CN117471546A - 一种黑色岩系型金矿找矿方法 - Google Patents
一种黑色岩系型金矿找矿方法 Download PDFInfo
- Publication number
- CN117471546A CN117471546A CN202311430354.5A CN202311430354A CN117471546A CN 117471546 A CN117471546 A CN 117471546A CN 202311430354 A CN202311430354 A CN 202311430354A CN 117471546 A CN117471546 A CN 117471546A
- Authority
- CN
- China
- Prior art keywords
- geological
- data
- rock
- exploration
- gold 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.)
- Granted
Links
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 title claims abstract description 113
- 239000010931 gold Substances 0.000 title claims abstract description 113
- 229910052737 gold Inorganic materials 0.000 title claims abstract description 113
- 239000011435 rock Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000011835 investigation Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 30
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 23
- 239000011707 mineral Substances 0.000 claims description 23
- 238000005065 mining Methods 0.000 claims description 22
- 230000033558 biomineral tissue development Effects 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000005553 drilling Methods 0.000 claims description 7
- 238000003058 natural language processing Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 230000004075 alteration Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000000921 elemental analysis Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000227 grinding Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 150000004649 carbonic acid derivatives Chemical class 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 150000003568 thioethers Chemical class 0.000 claims description 3
- 210000003462 vein Anatomy 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 230000001089 mineralizing effect Effects 0.000 claims description 2
- 206010037844 rash Diseases 0.000 claims description 2
- 238000005755 formation reaction Methods 0.000 description 8
- 239000010410 layer Substances 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- -1 oxides Chemical class 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/16—Receiving elements for seismic signals; Arrangements or adaptations of receiving elements
- G01V1/20—Arrangements of receiving elements, e.g. geophone pattern
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
- G01V2210/665—Subsurface modeling using geostatistical modeling
- G01V2210/6652—Kriging
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种黑色岩系型金矿找矿方法,涉及金矿找矿领域,包括地质调查,所述地质调查用于收集地质资料,所述地质调查后需要判断是否有出现金矿的位置,如果有出现金矿的位置则需要进行实地勘察,所述实地勘察用于初步勘察金矿的存在,本发明通过实地勘察矿产资源分布区域,并注意地质构造、岩性特征、矿化蚀变和矿石露头,此外,本发明还利用三分量地震勘探仪器,针对砂岩油气藏、碳酸盐岩储层和煤层气藏,以不同震源能量和观测频率布置接收器,探测地下矿体和矿化带。通过测量构造带的物理特征,进一步确定金矿的存在和分布情况,从而提高勘探数据的精准性。
Description
技术领域
本发明涉及金矿找矿方法技术领域,具体为一种黑色岩系型金矿找矿方法。
背景技术
金矿找矿方法是地质勘探是金矿找矿的基础工作,通过对地质构造、岩石性质、矿床特征等进行综合研究,确定潜在的金矿区域,而黑色岩系型金矿是指金矿床与黑色岩系岩石密切相关的金矿,本发明提供的一种黑色岩系型金矿找矿方法会提高勘探数据的精准性,并且能够减少不必要的勘探工作,提高勘探效率,提高环境友好性,同时提高数据分析的准确性和效率。
现有的金矿找矿方法存在的缺陷是:
1、专利文件UA37781A中,公开了金矿找矿方法,其主要考虑如何利用地球物理方法确定矿床年龄,进行地球物理调查,并没有考虑勘探数据精确性差,如何提高勘探数据的精准性的问题;
2、专利文件SU01321259A1中,公开了沥青-碳酸盐-岩溶型金矿找矿方法,主要考虑如何减少搜索区域提高搜索效率的问题,并没有考虑到如何减少不必要的勘探工作,提高勘探效率的问题;
3、专利文件CN114415245A中,公开了一种适用于中深部蚀变岩型金矿找矿方法,主要考虑如何通过综合解释和物探解释、已知地质内容确定构造,确定地表断裂位置并且确定好含金矿的位置的问题,并没有考虑到如何减少对环境的勘探,减小了对环境造成的影响,提高找矿时的环境友好性的问题;
4、专利文件CN114459805B中,公开了一种适用于盆缘地区金矿找矿装置及其方法,主要考虑如何避免因岩石样品表层沾染它深度岩层土而导致的粉料样品中杂质过多的问题,进而避免影响实验数据的准确性的问题,没有考虑到如何引入人工智能提高数据分析的准确性和效率的问题。
发明内容
本发明的目的在于提供一种黑色岩系型金矿找矿方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种黑色岩系型金矿找矿方法,包括地质调查,所述地质调查用于收集地质资料,所述地质调查后需要判断是否有出现金矿的位置,如果有出现金矿的位置则需要进行实地勘察,所述实地勘察用于初步勘察金矿的存在;
所述实地勘察的注意事项:
(1)地质构造:断裂带、褶皱带、矿化带和火山活动带;
(2)岩性特征;
(3)矿化蚀变;
(4)矿石露头;
所述实地勘察的同时进行地球物理勘探,所述地球物理勘探时需使用三分量地震勘探仪器,针对砂岩油气藏构造带、碳酸盐岩储层构造带和煤层气藏构造带以不同的接收器布置间距和观测频率进行勘探,提供找矿目标,并在各构造带中选择的钻探点位进行钻探勘探。
优选的,所述黑色岩系型金矿找矿方法如下:
步骤S1、地质调查:收集区域内的地质地图、地质报告、矿产资源相关材料,根据材料信息对地质地貌、岩性、构造、矿化特征和矿产资源分布情况进行调查;
实地勘察:前往矿产资源分布区域进行实地勘察;
利用三分量地震勘探仪器对砂岩油气藏使用中震源能量,并以50m间距布置接收器,同时设定观测频率为55hz;
对碳酸盐岩储层使用高震源能量,并以10m间距布置接收器,同时设定观测频率为700hz;
对煤层气藏使用低震源能量,并将接收器布置在煤层和围岩交界处,同时设定观测频率为275hz。
优选的,所述黑色岩系型金矿找矿方法还包括:
步骤S2、采集样品:在地质单元中采集土壤、水和岩石样品;
地质单元:
(1)岩层;
(2)矿体;
(3)断层;
(4)褶皱;
步骤S3、化探勘探:通过地球化学方法进行勘探,分析样品中的金元素含量和相关元素的分布规律;
(1)样品预处理;
(2)分析方法选择:利用变异函数描述和分析地理现象或属性;
(3)数据处理和解释:利用克里金插值根据已知的离散点数据推断未知位置的属性值。
优选的,所述黑色岩系型金矿找矿方法还包括:
步骤S4、建模分析:
(1)将收集处理后的数据利用GIS系统和数据处理软件配合进行数据清洗、数据插值和数据配准;
(2)使用克里金插值进行地质建模;
(3)设定地质学原理和数据特征,设定地质建模的插值方法的参数、网格大小和插值阈值;
(4)根据设定的参数,使用地质建模软件进行地质模型建立;
(5)地质模型建立后,需要使用其他独立的地质数据进行验证,比较模型与实际地质情况的一致性,并对模型进行调整和修正;
(6)结果展示和分析:最后,将地质模型的结果使用地质建模软件生成三维地质模型,并进行可视化和分析。
优选的,所述黑色岩系型金矿找矿方法还包括:
步骤S5、数据处理:(1)将得到的所有数据使用Python编程语言和Scikit-learn库进行聚类算法和LOF异常检测算法进行清洗,并使用Kriging算法对缺失数据进行插值,以下是Kriging算法公式:
Z(x)=μ+∑λi*(Z(xi)-μ);
(2)特征提取:使词袋模型和卷积神经网络结合,将文本数据转换为词袋向量表示,并利用卷积神经网络进行特征提取和分类,提取出与黑色岩系型金矿找矿相关的特征;
(3)数据解释:构建领域专家系统,并使用自然语言处理(NLP)和知识图谱,将勘探数据与地质知识库相结合,自动解释提取出与黑色岩系型金矿找矿相关的勘探数据中的地质特征和金矿找矿信息;
(4)数据分析和预测:对勘探数据使用随机森林算法,结合建立的地质模型,预测金矿的存在和分布;
(5)自动化决策支持:使用Q-learning算法和强化学习库根据勘探数据和地质知识,自动制定勘探方案和决策;
步骤S6、系统整合:将以上步骤中得到的数据进行整合和分析,综合判断潜在黑色岩系型金矿的位置和规模;
步骤S7、试采和评估:对确定存在黑色岩系型金矿的区域进行试采,获取更多的样本和数据,通过试采的结果,评估金矿的品位、储量和经济价值,进一步确定是否进行大规模开采,实现黑色岩系型金矿找矿。
优选的,所述步骤S1中,还包括如下步骤:
步骤S11、在实地勘察中,需要注意以下几个方面:
断裂带:地壳中的断裂带,导致岩石的位移和破裂;
褶皱带:岩层的弯曲和折叠带,形成山脉和山谷;
矿化带:含有矿物或矿石的特定地质带;
火山活动带:有火山喷发和岩浆活动的地带;
岩石特征:观察岩石的颜色、质地、结构特征,特别关注黑色岩系中的含金矿物脉石或矿脉的存在;
矿化蚀变:寻找硫化物、氧化物和碳酸盐这些矿化蚀变带;
矿石露头:寻找露头矿石。
优选的,所述步骤S2中,还包括如下步骤:
步骤S21、根据地质地图和地质调查报告来确定的采样点,在采样时要注意避免污染和混杂,覆盖,采集岩石和土壤样品后需要进行化学分析和矿物学鉴定;
步骤S22、岩层:沉积岩、火山岩和变质岩;
矿体:金矿体和铁矿体;
断层:岩石层之间的断裂带;
褶皱:岩层的弯曲或折叠。
优选的,所述步骤S3中,还包括如下步骤:
步骤S31、根据矿区地质特征和调查结果,制定地球化学勘探的具体目标和范围,通过化探勘探找到潜在的金矿化区域;
(1)样品预处理:对采集的样品进行去除杂质、研磨和粉碎处理;
(2)分析方法选择:根据勘探目标和样品特点,选择进行元素分析法,分析元素含量、矿物组成和同位素组成;
(3)数据处理和解释:利用变异函数分析和克里金插值对分析结果进行数据处理和解释,并与地质背景进行对比和分析,找出异常元素和异常区域;
变异函数为半方差函数;
半方差函数的分析公式为:
γ(h)=0.5*Var[Z(x)-Z(x+h)]
呈现出一种变异性的特征,包括平稳性、方向性和阈值;
步骤S32、克里金插值的公式为:
Z(x)=∑λi*Z(xi)。
优选的,所述步骤S5中,还包括如下步骤:
步骤S51、特征提取的具体步骤如下:
(1)数据处理:对勘探数据文本进行分词、去除停用词和词干化操作;
(2)构建词袋模型:根据处理后的文本,构建词袋模型,统计每个词的出现频率或权重;
(3)勘探数据量化:将每个文本转换为词袋向量表示,其中每个维度表示一个词的出现频率或权重;
(4)构建卷积神经网络:构建包括卷积层、池化层和全连接层的卷积神经网络模型,并将词袋向量作为输入数据,输入到卷积神经网络模型中;
(5)特征提取和分类:通过卷积神经网络模型进行特征提取和分类;
步骤S52、具体的随机森林算法如下:
对于每个决策树t:
输入:训练集D和特征集A
从训练集D中随机选择n个样本,构建训练集D_t
从特征集A中随机选择m个特征,构建特征集A_t
构建决策树t,直到满足停止条件
对于新的样本,预测结果y_hat为:
对于每个决策树t,根据输入的新特征,通过决策树的路径找到对应的叶节点,得到预测结果y_t
综合所有决策树的预测结果,通过投票或平均的方式得到最终的预测结果y_hat。
与现有技术相比,本发明的有益效果是:
1、本发明通过在实地勘察时往矿产资源分布区域进行,并注意地质构造:断裂带、褶皱带、矿化带和火山活动带、岩性特征、矿化蚀变和矿石露头,同时利用三分量地震勘探仪器对砂岩油气藏使用中等震源能量,并以50m间距布置接收器,同时设定观测频率为55hz;对碳酸盐岩储层使用高震源能量,并以10m间距布置接收器,同时设定观测频率为700hz;对煤层气藏使用低震源能量,并将接收器布置在煤层和围岩交界处,同时设定观测频率为275hz。探测获得底下的矿体和矿化带,并通过测量构造带的物理特征,进一步确定金矿的存在和分布情况,从而提高勘探数据的精准性。
2.本发明通过利用地球化学方法进行勘探,分析样品中的金元素含量和相关元素的分布规律,根据矿区地质特征和调查结果,制定地球化学勘探的具体目标和范围,通过化探勘探找到潜在的金矿化区域,首先对采集的样品进行去除杂质、研磨和粉碎处理,然后利用变异函数γ(h)=0.5*Var[Z(x)-Z(x+h)]描述和分析地理现象或属性,根据勘探目标和样品特点,选择进行元素分析法,分析元素含量、矿物组成和同位素组成,再利用变异函数和克里金插值Z(x)=∑λi*Z(xi)根据已知的离散点数据推断未知位置的属性值,对分析结果进行数据处理和解释,并与地质背景进行对比和分析,找出异常元素和异常区域,确定有利的找矿目标区域进行勘探,减少不必要的勘探工作,提高勘探效率。
3.本发明通过将收集处理后的数据利用GIS系统和数据处理软件配合进行数据清洗、数据插值和数据配准,再使用克里金插值进行地质建模,同时设定地质学原理和数据特征,设定地质建模的插值方法的参数、网格大小和插值阈值,并根据设定的参数,使用地质建模软件进行地质模型建立,地质模型建立后,需要使用其他独立的地质数据进行验证,比较模型与实际地质情况的一致性,并对模型进行调整和修正,最后,将地质模型的结果使用地质建模软件生成三维地质模型,并进行可视化和分析,方便选择利用建模分析找矿,减小了对环境造成的影响,提高找矿时的环境友好性。
4.本发明通过将得到的所有数据使用Python编程语言和Scikit-learn库进行聚类算法和LOF异常检测算法进行清洗,并使用Kriging算法Z(x)=μ+∑λi*(Z(xi)-μ)对缺失数据进行插值,通过计算已知位置的数据值与位置x之间的空间关系,得到位置x处的插值结果,随后进行特征提取并构建英语装夹系统自动解释取出与黑色岩系型金矿找矿相关的勘探数据中的地质特征和金矿找矿信息,随后结合建立的地质模型预测黑色岩系型金矿的存在和分布,最后使用Q-learning算法和强化学习库根据勘探数据和地质知识自动制定勘探方案和决策,从而实现引入人工智能提高数据分析的准确性和效率的问题。
附图说明
图1为本发明的流程图;
图2为本发明的地质构造图;
图3为本发明的评估标准表格图。
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、完整的描述,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。
实施例一:
请参阅图1和图2,一种黑色岩系型金矿找矿方法,包括步骤S1、地质调查,通过对地质构造的分析,可以确定金矿可能出现的位置,地质调查用于收集地质资料,收集区域内的地质地图、地质报告、矿产资源相关材料,根据材料信息对地质地貌、岩性、构造、矿化特征和矿产资源分布情况进行调查,地质调查后需要判断是否有出现金矿的位置,如果有出现金矿的位置则需要进行实地勘察,前往矿产资源分布区域进行实地勘察,实地勘察用于初步勘察金矿的存在;
实地勘察的注意事项:
(1)地质构造:观察地质构造,如断裂、褶皱等,这些构造可能与金矿的形成有关。
(2)岩性特征:观察岩石的颜色、质地、结构等特征,特别关注黑色岩系中的含金矿物脉石或矿脉的存在。
(3)矿化蚀变:寻找矿化蚀变带,如硫化物、氧化物、碳酸盐等,这些蚀变带可能与金矿的存在有关。
(4)矿石露头:寻找露头矿石,这些矿石可能是金矿的表露部分;
实地勘察的同时进行地球物理勘探,地球物理勘探时需使用三分量地震勘探仪器,针对砂岩油气藏构造带、碳酸盐岩储层构造带和煤层气藏构造带以不同的接收器布置间距和观测频率进行勘探,提供找矿目标,并在各构造带中选择合适的钻探点位进行钻探勘探;
利用三分量地震勘探仪器对砂岩油气藏使用中等震源能量,并以50m间距布置接收器,同时设定观测频率为55hz;
对碳酸盐岩储层使用高震源能量,并以10m间距布置接收器,同时设定观测频率为700hz;
对煤层气藏使用低震源能量,并将接收器布置在煤层和围岩交界处,同时设定观测频率为275hz;
探测获得底下的矿体和矿化带,并通过测量构造带的物理特征,进一步确定金矿的存在和分布情况。
通过钻探取样,获取地下岩石和矿石的信息,包括岩性、矿化程度、矿石赋存形式。
进一步,实地勘察时往矿产资源分布区域进行,并注意地质构造:断裂带、褶皱带、矿化带和火山活动带、岩性特征、矿化蚀变和矿石露头,同时利用三分量地震勘探仪器对砂岩油气藏使用中等震源能量,并以50m间距布置接收器,同时设定观测频率为55hz;对碳酸盐岩储层使用高震源能量,并以10m间距布置接收器,同时设定观测频率为700hz;对煤层气藏使用低震源能量,并将接收器布置在煤层和围岩交界处,同时设定观测频率为275hz。探测获得底下的矿体和矿化带,并通过测量构造带的物理特征,进一步确定金矿的存在和分布情况,从而提高勘探数据的精准性
实施例二:
请参阅图1和图2,一种黑色岩系型金矿找矿方法,包括步骤S2、采集样品:在地质单元中采集土壤、水和岩石样品,根据地质地图和地质调查报告来确定合适的采样点,在采样时要注意避免污染和混杂,覆盖,采集岩石和土壤样品后需要进行化学分析和矿物学鉴定;
地质单元:
(1)岩层:沉积岩、火山岩和变质岩;
(2)矿体:金矿体和铁矿体;
(3)断层:岩石层之间的断裂带,可能导致矿体的形成或变形;
(4)褶皱:岩层的弯曲或折叠,形成山脉或山谷;
步骤S3、化探勘探:通过地球化学方法进行勘探,分析样品中的金元素含量和相关元素的分布规律,根据矿区地质特征和调查结果,制定地球化学勘探的具体目标和范围,通过化探勘探找到潜在的金矿化区域;
(1)样品预处理:对采集的样品进行去除杂质、研磨和粉碎处理;
(2)分析方法选择:利用变异函数描述和分析地理现象或属性,根据勘探目标和样品特点,选择进行元素分析法,分析元素含量、矿物组成和同位素组成;
(3)数据处理和解释:利用克里金插值根据已知的离散点数据推断未知位置的属性值,利用变异函数分析和克里金插值对分析结果进行数据处理和解释,并与地质背景进行对比和分析,找出异常元素和异常区域;
变异函数为半方差函数;
半方差函数的分析公式为:
γ(h)=0.5*Var[Z(x)-Z(x+h)]
其中,γ(h)表示距离为h的两个点之间的半方差,Var表示方差,Z(x)表示位置x处的属性值。
呈现出一种变异性的特征,包括平稳性、方向性和阈值;
步骤S32、克里金插值是一种基于统计学原理的空间插值方法,克里金插值基于半方差函数,通过拟合半方差函数来估计未知位置的属性值,克里金插值的公式为:
Z(x)=∑λi*Z(xi)
其中,Z(x)表示位置x处的属性值,λi表示权重系数,Z(xi)表示已知点xi处的属性值。
克里金插值的关键是确定权重系数λi,通常使用最小二乘法或最大似然估计法来确定最优的权重系数。
进一步,采用元素分析法对黑色岩系型金矿进行分析可以得到以下表格:
实施例三:
请参阅图1,一种黑色岩系型金矿找矿方法,包括步骤S4、建模分析:
(1)将收集处理后的数据利用GIS系统和数据处理软件配合进行数据清洗、数据插值和数据配准;
(2)使用克里金插值进行地质建模;
(3)设定地质学原理和数据特征,设定地质建模的插值方法的参数、网格大小和插值阈值;
(4)根据设定的参数,使用地质建模软件进行地质模型建立;
(5)地质模型建立后,需要使用其他独立的地质数据进行验证,比较模型与实际地质情况的一致性,并对模型进行调整和修正;
(6)结果展示和分析:最后,将地质模型的结果使用地质建模软件生成三维地质模型,并进行可视化和分析;
进一步,将收集处理后的数据利用GIS系统和数据处理软件配合进行数据清洗、数据插值和数据配准,再使用克里金插值进行地质建模,同时设定地质学原理和数据特征,设定地质建模的插值方法的参数、网格大小和插值阈值,并根据设定的参数,使用地质建模软件进行地质模型建立,地质模型建立后,需要使用其他独立的地质数据进行验证,比较模型与实际地质情况的一致性,并对模型进行调整和修正,最后,将地质模型的结果使用地质建模软件生成三维地质模型,并进行可视化和分析,方便选择利用建模分析找矿,减小了对环境造成的影响,提高找矿时的环境友好性。
实施例四:
请参阅图1和图2,一种黑色岩系型金矿找矿方法,包括步骤S5、数据处理:(1)将得到的所有数据使用Python编程语言和Scikit-learn库进行聚类算法和LOF异常检测算法进行清洗,并使用Kriging算法对缺失数据进行插值,以下是Kriging算法公式:
Z(x)=μ+∑λi*(Z(xi)-μ)
通过计算已知位置的数据值与位置x之间的空间关系,得到位置x处的插值结果;
(2)特征提取:使词袋模型和卷积神经网络结合,将文本数据转换为词袋向量表示,并利用卷积神经网络进行特征提取和分类,提取出与黑色岩系型金矿找矿相关的特征,特征提取的具体步骤如下:
数据处理:对勘探数据文本进行分词、去除停用词和词干化操作;
构建词袋模型:根据处理后的文本,构建词袋模型,统计每个词的出现频率或权重;
勘探数据量化:将每个文本转换为词袋向量表示,其中每个维度表示一个词的出现频率或权重;
构建卷积神经网络:构建包括卷积层、池化层和全连接层的卷积神经网络模型,并将词袋向量作为输入数据,输入到卷积神经网络模型中;
特征提取和分类:通过卷积神经网络模型进行特征提取和分类;
(3)数据解释:构建领域专家系统,并使用自然语言处理(NLP)和知识图谱,将勘探数据与地质知识库相结合,自动解释提取出与黑色岩系型金矿找矿相关的勘探数据中的地质特征和金矿找矿信息;
(4)数据分析和预测:对勘探数据使用随机森林算法,结合建立的地质模型,预测金矿的存在和分布,具体的随机森林算法如下:
对于每个决策树t:
输入:训练集D和特征集A
从训练集D中随机选择n个样本,构建训练集D_t
从特征集A中随机选择m个特征,构建特征集A_t
构建决策树t,直到满足停止条件
对于新的样本,预测结果y_hat为:
对于每个决策树t,根据输入的新特征,通过决策树的路径找到对应的叶节点,得到预测结果y_t
综合所有决策树的预测结果,可以通过投票或平均的方式得到最终的预测结果y_hat;
(5)自动化决策支持:使用Q-learning算法和强化学习库根据勘探数据和地质知识,自动制定勘探方案和决策。
进一步,将得到的所有数据使用Python编程语言和Scikit-learn库进行聚类算法和LOF异常检测算法进行清洗,并使用Kriging算法Z(x)=μ+∑λi*(Z(xi)-μ)对缺失数据进行插值,通过计算已知位置的数据值与位置x之间的空间关系,得到位置x处的插值结果,随后进行特征提取并构建英语装夹系统自动解释取出与黑色岩系型金矿找矿相关的勘探数据中的地质特征和金矿找矿信息,随后结合建立的地质模型预测黑色岩系型金矿的存在和分布,最后使用Q-learning算法和强化学习库根据勘探数据和地质知识自动制定勘探方案和决策,从而实现引入人工智能提高数据分析的准确性和效率的问题,随机森林算法通过集成多个决策树的预测结果,可以提高预测的准确性和鲁棒性,适用于金矿存在和分布的预测任务,举例来说,可以使用Python编程语言和相关的机器学习库来实现上述方法。例如,使用Scikit-learn库中的聚类算法进行数据预处理,使用TensorFlow库中的卷积神经网络进行特征提取,使用自然语言处理库(如NLTK)进行数据解释,使用Scikit-learn库中的支持向量机算法进行数据分析和预测。
实施例五:
请参阅图1和图3,一种黑色岩系型金矿找矿方法,包括步骤S6、系统整合:将以上步骤中得到的数据进行整合和分析,综合判断潜在黑色岩系型金矿的位置和规模;
步骤S7、试采和评估:对确定存在黑色岩系型金矿的区域进行试采,获取更多的样本和数据,通过试采的结果,评估金矿的品位、储量和经济价值,进一步确定是否进行大规模开采,实现黑色岩系型金矿找矿;
进一步,金矿的品位、储量和经济价值是决定是否进行大规模开采的重要因素:品位:金矿的品位是指金含量的浓度,要达到≥2g/t;
储量:金矿的储量是指地下蕴藏的金矿总量,要达到2万盎司;
经济价值:金矿的经济价值是指开采和生产金矿所能带来的经济收益,计算公式如下:
NPV=Σ(CF_t/(1+r)^t)-C_0
其中,CF_t表示第t期的现金流量,r表示折现率,C_0表示初始投资。
内部收益率:内部收益率是使得净现值等于零的折现率,用于评估一个投资项目的回报率,计算公式如下:
0=Σ(CF_t/(1+IRR)^t)-C_0
投资回收期:投资回收期是指从投资开始到回收全部投资成本所需的时间,计算公式如下:
Payback Period=初始投资/年现金流入
利润率:利润率是净现值与初始投资的比率,用于评估一个投资项目的收益性,计算公式如下:
PI=NPV/C_0)。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种黑色岩系型金矿找矿方法,其特征在于:包括地质调查,所述地质调查用于收集地质资料,所述地质调查后需要判断是否有出现金矿的位置,如果有出现金矿的位置则需要进行实地勘察,所述实地勘察用于初步勘察金矿的存在;
所述实地勘察的注意事项:
(1)地质构造:断裂带、褶皱带、矿化带和火山活动带;
(2)岩性特征;
(3)矿化蚀变;
(4)矿石露头;
所述实地勘察的同时进行地球物理勘探,所述地球物理勘探时需使用三分量地震勘探仪器,针对砂岩油气藏构造带、碳酸盐岩储层构造带和煤层气藏构造带以不同的接收器布置间距和观测频率进行勘探,提供找矿目标,并在各构造带中选择的钻探点位进行钻探勘探。
2.根据权利要求1所述的一种黑色岩系型金矿找矿方法,其特征在于:所述黑色岩系型金矿找矿方法如下:
步骤S1、地质调查:收集区域内的地质地图、地质报告、矿产资源相关材料,根据材料信息对地质地貌、岩性、构造、矿化特征和矿产资源分布情况进行调查;
实地勘察:前往矿产资源分布区域进行实地勘察;
利用三分量地震勘探仪器对砂岩油气藏使用中震源能量,并以50m间距布置接收器,同时设定观测频率为55hz;
对碳酸盐岩储层使用高震源能量,并以10m间距布置接收器,同时设定观测频率为700hz;
对煤层气藏使用低震源能量,并将接收器布置在煤层和围岩交界处,同时设定观测频率为275hz。
3.根据权利要求1所述的一种黑色岩系型金矿找矿方法,其特征在于:所述黑色岩系型金矿找矿方法还包括:
步骤S2、采集样品:在地质单元中采集土壤、水和岩石样品;
地质单元:
(1)岩层;
(2)矿体;
(3)断层;
(4)褶皱;
步骤S3、化探勘探:通过地球化学方法进行勘探,分析样品中的金元素含量和相关元素的分布规律;
(1)样品预处理;
(2)分析方法选择:利用变异函数描述和分析地理现象或属性;
(3)数据处理和解释:利用克里金插值根据已知的离散点数据推断未知位置的属性值。
4.根据权利要求3所述的一种黑色岩系型金矿找矿方法,其特征在于:所述黑色岩系型金矿找矿方法还包括:
步骤S4、建模分析:
(1)将收集处理后的数据利用GIS系统和数据处理软件配合进行数据清洗、数据插值和数据配准;
(2)使用克里金插值进行地质建模;
(3)设定地质学原理和数据特征,设定地质建模的插值方法的参数、网格大小和插值阈值;
(4)根据设定的参数,使用地质建模软件进行地质模型建立;
(5)地质模型建立后,需要使用其他独立的地质数据进行验证,比较模型与实际地质情况的一致性,并对模型进行调整和修正;
(6)结果展示和分析:最后,将地质模型的结果使用地质建模软件生成三维地质模型,并进行可视化和分析。
5.根据权利要求3所述的一种黑色岩系型金矿找矿方法,其特征在于:所述黑色岩系型金矿找矿方法还包括:
步骤S5、数据处理:(1)将得到的所有数据使用Python编程语言和Scikit-learn库进行聚类算法和LOF异常检测算法进行清洗,并使用Kriging算法对缺失数据进行插值,以下是Kriging算法公式:
Z(x)=μ+∑λi*(Z(xi)-μ);
(2)特征提取:使词袋模型和卷积神经网络结合,将文本数据转换为词袋向量表示,并利用卷积神经网络进行特征提取和分类,提取出与黑色岩系型金矿找矿相关的特征;
(3)数据解释:构建领域专家系统,并使用自然语言处理(NLP)和知识图谱,将勘探数据与地质知识库相结合,自动解释提取出与黑色岩系型金矿找矿相关的勘探数据中的地质特征和金矿找矿信息;
(4)数据分析和预测:对勘探数据使用随机森林算法,结合建立的地质模型,预测金矿的存在和分布;
(5)自动化决策支持:使用Q-learning算法和强化学习库根据勘探数据和地质知识,自动制定勘探方案和决策;
步骤S6、系统整合:将以上步骤中得到的数据进行整合和分析,综合判断潜在黑色岩系型金矿的位置和规模;
步骤S7、试采和评估:对确定存在黑色岩系型金矿的区域进行试采,获取更多的样本和数据,通过试采的结果,评估金矿的品位、储量和经济价值,进一步确定是否进行大规模开采,实现黑色岩系型金矿找矿。
6.根据权利要求2所述的一种黑色岩系型金矿找矿方法,其特征在于:所述步骤S1中,还包括如下步骤:
步骤S11、在实地勘察中,需要注意以下几个方面:
断裂带:地壳中的断裂带,导致岩石的位移和破裂;
褶皱带:岩层的弯曲和折叠带,形成山脉和山谷;
矿化带:含有矿物或矿石的特定地质带;
火山活动带:有火山喷发和岩浆活动的地带;
岩石特征:观察岩石的颜色、质地、结构特征,特别关注黑色岩系中的含金矿物脉石或矿脉的存在;
矿化蚀变:寻找硫化物、氧化物和碳酸盐这些矿化蚀变带;
矿石露头:寻找露头矿石。
7.根据权利要求3所述的一种黑色岩系型金矿找矿方法,其特征在于:所述步骤S2中,还包括如下步骤:
步骤S21、根据地质地图和地质调查报告来确定的采样点,在采样时要注意避免污染和混杂,覆盖,采集岩石和土壤样品后需要进行化学分析和矿物学鉴定;
步骤S22、岩层:沉积岩、火山岩和变质岩;
矿体:金矿体和铁矿体;
断层:岩石层之间的断裂带;
褶皱:岩层的弯曲或折叠。
8.根据权利要求3所述的一种黑色岩系型金矿找矿方法,其特征在于:所述步骤S3中,还包括如下步骤:
步骤S31、根据矿区地质特征和调查结果,制定地球化学勘探的具体目标和范围,通过化探勘探找到潜在的金矿化区域;
(1)样品预处理:对采集的样品进行去除杂质、研磨和粉碎处理;
(2)分析方法选择:根据勘探目标和样品特点,选择进行元素分析法,分析元素含量、矿物组成和同位素组成;
(3)数据处理和解释:利用变异函数分析和克里金插值对分析结果进行数据处理和解释,并与地质背景进行对比和分析,找出异常元素和异常区域;
变异函数为半方差函数;
半方差函数的分析公式为:
γ(h)=0.5*Var[Z(x)-Z(x+h)]
呈现出一种变异性的特征,包括平稳性、方向性和阈值;
步骤S32、克里金插值的公式为:
Z(x)=∑λi*Z(xi)。
9.根据权利要求5所述的一种黑色岩系型金矿找矿方法,其特征在于:所述步骤S5中,还包括如下步骤:
步骤S51、特征提取的具体步骤如下:
(1)数据处理:对勘探数据文本进行分词、去除停用词和词干化操作;
(2)构建词袋模型:根据处理后的文本,构建词袋模型,统计每个词的出现频率或权重;
(3)勘探数据量化:将每个文本转换为词袋向量表示,其中每个维度表示一个词的出现频率或权重;
(4)构建卷积神经网络:构建包括卷积层、池化层和全连接层的卷积神经网络模型,并将词袋向量作为输入数据,输入到卷积神经网络模型中;
(5)特征提取和分类:通过卷积神经网络模型进行特征提取和分类;
步骤S52、具体的随机森林算法如下:
对于每个决策树t:
输入:训练集D和特征集A
从训练集D中随机选择n个样本,构建训练集D_t
从特征集A中随机选择m个特征,构建特征集A_t
构建决策树t,直到满足停止条件
对于新的样本,预测结果y_hat为:
对于每个决策树t,根据输入的新特征,通过决策树的路径找到对应的叶节点,得到预测结果y_t
综合所有决策树的预测结果,通过投票或平均的方式得到最终的预测结果y_hat。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311430354.5A CN117471546B (zh) | 2023-10-31 | 2023-10-31 | 一种黑色岩系型金矿找矿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311430354.5A CN117471546B (zh) | 2023-10-31 | 2023-10-31 | 一种黑色岩系型金矿找矿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117471546A true CN117471546A (zh) | 2024-01-30 |
CN117471546B CN117471546B (zh) | 2024-04-02 |
Family
ID=89632493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311430354.5A Active CN117471546B (zh) | 2023-10-31 | 2023-10-31 | 一种黑色岩系型金矿找矿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117471546B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1321259A1 (ru) * | 1985-06-07 | 1994-07-30 | Сибирский научно-исследовательский институт геологии, геофизики и минерального сырья | Способ поиска месторождения золота битуминозно-карбонатно-карстового типа |
CN107346038A (zh) * | 2017-06-08 | 2017-11-14 | 昆明理工大学 | “四步式”大比例尺定位探测深部热液矿床或矿体的方法 |
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 |
CN113218374A (zh) * | 2021-01-26 | 2021-08-06 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种对工程地质条件勘察方法 |
CN113609645A (zh) * | 2021-07-07 | 2021-11-05 | 杨建云 | 一种金矿勘探靶区预测方法 |
CN113885082A (zh) * | 2021-07-23 | 2022-01-04 | 中国人民武装警察部队黄金第五支队 | 一种类卡林型金矿深部探测方法 |
CN114415245A (zh) * | 2022-01-21 | 2022-04-29 | 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) | 一种适用于中深部蚀变岩型金矿找矿方法 |
CN114459805A (zh) * | 2022-02-16 | 2022-05-10 | 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) | 一种适用于盆缘地区金矿找矿方法 |
CN116359998A (zh) * | 2023-02-28 | 2023-06-30 | 青海省柴达木综合地质矿产勘查院(青海省盐湖地质调查院) | 一种在高寒冻土覆盖区断裂构造控制金矿的找矿方法 |
-
2023
- 2023-10-31 CN CN202311430354.5A patent/CN117471546B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1321259A1 (ru) * | 1985-06-07 | 1994-07-30 | Сибирский научно-исследовательский институт геологии, геофизики и минерального сырья | Способ поиска месторождения золота битуминозно-карбонатно-карстового типа |
CN107346038A (zh) * | 2017-06-08 | 2017-11-14 | 昆明理工大学 | “四步式”大比例尺定位探测深部热液矿床或矿体的方法 |
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 |
CN113218374A (zh) * | 2021-01-26 | 2021-08-06 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种对工程地质条件勘察方法 |
CN113609645A (zh) * | 2021-07-07 | 2021-11-05 | 杨建云 | 一种金矿勘探靶区预测方法 |
CN113885082A (zh) * | 2021-07-23 | 2022-01-04 | 中国人民武装警察部队黄金第五支队 | 一种类卡林型金矿深部探测方法 |
CN114415245A (zh) * | 2022-01-21 | 2022-04-29 | 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) | 一种适用于中深部蚀变岩型金矿找矿方法 |
CN114459805A (zh) * | 2022-02-16 | 2022-05-10 | 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) | 一种适用于盆缘地区金矿找矿方法 |
CN116359998A (zh) * | 2023-02-28 | 2023-06-30 | 青海省柴达木综合地质矿产勘查院(青海省盐湖地质调查院) | 一种在高寒冻土覆盖区断裂构造控制金矿的找矿方法 |
Non-Patent Citations (2)
Title |
---|
张宝林 等: "胶东典型含矿构造岩相带的地质-地球物理信息预测方法与找矿实践", 地学前缘(中国地质大学(北京);北京大学, vol. 24, no. 2, 29 November 2016 (2016-11-29), pages 85 - 94 * |
田玉川 等: "内蒙古察右中旗油篓沟绿岩型金矿勘探方法研究", 黄金科学技术, vol. 19, no. 03, 15 June 2011 (2011-06-15), pages 31 - 35 * |
Also Published As
Publication number | Publication date |
---|---|
CN117471546B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113946950B (zh) | 一种快速圈定金矿找矿靶区的方法 | |
KR101148835B1 (ko) | 물리검층 자료의 통계분석을 이용한 오일샌드 저류층 암상 예측방법 및 이를 구현하는 시스템 | |
Wang et al. | Quantitative assessment of mineral resources by combining geostatistics and fractal methods in the Tongshan porphyry Cu deposit (China) | |
Wang et al. | Fractal/multifractal analysis in support of mineral exploration in the Duolong mineral district, Tibet, China | |
Sadeghi | Simulated-multifractal models: a futuristic review of multifractal modeling in geochemical anomaly classification | |
Yasin et al. | An integrated fracture parameter prediction and characterization method in deeply-buried carbonate reservoirs based on deep neural network | |
CN108535791B (zh) | 一种用于检查评价干旱荒漠景观区铜铅锌异常的新方法 | |
Liu et al. | Developments in quantitative assessment and modeling of mineral resource potential: an overview | |
CN111596354A (zh) | 一种机器学习框架下考虑空间约束的地震储层预测方法 | |
Anvari et al. | Automatic detection of rock boundaries using a hybrid recurrence quantification analysis and machine learning techniques | |
Niiranen et al. | Central Lapland Greenstone Belt 3D modeling project final report | |
Zhao et al. | Controls on and prospectivity mapping of volcanic-type uranium mineralization in the Pucheng district, NW Fujian, China | |
Zhang et al. | Data-processing and recognition of seepage and microseepage anomalies of acid-extractable hydrocarbons in the south slope of the Dongying depression, eastern China | |
CN117471546B (zh) | 一种黑色岩系型金矿找矿方法 | |
Dramsch | Machine learning in 4D seismic data analysis | |
Sadeghi | SPS Model: a significant algorithm to reduce the time and computer memory required in geostatistical simulations | |
Wu et al. | Combination of seismic attributes using clustering and neural networks to identify environments with sandstone-type uranium mineralization | |
Xie et al. | GIS prospectivity mapping and 3D modeling validation for potential uranium deposit targets in Shangnan district, China | |
van der Grijp et al. | Modelling a complex gold deposit with multiple-point statistics | |
CN110119852B (zh) | 一种不确定成矿信息的统一表征方法及系统 | |
Mao et al. | Three-Dimensional Mineral Prospectivity Modeling with Geometric Restoration: Application to the Jinchuan Ni–Cu–(PGE) Sulfide Deposit, Northwestern China | |
Ghanbarnejad Moghanloo et al. | Integrating watershed segmentation algorithm and supervised Bayesian classification for the assessment of petrophysical parameters, pore properties, and lithofacies: a case study from Abadan Plain, SW Iran | |
Eze | Modeling the Spatial Distribution of Natural Fractures in Shale Reservoirs using Machine Learning and Geostatistical Methods | |
Moghanloo et al. | Application of watershed segmentation algorithm and supervised Bayesian classification in the evaluation of petrophysical parameters, pore properties, and lithofacies using 3D seismic data, wireline logs, and SEM images: A case study from Abadan Plain, SW Iran | |
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 |
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 |