果最好的模型的值为最终结果，得到最终地下三维地质模型。
三维地质建模是通过人机交互反演的方式，所以可以修改或者保持不变，其过程为：先得到二维剖面，将二维剖面变为二点五维剖面（从二维变二点五维是一个正演计算的近似），反演建模的过程就是不断人为修改二点五维剖面上的模型（包括二点五维剖面上的地下地质体的几何形态和地下岩矿石的三维立体属性数值），由于上面提到的地表测量数据与地下模型的“定量关系”，修改二点五维剖面上的模型时会产生新的地表计算数据，因此，参照已有的地表测量数据，对比“已有的地表测量数据”和“新产生的地表计算数据”之间的差异，不断的调整和修改二点五维剖面上的模型，直到获得符合预设条件（一般时上述差异达到预设的可以接受的范围）的二点五维剖面，再把二点五维剖面采用Geomodeller拼贴为三维地质模型。由于是上述这样的修改过程获得三维地质模型，所以可以在修改过程中，始终保持某一部分信息不变。
根据上述建立的地下三维地质模型获取目标区域的地下岩矿石的三维立体属性。地下岩矿石的三维立体属性属性包括目标区域的物理属性和化学属性，其中物理属性包括但不限于密度、磁化率和地震泊松比；化学属性包括可能成矿地区附近岩石的类别，比如为花岗岩和沉积岩。通过上述得到的最终地下隐式三维地质模型对目标区域的地下岩石的三维立体属性进行提取：首先对三维物性反演结果和三维地质模型采用同一网格剖分，使得每个单元格都具有重磁电震和岩性五种属性，并对各项属性进行标准化处理，然后利用密集的钻孔确定的多条含矿剖面拼接成三维的矿体，根据已知矿体的空间坐标获取其对应的属性特征，同理根据地质专家确认的与成矿不相关的地质单元在三维地质模型中获取不含矿样本的对应的属性特征。
其中，对三维物性反演结果和三维地质模型采用同一网格剖分，使得每个单元格都具有重磁电震和岩性五种属性这一部分：为了把岩性这一特征用到数据驱动的成矿预测中，需要将岩性类别进行数字化。非结构化的数据能否转变成结构化的数据是决定地质能否进入大数据时代科学殿堂的关键，在Geomodeller中，各个地质单元从底部到顶部有个对应的序号，这大大方便了对岩性的数字化。根据Geomodeller软件导出后重新调整顺序归一化前各岩性对应的序号，所做的调整是将软件内部原本处于地层上部的岩体（花岗岩和二长花岗岩）调整至与成矿密切相关的地层附近。其中Default basement为软件自动生成的类似于基底层的单元。需要说明的是，无需为成矿关系密切的地层赋一个较高值（例如0.8附近），以及矿体接触较少甚至不接触的地层赋一个较小的值（例如0.2附近），因为在输入的时候这些特征值大小并没有特殊含义，例如剩余密度、磁化率、电阻率、P波速度这四类特征也不是高值对应含矿，低值对应不含矿，含矿单元可以对应属性区间内任意值，只要保证相同的种类具有相似的属性即可。
为了让机器学习的模型更加适合实际情况，需要对数据进行数据标准化（归一化）处理：本实施例采用0均值标准化：这种方法基于原始数据的均值和标准差进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：
其中
为所有样本数据的均值，/>
为所有样本数据的标准差，反映一个数据集的离散程度。鉴于地学信息是多源且量纲不一的，为了消除特征之间量级不同导致的影响，需要对数据进行归一化处理，将每项属性值换算至[0,1]之间，包括负异常，归一化的精度取到小数点后六位，其最后一列为期望输出，也即已知含矿样本为1，不含矿样本为0。
三、深部找矿的预测
在将所述区域成矿模式和所述岩矿石属性输入至训练好的深部找矿预测模型中之前，还包括：
采用KNN机器学习算法训练得到第一深部找矿预测模型。
采用BPNN机器学习算法训练得到第二深部找矿预测模型。
采用SVM机器学习算法训练得到第三深部找矿预测模型。
采用RF机器学习算法训练得到第四深部找矿预测模型。
采用GBDT机器学习算法训练得到第五深部找矿预测模型。
将所述第一深部找矿预测模型、所述第二深部找矿预测模型、所述第三深部找矿预测模型、所述第四深部找矿预测模型和所述第五深部找矿预测模型进行加权融合，得到训练好的所述深部找矿预测模型。
在全面研究矿床控矿因素、示矿信息的基础上，结合具有地表指示作用的区域成矿模式和具有深部效应的地下三维地质模型（深部效应的地下三维地质模型指的是显式和隐式融合的地下三维地质模型，即步骤S3中的目标区域的地下三维地质模型），构建不仅具有二维平面指示作用，而且还具有纵向延伸的深部找矿指标体系。主要包括矿床地质、地球物理、地球化学三方面指标内容。
针对地质勘查开发相对成熟和完善的地区，虽然已经提取了成矿模式和成矿立体模式信息，但是值得说明的是，由于自然界成矿作用的复杂性和人们认识的局限性，成矿模式也存在明显的局限性，主要表现在：①受理论水平和实际资料的限制，成矿模式也处在不断的改进和完善之中；②由于地质作用的复杂性限定了自然界不可能有两个完全一样的矿床，因此成矿模式在预测找矿中的应用只能是指导性的和参考性的；③成矿模式主要对模式中所涉及到的矿种和类型具有预测意义，而对新矿种、新类型的地质勘查和评价尚缺乏适用性。
因此，具有相同成矿模式的地区不一定赋存矿产资源，即便赋存也不具有找矿意义等等，如某地区通过第一部分的区域成矿模式分析，具有某种成矿模式的构造和接触等条件，但是通过第二部分的地下三维地质模型发现，矿床或矿体的埋藏深度过大、赋存规模过小等，当前阶段不具有勘探开采意义；此外，即便地下地质体的几何和物性结构也都符合需求，但是不一定具有这种矿产富集。因此，需要在区域成矿模式和三维地质模型的基础上进一步提取深部的找矿指标体系，需要对典型矿床的各类找矿信息进行提取（即进行深部成矿预测），主要包括：
1）矿床地质：包括控矿构造、岩体、地层、蚀变类型以及空间关系。
2）地球物理：主要包括重力、磁力、电性异常等，以及针对不同类型矿床的异常组合方式，以及建立的矿床或者矿体赋存深度的联系。
3）地球化学：元素异常，或者针对不同类型矿床的元素组合方式，或者特殊元素的比值等。
4）继续先分别利用KNN、BPNN、SVM、RF和GBDT五种机器学习算法对其进行训练，通过构建的深部找矿指标的“岩矿石属性”，对瞄准的矿床或者矿床立体的成矿模式进行训练，经过调参确定各算法的较优模型，首先形成多组“岩矿石属性-矿床（立体）成矿模式”的深部找矿指标认知模式模型，然后将多组预测模型根据各算法预测性能的优劣分配一定的权重值进行融合，以期得到一个更加稳健可靠的模型（即训练好的深部找矿预测模型）。需要说明的是加权融合的权重可以相等也可以不相等。无论是对“棕地”找矿的延伸和扩展，还是对“绿地”找矿的新发现，矿床或者矿体的赋存均需要利用上面信息进行推测推断，所以第一部分和第二部分中提取的成矿信息尤为重要。因此需要对目标区域的各类对成矿有利的综合成矿信息进行提取，综合成矿信息包括第一部分和第二部分中目标区域的属性特征、区域成矿模式、三维地质模型和岩矿石属性。其中绿地找矿指圈定的找矿远景区找矿。棕地找矿指在已有矿区的深部和外围找矿。具体地：
根据研究目标和范围，首先，收集并整理目标区域内的地质、地球物理、地球化学、遥感解译等各类资料（为了作为各类特征来显示矿床赋存的地质环境、矿化、随时间变化等），成矿物质来源、迁移富集机理等矿床成因要素；然后，将各类资料抽象为定性化、定量化的可用于建模的“参数”表达。并建立目标区域的地下三维地质模型。
本发明采用了KNN、BPNN、SVM、RF以及基于AdaBoost的随机梯度提升算法（GBDT机器学习算法）进行区域成矿模式的预测，其中GBDT机器学习算法的原理如下：
如图6所示，GBDT原理如下：
Boosting是一种从一些弱分类器中创建一个强分类器的集成技术。它先由训练数据构建一个模型，然后创建第二个模型来尝试纠正第一个模型的错误。不断添加模型，直到训练集完美预测或已经添加到数量上限。AdaBoost是为二分类开发的第一个真正成功的Boosting算法，同时也是理解Boosting的最佳起点。AdaBoost常与短决策树一起使用。在创建第一棵树之后，每个训练实例在树上的性能都决定了下一棵树需要在这个训练实例上投入多少关注。难以预测的训练数据会被赋予更多的权重，而易于预测的实例被赋予更少的权重。模型按顺序依次创建，每个模型的更新都会影响序列中下一棵树的学习效果。在建完所有树之后，算法对新数据进行预测，并且通过训练数据的准确程度来加权每棵树的性能。
目前基于AdaBoost而构建的算法中最著名的就是随机梯度提升（GradientBoosting Decision Tree，GBDT）方法。随机梯度提升，一般简称为GBDT，是由Freidman提出来的。GBDT是前向分布算法，GBDT每次通过拟合上一次的残差来减小损失，GBDT的基学习器限定为CART。基本原理：训练一个模型m1，产生错误e1；针对e1训练一个模型m2，产生错误e2；针对e2训练第三个模型m3，产生错误e3；最终预测结果是：m1+m2+m3+…。其主要思路：采用损失函数的负梯度在当前模型的值作为回归问题提升树算法中的残差的近似值，来拟合一个回归树。每一次建立单个分类器时，是在之前建立的模型的损失函数的梯度下降方向。损失函数越大，说明模型越容易出错，如果模型能让损失函数持续的下降，则说明模型在持续不断的改进，而最好的方式就是让损失函数在其梯度的方向上下降。GBDT的核心在于每一棵树学的是之前所有树结论和的残差。残差就是真实值与预测值的差值；为了得到残差，GBDT中的树全部是回归树，不用分类树。Shrinkage（缩减）是GBDT的一个重要演进分支：Shrinkage的思想在于每次走一小步来逼近真实的结果，比直接迈大步的方式好；Shrinkage可以有效减少过拟合的风险。它认为每棵树只学到了一小部分，累加的时候只累加这一小部分，通过多学习几棵树来弥补不足。这累加的一小部分（步长乘以残差）来逐步逼近目标，所以各个树的残差是渐变的而不是陡变的。GBDT可以用于回归问题（线性和非线性），也可用于分类问题。
GBDT的优点：GBDT每一次的残差计算都增大了分错样本的权重，而分对的权重都趋近于0，因此泛化性能比较好。可以灵活的处理各种类型的数据。预测精度高。
GBDT回归的算法流程如下：
输入：训练样本集T={(x1,y1),(x2,y2),...,(xN,yN)}，损失函数L，最大迭代次数T。
输出：强学习器（回归树）f(x)
（1）初始化弱学习器
（2）对迭代轮数t=1,2,…,T，有：a）对样本i=1,2,…,N，计算负梯度
b）利用（xi,rti）(i=1,2,...,m)可以拟合一棵CART回归树，得到第t棵回归树，其对应的叶节点区域Rtj,j=1,2,...,J，其中J为叶节点的个数。
c）针叶子区域j=1,2,…,J，计算最佳拟合值：
d）更新强学习器
（3）得到强学习器（回归树）f(x)
首先进行模型训练的训练集和测试集的构建，训练模型使用3次5折交叉验证方法并预处理各类成矿相关的数据。
在训练得到上述五个模型之后，本实施例中的深部找矿融合模型有均等权重融合模型和加权融合模型两种。
均等权重融合模型：在很多情况下，无法客观的评断融合前各模型的优劣，或者参与融合的模型个数较少时，均等权重融合是一个简单高效的方法，为此，将四种算法针对不同数据集所做的分类和回归预测模型分别融合，采用的方法为五个预测模型相加然后除以5，意味着每个模型参与叠加的权重相等，都贡献了五分之一的权重，除以5的目的是使预测值又重新回归到0-1之间，这样保证了与单一算法预测的模型具有相同的区间值，便于对比解释。
其中，
代表融合模型，/>
分别代表不同算法的预测模型。
加权融合模型：为了尽可能的提升集成学习性能，该方案提出了一种基于已知样本预测性能大小和全局数据预测结果分析的加权融合方法。具体做法为假如某种算法预测性能最佳，赋予它一个最高的参与模型融合的权重，处理分类问题时，权重的量化根据其在已知样本上预测的准确率和在全局预测时预测为1值的百分比来实施。
其中
代表第n个分类模型参与融合的权重，/>
代表模型分类性能的一种度量方式，/>
代表模型在测试集上的准确率，/>
代表模型在全局预测时结果为1的百分比。
其中
代表某种算法在已知样本上的预测准确率，/>
代表参与集成学习赋予的权值。
通过上述步骤对目标区域进行深部找矿预测：
通过目标区域的地下三维地质模型得到的地下岩矿石的三维立体属性以及区域成矿模式作为深部找矿预测模型的输入，对上述训练的机器学习的认知模式“模型”进行识别，如果识别不成功，则不具有找矿意义；如果成功，需要进一步确认新识别的矿床或者矿体的深度、规模等赋存状态，符合现阶段找矿勘探开采要求的，则认为成功，不符合，则可认为是具有未来勘探开发潜力。
本发明提供了一种基于机器学习的三元深部成矿预测方法，基于目标区域的属性特征采用区域成矿模式识别模型得到目标区域的区域成矿模式，并基于上述区域成矿模式和目标区域的地下岩矿石的三维立体属性采用深部找矿预测模型得到目标区域的成矿信息，本发明采用机器学习算法进行区域成矿模式和深部找矿的预测，通过机器学习区域成矿模式和深部找矿的规律，其具有很强的客观性，避免了人为主观因素的影响，从而提高了成矿预测的准确性。
实施例2
如图7所示，本发明提供了一种基于机器学习的三元深部成矿预测系统，所述系统包括：
属性特征获取模块T1，用于获取目标区域的属性特征；所述属性特征包括地质特征、地球化学特征、地球物理特征和遥感解译特征。
区域成矿模式预测模块T2，用于将所述目标区域的属性特征输入至训练好的区域成矿模式识别模型中，得到所述目标区域的区域成矿模式；所述训练好的区域成矿模式识别模型为以样本区域的样本属性特征为输入，以所述样本区域的样本区域成矿模式为标签训练得到的模型。
三维地质模型建立模块T3，用于建立所述目标区域的地下三维地质模型。
岩矿石属性获取模块T4，用于根据所述三维地质模型获取所述目标区域的地下岩矿石的三维立体属性；所述三维立体属性包括密度、磁化率、电阻率、波阻抗、泊松比和岩石类型。
深部找矿预测模块T5，用于将所述区域成矿模式和所述地下岩矿石的三维立体属性输入至训练好的深部找矿预测模型中，得到所述目标区域的成矿信息；所述成矿信息包括所述的目标区域内成矿的类别、体积和埋深；所述训练好的深部找矿预测模型为以所述样本区域的样本区域成矿模式和样本岩矿石属性为输入，以所述样本区域的样本成矿信息为标签训练得到的模型。
在本实施例中，所述三维地质模型建立模块T3包括：
显式三维地质模型建立子模块，用于根据所述目标区域的若干钻孔信息建立所述目标区域的地下显式三维地质模型；所述钻孔信息包括地下的岩心数据和地层数据。
隐式三维地质模型建立子模块，用于根据所述钻孔信息以及所述目标区域的地球物理数据建立所述目标区域的地下隐式三维地质模型。
三维地质模型建立子模块，用于将所述地下显式三维地质模型和所述地下隐式三维地质模型进行融合，得到所述目标区域的最终地下三维地质模型；所述最终地下三维地质模型为所述目标区域的地下三维地质模型。
其中，所述隐式三维地质模型建立子模块包括：
第一隐式三维地质模型建立单元，用于基于若干所述钻孔信息，对所述目标区域未钻孔的地下位置进行插值处理，并根据所述钻孔信息和地下插值信息建立第一地下隐式三维地质模型。
第二隐式三维地质模型建立单元，用于根据所述地球物理数据建立第二地下隐式三维地质模型。
其中，所述三维地质模型建立子模块包括：
对比单元，用于比对所述第一地下隐式三维地质模型和所述第二地下隐式三维地质模型的地质数据，得到比对结果；所述地质数据包括岩心数据和地层数据。
修改单元，用于将比对结果中不相同的地质数据修改为所述地下显式三维地质模型中相应的地质数据。
本说明书中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 (7)
1.一种基于机器学习的三元深部成矿预测方法，其特征在于，所述方法包括：
获取目标区域的属性特征；所述属性特征包括地质特征、地球化学特征、地球物理特征和遥感解译特征；
将所述目标区域的属性特征输入至训练好的区域成矿模式识别模型中，得到所述目标区域的区域成矿模式；所述训练好的区域成矿模式识别模型为以样本区域的样本属性特征为输入，以所述样本区域的样本区域成矿模式为标签训练得到的模型；
建立所述目标区域的地下三维地质模型，具体包括：
根据所述目标区域的若干钻孔信息建立所述目标区域的地下显式三维地质模型；所述钻孔信息包括地下的岩心数据和地层数据，具体包括：
利用地表上的地质信息、遥感解译信息以及地下钻孔岩心信息，通过不同钻孔的连线，确定地下剖面，并在地下剖面上绘制地表上的地质信息、遥感解译信息、地下钻孔岩心信息以及地下的岩性、构造、地层、矿脉、断裂信息，然后将地下剖面上的各个信息绘制连线来连接跨多个截面的曲面，建立地下显式三维地质模型；
根据所述钻孔信息以及所述目标区域的地球物理数据建立所述目标区域的地下隐式三维地质模型，具体包括：
基于若干所述钻孔信息，对所述目标区域未钻孔的地下位置进行插值处理，并根据所述钻孔信息和地下插值信息建立第一地下隐式三维地质模型，具体包括：
采用插值函数关系生成的曲线或者曲面替代直接绘制地下剖面的连接线，来对地下剖面进行连接，得到第一地下隐式三维地质模型；
根据所述地球物理数据建立第二地下隐式三维地质模型，具体包括：
地球物理数据包括重力勘探数据、磁力勘探数据、电磁勘探数据以及地震勘探数据；以剖面性测量的地震勘探数据解释、电磁勘探数据反演为约束，以重力勘探数据和磁力勘探数据的三维网格化方法的反演为主，通过地下岩矿石的三维立体属性、体积、距离测量面深度与测量数据之间的定量关系，对地下岩矿石体积及地质结构建立由物理属性参数的隐式信息链接的第二地下隐式三维地质模型；所述测量数据为地球物理数据；地下岩矿石的三维立体属性、体积、距离测量面深度与测量数据之间的定量关系表达式为：d=Gm，其中d是测量数据，m是单位体积上的地下岩矿石的三维立体属性，G是由m的体积和m距离d的深度组成的核函数；
对目标区域内采集的1:5万重力数据和收集的1:5万航磁数据进行求取布格异常、化极、位场分离处理和分析，然后分别对区内的高精度重磁数据进行了三维物性反演，同时利用面积性的阵列大地电磁和天然地震数据完成三维反演；并将结果截取至重磁三维反演相同范围，接着根据地质剖面、钻孔资料、岩石标本先验信息利用ModelVision构建2.5维人机交互模型，利用二维的重磁数据对地质模型进行约束，再使用Geomodeller拼接成全域渐变平滑的第二地下隐式三维地质模型；将重磁数据的场源区域划分成若干个长方体或立方体单元的组合，保持单元形态不变，通过反演所得物性变化确定场源范围，其目标函数
一般表达式为：/>
其中，
为参考模型，/>
系数表示不同方向上的平滑程度，/>
为加权函数；
将所述地下显式三维地质模型和所述地下隐式三维地质模型进行融合，得到所述目标区域的最终地下三维地质模型，具体包括：
以显式三维地质模型的地表信息和地下钻孔信息确定的地质信息、岩矿石为支撑信息，利用基于地球物理信息的隐式三维地质建模的人机交互反演，比对所述第一地下隐式三维地质模型和所述第二地下隐式三维地质模型的地质数据，得到比对结果；所述地质数据包括岩心数据和地层数据；将比对结果中不相同的地质数据修改为所述地下显式三维地质模型中相应的地质数据，得到最终地下三维地质模型，所述最终地下三维地质模型为地下三维地质模型；
根据所述地下三维地质模型获取所述目标区域的地下岩矿石的三维立体属性，具体包括：
对三维物性反演结果和三维地质模型采用同一网格剖分，使得每个单元格具有重磁电震和岩性五种属性，并对各项属性进行标准化处理，利用钻孔确定的多条含矿剖面拼接成三维的矿体，根据已知矿体的空间坐标获取其对应的三维立体属性，根据地质专家确认的与成矿不相关的地质单元在三维地质模型中获取不含矿样本的对应的三维立体属性；所述三维立体属性包括密度、磁化率、电阻率、波阻抗、泊松比和岩石类型；
其中，对三维立体属性进行标准化处理，具体包括：
其中mean（x）为所有样本数据的均值，
为所有样本数据的标准差；
将所述区域成矿模式和所述地下岩矿石的三维立体属性输入至训练好的深部找矿预测模型中，得到所述目标区域的成矿信息；所述成矿信息包括所述的目标区域内成矿的类别、体积和埋深；所述训练好的深部找矿预测模型为以所述样本区域的样本区域成矿模式和样本岩矿石属性为输入，以所述样本区域的样本成矿信息为标签训练得到的模型；
在将所述区域成矿模式和所述岩矿石属性输入至训练好的深部找矿预测模型中之前，还包括：
采用KNN机器学习算法训练得到第一深部找矿预测模型；
采用BPNN机器学习算法训练得到第二深部找矿预测模型；
采用SVM机器学习算法训练得到第三深部找矿预测模型；
采用RF机器学习算法训练得到第四深部找矿预测模型；
采用GBDT机器学习算法训练得到第五深部找矿预测模型；
将所述第一深部找矿预测模型、所述第二深部找矿预测模型、所述第三深部找矿预测模型、所述第四深部找矿预测模型和所述第五深部找矿预测模型进行加权融合，得到训练好的所述深部找矿预测模型。
2.根据权利要求1所述的基于机器学习的三元深部成矿预测方法，其特征在于，所述建立所述目标区域的地下三维地质模型，具体包括：
根据所述目标区域的若干钻孔信息建立所述目标区域的地下显式三维地质模型；所述钻孔信息包括地下的岩心数据和地层数据；
根据所述钻孔信息以及所述目标区域的地球物理数据建立所述目标区域的地下隐式三维地质模型；
将所述地下显式三维地质模型和所述地下隐式三维地质模型进行融合，得到所述目标区域的最终地下三维地质模型；所述最终地下三维地质模型为所述目标区域的地下三维地质模型。
3.根据权利要求2所述的基于机器学习的三元深部成矿预测方法，其特征在于，所述将所述地下显式三维地质模型和所述地下隐式三维地质模型进行融合，得到所述目标区域的最终地下三维地质模型，具体包括：
比对所述第一地下隐式三维地质模型和所述第二地下隐式三维地质模型的地质数据，得到比对结果；所述地质数据包括岩心数据和地层数据；
将比对结果中不相同的地质数据修改为所述地下显式三维地质模型中相应的地质数据。
4.根据权利要求1所述的基于机器学习的三元深部成矿预测方法，其特征在于，所述区域成矿模式识别模型包括多种机器学习算法训练得到的多种模型；所述机器学习算法包括KNN、BPNN、SVM、RF和/或GBDT机器学习算法；将基于各机器学习算法得到的区域成矿模式均作为所述深部找矿预测模型的输入。
5.一种基于机器学习的三元深部成矿预测系统，其特征在于，所述系统包括：
属性特征获取模块，用于获取目标区域的属性特征；所述属性特征包括地质特征、地球化学特征、地球物理特征和遥感解译特征；
区域成矿模式预测模块，用于将所述目标区域的属性特征输入至训练好的区域成矿模式识别模型中，得到所述目标区域的区域成矿模式；所述训练好的区域成矿模式识别模型为以样本区域的样本属性特征为输入，以所述样本区域的样本区域成矿模式为标签训练得到的模型；
三维地质模型建立模块，用于建立所述目标区域的地下三维地质模型；
建立所述目标区域的地下三维地质模型，具体包括：
根据所述目标区域的若干钻孔信息建立所述目标区域的地下显式三维地质模型；所述钻孔信息包括地下的岩心数据和地层数据，具体包括：
利用地表上的地质信息、遥感解译信息以及地下钻孔岩心信息，通过不同钻孔的连线，确定地下剖面，并在地下剖面上绘制地表上的地质信息、遥感解译信息、地下钻孔岩心信息以及地下的岩性、构造、地层、矿脉、断裂信息，然后将地下剖面上的各个信息绘制连线来连接跨多个截面的曲面，建立地下显式三维地质模型；
根据所述钻孔信息以及所述目标区域的地球物理数据建立所述目标区域的地下隐式三维地质模型，具体包括：
基于若干所述钻孔信息，对所述目标区域未钻孔的地下位置进行插值处理，并根据所述钻孔信息和地下插值信息建立第一地下隐式三维地质模型，具体包括：
采用插值函数关系生成的曲线或者曲面替代直接绘制地下剖面的连接线，来对地下剖面进行连接，得到第一地下隐式三维地质模型；
根据所述地球物理数据建立第二地下隐式三维地质模型，具体包括：
地球物理数据包括重力勘探数据、磁力勘探数据、电磁勘探数据以及地震勘探数据；以剖面性测量的地震勘探数据解释、电磁勘探数据反演为约束，以重力勘探数据和磁力勘探数据的三维网格化方法的反演为主，通过地下岩矿石的三维立体属性、体积、距离测量面深度与测量数据之间的定量关系，对地下岩矿石体积及地质结构建立由物理属性参数的隐式信息链接的第二地下隐式三维地质模型；所述测量数据为地球物理数据；地下岩矿石的三维立体属性、体积、距离测量面深度与测量数据之间的定量关系表达式为：d=Gm，其中d是测量数据，m是单位体积上的地下岩矿石的三维立体属性，G是由m的体积和m距离d的深度组成的核函数；
对目标区域内采集的1:5万重力数据和收集的1:5万航磁数据进行求取布格异常、化极、位场分离处理和分析，然后分别对区内的高精度重磁数据进行了三维物性反演，同时利用面积性的阵列大地电磁和天然地震数据完成三维反演；并将结果截取至重磁三维反演相同范围，接着根据地质剖面、钻孔资料、岩石标本先验信息利用ModelVision构建2.5维人机交互模型，利用二维的重磁数据对地质模型进行约束，再使用Geomodeller拼接成全域渐变平滑的第二地下隐式三维地质模型；将重磁数据的场源区域划分成若干个长方体或立方体单元的组合，保持单元形态不变，通过反演所得物性变化确定场源范围，其目标函数
一般表达式为：
其中，
为参考模型，/>
系数表示不同方向上的平滑程度，/>
为加权函数；
将所述地下显式三维地质模型和所述地下隐式三维地质模型进行融合，得到所述目标区域的最终地下三维地质模型，具体包括：
以显式三维地质模型的地表信息和地下钻孔信息确定的地质信息、岩矿石为支撑信息，利用基于地球物理信息的隐式三维地质建模的人机交互反演，比对所述第一地下隐式三维地质模型和所述第二地下隐式三维地质模型的地质数据，得到比对结果；所述地质数据包括岩心数据和地层数据；将比对结果中不相同的地质数据修改为所述地下显式三维地质模型中相应的地质数据，得到最终地下三维地质模型，所述最终地下三维地质模型为地下三维地质模型；
岩矿石属性获取模块，用于根据所述地下三维地质模型获取所述目标区域的地下岩矿石的三维立体属性；所述三维立体属性包括密度、磁化率、电阻率、波阻抗、泊松比和岩石类型；
根据所述地下三维地质模型获取所述目标区域的地下岩矿石的三维立体属性，具体包括：
对三维物性反演结果和三维地质模型采用同一网格剖分，使得每个单元格具有重磁电震和岩性五种属性，并对各项属性进行标准化处理，利用钻孔确定的多条含矿剖面拼接成三维的矿体，根据已知矿体的空间坐标获取其对应的三维立体属性，根据地质专家确认的与成矿不相关的地质单元在三维地质模型中获取不含矿样本的对应的三维立体属性；其中，对三维立体属性进行标准化处理，具体包括：
其中mean（x）为所有样本数据的均值，
为所有样本数据的标准差；
深部找矿预测模块，用于将所述区域成矿模式和所述地下岩矿石的三维立体属性输入至训练好的深部找矿预测模型中，得到所述目标区域的成矿信息；所述成矿信息包括所述的目标区域内成矿的类别、体积和埋深；所述训练好的深部找矿预测模型为以所述样本区域的样本区域成矿模式和样本岩矿石属性为输入，以所述样本区域的样本成矿信息为标签训练得到的模型；在将所述区域成矿模式和所述岩矿石属性输入至训练好的深部找矿预测模型中之前，还包括：
采用KNN机器学习算法训练得到第一深部找矿预测模型；
采用BPNN机器学习算法训练得到第二深部找矿预测模型；
采用SVM机器学习算法训练得到第三深部找矿预测模型；
采用RF机器学习算法训练得到第四深部找矿预测模型；
采用GBDT机器学习算法训练得到第五深部找矿预测模型；
将所述第一深部找矿预测模型、所述第二深部找矿预测模型、所述第三深部找矿预测模型、所述第四深部找矿预测模型和所述第五深部找矿预测模型进行加权融合，得到训练好的所述深部找矿预测模型。
6.根据权利要求5所述的基于机器学习的三元深部成矿预测系统，其特征在于，所述三维地质模型建立模块包括：
显式三维地质模型建立子模块，用于根据所述目标区域的若干钻孔信息建立所述目标区域的地下显式三维地质模型；所述钻孔信息包括地下的岩心数据和地层数据；
隐式三维地质模型建立子模块，用于根据所述钻孔信息以及所述目标区域的地球物理数据建立所述目标区域的地下隐式三维地质模型；
三维地质模型建立子模块，用于将所述地下显式三维地质模型和所述地下隐式三维地质模型进行融合，得到所述目标区域的最终地下三维地质模型；所述最终地下三维地质模型为所述目标区域的地下三维地质模型。
7.根据权利要求6所述的基于机器学习的三元深部成矿预测系统，其特征在于，所述三维地质模型建立子模块包括：
对比单元，用于比对所述第一地下隐式三维地质模型和所述第二地下隐式三维地质模型的地质数据，得到比对结果；所述地质数据包括岩心数据和地层数据；
修改单元，用于将比对结果中不相同的地质数据修改为所述地下显式三维地质模型中相应的地质数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310138653.5A CN115879648B (zh) | 2023-02-21 | 2023-02-21 | 一种基于机器学习的三元深部成矿预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310138653.5A CN115879648B (zh) | 2023-02-21 | 2023-02-21 | 一种基于机器学习的三元深部成矿预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115879648A CN115879648A (zh) | 2023-03-31 |
| CN115879648B true CN115879648B (zh) | 2023-06-06 |
Family
ID=85761343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310138653.5A Active CN115879648B (zh) | 2023-02-21 | 2023-02-21 | 一种基于机器学习的三元深部成矿预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879648B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720976B (zh) * | 2023-05-18 | 2024-01-19 | 中山大学 | Mvt型铅锌矿成矿预测方法、装置、计算机设备及存储介质 |
| CN117272181A (zh) * | 2023-08-04 | 2023-12-22 | 中国地质大学（北京） | 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 |
| CN117456118B (zh) * | 2023-10-20 | 2024-05-10 | 山东省地质矿产勘查开发局第六地质大队(山东省第六地质矿产勘查院) | 一种基于k-meas法和三维建模的找矿方法 |
| CN117423013B (zh) * | 2023-12-18 | 2024-02-23 | 四川省能源地质调查研究所 | 基于地质大数据的成矿潜力预测方法 |
| CN117574518B (zh) * | 2024-01-15 | 2024-04-09 | 国网湖北省电力有限公司经济技术研究院 | 一种抽水蓄能电站地下厂房三维地质模型建模方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114898109A (zh) * | 2022-04-14 | 2022-08-12 | 中国自然资源航空物探遥感中心 | 一种基于深度学习的斑岩浅成低温热液型矿产预测方法及系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3121625A1 (en) * | 2015-07-20 | 2017-01-25 | CGG Services SA | Predicting mechanical and elastic rock properties of the subsurface |
| CN113488117B (zh) * | 2019-04-27 | 2023-11-03 | 烟台市牟金矿业有限公司 | 一种具有深度学习能力的深部金矿床成矿找矿方法 |
| CN111090709A (zh) * | 2019-05-17 | 2020-05-01 | 核工业二0八大队 | 一种砂岩型铀矿成矿预测的大数据地质分析方法 |
| 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 |
| CN110703344B (zh) * | 2019-10-18 | 2021-03-30 | 中国科学院地质与地球物理研究所 | 一种隐伏资源预测方法及岩石电磁学测井系统 |
| CN111753467B (zh) * | 2020-06-23 | 2023-08-22 | 中山大学 | 矿产结果预测方法、装置、计算机设备及存储介质 |
| CN111859811B (zh) * | 2020-07-30 | 2021-03-16 | 中国地质科学院矿产资源研究所 | 一种基于模糊逻辑和机器学习的成矿预测方法及系统 |
| CN112906940A (zh) * | 2021-01-19 | 2021-06-04 | 中国地质调查局发展研究中心 | 一种基于深度学习的嗅探智能找矿预测方法 |
| CN113536535B (zh) * | 2021-06-07 | 2023-05-16 | 中国地质大学（北京） | 成矿研究区的成矿模拟方法及装置 |
| CN115081685A (zh) * | 2022-05-30 | 2022-09-20 | 成都理工大学 | 一种金属矿床深部资源三维可视化定位预测方法 |
-
2023
- 2023-02-21 CN CN202310138653.5A patent/CN115879648B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114898109A (zh) * | 2022-04-14 | 2022-08-12 | 中国自然资源航空物探遥感中心 | 一种基于深度学习的斑岩浅成低温热液型矿产预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115879648A (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115879648B (zh) | 一种基于机器学习的三元深部成矿预测方法及系统 | |
| Wang et al. | Mineral potential targeting and resource assessment based on 3D geological modeling in Luanchuan region, China | |
| Wellmann et al. | Uncertainty estimation for a geological model of the Sandstone greenstone belt, Western Australia–insights from integrated geological and geophysical inversion in a Bayesian inference framework | |
| Beucher et al. | Truncated Gaussian and derived methods | |
| Alnahwi et al. | Mineralogical composition and total organic carbon quantification using x-ray fluorescence data from the Upper Cretaceous Eagle Ford Group in southern Texas | |
| Avansi et al. | Simultaneous history-matching approach by use of reservoir-characterization and reservoir-simulation studies | |
| Tadeusiewicz | Neural networks in mining sciences–general overview and some representative examples | |
| Zhang | Incorporating geological conceptual models and interpretations into reservoir modeling using multiple-point geostatistics | |
| US20110264430A1 (en) | Methods and Systems To Volumetrically Conceptualize Hydrocarbon Plays | |
| Soleimani et al. | Integrated petrophysical modeling for a strongly heterogeneous and fractured reservoir, Sarvak Formation, SW Iran | |
| Tian et al. | Multi-resolution graph-based clustering analysis for lithofacies identification from well log data: Case study of intraplatform bank gas fields, Amu Darya Basin | |
| Marzán et al. | Joint interpretation of geophysical data: Applying machine learning to the modeling of an evaporitic sequence in Villar de Cañas (Spain) | |
| Bokulich | Towards a taxonomy of the model-ladenness of data | |
| Jafarzadeh et al. | Identification of electrical and petrophysical rock types based on core and well logs: Utilizing the results to delineate prolific zones in deep water sandy packages from the Shah Deniz gas field in the south Caspian Sea basin | |
| Di Giuseppe et al. | A geophysical k-means cluster analysis of the Solfatara-Pisciarelli volcano-geothermal system, Campi Flegrei (Naples, Italy) | |
| CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
| Fournillon et al. | Characterization of karstic networks by automatic extraction of geometrical and topological parameters: comparison between observations and stochastic simulations | |
| Bubnova et al. | Automatic determination of sedimentary units from well data | |
| Liu et al. | Geostatistical modeling for fine reservoir description of Wei2 block of Weicheng oilfield, Dongpu depression, China | |
| Mehdipour et al. | The Best Scenario for Geostatistical Modeling of Porosity in the Sarvak Reservoir in an Iranian Oil Field, Using Electrofacies, Seismic Facies, and Seismic Attributes | |
| Singh et al. | Application of NeuroFuzzy pattern recognition method in borehole geophysics | |
| Yousefzadeh et al. | Geological Uncertainty Quantification | |
| Zhang et al. | Deep Subsurface Pseudo-Lithostratigraphic Modeling Based on Three-Dimensional Convolutional Neural Network (3D CNN) Using Inversed Geophysical Properties and Shallow Subsurface Geological Model | |
| Benndorf | Statistical Quality Control | |
| Eftekhari et al. | Hydraulic flow unit and rock types of the Asmari Formation in the Mansouri oilfield, an application of the Flow zone index and Fuzzy C-means clustering 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |