CN116720976B - Mvt型铅锌矿成矿预测方法、装置、计算机设备及存储介质 - Google Patents
Mvt型铅锌矿成矿预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116720976B CN116720976B CN202310567891.8A CN202310567891A CN116720976B CN 116720976 B CN116720976 B CN 116720976B CN 202310567891 A CN202310567891 A CN 202310567891A CN 116720976 B CN116720976 B CN 116720976B
- Authority
- CN
- China
- Prior art keywords
- ore
- parameters
- mvt
- field
- lead zinc
- 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
- 238000000034 method Methods 0.000 title claims abstract description 134
- JQJCSZOEVBFDKO-UHFFFAOYSA-N lead zinc Chemical compound [Zn].[Pb] JQJCSZOEVBFDKO-UHFFFAOYSA-N 0.000 title claims abstract description 116
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 239000012530 fluid Substances 0.000 claims abstract description 100
- 238000004088 simulation Methods 0.000 claims abstract description 95
- 239000000126 substance Substances 0.000 claims abstract description 84
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 79
- 230000008569 process Effects 0.000 claims abstract description 76
- 230000008878 coupling Effects 0.000 claims abstract description 41
- 238000010168 coupling process Methods 0.000 claims abstract description 41
- 238000005859 coupling reaction Methods 0.000 claims abstract description 41
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 34
- 239000011707 mineral Substances 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 238000007637 random forest analysis Methods 0.000 claims description 61
- 238000012546 transfer Methods 0.000 claims description 60
- 238000006243 chemical reaction Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000005065 mining Methods 0.000 claims description 20
- 239000007787 solid Substances 0.000 claims description 16
- 238000005553 drilling Methods 0.000 claims description 14
- 238000013508 migration Methods 0.000 claims description 14
- 230000005012 migration Effects 0.000 claims description 14
- 230000033558 biomineral tissue development Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004134 energy conservation Methods 0.000 claims description 5
- 230000004907 flux Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011435 rock Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 239000011701 zinc Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 239000002366 mineral element Substances 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000002706 hydrostatic effect Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 229940056932 lead sulfide Drugs 0.000 description 2
- 229910052981 lead sulfide Inorganic materials 0.000 description 2
- RVPVRDXYQKGNMQ-UHFFFAOYSA-N lead(2+) Chemical compound [Pb+2] RVPVRDXYQKGNMQ-UHFFFAOYSA-N 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000012466 permeate Substances 0.000 description 2
- 239000002244 precipitate Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- QDZOEBFLNHCSSF-PFFBOGFISA-N (2S)-2-[[(2R)-2-[[(2S)-1-[(2S)-6-amino-2-[[(2S)-1-[(2R)-2-amino-5-carbamimidamidopentanoyl]pyrrolidine-2-carbonyl]amino]hexanoyl]pyrrolidine-2-carbonyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-N-[(2R)-1-[[(2S)-1-[[(2R)-1-[[(2S)-1-[[(2S)-1-amino-4-methyl-1-oxopentan-2-yl]amino]-4-methyl-1-oxopentan-2-yl]amino]-3-(1H-indol-3-yl)-1-oxopropan-2-yl]amino]-1-oxo-3-phenylpropan-2-yl]amino]-3-(1H-indol-3-yl)-1-oxopropan-2-yl]pentanediamide Chemical compound C([C@@H](C(=O)N[C@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(N)=O)NC(=O)[C@@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H]1N(CCC1)C(=O)[C@H](CCCCN)NC(=O)[C@H]1N(CCC1)C(=O)[C@H](N)CCCNC(N)=N)C1=CC=CC=C1 QDZOEBFLNHCSSF-PFFBOGFISA-N 0.000 description 1
- 102100024304 Protachykinin-1 Human genes 0.000 description 1
- 101800003906 Substance P Proteins 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000005442 atmospheric precipitation Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 238000013076 uncertainty analysis 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Marine Sciences & Fisheries (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Medical Informatics (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于矿产资源预测技术领域，提供了一种MVT型铅锌矿成矿预测方法、装置、计算机设备及存储介质，其中方法包括：获取MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数；根据经验模态分解方法对成矿系统进行分解，获得多个物理过程模型；根据物理过程模型构建多个数值模拟模块，并结合地质构造信息，矿石的物理参数以及流体参数进行成矿地质作用过程中的力‑热‑流‑质‑化学五场耦合多物理场数值模拟计算，得到多个成矿条件参数；根据多个成矿条件参数以及成矿预测模型确定MVT型铅锌矿的成矿预测结果，本申请通过经验模态分解的方法将复杂的成矿系统拆分成简单物理过程，通过机器学习对模拟参量进行分析，可以更加精确地划定找矿靶区。
Description
技术领域
本发明涉及矿产资源预测技术领域，特别是涉及一种MVT型铅锌矿成矿预测方法、装置、计算机设备及存储介质。
背景技术
21世纪数值模拟技术发展体现在两方面，一方面是一体化模拟技术，数值模拟将不只是对油藏的模拟，数值模拟将对油藏，井筒，地面设备，管网以及油气处理厂进行一体化模拟，从而最优化管理油田。另一方面是定量进行属性不确定性分析，定量分析属性不确定性对计算结果的影响。
随机森林是一种基于分类树的算法，这个算法需要进行模拟和迭代，是机器学习中的一种方法。随机森林在运算量没有显著提高的前提下，提高了预测精度。随机森林对多元共线性不敏感，结果对缺失数据和非平衡的数据表现的比较稳定。在机器学习的诸多算法之中，随机森林因为高效准确而备受关注，在各行各业中得到了越来越多的应用。
现今，多物理场数值模拟逐渐被适用于成矿预测工作。区别于传统的矿床学和地质学研究，成矿数值模拟目的在于从地球动力学角度还原矿床形成过程，进而通过应力、温度、流体等方面的变化趋势，推断出矿床的形成位置以及形成规模，圈定较高概率产生矿体的位置，最新的成矿动力学数值模拟工作主要使用力-热-流-质四场耦合，通过模拟相应元素随流体在地层中的运移从而发现矿床的形成规律。
但是对于成矿元素在成矿过程中与地层内元素反应形成矿体的过程仍然缺少相应的研究，这一部分的缺失使得在模拟过程中，成矿元素会一直随着流体运动进行迁移，而非与地层反应形成矿体，导致模拟结果与实际矿床仍然存在一定的误差。
发明内容
本申请实施例的目的在于提供一种MVT型铅锌矿成矿预测方法，旨在解决现有的对于成矿元素在成矿过程中与地层内元素反应形成矿体的过程缺少相应研究的技术问题。
本申请实施例是这样实现的，一种MVT型铅锌矿成矿预测方法，包括：
获取MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数；
获取MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数；
根据经验模态分解方法对成矿系统进行分解，获得多个物理过程模型，所述物理过程模型至少包括力学模型、传热模型、流体运移模型；
根据所述物理过程模型构建多个数值模拟模块，并结合所述地质构造信息，矿石的物理参数以及流体参数进行成矿地质作用过程中的力-热-流-质-化学五场耦合多物理场数值模拟计算，得到多个成矿条件参数，所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数、质量传递场参数以及化学场参数；
根据所述多个成矿条件参数以及成矿预测模型确定所述MVT型铅锌矿的成矿预测结果；
其中，所述成矿预测模型是基于预设的机器学习算法训练生成的；所述力-热-流-质-化学五场耦合多物理场至少由基于MVT型铅锌矿的勘探资料所建立的MVT型铅锌矿几何模型与基于力、热、流、质、化学多物理场的动力学方程所建立的多个数值模拟模块结合组成。
本申请实施例的另一目的在于提供一种MVT型铅锌矿成矿预测装置，包括：
信息获取单元，用于获取MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数；
多物理场数值模拟计算单元，用于根据经验模态分解方法对成矿系统进行分解，获得多个物理过程模型，所述物理过程模型至少包括力学模型、传热模型、流体运移模型；根据所述物理过程模型构建多个数值模拟模块，并结合所述地质构造信息，矿石的物理参数以及流体参数进行成矿地质作用过程中的力-热-流-质-化学五场耦合多物理场数值模拟计算，得到多个成矿条件参数，所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数、质量传递场参数以及化学场参数；
矿产结果预测单元，用于根据所述多个成矿条件参数以及成矿预测模型确定所述MVT型铅锌矿的成矿预测结果；
其中，所述成矿预测模型是基于预设的机器学习算法训练生成的；所述力-热-流-质-化学五场耦合多物理场至少由基于MVT型铅锌矿的勘探资料所建立的MVT型铅锌矿几何模型与基于力、热、流、质、化学多物理场的动力学方程所建立的多个数值模拟模块结合组成。
本申请实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述MVT型铅锌矿成矿预测方法的步骤。
本申请实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述MVT型铅锌矿成矿预测方法的步骤。
本申请实施例提供的一种MVT型铅锌矿成矿预测方法，相比于现有的力-热-流三场耦合数值模拟方法缺少对成矿元素与地层反应逐渐富集成矿这一过程的模拟，本申请利用力-热-流-质-化学五场耦合数值模拟技术，通过新增的质量传递场以及化学场来进一步模拟了成矿元素的富集作用，不仅完成了较为完整的成矿过程数值模拟工作，使得结果更加精确合理。同时，这一技术也能够量化分析矿床储量，对矿体规模有更准确地评估，得到多个成矿条件参数，然后再利用该成矿条件参数以及训练得到的随机森林算法模型作为成矿预测模型确定所述MVT型铅锌矿的成矿预测结果，使用随机森林方法对模拟结果进行训练除了可以更加精确地划定找矿靶区，也可以提取特征的重要性进行分析，挖掘其中隐含的成矿影响因子和关联关系，从而发现新的成矿规律和控矿要素，加深对矿床形成特征的了解。本申请提出了一种MVT型铅锌矿成矿预测方法，将应力场、流体场、温度场、质量传递场以及化学场进行耦合，从地球动力学角度完整地还原了从构造运动、温度变化到流体运移再到成矿元素发生反应富集成矿的整个成矿过程，获得了更加精确、更加贴合地质事实的模拟结果。而使用随机森林算法进行成矿预测能够分析出每种成矿影响因素的重要性，发掘出潜在的成矿规律和控矿要素，也能够更加精确地圈定成矿有利区。
附图说明
图1为一个实施例中提供的一种MVT型铅锌矿成矿预测方法的流程图；
图2为一个实施例中提供的一种MVT型铅锌矿经验模态分解方法对成矿系统进行分解的流程图；
图3为一个实施例中提供的一种建立力-热-流-质-化学多个数值模拟模块的流程图；
图4为一个实施例中提供的一种训练生成的成矿预测模型的流程图；
图5为一个实施例中提供的一种确定MVT型铅锌矿几何模型中含矿体单元和未含矿体单元的流程图；
图6为一个实施例中提供的一种随机森林模型的参数变量进行优化的流程图；
图7为一个实施例提供的一种成矿预测装置的结构示意图；
图8为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
如图1所示，在一个实施例中，提出了一种的MVT型铅锌矿成矿预测方法，具体可以包括以下步骤：
步骤S102，获取MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数。
在本申请实施例中，所述MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数反应了MVT型铅锌矿的一些基本特性，示例性的，MVT型铅锌矿的几何模型通过上述基本特性信息结合三维地质建模软件得到。
在本申请实施例中，所述矿石的物理参数至少包括等效应力、第一主应力、第二主应力、第三主应力、体应变、第一主应变、第二主应变、第三主应变、温度场，所述流体参数至少包括流体通量、PbS浓度和ZnS浓度。当然，所选用的矿石物性参数与流体参数种类越多，信息越丰富，最终预测出的成矿更加准确。
步骤S104，根据经验模态分解方法对成矿系统进行分解，获得多个物理过程模型，所述物理过程模型至少包括力学模型、传热模型、流体运移模型。
在本申请实施例中，按照经验模态分解思想，任何复杂成矿系统都是由不同的简单物理过程组成的，每个物理过程都应该独立于其他物理过程，从而将复杂的MVT矿床成矿模型变为力、热、流、质、化学等多个简单的物理过程。
步骤S106,根据所述物理过程模型构建多个数值模拟模块，并结合所述地质构造信息，矿石的物理参数以及流体参数进行成矿地质作用过程中的力-热-流-质-化学五场耦合多物理场数值模拟计算，得到多个成矿条件参数，所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数、质量传递场参数以及化学场参数；
在本申请实施例中，数值模拟计算模型，需要给定初始条件，初始条件包括初始应力条件，初始温度条件，初始流动条件，以及质量约束条件。
在本申请实例中，在多物理场数值模拟软件中，在确定了模拟驱动条件以及力-热-流-质-化学五场耦合多物理场后，将上述地质构造信息、矿石物理参数以及流体参数输入计算模型作为计算模型的初始条件，然后模拟软件基于质量守恒、能量守恒等原理对MVT型铅锌矿进行力-热-流-质-化学五场耦合成矿动力学过程数值模拟，模拟得到多种形式的参数，例如应力场参数(包括第一主应力、第二主应力、第三主应力、第一主应变、第二主应变、第三主应变等)、温度场参数(包括温度、梯度等)、流体场参数(包括达西流速场、流量、流体势等)以及化学场(铅离子浓度、硫化铅浓度等)，上述形式的参数无法通过勘探信息直接获取，并且上述形式的参数与成矿结果之间的关联更为紧密，将上述形式的参数作为成矿条件参数进行预测，能够起到更为精确的预测效果。
在本申请实施例中，所述力-热-流-质-化学五场耦合多物理场至少由基于MVT型铅锌矿的勘探资料所建立的MVT型铅锌矿几何模型与基于力、热、流、质、化学多物理场的动力学方程所建立的多个数值模拟模块结合组成，其中所述MVT型铅锌矿几何模型的构建，基于矿体和各相关地质要素以及地球物理场的联系，示例性的，利用MICROMINE和GOCAD三维地质建模软件，融合矿内已有的地质勘查数据，建立主要地层单元、成矿岩体和矿体的三维地质模型，地质勘查数据至少有钻孔编录及分析数据，用于提取矿体、地质体的边界及品位数据、勘探线剖面及中段地质图，用于提取矿体及地质图的边界，三维地质模型形象地展示了主要地质要素的三维空间变化及其与矿体间的空间关系。
步骤S108，根据所述多个成矿条件参数以及成矿预测模型确定所述MVT型铅锌矿的成矿预测结果。
在本申请实施例中，所述成矿预测模型基于机器学习算法预先训练生成的，所述机器学习算法包括但不限于神经网络、随机森林、支持向量机等，示例性的，本申请采用随机森林算法，随机森林是功能强大的机器学习算法，被广泛应用于科学和工程中的各类分类和回归预测，随机森林模型可以通过多数投票直接输出预测概率。对于由M棵树组成的二分类预测随机森林模型，在(xi,yi)处yi＝1的概率为：
其中Ny＝1为投票y＝1的树数，Pm(yi＝1|xi)＝1或0。xi为待预测数据，yi为预测结果。
随机森林算法提供了特征的重要性分析功能，这个功能可以帮助发现数值模拟结果中占比较为重要的因素，从而发掘一些隐式控矿因素，从而为进一步研究MVT型矿床打下良好的基础。
在本申请实施例中，所述成矿预测模型所揭示的是如应力场、温度场以及流体场等参数与MVT型铅锌矿的成矿预测结果之间的关系。
在本申请实施例中，成矿是一个复杂的物理化学过程，这其中涉及的很多过程与成矿的联系并不紧密。本研究则首次将矿床地质模型结合进入成矿预测之中，将数据驱动与知识驱动的方法相结合，通过经验模态分解(EMD)的方法将复杂成矿系统分解成为简单的物理化学过程，再重构成混合驱动数值模拟成矿预测模型；根据矿产勘查数据以及矿床学、地质学、地球化学、地球物理数据所构建的MVT矿床地质模型，大多数矿体分布都与断裂有关，成矿热液是顺着地层破裂进入地层发生交代作用，将数值模拟的力学场之中能够衡量破裂的变量如第一主应力、第二主应力、第三主应力、第一主应变、第二主应变、第三主应变等参数作为预测参量引入机器学习模型。同时，从MVT矿床地质模型中也可以得出，热液流体的运移规律以及成矿物质的积累是控制MVT型矿床形成的核心因素，将数值模拟中的流体通量与ZnS和PbS浓度等数值模拟参数作为预测变量引入成矿预测模型。
本申请实施例提供的一种MVT型铅锌矿成矿预测方法，相比于现有的力-热-流三场耦合数值模拟方法缺少对成矿元素与地层反应逐渐富集成矿这一过程的模拟，本申请利用力-热-流-质-化学五场耦合数值模拟技术，通过新增的质量传递场以及化学场来进一步模拟了成矿元素的富集作用，不仅完成了较为完整的成矿过程数值模拟工作，使得结果更加精确合理。同时，这一技术也能够量化分析矿床储量，对矿体规模有更准确地评估，得到多个成矿条件参数，然后再利用该成矿条件参数以及训练得到的随机森林算法模型作为成矿预测模型确定所述MVT型铅锌矿的成矿预测结果，使用随机森林方法对模拟结果进行训练除了可以更加精确地划定找矿靶区，也可以提取特征的重要性进行分析，挖掘其中隐含的成矿影响因子和关联关系，从而发现新的成矿规律和控矿要素，加深对矿床形成特征的了解。
如图2所示，为本申请实施例提供的一种经验模态分解方法对成矿系统进行分解的步骤，具体包括以下步骤。
步骤S202，获取MVT型铅锌矿的形成模式，构建MVT型铅锌矿的成矿系统模型。
步骤S204，根据经验模态分解方法，将所述成矿系统模型分解为力、热、流、质、化学多个物理过程模型。
在本申请实施例中，按照经验模态分解思想，任何复杂成矿系统都是由不同的简单物理过程组成的，每个物理过程都应该独立于其他物理过程，从而将复杂的MVT矿床成矿模型变为力、热、流、质、化学等多个简单的物理过程模型，物理过程模型至少包括力学模型、传热模型、流体运移模型等，成矿系统是指在一定的地质时空域中控制矿床形成和保存的所有地质要素、成矿作用的全部过程以及所形成的矿床系列和相关异常构成的整体，是具有成矿功能的一个自然系统。
如图3所示，为本申请实施例提供的一种建立力-热-流-质-化学五场耦合多物理场的步骤流程图，具体包括以下步骤。
步骤S302，获取固体力学应力变化方程的变量参数，调用固体力学应力变化方程。
在本申请实施例中，固体力学场可以模拟岩石在构造活动中的应力变化，固体力学从使用如下方程对应力变化进行模拟：
其中ρ为岩层密度，u是指岩层位移，Fv是指单位体积力，vx是指岩层移动速度。
示例性的，凡口铅锌矿217剖面为例，实验人员首先在计算机内设置好不同岩层的岩性参数，包括泊松比、杨氏模量和密度，然后按照查阅文献中的构造活动数据，对模型的边界条件进行设置。凡口217剖面为东西走向，按照凡口地区构造演化史，实验人员在剖面两次施加了向内0.05cm每年的位移速度，并将底部设置为棍支承状态，最后添加上重力对岩石的影响，从而获得构造应力场模拟结果。
步骤S304，获取达西定律方程的变量参数，根据达西定律，调用流体场的达西定律方程。
在本申请实施例中，达西定律可以很好地模拟出流体在岩层中的渗流作用。达西定律方程如下：
ρ1代表流体密度，u1代表流体流速，εp是多孔介质的孔隙率，κ是多孔介质的渗透率，μ是流体动力粘度，Qm是流体质量，p是流体压力。
示例性的，凡口铅锌矿217剖面为例，实验人员首先在计算机内设置好各个地层的孔隙率与渗透率参数，同时也要设置流体的密度、动力粘度。设置完基本物性参数之后，需要对流体场添加重力影响，同时为流体场添加静水压力梯度-Y-*ρ*g，g为重力加速度，Y为地层深度，在模型断层底部设置流体入口，代表流体从断层底部上涌并逐渐向围岩渗流的过程，在多物理场中，使用多孔弹性耦合接口将达西定律和固体力学场耦合起来，从而完成流体场的构建。
在本申请实施例中，首次应用达西定律与稀物质传递场控制成矿热液中成矿金属元素的运移与反应条件，从而成功将化学反应过程动态融入进数值模拟模型，让化学反应过程跟随流体运移以及成矿环境变化不断变化与进行。
步骤S306，获取多孔介质传热方程的变量参数，根据能量守恒和应用混合规则，调用温度场的多孔介质传热方程。
在本申请实施例中，多孔介质传热场可以反映出流体作为热量来源，携带温度渗入围岩的过程。多孔介质传热方程如下：
dz是地层厚度，(ρCp)eff代表恒压下有效容积热容，ρ是流体密度，T是温度，q是传导热流密度，q0是热通量，keff是当量导热系数，Q为热源。
示例性的，凡口铅锌矿217剖面为例，实验人员首先在计算机内设置物性参数，包括岩层的密度、比热容，固体材料的体积分数，流体的密度、恒压热容和比热率，然后使用初始值设置地层初始地温梯度，地层初始地温梯度方程为293.15[K]-0.03[K/m]*Y，K为开尔文，K/m为开尔文每米，Y为地层深度，在边界条件中选择流入，在断层底部添加流入的边界条件，流体的温度设置为240℃，在多物理场中选择温度耦合和流动耦合，将达西定律和多孔介质传热场进行耦合，从而完成流体携带温度进行传热这一过程的模拟。
步骤S308，获取成矿的化学反应方程，根据化学反应原理，调用化学场的化学反应方程。
在本申请实施例中，化学场很好地模拟了成矿元素与地层内存在元素之间的反应，示例性的，以凡口铅锌矿217剖面为例，凡口铅锌矿床选用Pb2++Zn2++2S2-＝>PbS+ZnS的化学反应方程式作为表示成矿的化学反应方程式，设置Pb2+、Zn2+、S2-、PbS、ZnS的物质参数，包括摩尔质量、电荷数，反应速率由浓度控制。
步骤S210，获取多孔介质稀物质传递方程的变量参数，根据质量守恒，调用质量传递场的多孔介质稀物质传递方程。
在本申请实施例中，质量传递场能很好的表示成矿元素随流体的运移，MVT型铅锌矿床的成矿流体中的成矿元素浓度较低，因此选用多孔介质稀物质传递来模拟成矿元素随流体运移并渗入地层反应成矿的整个过程。在稀物质传递中使用的传递方程如下：
ci是吸附到固相的物质数量，De，i是物质在流体中的扩散系数，Ri是对应组分的反应速率，Si是对应组分的物质源，cp，i是P物质的ci，εp是多孔介质的孔隙率。
示例性的，凡口铅锌矿217剖面为例，实验人员在计算机内设置好铅离子的流体扩散系数，将剖面的铅离子初始浓度设为0，在域中选择反应，选定反应范围为除断裂内部之外的剖面，反应速率使用化学场中根据浓度计算出来的反应速率。(化学场中物质浓度由稀物质传递场决定)，选择域，将断层设置为物质源，将断层底部设置为向内质量通量，从而模拟断层内的流体携带物质向断层两侧扩散，与地层内物质反应聚集成矿，断层底部不断有新的成矿物质上涌进行补充的过程，在多物理场中选择温度耦合与流动耦合，将多孔介质传热场、达西定律与多孔介质稀物质传递场进行耦合。
步骤S212，根据所述固体力学应力变化方程构建固体力学数值模拟模块，根据所述达西定律方程构建流体数值模拟模块，根据所述多孔介质传热方程构建多孔介质传热数值模拟模块，根据所述化学反应方程构建化学反应数值模拟模块，根据所述多孔介质稀物质传递方程构建多孔介质稀物质传递数值模拟模块。
在本申请实施例中，因为S2-主要存在于地层内部，以大气降水，地下水，或者岩层内含硫的形式存在，同时PbS与ZnS为固体沉淀，随着反应的进行，会逐渐积累最终形成矿体。因此，为了表征反应生成了沉淀，更真实的反映元素富集成矿的过程，引入第二类流体进行模拟，对于第二类流体，使用更大的动力粘度，使得其更加难以流动，从而模拟出类似沉淀的状态。为了保证模型的合理性，第二类流体不能使用前面设置的流体场，因此同样会构建流体场-温度场-质量场来对第二类流体进行约束。因此这里重复步骤S204—S208创建第二类流体场。
示例性的，凡口铅锌矿217剖面为例，在第二类流体场中，使用初始值设置静水压力梯度，添加重力和上边界的大气压校准，使用初始值设置初始地温梯度，添加S2-、Pb2+、Zn2 +物质，反应速率分别使用前面设置的化学场中的Pb2+、Zn2+、S2-反应速率和PbS、ZnS反应速率，使用多物理场中的温度耦合和流动耦合将第二类流体的三个场进行耦合。
如图4所示，为本申请实施例提供的基于预设的机器学习算法训练生成所述成矿预测模型的步骤流程图，具体包括以下步骤：
步骤S402，获取MVT型铅锌矿的矿场钻孔数据；根据MVT型铅锌矿的矿场钻孔数据，确定MVT型铅锌矿几何模型中含矿体单元和未含矿体单元。
在本申请实施例中，所述MVT型铅锌矿几何模型是基于MVT型铅锌矿的实地勘探数据得到的，因此可以跟根据勘探得到的数据，将MVT型铅锌矿几何模型中各个单元标记为是否已勘探，将已勘探的部分标记出是否含有矿，若有则标记含矿体单元，若无则标记未含矿体单元，将未勘探部分标记成未知矿体单元，示例性的，通过已勘探的钻孔数据，确定不同构造和岩性位置的1145个含矿体单元和1514个未含矿体单元。
步骤S404，选取所述含矿体单元和所述未含矿体单元中设定比例的部分作为训练集；所述训练集中的70％用于训练随机森林模型，30％用于测试随机森林模型。
在本申请实施例中，选取所述含矿体单元中92％和所述未含矿体单元中92％作为训练集，并随机地选取其中的70％用于训练随机森林模型，30％用于测试随机森林模型，示例性的，选取1053个含矿体单元和1407个未含矿体单元作为训练集。根据测试的结果调试和优化模型的超参数，超参数包括：树的个数、树的最大深度、最大叶子节点数以及分裂所需最小样本数。
应用Python编程语言的机器学习库sklearn中ensemble模块下的Random ForestClassifier函数来实现随机森林模型的建立。在随机森林模型超参数中，树的个数、树的最大深度和最大叶子节点数，以及分裂所需最小样本数的取值对模型的预测精度至关重要。使用网格搜索法搜寻随机森林模型的最佳超参数。输入这些最优参数及每个元素所含特征变量的数据，最终随机森林模型以多数投票的方式输出每个元素矿化发生的概率值。
随机森林模型的预测标签为含矿性，模型训练时含矿体单元的数据添加值ore＝1，未含矿体单元的数据添加值ore＝0。
步骤S406，根据所述随机森林模型验证所述训练集中未被选取的部分，所述未被选取的部分视为未知矿体单元，得到验证结果。
在本申请实施例中，训练集中未参与随机森林模型建立的单元，用于验证随机森林模型的预测结果，这些用于验证随机森林模型的单元在验证过程中被看成是未知矿体单元，示例性的，剩下92个含矿体单元，107个未含矿体单元上述总计199个单元都看作为未知矿体单元，通过随机森林模型预测上述199个未知矿体单元，正确预测了89个含矿体单元和103个未含矿体单元。
步骤S408，判断验证结果是否满足预设的优化条件。当判断所述验证结果不满足预设的优化条件时，执行步骤S310，当判断所述验证结果满足预设的优化条件时，执行步骤S312。
在本申请实施例中，当所述验证结果满足优化条件时，表明MVT型铅锌矿在已知勘探点的矿产真实结果与通过随机森林模型预测相同勘探点的矿产结果基本吻合，也就是表明模拟得到的所述力-热-流-质-化学五场耦合多物理场能够很好地表征MVT型铅锌矿的成矿动力学过程，成矿预测模型能够很好的描述在多物理场驱动下得到的成矿条件参数与成矿之间的关系，也就是此时所得到的力-热-流-质-化学五场耦合多物理场、成矿预测模型最为符合真实情况。当所述验证结果不满足优化条件，表明MVT型铅锌矿在已知勘探点的真实结果与MVT型铅锌矿在已知勘探点通过随机森林模型预测的矿产结果并未基本吻合，因此还需要对成矿预测模型当中的参数进行进一步的优化。
在本申请实施例中，所述预设的优化条件可以是判断上述描述验证结果的指标值是否达到最大或者超过预设的阈值，示例性的，指标值可以为对所有矿体单元的识别准确率90％以上，准确率表示所有预测正确的样本与总样本之比。
步骤S410，对所述随机森林模型的参数变量进行优化。
在本申请实施例中，随机森林模型包含多个特征变量，特征变量由多个不同领域的变量组合形成，领域包括地质领域，地球物理领域，动力学领域，示例性的，特征变量可由地质变量、地球物理变量、动力学变量组成，上述特征变量，都可以从所述成矿条件参数中得到，一般而言，变量的个数越多，得到的随机森林模型的准确率就高，
步骤S412，将当前随机森林模型确定为成矿预测模型。
在本申请实施例中，将成矿预测模型应用到MVT型铅锌矿几何模型中，选取预测概率为前7％的预测单元来生成随机森林模型的成矿高概率区，成矿高概率区包括已经探明的矿区的90％，未施工过钻探工程且不包含已有矿体的高预测概率区就是高潜力靶区。
如图5所示，为申请实施例提供的一种确定MVT型铅锌矿几何模型中含矿体单元和未含矿体单元的步骤流程图，具体包括以下步骤：
步骤S502，将MVT型铅锌矿几何模型划分成多个网格单元，所述网格单元作为一个数据点与所述成矿条件参数一一对应。
步骤S504，根据所述MVT型铅锌矿的矿场钻孔数据，将矿场钻孔数据中已勘探含矿点对应的单元格视为含矿体单元，将矿场钻孔数据中已勘探未含矿点对应的单元格视为未含矿体单元；将矿场钻孔数据中未勘探点视为未知矿体单元。
在申请实施例中，力-热-流-质-化学五场耦合多物理场在计算的时候会把模型切割为多个网格单元，以结合地质事实，对重点研究区域进行网格细化，得到每个网格对应的成矿条件参数，存储数据的时候，将计算模型变成一系列的点集表示，并将成矿条件参数与对应的数据点对应关联，使用ARCGIS将上述点集可视化。
如图6所述，为本申请实施例提供的所述随机森林模型的参数变量进行优化的步骤流程图，具体流程包括：
步骤S602，判断所述随机森林模型的多个参数变量的合理性。当判断所述多个参数变量不合理时，执行步骤S604；当判断所述多个参数变量合理时，执行步骤S412。
在本申请实施例中，通过对随机森林模型的多个参数变量的合理性进行判断，在最终成矿预测模型显然不合理的情况下，显然得到的随机森林模型不合理，直接对随机森林模型进行修正，而无需对力-热-流-质-化学五场耦合多物理场进行重新计算，有效节约了训练的时间，同时也避免了力-热-流-质-化学五场耦合多物理场合理，而成矿预测模型却无法准确的描述成矿靶区的可能。
步骤S604，增加参数变量的个数或种类。
在本申请实施例中，随机森林模型中的参数变量数量越多，种类越多，能够较大程度地提高模型的准确率，示例性的，融合了动力学参数变量的随机森林模型与未融合动力学参数变量的随机森林模型相比，各项评价指标的分数都更高，保证了成矿预测模型的合理性。
本申请实施例提供的选取部份所述含矿体单元和所述未含矿体单元作为训练集，其将含矿单元的数据添加值视为1，将未含矿单元的数据添加值视为0
在本申请实施例中，数据添加值相当于数字标签，1为该单元含有矿，0为该单元未含有矿。
如图7所示，为本申请实施例提供的一种MVT型铅锌矿成矿预测装置的结构示意图，详述如下。
在本申请实施例中，所述成矿预测装置包括：
信息获取单元710，用于获取MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数。
在本申请实施例中，所述MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数反应了MVT型铅锌矿的一些基本特性，示例性的，MVT型铅锌矿的几何模型通过上述基本特性信息结合三维地质建模软件得到。
在本申请实施例中，所述矿石的物理参数至少包括矿石密度、孔隙度、渗透率、热导率、泊松比，所述流体参数至少包括流体粘度、流体温度、流体压力。当然，所选用的矿石物性参数与流体参数种类越多，信息越丰富，最终预测出的成矿结果更加准确。
多物理场数值模拟计算单元720，用于根据经验模态分解方法对成矿系统进行分解，获得多个物理过程模型，所述物理过程模型至少包括力学模型、传热模型、流体运移模型；
根据所述物理过程模型构建多个数值模拟模块，并结合所述地质构造信息，矿石的物理参数以及流体参数进行成矿地质作用过程中的力-热-流-质-化学五场耦合多物理场数值模拟计算，得到多个成矿条件参数，所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数、质量传递场参数以及化学场参数。
在本申请实施例中，数值模拟计算模型，需要给定初始条件，初始条件包括初始应力条件，初始温度条件，初始流动条件，以及质量约束条件。
在本申请实例中，在多物理场数值模拟软件中，在确定了模拟驱动条件以及力-热-流-质-化学五场耦合多物理场后，将上述地质构造信息、矿石物理参数以及流体参数输入计算模型作为计算模型的初始条件，然后模拟软件基于质量守恒、能量守恒等原理对MVT型铅锌矿进行力-热-流-质-化学五场耦合成矿动力学过程数值模拟，模拟得到多种形式的参数，例如应力场参数(包括第一主应力、第二主应力、第三主应力、第一主应变、第二主应变、第三主应变等)、温度场参数(包括温度、梯度等)、流体场参数(包括达西流速场、流量、流体势等)以及化学场(铅离子浓度、硫化铅浓度等)，上述形式的参数无法通过勘探信息直接获取，并且上述形式的参数与成矿结果之间的关联更为紧密，将上述形式的参数作为成矿条件参数进行预测，能够起到更为精确的预测效果。
在本申请实施例中，所述力-热-流-质-化学五场耦合多物理场至少由基于MVT型铅锌矿的勘探资料所建立的MVT型铅锌矿几何模型与基于力、热、流、质、化学多物理场的动力学方程所建立的多个数值模拟模块结合组成，其中所述MVT型铅锌矿几何模型的构建，基于矿体和各相关地质要素以及地球物理场的联系，示例性的，利用MICROMINE和GOCAD三维地质建模软件，融合矿内已有的地质勘查数据，建立主要地层单元、成矿岩体和矿体的三维地质模型，地质勘查数据至少有钻孔编录及分析数据(用于提取矿体、地质体的边界及品位数据)、勘探线剖面及中段地质图(用于提取矿体及地质图的边界)，三维地质模型形象地展示了主要地质要素的三维空间变化及其与矿体间的空间关系。
矿产结果预测单元730，用于根据所述多个成矿条件参数以及成矿预测模型确定所述MVT型铅锌矿的成矿预测结果。
在本申请实施例中，所述成矿预测模型基于机器学习算法预先训练生成的，所述机器学习算法包括但不限于神经网络、随机森林、支持向量机等，示例性的，本申请采用随机森林算法，随机森林是功能强大的机器学习算法，被广泛应用于科学和工程中的各类分类和回归预测，随机森林模型可以通过多数投票直接输出预测概率，随机森林算法提供了特征的重要性分析功能，这个功能可以帮助发现数值模拟结果中占比较为重要的因素，从而发掘一些隐式控矿因素，从而为进一步研究MVT型矿床打下良好的基础。
本申请实施例提供的一种的MVT型铅锌矿成矿预测方法，相比于现有的力-热-流三场耦合数值模拟方法缺少对成矿元素与地层反应逐渐富集成矿这一过程的模拟，本申请利用力-热-流-质-化学五场耦合数值模拟技术，通过新增的质量传递场以及化学场来进一步模拟了成矿元素的富集作用，不仅完成了较为完整的成矿过程数值模拟工作，使得结果更加精确合理。同时，这一技术也能够量化分析矿床储量，对矿体规模有更准确地评估，得到多个成矿条件参数，然后再利用该成矿条件参数以及训练得到的随机森林算法模型作为成矿预测模型确定所述MVT型铅锌矿的成矿预测结果，使用随机森林方法对模拟结果进行训练除了可以更加精确地划定找矿靶区，也可以提取特征的重要性进行分析，挖掘其中隐含的成矿影响因子和关联关系，从而发现新的成矿规律和控矿要素，加深对矿床形成特征的了解。
图8示出了一个实施例中计算机设备的内部结构图。该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现MVT型铅锌矿成矿预测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行MVT型铅锌矿成矿预测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的MVT型铅锌矿成矿预测装置可以实现为一种计算机程序的形式，计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该MVT型铅锌矿成矿预测装置的各个程序模块，比如，图7所示出的信息获取单元710、多物理场数值模拟计算单元720以及矿产结果预测单元730。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的MVT型铅锌矿成矿预测方法中的步骤。
例如，图8所示的计算机设备可以通过如图7所示的MVT型铅锌矿成矿预测装置中的信息获取单元710执行步骤S102。计算机设备可通过多物理场数值模拟计算单元720执行步骤S104。；计算机设备可通过矿产结果预测单元730执行步骤S106。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数；
根据经验模态分解方法对成矿系统进行分解，获得多个物理过程模型，所述物理过程模型至少包括力学模型、传热模型、流体运移模型；
根据所述物理过程模型构建多个数值模拟模块，并结合所述地质构造信息，矿石的物理参数以及流体参数进行成矿地质作用过程中的力-热-流-质-化学五场耦合多物理场数值模拟计算，得到多个成矿条件参数，所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数、质量传递场参数以及化学场参数；
根据所述多个成矿条件参数以及成矿预测模型确定所述MVT型铅锌矿的成矿预测结果；
其中，所述成矿预测模型是基于预设的机器学习算法训练生成的；所述力-热-流-质-化学五场耦合多物理场至少由基于MVT型铅锌矿的勘探资料所建立的MVT型铅锌矿几何模型与基于力、热、流、质、化学多物理场的动力学方程所建立的多个数值模拟模块结合组成。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：。
获取MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数；
根据经验模态分解方法对成矿系统进行分解，获得多个物理过程模型，所述物理过程模型至少包括力学模型、传热模型、流体运移模型；
根据所述物理过程模型构建多个数值模拟模块，并结合所述地质构造信息，矿石的物理参数以及流体参数进行成矿地质作用过程中的力-热-流-质-化学五场耦合多物理场数值模拟计算，得到多个成矿条件参数，所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数、质量传递场参数以及化学场参数；
根据所述多个成矿条件参数以及成矿预测模型确定所述MVT型铅锌矿的成矿预测结果；
其中，所述成矿预测模型是基于预设的机器学习算法训练生成的；所述力-热-流-质-化学五场耦合多物理场至少由基于MVT型铅锌矿的勘探资料所建立的MVT型铅锌矿几何模型与基于力、热、流、质、化学多物理场的动力学方程所建立的多个数值模拟模块结合组成。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准
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 (9)
1.一种MVT型铅锌矿成矿预测方法，其特征在于，包括：
获取MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数；
根据经验模态分解方法对成矿系统进行分解，获得多个物理过程模型，所述物理过程模型至少包括力学模型、传热模型、流体运移模型；
根据所述物理过程模型构建多个数值模拟模块，并结合所述地质构造信息，矿石的物理参数以及流体参数进行成矿地质作用过程中的力-热-流-质-化学五场耦合多物理场数值模拟计算，得到多个成矿条件参数，所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数、质量传递场参数以及化学场参数；
根据所述多个成矿条件参数以及成矿预测模型确定所述MVT型铅锌矿的成矿预测结果；
其中，所述成矿预测模型是基于预设的机器学习算法训练生成的；所述力-热-流-质-化学五场耦合多物理场至少由基于MVT型铅锌矿的勘探资料所建立的MVT型铅锌矿几何模型与基于力、热、流、质、化学多物理场的动力学方程所建立的多个数值模拟模块结合组成；
所述基于力、热、流、质、化学多物理场的动力学方程所建立的多个数值模拟模块的步骤，具体包括：
获取固体力学应力变化方程的变量参数，调用固体力学应力变化方程；
获取达西定律方程的变量参数，根据达西定律，调用流体场的达西定律方程；
获取多孔介质传热方程的变量参数，根据能量守恒和应用混合规则，调用温度场的多孔介质传热方程；
获取成矿的化学反应方程，根据化学反应原理，调用化学场的化学反应方程；
获取多孔介质稀物质传递方程的变量参数，根据质量守恒，调用质量传递场的多孔介质稀物质传递方程；
根据所述固体力学应力变化方程构建固体力学数值模拟模块，根据所述达西定律方程构建流体数值模拟模块，根据所述多孔介质传热方程构建多孔介质传热数值模拟模块，根据所述化学反应方程构建化学反应数值模拟模块，根据所述多孔介质稀物质传递方程构建多孔介质稀物质传递数值模拟模块。
2.根据权利要求1所述的MVT型铅锌矿成矿预测方法，其特征在于，所述根据经验模态分解方法对成矿系统进行分解的步骤，具体包括：
获取MVT型铅锌矿的形成模式，构建MVT型铅锌矿的成矿系统模型；
根据经验模态分解方法，将所述成矿系统模型分解为力、热、流、质、化学多个物理过程模型。
3.根据权利要求1所述的MVT型铅锌矿成矿预测方法，其特征在于，所述基于预设的机器学习算法训练生成所述成矿预测模型的步骤，具体包括：
获取MVT型铅锌矿的矿场钻孔数据；
根据MVT型铅锌矿的矿场钻孔数据，确定MVT型铅锌矿几何模型中含矿体单元和未含矿体单元；
选取所述含矿体单元和所述未含矿体单元中设定比例的部分作为随机森林模型训练集；所述训练集中的70％用于训练随机森林模型，30％用于测试随机森林模型；
根据所述随机森林模型验证所述训练集中未被选取的部分，所述未被选取的部分视为未知矿体单元，得到验证结果；
判断所述验证结果是否满足预设的优化条件；
当判断所述验证结果不满足预设的优化条件时，对所述随机森林模型的参数变量进行优化；
当判断所述验证结果满足预设的优化条件时，将当前随机森林模型确定为成矿预测模型。
4.根据权利要求3所述的MVT型铅锌矿成矿预测方法，其特征在于，所述确定MVT型铅锌矿几何模型中含矿体单元和未含矿体单元的步骤，具体包括：
将MVT型铅锌矿几何模型划分成多个网格单元，所述网格单元作为一个数据点与所述成矿条件参数一一对应；
根据所述MVT型铅锌矿的矿场钻孔数据，将矿场钻孔数据中已勘探含矿点对应的单元格视为含矿体单元，将矿场钻孔数据中已勘探未含矿点对应的单元格视为未含矿体单元；将矿场钻孔数据中未勘探点视为未知矿体单元。
5.根据权利要求3所述的MVT型铅锌矿成矿预测方法，其特征在于，所述随机森林模型的参数变量进行优化的步骤，具体包括：
判断所述随机森林模型的多个参数变量的合理性；
当判断所述多个参数变量不合理时，增加参数变量的个数或种类；
所述随机森林模型的参数变量为所述成矿条件参数中多个参数的组合，多个参数组合至少有温度、流通流量、达西流速、应变、应力、成矿物质的量。
6.根据权利要求1所述的MVT型铅锌矿成矿预测方法，其特征在于，所述矿石的物理参数至少包括等效应力、第一主应力、第二主应力、第三主应力、体应变、第一主应变、第二主应变、第三主应变、温度场，所述流体参数至少包括流体通量、PbS浓度和ZnS浓度。
7.一种MVT型铅锌矿成矿预测装置，其特征在于，包括：
信息获取单元，用于获取MVT型铅锌矿的地质构造信息，矿石的物理参数以及流体参数；
多物理场数值模拟计算单元，根据经验模态分解方法对成矿系统进行分解，获得多个物理过程模型，所述物理过程模型至少包括力学模型、传热模型、流体运移模型；根据所述物理过程模型构建多个数值模拟模块，并结合所述地质构造信息，矿石的物理参数以及流体参数进行成矿地质作用过程中的力-热-流-质-化学五场耦合多物理场数值模拟计算，得到多个成矿条件参数，所述成矿条件参数至少包括应力场参数、温度场参数、流体场参数、质量传递场参数以及化学场参数；
矿产结果预测单元，根据所述多个成矿条件参数以及成矿预测模型确定所述MVT型铅锌矿的成矿预测结果；
其中，所述成矿预测模型是基于预设的机器学习算法训练生成的；所述力-热-流-质-化学五场耦合多物理场至少由基于MVT型铅锌矿的勘探资料所建立的MVT型铅锌矿几何模型与基于力、热、流、质、化学多物理场的动力学方程所建立的多个数值模拟模块结合组成；
所述基于力、热、流、质、化学多物理场的动力学方程所建立的多个数值模拟模块包括：获取固体力学应力变化方程的变量参数，调用固体力学应力变化方程；获取达西定律方程的变量参数，根据达西定律，调用流体场的达西定律方程；获取多孔介质传热方程的变量参数，根据能量守恒和应用混合规则，调用温度场的多孔介质传热方程；获取成矿的化学反应方程，根据化学反应原理，调用化学场的化学反应方程；获取多孔介质稀物质传递方程的变量参数，根据质量守恒，调用质量传递场的多孔介质稀物质传递方程；根据所述固体力学应力变化方程构建固体力学数值模拟模块，根据所述达西定律方程构建流体数值模拟模块，根据所述多孔介质传热方程构建多孔介质传热数值模拟模块，根据所述化学反应方程构建化学反应数值模拟模块，根据所述多孔介质稀物质传递方程构建多孔介质稀物质传递数值模拟模块。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述MVT型铅锌矿成矿预测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述MVT型铅锌矿成矿预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567891.8A CN116720976B (zh) | 2023-05-18 | 2023-05-18 | Mvt型铅锌矿成矿预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567891.8A CN116720976B (zh) | 2023-05-18 | 2023-05-18 | Mvt型铅锌矿成矿预测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116720976A CN116720976A (zh) | 2023-09-08 |
| CN116720976B true CN116720976B (zh) | 2024-01-19 |
Family
ID=87870594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310567891.8A Active CN116720976B (zh) | 2023-05-18 | 2023-05-18 | Mvt型铅锌矿成矿预测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116720976B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753467A (zh) * | 2020-06-23 | 2020-10-09 | 中山大学 | 矿产结果预测方法、装置、计算机设备及存储介质 |
| CN113536535A (zh) * | 2021-06-07 | 2021-10-22 | 中国地质大学（北京） | 成矿研究区的成矿模拟方法及装置 |
| CN115879648A (zh) * | 2023-02-21 | 2023-03-31 | 中国地质科学院 | 一种基于机器学习的三元深部成矿预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200074270A1 (en) * | 2018-09-05 | 2020-03-05 | International Business Machines Corporation | Estimate ore content based on spatial geological data through 3d convolutional neural networks |
-
2023
- 2023-05-18 CN CN202310567891.8A patent/CN116720976B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753467A (zh) * | 2020-06-23 | 2020-10-09 | 中山大学 | 矿产结果预测方法、装置、计算机设备及存储介质 |
| CN113536535A (zh) * | 2021-06-07 | 2021-10-22 | 中国地质大学（北京） | 成矿研究区的成矿模拟方法及装置 |
| CN115879648A (zh) * | 2023-02-21 | 2023-03-31 | 中国地质科学院 | 一种基于机器学习的三元深部成矿预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 复杂形态岩体接触带成矿耦合动力学三维数值模拟:以安庆铜矿为例;赵义来;刘亮明;;大地构造与成矿学(第01期);全文 * |
| 成矿动力学数值计算模拟研究进展：理论、方法与技术;陈伟林，肖 凡;《地质科技通报》;第42卷(第3期);第234-241页，第1-2节 * |
| 赵义来 ; 刘亮明 ; .复杂形态岩体接触带成矿耦合动力学三维数值模拟:以安庆铜矿为例.大地构造与成矿学.2011,(第01期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116720976A (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3989132A1 (en) | Reservoir performance system | |
| Pyrcz et al. | Geostatistical reservoir modeling | |
| Journel et al. | Evaluation of mineral reserves: a simulation approach | |
| CN115879648B (zh) | 一种基于机器学习的三元深部成矿预测方法及系统 | |
| Rezaei | Indirect measurement of the elastic modulus of intact rocks using the Mamdani fuzzy inference system | |
| Qi et al. | A real-time back-analysis technique to infer rheological parameters from field monitoring | |
| Burnell et al. | Geothermal supermodels: the next generation of integrated geophysical, chemical and flow simulation modelling tools | |
| Lepillier et al. | From outcrop scanlines to discrete fracture networks, an integrative workflow | |
| Li et al. | Simultaneous estimation of geologic and reservoir state variables within an ensemble-based multiple-point statistic framework | |
| Xiao et al. | Combining numerical modeling and machine learning to predict mineral prospectivity: A case study from the Fankou Pb–Zn deposit, southern China | |
| Armandine Les Landes et al. | Locating geothermal resources: insights from 3D stress and flow models at the upper Rhine Graben scale | |
| Ferrer et al. | Modeling the uncertainty in the layout of geological units by implicit boundary simulation accounting for a preexisting interpretive geological model | |
| CN116720976B (zh) | Mvt型铅锌矿成矿预测方法、装置、计算机设备及存储介质 | |
| Doughty et al. | Hydrologic characterization of heterogeneous geologic media with an inverse method based on iterated function systems | |
| Wen et al. | Multiphase flow prediction with deep neural networks | |
| Le Ravalec | Optimizing well placement with quality maps derived from multi-fidelity meta-models | |
| Wang et al. | Three-dimensional mineral potential mapping for reducing multiplicity and uncertainty: Kaerqueka polymetallic deposit, Qinghai province, China | |
| Zhou et al. | Inference of relative permeability curves in reservoir rocks with ensemble Kalman method | |
| Li et al. | A rapid updating method to predict grade heterogeneity at smaller scales | |
| Khalili et al. | Reservoir modeling & simulation: Advancements, challenges, and future perspectives | |
| Moscariello | Reservoir geo-modeling and uncertainty management in the context of geo-energy projects | |
| Sun | A scenario management platform that incorporates statistic and simulation for unconventional field development | |
| Esfahani et al. | Use of genetic programming based surrogate models to simulate complex geochemical transport processes in contaminated mine sites | |
| CN116797755B (zh) | 一种构造混杂岩带多时空三维地质结构建模方法 | |
| Rudahya | DETERMINING AN OPTIMAL SMALL MINING UNIT FOR THE TWANGIZA MINE USING THE ANALYTIC HIERARCHY PROCESS |
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 |