CN116090662B - 基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 - Google Patents
基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN116090662B CN116090662B CN202310186740.8A CN202310186740A CN116090662B CN 116090662 B CN116090662 B CN 116090662B CN 202310186740 A CN202310186740 A CN 202310186740A CN 116090662 B CN116090662 B CN 116090662B
- Authority
- CN
- China
- Prior art keywords
- copper mine
- potential
- prediction
- target area
- knowledge
- 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
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 170
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 170
- 239000010949 copper Substances 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000011160 research Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000009286 beneficial effect Effects 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000011835 investigation Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000011161 development Methods 0.000 claims description 20
- 230000018109 developmental process Effects 0.000 claims description 20
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 19
- 239000011707 mineral Substances 0.000 claims description 19
- 238000005065 mining Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000005553 drilling Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000033558 biomineral tissue development Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于知识图谱的境外铜矿潜力预测方法、系统及电子设备，涉及铜矿预测技术领域，该方法包括根据全球铜矿研究文献和铜矿项目地质调查资料构建铜矿资料库，并对铜矿资料库进行知识抽取，建立铜矿潜力预测知识图谱；基于铜矿潜力预测知识图谱确定成矿相关重要节点，并根据成矿相关重要节点构建目标区域预测数据集；对目标区域预测数据集进行图层化处理、成矿有利信息提取和多尺度特征融合，得到每个单元的属性信息；计算每个单元的属性信息与铜矿潜力预测知识图谱的相似性，将相似性输入至潜力预测模型，得到每个单元的推荐值；根据目标区域所有单元的推荐值圈定铜矿资源潜力区。本发明达到了国内实现境外铜矿资源潜力快速预测的目的。
Description
技术领域
本发明涉及铜矿预测技术领域，特别是涉及一种基于知识图谱的境外铜矿潜力预测方法、系统及电子设备。
背景技术
矿产资源潜力预测评价是矿产勘查重要组成部分，主要以典型矿床研究为基础，通过综合分析基础地质、地球物理、地球化学、遥感、钻探等多元数据，构建预测模型，圈定目标范围内的成矿潜力区。
与国内矿产资源潜力预测相比，境外铜矿资源潜力预测面临数据不充分、数据标准不统一、信息可靠程度低等问题，部分地区缺少地球物理、地球化学、钻探等关键数据，应用传统成矿潜力预测方法难以保证预测结果的准确性。
发明内容
本发明的目的是提供一种基于知识图谱的境外铜矿潜力预测方法、系统及电子设备，达到了国内实现境外铜矿资源潜力快速预测的目的。
为实现上述目的，本发明提供了如下方案：
第一方面，本发明提供了一种基于知识图谱的境外铜矿潜力预测方法，包括：
根据全球铜矿研究文献和铜矿项目地质调查资料，构建铜矿资料库，并对所述铜矿资料库进行知识抽取，建立铜矿潜力预测知识图谱；
基于所述铜矿潜力预测知识图谱，确定成矿相关重要节点，并根据所述成矿相关重要节点，构建目标区域预测数据集；所述目标区域预测数据集包括目标区域的地质信息、成矿信息和勘查开发信息；
对所述目标区域预测数据集进行图层化处理、成矿有利信息提取和多尺度特征融合，得到每个单元的属性信息；
计算每个所述单元的属性信息与铜矿潜力预测知识图谱的相似性，并将每个单元对应的相似性输入至潜力预测模型，得到每个单元的推荐值；
根据目标区域所有单元的推荐值，圈定铜矿资源潜力区。
第二方面，本发明提供了一种基于知识图谱的境外铜矿潜力预测系统，包括：
铜矿潜力预测知识图谱建立模块，用于根据全球铜矿研究文献和铜矿项目地质调查资料，构建铜矿资料库，并对所述铜矿资料库进行知识抽取，建立铜矿潜力预测知识图谱；
目标区域预测数据集构建模块，用于基于所述铜矿潜力预测知识图谱，确定成矿相关重要节点，并根据所述成矿相关重要节点，构建目标区域预测数据集；所述目标区域预测数据集包括目标区域的地质信息、成矿信息和勘查开发信息；
单元属性信息确定模块，用于对所述目标区域预测数据集进行图层化处理、成矿有利信息提取和多尺度特征融合，得到每个单元的属性信息；
单元推荐值计算模块，用于计算每个所述单元的属性信息与铜矿潜力预测知识图谱的相似性，并将每个单元对应的相似性输入至潜力预测模型，得到每个单元的推荐值；
铜矿资源潜力区圈定模块，用于根据目标区域所有单元的推荐值，圈定铜矿资源潜力区。
第三方面，本发明提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据第一方面所述的基于知识图谱的境外铜矿潜力预测方法。
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：
本发明中通过构建铜矿预测的知识图谱，挖掘与铜矿成矿相关的潜在预测要素，建立铜矿资源预测模型。传统资源潜力预测模型主要针对地质、成矿类信息，对于信息缺失较多的区域无法开展预测工作。与传统资源潜力预测方法相比，本发明提出的预测模型，既吸收了地质专家取得的经验知识，又综合考虑了数据与铜矿成矿之间的潜在联系，在传统地质信息、成矿信息的基础上，增加了勘查开发信息，扩展了铜矿资源预测要素选取范围，能尽可能弥补境外目标区域数据获取不充分的问题。在现有数据条件下，挖掘现有数据中潜在的有用信息，对目标区域的成矿潜力进行快速预测，有助于扩展潜力预测模型的适用范围，提高预测工作的效率和准确率。
本发明提供的上述方法和系统减少了对预测目标区域已知矿床的依赖，同样适用于目标区域缺少已知矿床的情况，扩大了预测模型的适用范围。本发明具有较强的普适性，除铜矿外，还适用于其他金属矿产。本发明提供的系统易于掌握，可操作性强，知识图谱构建与机器学习预测等算法较为成熟，易于推广应用。
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为本发明实施例提供的基于知识图谱的境外铜矿潜力预测方法的流程示意图；
图2为本发明实施例提供的基于知识图谱的境外铜矿潜力预测系统的结构示意图。
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。
随着矿业国际化进程不断加快，海外矿业项目的需求日益增加。然而，受外界等客观条件影响，在无法前往当地开展地质勘查的情况下，借助于大数据、机器学习等前沿技术充分挖掘全球铜矿资源大数据蕴含的潜在信息，并结合当地有限的数据资料，探索构建成矿潜力区预测模型的技术方法，迫在眉睫。
本发明提供了一种基于知识图谱的境外铜矿潜力预测方法、系统及电子设备，达到了国内实现境外铜矿资源潜力快速预测的目的。
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。
实施例一
本发明实施例针对境外矿产资源潜力预测面临的基础数据不充分问题，提供了一种基于知识图谱的境外铜矿潜力预测方法，以提高境外铜资源潜力预测工作效率与准确性。
如图1所示，本发明实施例提供的一种基于知识图谱的境外铜矿潜力预测方法，包括：
步骤100：根据全球铜矿研究文献和铜矿项目地质调查资料，构建铜矿资料库，并对所述铜矿资料库进行知识抽取，建立铜矿潜力预测知识图谱。
在本发明实施例中，步骤100具体包括：
步骤101：对全球铜矿研究文献和铜矿项目地质调查资料进行整理，提取铜矿的地质信息、成矿信息和勘查开发信息，从而形成铜矿资料库；所述铜矿资料库包含文本数据和关系型数据库。
所述全球铜矿研究文献为通过铜矿矿床模型、铜矿成矿预测、铜资源潜力评价为关键词进行搜索后得到的文献；所述铜矿地质调查资料包括矿床勘查报告、矿山年报、开发利用方案等文档资料，以及全球铜矿项目数据库。
针对论文、报告等文档资料、文献资料，提取其中的铜矿地质信息、成矿信息、勘查开发信息，并存入铜矿资料库中；针对全球矿业项目信息库等关系型数据库，直接存入铜矿资料库中。
所述地质信息包括大地构造、地层、岩体、岩相古地理等；所述成矿信息包括矿床类型、成矿规律、成矿区带、含矿建造、控矿要素、找矿标志、已知矿产地等；所述勘查开发信息包括矿业项目、勘查阶段、探矿权分布、采矿权分布、勘查活动、钻探情况、勘查投入等。
步骤102：针对文本数据，通过马尔科夫模型、条件随机场模型等进行文本标注，提取其中的实体、关系和事件，并存入neo4j图数据库。
例如：利用python工具，通过定义实体抽取规则，抽取出与成矿相关的矿床、矿床类型、成矿区带、典型特征、找矿标志、勘查阶段等实体；通过定义关系抽取模板，抽取实体之间的关系，并进行人工检查与修正，得到所需的知识；最后将所需的知识存入neo4j图数据库中。
步骤103：针对全球矿业项目信息库等关系型数据库，利用D2RQ工具，将关系型数据库生成预定义的mapping文件，通过人工修改mapping文件中的数据，将修改后的数据映射到本体，然后存入neo4j图数据库。
步骤104：基于neo4j图数据库，构建铜矿潜力预测知识图谱。
步骤200：基于所述铜矿潜力预测知识图谱，确定成矿相关重要节点，并根据所述成矿相关重要节点，构建目标区域预测数据集；所述目标区域预测数据集包括目标区域的地质信息、成矿信息和勘查开发信息。
在本发明实施例中，步骤200具体包括：
步骤201：基于所述铜矿潜力预测知识图谱，采用度中心性算法和接近中心性算法，确定成矿相关重要节点。
一个示例：利用Cypher语句，采用度中心性算法，确定标签为预测要素的节点中，具影响力的节点。采用PersonalRank算法，计算上述节点对于该类矿床类型节点的相关性和重要性，并设定PersonalRank值大于某阈值的节点确定为成矿相关重要节点。
步骤202：获取目标区域铜矿数据，并根据所述目标区域铜矿数据和所述成矿相关重要节点，构建目标区域预测数据集，即该目标区域预测数据集，是根据上述成矿相关重要节点涉及的信息进行构建的。
步骤300：对所述目标区域预测数据集依次进行图层化处理、成矿有利信息提取和多尺度特征融合，得到每个单元的属性信息，具体包括：
所述图层化处理过程为：
对所述目标区域预测数据集中的勘查开发信息进行图层化处理，采用克里金插值、核密度分析、空间聚类分析等算法，将数据转化为GIS图层，生成矿业项目空间分布图、探矿权分布图、采矿权分布图、勘查活动热度图、钻孔密度图等矢量图层。
所述成矿有利信息提取过程为：
对所述目标区域预测数据集中的地层数据进行含矿地层提取、地层组合熵计算，生成相应GIS图层；
对所述目标区域预测数据集中的构造数据进行断裂密度计算、断裂缓冲区计算等，生成相应GIS图层；
对所述目标区域预测数据集中的地球物理数据进行解译，提取构造、地层、岩体等信息，生成相应GIS图层；
对所述目标区域预测数据集中的地球化学数据进行单元素异常提取、组合元素异常提取，生成单元素地球化学异常图、组合元素异常图等GIS图层；
对所述目标区域预测数据集中的遥感数据进行构造解译，生成构造解译GIS图层。
所述多尺度特征融合过程为：
对所述目标区域进行网格化处理，得到若干个大小一致的单元；
提取每个单元中包含各预测要素图层的信息，当此信息为离散化数据时进行二值化处理，存在即为1，不存在即为0；当此信息为连续型数据，进行标准化处理，使数值落入区间[0,1]。
步骤400：计算每个所述单元的属性信息与铜矿潜力预测知识图谱的相似性，并将每个单元对应的相似性输入至潜力预测模型，得到每个单元的推荐值。
其中，潜力预测模型的建立过程为：基于机器学习推荐系统算法，利用RippleNet模型，抽取成矿要素重要实体及其传播特征，通过训练后的模型，可预测每个单元的推荐值。
步骤500：根据目标区域所有单元的推荐值，圈定铜矿资源潜力区。
所述圈定铜矿资源潜力区，将预测成矿概率高的相连格子圈定为一个潜力区，在预测目标范围圈定若干个铜矿潜力区。
进一步地，该方法还包括：对所述铜矿资源潜力区进行可视化表达。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种基于知识图谱的境外铜矿潜力预测系统。
如图2所示，本发明实施例提供的一种基于知识图谱的境外铜矿潜力预测系统，包括：
铜矿潜力预测知识图谱建立模块1，用于根据全球铜矿研究文献和铜矿项目地质调查资料，构建铜矿资料库，并对所述铜矿资料库进行知识抽取，建立铜矿潜力预测知识图谱；
目标区域预测数据集构建模块2，用于基于所述铜矿潜力预测知识图谱，确定成矿相关重要节点，并根据所述成矿相关重要节点，构建目标区域预测数据集；所述目标区域预测数据集包括目标区域的地质信息、成矿信息和勘查开发信息；
单元属性信息确定模块3，用于对所述目标区域预测数据集进行图层化处理、成矿有利信息提取和多尺度特征融合，得到每个单元的属性信息；
单元推荐值计算模块4，用于计算每个所述单元的属性信息与铜矿潜力预测知识图谱的相似性，并将每个单元对应的相似性输入至潜力预测模型，得到每个单元的推荐值；
铜矿资源潜力区圈定模块5，用于根据目标区域所有单元的推荐值，圈定铜矿资源潜力区。
进一步地，本发明实施例提供的系统还包括：可视化表达模块，用于对所述铜矿资源潜力区进行可视化表达。
实施例三
本发明实施例提供一种电子设备包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的一种基于知识图谱的境外铜矿潜力预测方法。
可选地，上述电子设备可以是服务器。
本发明提供了一种基于知识图谱的境外铜矿潜力预测方法、系统及电子设备，主要包括存储从全球铜矿研究相关文献和铜矿项目地质调查资料中提取的铜矿相关地质信息、成矿信息、勘查开发信息，包括文本和关系型数据库，形成铜矿资料库。其次对铜矿资料库进行知识抽取，建立全球铜矿潜力预测知识图谱，分析成矿相关的重要节点。然后进行目标区域预测数据集构建、图层化处理、成矿有利信息提取和多尺度特征融合。接着建立潜力预测模型，通过模型训练获取最佳参数，计算单元的成矿概率得分，圈定铜矿资源潜力区。最后预测成果的可视化表达，支持导出预测模型计算结果(excel格式)，支持导出预测单元的得分图、潜力区分布图等图件，从而达到了国内实现境外铜矿资源潜力快速预测的目的。
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 (8)
1.一种基于知识图谱的境外铜矿潜力预测方法，其特征在于，包括：
根据全球铜矿研究文献和铜矿项目地质调查资料，构建铜矿资料库，并对所述铜矿资料库进行知识抽取，建立铜矿潜力预测知识图谱；
基于所述铜矿潜力预测知识图谱，确定成矿相关重要节点，并根据所述成矿相关重要节点，构建目标区域预测数据集；所述目标区域预测数据集包括目标区域的地质信息、成矿信息和勘查开发信息；所述勘查开发信息包括矿业项目、勘查阶段、探矿权分布、采矿权分布、勘查活动、钻探情况及勘查投入；
对所述目标区域预测数据集进行图层化处理、成矿有利信息提取和多尺度特征融合，得到每个单元的属性信息；
计算每个所述单元的属性信息与铜矿潜力预测知识图谱的相似性，并将每个单元对应的相似性输入至潜力预测模型，得到每个单元的推荐值；其中，潜力预测模型的建立过程为：基于机器学习推荐系统算法，利用RippleNet模型，抽取成矿要素重要实体及其传播特征，通过训练后的模型，可预测每个单元的推荐值；
根据目标区域所有单元的推荐值，圈定铜矿资源潜力区；所述圈定铜矿资源潜力区，将预测成矿概率高的相连格子圈定为一个潜力区，在预测目标范围圈定若干个铜矿潜力区；
所述根据全球铜矿研究文献和铜矿项目地质调查资料，构建铜矿资料库，并对所述铜矿资料库进行知识抽取，建立铜矿潜力预测知识图谱，具体包括：
对全球铜矿研究文献和铜矿项目地质调查资料进行整理，提取铜矿的地质信息、成矿信息和勘查开发信息，从而形成铜矿资料库；所述铜矿资料库包含文本数据和关系型数据库；
通过马尔科夫模型或者条件随机场模型对所述文本数据进行标注，提取实体、关系和事件，并存入neo4j图数据库；其中，利用python工具，通过定义实体抽取规则，抽取出与成矿相关的矿床、矿床类型、成矿区带、典型特征、找矿标志及勘查阶段实体；通过定义关系抽取模板，抽取实体之间的关系，并进行人工检查与修正，得到所需的知识；最后将所需的知识存入neo4j图数据库中；
利用D2RQ工具，将所述关系型数据库生成预定义的mapping文件，并将所述mapping文件中的数据映射到本体，然后存入neo4j图数据库；
根据所述neo4j图数据库，建立铜矿潜力预测知识图谱；
所述基于所述铜矿潜力预测知识图谱，确定成矿相关重要节点，并根据所述成矿相关重要节点，构建目标区域预测数据集，具体包括：
基于所述铜矿潜力预测知识图谱，采用度中心性算法和接近中心性算法，确定成矿相关重要节点；其中，利用Cypher语句，采用度中心性算法，确定标签为预测要素的节点中，具影响力的节点；采用PersonalRank算法，计算上述节点对于矿床类型节点的相关性和重要性，并设定PersonalRank值大于阈值的节点确定为成矿相关重要节点；
获取目标区域铜矿数据，并根据所述目标区域铜矿数据和所述成矿相关重要节点，构建目标区域预测数据集。
2.根据权利要求1所述的一种基于知识图谱的境外铜矿潜力预测方法，其特征在于，所述图层化处理过程为：
对所述目标区域预测数据集中的勘查开发信息进行图层化处理，采用克里金插值算法、核密度分析算法或者空间聚类分析算法，将数据转化为GIS图层，生成矿业项目空间分布图、探矿权分布图、采矿权分布图、勘查活动热度图和钻孔密度图。
3.根据权利要求1所述的一种基于知识图谱的境外铜矿潜力预测方法，其特征在于，所述成矿有利信息提取过程为：
对所述目标区域预测数据集中的地层数据进行含矿地层提取、地层组合熵计算，生成相应GIS图层；
对所述目标区域预测数据集中的构造数据进行断裂密度计算和断裂缓冲区计算，生成相应GIS图层；
对所述目标区域预测数据集中的地球物理数据进行解译，提取构造、地层、岩体信息，生成相应GIS图层；
对所述目标区域预测数据集中的地球化学数据进行单元素异常提取、组合元素异常提取，生成单元素地球化学异常图、组合元素地球化学异常图；
对所述目标区域预测数据集中的遥感数据进行构造解译，生成构造解译GIS图层。
4.根据权利要求1所述的一种基于知识图谱的境外铜矿潜力预测方法，其特征在于，所述多尺度特征融合过程为：
对所述目标区域进行网格化处理，得到若干个大小一致的单元；
提取每个单元中包含各预测要素图层的信息，得到得到每个单元的属性信息。
5.根据权利要求1所述的一种基于知识图谱的境外铜矿潜力预测方法，其特征在于，还包括：
对所述铜矿资源潜力区进行可视化表达。
6.一种基于知识图谱的境外铜矿潜力预测系统，其特征在于，包括：
铜矿潜力预测知识图谱建立模块，用于根据全球铜矿研究文献和铜矿项目地质调查资料，构建铜矿资料库，并对所述铜矿资料库进行知识抽取，建立铜矿潜力预测知识图谱；
所述根据全球铜矿研究文献和铜矿项目地质调查资料，构建铜矿资料库，并对所述铜矿资料库进行知识抽取，建立铜矿潜力预测知识图谱，具体包括：
对全球铜矿研究文献和铜矿项目地质调查资料进行整理，提取铜矿的地质信息、成矿信息和勘查开发信息，从而形成铜矿资料库；所述铜矿资料库包含文本数据和关系型数据库；
通过马尔科夫模型或者条件随机场模型对所述文本数据进行标注，提取实体、关系和事件，并存入neo4j图数据库；其中，利用python工具，通过定义实体抽取规则，抽取出与成矿相关的矿床、矿床类型、成矿区带、典型特征、找矿标志及勘查阶段实体；通过定义关系抽取模板，抽取实体之间的关系，并进行人工检查与修正，得到所需的知识；最后将所需的知识存入neo4j图数据库中；
利用D2RQ工具，将所述关系型数据库生成预定义的mapping文件，并将所述mapping文件中的数据映射到本体，然后存入neo4j图数据库；
根据所述neo4j图数据库，建立铜矿潜力预测知识图谱；
目标区域预测数据集构建模块，用于基于所述铜矿潜力预测知识图谱，确定成矿相关重要节点，并根据所述成矿相关重要节点，构建目标区域预测数据集；所述目标区域预测数据集包括目标区域的地质信息、成矿信息和勘查开发信息；所述勘查开发信息包括矿业项目、勘查阶段、探矿权分布、采矿权分布、勘查活动、钻探情况及勘查投入；
所述基于所述铜矿潜力预测知识图谱，确定成矿相关重要节点，并根据所述成矿相关重要节点，构建目标区域预测数据集，具体包括：
基于所述铜矿潜力预测知识图谱，采用度中心性算法和接近中心性算法，确定成矿相关重要节点；其中，利用Cypher语句，采用度中心性算法，确定标签为预测要素的节点中，具影响力的节点；采用PersonalRank算法，计算上述节点对于矿床类型节点的相关性和重要性，并设定PersonalRank值大于阈值的节点确定为成矿相关重要节点；
获取目标区域铜矿数据，并根据所述目标区域铜矿数据和所述成矿相关重要节点，构建目标区域预测数据集；
单元属性信息确定模块，用于对所述目标区域预测数据集进行图层化处理、成矿有利信息提取和多尺度特征融合，得到每个单元的属性信息；
单元推荐值计算模块，用于计算每个所述单元的属性信息与铜矿潜力预测知识图谱的相似性，并将每个单元对应的相似性输入至潜力预测模型，得到每个单元的推荐值；其中，潜力预测模型的建立过程为：基于机器学习推荐系统算法，利用RippleNet模型，抽取成矿要素重要实体及其传播特征，通过训练后的模型，可预测每个单元的推荐值；
铜矿资源潜力区圈定模块，用于根据目标区域所有单元的推荐值，圈定铜矿资源潜力区；所述圈定铜矿资源潜力区，将预测成矿概率高的相连格子圈定为一个潜力区，在预测目标范围圈定若干个铜矿潜力区。
7.根据权利要求6所述的一种基于知识图谱的境外铜矿潜力预测系统，其特征在于，还包括：
可视化表达模块，用于对所述铜矿资源潜力区进行可视化表达。
8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的一种基于知识图谱的境外铜矿潜力预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310186740.8A CN116090662B (zh) | 2023-03-02 | 2023-03-02 | 基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310186740.8A CN116090662B (zh) | 2023-03-02 | 2023-03-02 | 基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116090662A CN116090662A (zh) | 2023-05-09 |
| CN116090662B true CN116090662B (zh) | 2024-05-24 |
Family
ID=86187000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310186740.8A Active CN116090662B (zh) | 2023-03-02 | 2023-03-02 | 基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116090662B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100988609B1 (ko) * | 2010-03-03 | 2010-10-19 | 한국지질자원연구원 | 지공간 상관관계 통합기법을 이용한 광상 부존 예측시스템 및 이를 이용한 광상 부존 예측방법 |
| CN102243628A (zh) * | 2010-05-12 | 2011-11-16 | 电子科技大学 | 成矿案例推理模型与方法 |
| 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 |
| KR20180055518A (ko) * | 2016-11-17 | 2018-05-25 | 한국지질자원연구원 | 3차원 잠재광산 부존지 예측 시스템 및 방법 |
| CN109711597A (zh) * | 2018-11-14 | 2019-05-03 | 东莞理工学院 | 一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法 |
| AU2020103098A4 (en) * | 2020-10-29 | 2021-01-07 | China University Of Geosciences (Beijing) | Ore prospecting prediction method of nonlinear discrete speculation model |
| CN114138923A (zh) * | 2021-12-03 | 2022-03-04 | 吉林大学 | 一种构建地质图知识图谱的方法 |
| CN114218333A (zh) * | 2021-11-26 | 2022-03-22 | 西南交通大学 | 一种地质知识图谱构建方法、装置、电子设备及存储介质 |
| CN115410662A (zh) * | 2022-08-11 | 2022-11-29 | 中山大学 | 一种基于知识图谱的矿靶区圈定方法及系统 |
| CN115640406A (zh) * | 2022-10-13 | 2023-01-24 | 西安银江智慧城市技术有限公司 | 一种基于多源异构大数据分析处理与知识图谱构建方法 |
-
2023
- 2023-03-02 CN CN202310186740.8A patent/CN116090662B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100988609B1 (ko) * | 2010-03-03 | 2010-10-19 | 한국지질자원연구원 | 지공간 상관관계 통합기법을 이용한 광상 부존 예측시스템 및 이를 이용한 광상 부존 예측방법 |
| CN102243628A (zh) * | 2010-05-12 | 2011-11-16 | 电子科技大学 | 成矿案例推理模型与方法 |
| 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 |
| KR20180055518A (ko) * | 2016-11-17 | 2018-05-25 | 한국지질자원연구원 | 3차원 잠재광산 부존지 예측 시스템 및 방법 |
| CN109711597A (zh) * | 2018-11-14 | 2019-05-03 | 东莞理工学院 | 一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法 |
| AU2020103098A4 (en) * | 2020-10-29 | 2021-01-07 | China University Of Geosciences (Beijing) | Ore prospecting prediction method of nonlinear discrete speculation model |
| CN114218333A (zh) * | 2021-11-26 | 2022-03-22 | 西南交通大学 | 一种地质知识图谱构建方法、装置、电子设备及存储介质 |
| CN114138923A (zh) * | 2021-12-03 | 2022-03-04 | 吉林大学 | 一种构建地质图知识图谱的方法 |
| CN115410662A (zh) * | 2022-08-11 | 2022-11-29 | 中山大学 | 一种基于知识图谱的矿靶区圈定方法及系统 |
| CN115640406A (zh) * | 2022-10-13 | 2023-01-24 | 西安银江智慧城市技术有限公司 | 一种基于多源异构大数据分析处理与知识图谱构建方法 |
Non-Patent Citations (9)
| Title |
|---|
| Hongwei Wang.Ripplenet：Propagating User Preferences on the Knowledge Gragh for Recommender Systems.《CIKM '18:Proceeding of the 27th ACM international Conference on Information and Knowledge Management》.2018,全文. * |
| Построение и применение графа знаний медно-порфировых месторождений;Yongzhang Zhou;《 Earth sciences and subsoil use》;20211030;第44卷(第3期);全文 * |
| 孙海龙.《工业和信息化部十四五规划教材 群智化数据标注技术与实践》.北京航空航天大学出版社,2022,132-133. * |
| 智能矿产地质调查方法——以甘肃大桥-崖湾地区为例;杨明莉;《岩石学报》;20211215;第37卷(第12期);全文 * |
| 王鸿伟.《基于网络特征学习的个性化推荐系统》.机械工业出版社,2022,179-182. * |
| 王黔驹.《地质资料信息服务集群化产业化研究》.地质出版社,2015,全文. * |
| 矿床知识图谱构建方法及找矿预测应用——以甘肃寨上-马坞金矿集区为例;燕群;《中国优秀硕士学位论文全文数据库 (基础科学辑)》(第11期);1-47 * |
| 程静.《技术视角下高校图书馆创新实践》.上海社会科学院出版社,2021,224-225. * |
| 郭远生.《依靠科学技术 推进地质找矿》.云南科技出版社,2008,1-21. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116090662A (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Knox‐Robinson et al. | Towards a holistic exploration strategy: using geographic information systems as a tool to enhance exploration | |
| Xiang et al. | 3D mineral prospectivity mapping with random forests: A case study of Tongling, Anhui, China | |
| Vikara et al. | Machine learning-informed ensemble framework for evaluating shale gas production potential: Case study in the Marcellus Shale | |
| CN116665067B (zh) | 基于图神经网络的找矿靶区优选系统及其方法 | |
| Zhou et al. | Data driven modeling and prediction for reservoir characterization using seismic attribute analyses and big data analytics | |
| Wang et al. | A method for well log data generation based on a spatio-temporal neural network | |
| Liu et al. | Developments in quantitative assessment and modeling of mineral resource potential: an overview | |
| 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 | |
| Rizwan et al. | Toward effective pattern recognition based on enhanced weighted K-mean clustering algorithm for groundwater resource planning in point cloud | |
| 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 | |
| CN116090662B (zh) | 基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 | |
| Pollock et al. | 3D exploratory analysis of descriptive lithology records using regular expressions | |
| McGaughey et al. | Geological models, rock properties, and the 3D inversion of geophysical data | |
| Sun et al. | Real-time updating method of local geological model based on logging while drilling process | |
| US20240127039A1 (en) | Geologic learning framework | |
| CN113111928B (zh) | 一种基于地学数据库的半监督学习矿产资源定量预测方法 | |
| LIU et al. | The feasibility of monitoring lagging water inrush by using parameter of polarizability | |
| WO2015048607A1 (en) | Data analytics for oilfield data repositories | |
| Buddo et al. | Transient electromagnetic sounding in 2D, 3D, and 4D modes: sequence of geological exploration activities | |
| CN113534283A (zh) | 一种砂岩型铀矿成矿要素特征的定量评价方法 | |
| Zhang et al. | Development and future prospects of quantitative mineral assessment in China | |
| Liu et al. | Microseismic strength prediction based on radial basis probabilistic neural network | |
| Xu et al. | The use of 3D convolutional autoencoder in fault and fracture network characterization | |
| Hiebel et al. | Digital workflows for a 3d semantic representation of an ancient mining landscape | |
| CN114138923B (zh) | 一种构建地质图知识图谱的方法 |
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 |