CN117557401B - 一种基于地质大数据的铀矿找矿靶区智能圈定方法 - Google Patents
一种基于地质大数据的铀矿找矿靶区智能圈定方法 Download PDFInfo
- Publication number
- CN117557401B CN117557401B CN202410046435.3A CN202410046435A CN117557401B CN 117557401 B CN117557401 B CN 117557401B CN 202410046435 A CN202410046435 A CN 202410046435A CN 117557401 B CN117557401 B CN 117557401B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- geological
- undirected graph
- geological feature
- 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
- 229910052770 Uranium Inorganic materials 0.000 title claims abstract description 58
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 238000005553 drilling Methods 0.000 claims abstract description 30
- 238000005065 mining Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000547 structure data Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Abstract
本发明涉及铀矿钻井勘探领域,更具体地,本发明涉及一种基于地质大数据的铀矿找矿靶区智能圈定方法,方法包括:采集历史和当前不同矿洞所对应的不同测井曲线,分别得到历史测井数据和当前测井数据;构建预设数据驱动模型,得到历史地质特征矩阵和当前地质特征矩阵并进行匹配,得到当前近似的地质特征数据并构建三维直方图,计算历史地质特征矩阵和当前地质特征矩阵中节点的匹配度和单个钻洞之间局部的匹配度,得到最佳匹配结果,计算同一地质特征数据的命中比,完成铀矿找矿靶区智能圈定。本发明通过根据最佳匹配的地质数据进行钻洞,提高钻洞的效率,根据每一次的匹配结果进行铀矿找矿靶区圈定,提高了圈定效率。
Description
技术领域
本发明一般地涉及铀矿钻井勘探领域。更具体地,本发明涉及一种基于地质大数据的铀矿找矿靶区智能圈定方法。
背景技术
铀矿是一种稀有而重要的能源资源,对于国家的能源战略和发展具有重要意义。但是铀矿勘探属于高风险和高投入性质的工作。通过智能圈定技术,可以更准确地预测潜在富含铀矿床的位置,并选择最有利可行的区域进行详细勘探,降低了资源开发的风险和投资。
现有的铀矿找矿靶区智能圈定方法都是针对单一地质的,而不同地质之间的地质特征具有较大的差异,其中,现有的通过测井曲线分析辅助进行铀矿找矿靶区圈定的方法,但是往往仅针对单一地质特征,导致无法结合其他地质大数据勘探经验,提高圈定准确率和效率,无法有效的结合现有的地质大数据辅助铀矿找矿靶区智能圈定。
发明内容
为解决上述一个或多个技术问题,本发明提出基于地质大数据确定当前待圈定区域的地质特征,结合其他地质大数据勘探经验,得到当前地质特征数据的最佳匹配结果,根据当前地质特征数据的最佳匹配结果进行铀矿找矿靶区圈定,为此,本发明在如下的多个方面中提供方案。
一种基于地质大数据的铀矿找矿靶区智能圈定方法,包括:采集历史和当前不同矿洞所对应的不同测井曲线,根据所述不同测井曲线,分别得到历史测井数据和当前测井数据;构建预设数据驱动模型,将历史测井数据和当前测井数据输入预设数据驱动模型中,得到历史地质特征矩阵和当前地质特征矩阵;将历史地质特征矩阵和当前地质特征矩阵进行匹配,得到当前待圈定的铀矿找矿靶区近似的地质特征数据;基于所述地质特征数据构建三维直方图,计算历史地质特征矩阵和当前地质特征矩阵中节点的匹配度和单个钻洞之间局部的匹配度,得到当前地质特征数据的最佳匹配结果;计算历史地质特征矩阵和当前地质特征矩阵之间的局部近似度,进而以第一目标数据值作为原点建立直角坐标系,根据所述直角坐标系的二元组,得到斜率和距离值,根据所述斜率和距离值得到相邻钻洞在直角坐标系中的分布;获取第一目标数据值中相邻钻洞在直角坐标系的坐标和第二目标数据值中相邻钻洞之间的最小距离值,计算所述最小距离值的矿洞匹配度和在第二目标数据值中的最小距离值的钻洞到原点的距离值,得到第一完全无向图和第二完全无向图之间的局部匹配度;根据所述最佳匹配结果,得到当前地质特征数据的数据分布;根据所述数据分布,计算同一地质特征数据的命中比,基于所述命中比,完成铀矿找矿靶区智能圈定。
在一个实施例中,将历史地质特征矩阵和当前地质特征矩阵进行匹配,得到当前待圈定的铀矿找矿靶区近似的地质特征数据,包括:
对所述历史地质特征矩阵和当前地质特征矩阵进行图结构数据构建,得到第一完全无向图和第二完全无向图,其中,第一完全无向图和第二完全无向图中单个钻洞为一个节点,节点之间的边权为对应钻洞之间的方向和距离值的二元组;
对所述第一完全无向图和第二完全无向图的近似性进行匹配,获取第一完全无向图对应的历史地质特征矩阵中的第一目标数据值和第二完全无向图对应的当前地质特征矩阵的第二目标数据值,对第一目标数据值和第二目标数据值进行与运算,得到编号一致的匹配度矩阵;
根据所述匹配度矩阵中所有值的累加值和第一目标数据值或第二目标数据值矩阵中所有数据个数的比值,得到第一完全无向图和第二完全无向图的匹配程度;
基于匹配程度得到当前待圈定的铀矿找矿靶区近似的地质特征数据。
在一个实施例中,计算历史地质特征矩阵和当前地质特征矩阵中节点的匹配度,包括:
根据所述地质特征数据,获取三维直方图,其中,三维直方图中,一轴为深度差值,一轴为地质特征,一轴为个数值;
计算同一地质特征的深度差值的个数累加值的最大值的比值,计算所述深度差值的负相关映射值,计算所述最大值的比值和负相关映射值的均值,得到当前地质特征的权重值,对权重值进行归一化处理,计算归一化后的所述权重值和匹配度矩阵进行点乘并进行累加得到累加值;
根据所述累加值中第一目标数据值或第二目标数据值的矩阵中所有数据个数的比值,得到当前地质特征的第一完全无向图中某一节点对应的第一目标数据值和历史地质特征的第二完全无向图中某一节点对应的第二目标数据值之间的匹配度。
在一个实施例中,计算所述局部匹配度满足下述关系式:
;
其中,表示第一完全无向图中第个节点对应的第一目标数据值和第二完全无
向图中第个节点对应的第二目标数据值之间的局部匹配度,表示第一完全无向图中第个节点对应的第一目标数据值和第二完全无向图中第个节点对应的第二目标数据值之
间的匹配度,表示对的遍历,表示第一目标数据值相邻第个钻洞与第二目标数据值
相邻钻洞之间的最小距离值,表示第二目标数据值相邻钻洞具有最小距离值的钻洞到原
点的距离值,表示第一目标数据值相邻第个钻洞与第二目标数据值相邻钻洞之间的最
小距离值的匹配度,表示第一完全无向图中第个节点对应的第一目标数据值相邻钻洞的
个数。
在一个实施例中,基于所述局部匹配度,还包括:
对所述第一完全无向图和第二完全无向图进行子图匹配,计算单个节点之间的距离值,得到第二完全无向图中具有与第一完全无向图同结构的子图部分,得到最佳匹配的地质数据;
对所述最佳匹配的地质数据与当前钻洞数据进行对齐,分别得到子图和第一完全无向图对应的钻洞连线,计算所述钻洞连线的质心,得到第二完全无向图中除子图外的最小距离值的钻洞,获取所述最小距离值的钻洞与质心之间的距离和角度,确定下次钻洞位置。
在一个实施例中,根据所述数据分布,计算同一地质特征数据的命中比,包括:
计算同一地质特征数据的被匹配中的次数和每一个地质特征数据的被匹配中的次数,其中,同一地质特征数据的被匹配中的次数为匹配总次数,将每一个地质特征数据的被匹配中的次数和匹配总次数的比值,得到命中比。
在一个实施例中,基于所述命中比,完成铀矿找矿靶区智能圈定,包括:
设置预设命中比阈值;
响应于命中比大于预设命中比阈值,则根据地质特征数据中的铀矿分布位置进行钻洞圈定铀矿;
响应于命中比小于预设命中比阈值,则按照钻洞扩张的方法进行圈定。
本申请具有以下效果:
1.本申请通过钻洞之间的地质数据分布,找到最佳匹配的地质数据,根据最佳匹配的地质数据进行钻洞,防止钻洞时出现偏差过大的情况,提高钻洞的效率,并根据每一次的匹配结果进行铀矿找矿靶区圈定,提高了圈定效率。
2.本申请通过分别计算历史地质特征矩阵和当前地质特征矩阵中节点的匹配度,以及历史地质特征矩阵和当前地质特征矩阵中单个钻洞之间局部的匹配度,更新匹配结果后,得到最佳匹配结果,进一步提高匹配度,更好结合其他地质大数据勘探经验,辅助铀矿找矿靶区智能圈定,提高找矿靶区的精准度。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本申请实施例一种基于地质大数据的铀矿找矿靶区智能圈定方法中步骤S1-S6的方法流程图。
图2是本申请实施例一种基于地质大数据的铀矿找矿靶区智能圈定方法中步骤S30-S33的方法流程图。
图3是本申请实施例一种基于地质大数据的铀矿找矿靶区智能圈定方法中步骤S40-S44的方法流程图。
图4是本申请实施例一种基于地质大数据的铀矿找矿靶区智能圈定方法中步骤S50-S51的方法流程图;
图5是本申请实施例一种基于地质大数据的铀矿找矿靶区智能圈定方法中步骤S60-S61的方法流程图。
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。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,一种基于地质大数据的铀矿找矿靶区智能圈定方法包括步骤S1-S6,具体如下:
S1:采集历史和当前不同矿洞所对应的不同测井曲线,根据不同测井曲线,分别得到历史测井数据和当前测井数据。
示例性的,初始钻洞有多个,得到每一个钻洞对应的不同类型测井曲线数据,其中不同钻洞之间的测井深度一致。
S2:构建预设数据驱动模型,将历史测井数据和当前测井数据输入预设数据驱动模型中,得到历史地质特征矩阵和当前地质特征矩阵。
示例性的,通过CNN-LSTM数据驱动模型进行单一个钻洞在不同深度下的地质特征检测,得到单一钻洞中的地质特征矩阵,数据集通过采集得到地质大数据后进行标注,将不同深度下的数据按照对应存在的地质特征进行编号,不同地质特征具有唯一的编号值,其中在标注时,每个深度都具有对应的一个地质特征标签向量,其中损失函数为均方差损失函数。
S3:将历史地质特征矩阵和当前地质特征矩阵进行匹配,得到当前待圈定的铀矿找矿靶区近似的地质特征数据,参照图2,包括步骤S30-S33:
S30:对历史地质特征矩阵和当前地质特征矩阵进行图结构数据构建,得到第一完全无向图和第二完全无向图,其中,第一完全无向图和第二完全无向图中单个钻洞为一个节点,节点之间的边权为对应钻洞之间的方向和距离值的二元组;
示例性的,完全无向图(Complete Undirected Graph)是图论中的一个概念,它是一个简单图,其中任意两个不同的节点都有一条边相连,而且没有自环(即节点与自己之间没有边),换句话说,完全无向图中的每一对节点都是相邻的。
S31:对第一完全无向图和第二完全无向图的近似性进行匹配,获取第一完全无向图对应的历史地质特征矩阵中的第一目标数据值和第二完全无向图对应的当前地质特征矩阵的第二目标数据值,对第一目标数据值和第二目标数据值进行与运算,得到编号一致的匹配度矩阵;
示例性的,单个节点数据为对应单个钻洞的地质特征数据,其中由于地质特征矩阵中各个数据值仅为编号值,得到编号一致的匹配度矩阵,由于编号一致的越多,则第一完全无向图和第二完全无向图之间的匹配越高,通过与运算的方式,与运算(AND operation)是一种逻辑运算,常用于计算机科学和电子工程中,如果所有输入都为真(1),则与运算的结果为真(1);否则,结果为假(0)。
S32:根据匹配度矩阵中所有值的累加值和第一目标数据值或第二目标数据值矩阵中所有数据个数的比值,得到第一完全无向图和第二完全无向图的匹配程度;
示例性的,比值可作为第一完全无向图中任意一个节点对应的第一目标数据值和第一完全无向图中任意一个节点对应的第二目标数据值之间的匹配度,由于不同地质特征与铀矿区域并非具有很强的关联性,为了提高最后的准确率,对铀矿之间的深度值进行匹配。
S33:基于匹配程度得到当前待圈定的铀矿找矿靶区近似的地质特征数据。
S4:基于地质特征数据构建三维直方图,计算历史地质特征矩阵和当前地质特征矩阵中节点的匹配度和单个钻洞之间局部的匹配度,得到当前地质特征数据的最佳匹配结果,参照图3,包括步骤S40-S44:
S40:根据地质特征数据,获取三维直方图,其中,三维直方图中,一轴为深度差值,一轴为地质特征,一轴为个数值;
示例性的,其中个数值越大,且深度差值越小的地质特征与铀矿部分越密切,则在地质大数据进行铀矿找矿靶区进行圈定时,其寻找地质大数据匹配时的权重应当越大。
S41:计算同一地质特征的深度差值的个数累加值的最大值的比值,计算深度差值的负相关映射值,计算最大值的比值和负相关映射值的均值,得到当前地质特征的权重值,对权重值进行归一化处理,计算归一化后的权重值和匹配度矩阵进行点乘并进行累加得到累加值;
示例性的,一个深度差值对应一个最大值的比值和一个映射值,计算同一地质特征的深度差值的均值,即得到同一个深度差值的权重比。
S42:根据累加值中第一目标数据值或第二目标数据值的矩阵中所有数据个数的比值,得到当前地质特征的第一完全无向图中某一节点对应的第一目标数据值和历史地质特征的第二完全无向图中某一节点对应的第二目标数据值之间的匹配度;
S43:计算历史地质特征矩阵和当前地质特征矩阵之间的局部近似度,进而以第一目标数据值作为原点建立直角坐标系,根据直角坐标系的二元组,得到斜率和距离值,根据斜率和距离值得到相邻钻洞在直角坐标系中的分布;
S44:获取第一目标数据值中相邻钻洞在直角坐标系的坐标和第二目标数据值中相邻钻洞之间的最小距离值,计算最小距离值的矿洞匹配度和在第二目标数据值中的最小距离值的钻洞到原点的距离值,得到第一完全无向图和第二完全无向图之间的局部匹配度。
计算局部匹配度满足下述关系式:
;
其中,表示第一完全无向图中第个节点对应的第一目标数据值和第二完全无
向图中第个节点对应的第二目标数据值之间的局部匹配度,表示第一完全无向图中第个节点对应的第一目标数据值和第二完全无向图中第个节点对应的第二目标数据值之
间的匹配度,表示对的遍历,表示第一目标数据值相邻第个钻洞与第二目标数据值
相邻钻洞之间的最小距离值,表示第二目标数据值相邻钻洞具有最小距离值的钻洞到原
点的距离值,表示第一目标数据值相邻第个钻洞与第二目标数据值相邻钻洞之间的最
小距离值的匹配度,表示第一完全无向图中第个节点对应的第一目标数据值相邻钻洞的
个数。
示例性的,第二目标数据值对应的钻洞距离原点越远,则对应第一目标数据值的参考意义越小,并进而获取第二目标数据值中相邻钻洞分别与第一目标数据值中相邻钻洞之间的距离值,其中相邻距离值越小,且距离原点越小的钻洞则参考意义越大。本实施例是以完全无向图建立的图结构,当以不同图结构数据构建方式进行构建时个数会不同。
S5:根据最佳匹配结果,得到当前地质特征数据的数据分布,参照图4,包括步骤S50-S51:
S50:对第一完全无向图和第二完全无向图进行子图匹配,计算单个节点之间的距离值,得到第二完全无向图中具有与第一完全无向图同结构的子图部分,得到最佳匹配的地质数据;
S51:对最佳匹配的地质数据与当前钻洞数据进行对齐,分别得到子图和第一完全无向图对应的钻洞连线,计算钻洞连线的质心,得到第二完全无向图中除子图外的最小距离值的钻洞,获取最小距离值的钻洞与质心之间的距离和角度,确定下次钻洞位置。
S6:根据数据分布,计算同一地质特征数据的命中比,基于命中比,完成铀矿找矿靶区智能圈定,参照图5,包括步骤S60-S61:
S60:计算同一地质特征数据的被匹配中的次数和每一个地质特征数据的被匹配中的次数,其中,同一地质特征数据的被匹配中的次数为匹配总次数,将每一个地质特征数据的被匹配中的次数和匹配总次数的比值,得到命中比;
示例性的,其中,圈定时,每一次新钻洞后,都需要按照上述操作进行重新匹配,当每一次钻洞后累计的30次钻洞后,如果同一个地质大数据的被匹配中的次数对应命中比达到70%以上,获取当前匹配总次数,以及每一个地质大数据被匹配中的次数,将被匹配中的次数除以匹配总次数,即为命中比,则按照该地质大数据中的铀矿分布位置进行钻洞圈定铀矿。
S61:设置预设命中比阈值;
示例性的,预设命中比阈值为70%,其中,30和70%为超参数。如果不能达到70%,则按照钻洞扩张的方法进行圈定。
响应于命中比大于预设命中比阈值,则根据地质特征数据中的铀矿分布位置进行钻洞圈定铀矿;
响应于命中比小于预设命中比阈值,则按照钻洞扩张的方法进行圈定。
设置预设命中比阈值;响应于命中比大于预设命中比阈值,则根据地质特征数据中的铀矿分布位置进行钻洞圈定铀矿;响应于命中比小于预设命中比阈值,则按照钻洞扩张的方法进行圈定。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (6)
1.一种基于地质大数据的铀矿找矿靶区智能圈定方法,其特征在于,包括:
采集历史和当前不同矿洞所对应的不同测井曲线,根据所述不同测井曲线,分别得到历史测井数据和当前测井数据;
构建预设数据驱动模型,将历史测井数据和当前测井数据输入预设数据驱动模型中,得到历史地质特征矩阵和当前地质特征矩阵;
将历史地质特征矩阵和当前地质特征矩阵进行匹配,得到当前待圈定的铀矿找矿靶区近似的地质特征数据;
基于所述地质特征数据构建三维直方图,计算历史地质特征矩阵和当前地质特征矩阵中节点的匹配度和单个钻洞之间局部的匹配度,得到当前地质特征数据的最佳匹配结果;
计算历史地质特征矩阵和当前地质特征矩阵之间的局部近似度,进而以第一目标数据值作为原点建立直角坐标系,根据所述直角坐标系的二元组,得到斜率和距离值,根据所述斜率和距离值得到相邻钻洞在直角坐标系中的分布;
获取第一目标数据值中相邻钻洞在直角坐标系的坐标和第二目标数据值中相邻钻洞之间的最小距离值,计算所述最小距离值的矿洞匹配度和在第二目标数据值中的最小距离值的钻洞到原点的距离值,得到第一完全无向图和第二完全无向图之间的局部匹配度;
根据所述最佳匹配结果,得到当前地质特征数据的数据分布;
根据所述数据分布,计算同一地质特征数据的命中比,基于所述命中比,完成铀矿找矿靶区智能圈定;
对所述历史地质特征矩阵和当前地质特征矩阵进行图结构数据构建,得到第一完全无向图和第二完全无向图,其中,第一完全无向图和第二完全无向图中单个钻洞为一个节点,节点之间的边权为对应钻洞之间的方向和距离值的二元组;
对所述第一完全无向图和第二完全无向图的近似性进行匹配,获取第一完全无向图对应的历史地质特征矩阵中的第一目标数据值和第二完全无向图对应的当前地质特征矩阵的第二目标数据值,对第一目标数据值和第二目标数据值进行与运算,得到编号一致的匹配度矩阵;
根据所述匹配度矩阵中所有值的累加值和第一目标数据值或第二目标数据值矩阵中所有数据个数的比值,得到第一完全无向图和第二完全无向图的匹配程度;
基于匹配程度得到当前待圈定的铀矿找矿靶区近似的地质特征数据地质特征数据。
2.根据权利要求1所述的一种基于地质大数据的铀矿找矿靶区智能圈定方法,其特征在于,计算历史地质特征矩阵和当前地质特征矩阵中节点的匹配度,包括:
根据所述地质特征数据,获取三维直方图,其中,三维直方图中,一轴为深度差值,一轴为地质特征,一轴为个数值;
计算同一地质特征的深度差值的个数累加值的最大值的比值,计算所述深度差值的负相关映射值,计算所述最大值的比值和负相关映射值的均值,得到当前地质特征的权重值,对权重值进行归一化处理,计算归一化后的所述权重值和匹配度矩阵进行点乘并进行累加得到累加值;
根据所述累加值中第一目标数据值或第二目标数据值的矩阵中所有数据个数的比值,得到当前地质特征的第一完全无向图中某一节点对应的第一目标数据值和历史地质特征的第二完全无向图中某一节点对应的第二目标数据值之间的匹配度。
3.根据权利要求1所述的一种基于地质大数据的铀矿找矿靶区智能圈定方法,其特征在于,计算所述局部匹配度满足下述关系式:
;
其中,表示第一完全无向图中第/>个节点对应的第一目标数据值和第二完全无向图中第/>个节点对应的第二目标数据值之间的局部匹配度,/>表示第一完全无向图中第/>个节点对应的第一目标数据值和第二完全无向图中第/>个节点对应的第二目标数据值之间的匹配度,/>表示对/>的遍历,/>表示第一目标数据值相邻第/>个钻洞与第二目标数据值相邻钻洞之间的最小距离值,/>表示第二目标数据值相邻钻洞具有最小距离值的钻洞到原点的距离值,/>表示第一目标数据值相邻第/>个钻洞与第二目标数据值相邻钻洞之间的最小距离值的匹配度,/>表示第一完全无向图中第/>个节点对应的第一目标数据值相邻钻洞的个数。
4.根据权利要求1所述的一种基于地质大数据的铀矿找矿靶区智能圈定方法,其特征在于,基于所述局部匹配度,还包括:
对所述第一完全无向图和第二完全无向图进行子图匹配,计算单个节点之间的距离值,得到第二完全无向图中具有与第一完全无向图同结构的子图部分,得到最佳匹配的地质数据;
对所述最佳匹配的地质数据与当前钻洞数据进行对齐,分别得到子图和第一完全无向图对应的钻洞连线,计算所述钻洞连线的质心,得到第二完全无向图中除子图外的最小距离值的钻洞,获取所述最小距离值的钻洞与质心之间的距离和角度,确定下次钻洞位置。
5.根据权利要求1所述的一种基于地质大数据的铀矿找矿靶区智能圈定方法,其特征在于,根据所述数据分布,计算同一地质特征数据的命中比,包括:
计算同一地质特征数据的被匹配中的次数和每一个地质特征数据的被匹配中的次数,其中,同一地质特征数据的被匹配中的次数为匹配总次数,将每一个地质特征数据的被匹配中的次数和匹配总次数的比值,得到命中比。
6.根据权利要求1所述的一种基于地质大数据的铀矿找矿靶区智能圈定方法,其特征在于,基于所述命中比,完成铀矿找矿靶区智能圈定,包括:
设置预设命中比阈值;
响应于命中比大于预设命中比阈值,则根据地质特征数据中的铀矿分布位置进行钻洞圈定铀矿;
响应于命中比小于预设命中比阈值,则按照钻洞扩张的方法进行圈定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410046435.3A CN117557401B (zh) | 2024-01-12 | 2024-01-12 | 一种基于地质大数据的铀矿找矿靶区智能圈定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410046435.3A CN117557401B (zh) | 2024-01-12 | 2024-01-12 | 一种基于地质大数据的铀矿找矿靶区智能圈定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557401A CN117557401A (zh) | 2024-02-13 |
CN117557401B true CN117557401B (zh) | 2024-04-02 |
Family
ID=89813348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410046435.3A Active CN117557401B (zh) | 2024-01-12 | 2024-01-12 | 一种基于地质大数据的铀矿找矿靶区智能圈定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557401B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2728403A1 (en) * | 2008-07-02 | 2010-01-07 | Chevron U.S.A. Inc. | Well log correlation |
CN104100256A (zh) * | 2013-04-15 | 2014-10-15 | 西安科技大学 | 基于图像处理技术的煤矿井下钻孔深度测量方法 |
CN107328406A (zh) * | 2017-06-28 | 2017-11-07 | 中国矿业大学(北京) | 一种基于多源传感器的矿井移动目标定位方法与系统 |
CN111852467A (zh) * | 2020-07-28 | 2020-10-30 | 核工业北京地质研究院 | 一种砂岩铀矿矿体延伸范围的圈定方法及系统 |
WO2021010946A1 (en) * | 2019-07-12 | 2021-01-21 | Landmark Graphics Corporation | Processing wellbore data to determine subterranean characteristics |
CN113279748A (zh) * | 2021-06-21 | 2021-08-20 | 吉林大学 | 一种计算机垂向地下空间分带含铀层识别方法 |
WO2022257930A1 (zh) * | 2021-06-07 | 2022-12-15 | 中国地质大学(北京) | 成矿研究区的成矿模拟方法及装置 |
CN116201535A (zh) * | 2023-02-06 | 2023-06-02 | 北京月新时代科技股份有限公司 | 油气藏目标井标志地层自动划分方法、装置及设备 |
CN116665067A (zh) * | 2023-08-01 | 2023-08-29 | 吉林大学 | 基于图神经网络的找矿靶区优选系统及其方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210089892A1 (en) * | 2019-09-24 | 2021-03-25 | Schlumberger Technology Corporation | Machine learning based approach to detect well analogue |
CN112612935B (zh) * | 2020-12-16 | 2022-03-29 | 浙大城市学院 | 一种基于自推理模型的完整测井数据获取方法 |
-
2024
- 2024-01-12 CN CN202410046435.3A patent/CN117557401B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2728403A1 (en) * | 2008-07-02 | 2010-01-07 | Chevron U.S.A. Inc. | Well log correlation |
CN104100256A (zh) * | 2013-04-15 | 2014-10-15 | 西安科技大学 | 基于图像处理技术的煤矿井下钻孔深度测量方法 |
CN107328406A (zh) * | 2017-06-28 | 2017-11-07 | 中国矿业大学(北京) | 一种基于多源传感器的矿井移动目标定位方法与系统 |
WO2021010946A1 (en) * | 2019-07-12 | 2021-01-21 | Landmark Graphics Corporation | Processing wellbore data to determine subterranean characteristics |
CN111852467A (zh) * | 2020-07-28 | 2020-10-30 | 核工业北京地质研究院 | 一种砂岩铀矿矿体延伸范围的圈定方法及系统 |
WO2022257930A1 (zh) * | 2021-06-07 | 2022-12-15 | 中国地质大学(北京) | 成矿研究区的成矿模拟方法及装置 |
CN113279748A (zh) * | 2021-06-21 | 2021-08-20 | 吉林大学 | 一种计算机垂向地下空间分带含铀层识别方法 |
CN116201535A (zh) * | 2023-02-06 | 2023-06-02 | 北京月新时代科技股份有限公司 | 油气藏目标井标志地层自动划分方法、装置及设备 |
CN116665067A (zh) * | 2023-08-01 | 2023-08-29 | 吉林大学 | 基于图神经网络的找矿靶区优选系统及其方法 |
Non-Patent Citations (3)
Title |
---|
Yuanqiang Sun等.Lithology Identification of Uranium-Bearing Sand Bodies Using Logging Data Based on a BP Neural Network.《Minerals》.2022,第12卷(第546期),第1-17页. * |
发展测井和井中物探技术提高地质工作效果和经济效益;曾繁超;物探与化探;19900820(第04期);全文 * |
放射性测量方法在铀矿勘查中的应用研究;曹秋义;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20220515(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117557401A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8521496B2 (en) | Systems and methods for improved positioning of pads | |
CN103548032B (zh) | 使用微震事件数据的水力裂缝表征的系统和方法 | |
CN109685378A (zh) | 一种基于数据挖掘的tbm施工围岩可掘性分级方法 | |
CN112417573B (zh) | 基于ga-lssvm与nsga-ⅱ盾构下穿既有隧道施工多目标优化的方法 | |
CN102812204B (zh) | 用于定位边界内水平井的系统和方法 | |
CN110489928B (zh) | 浅埋煤层矿区导水裂隙带发育高度预计方法及系统 | |
CN108415079A (zh) | 基于凿岩冲击声识别的岩层分界面圈定方法 | |
US9664033B2 (en) | System for determining position of marker depth coordinates for construction of geological model of deposit | |
CN106650446A (zh) | 基于系统调用的恶意程序行为识别方法和系统 | |
CN117557401B (zh) | 一种基于地质大数据的铀矿找矿靶区智能圈定方法 | |
CN117745466B (zh) | 一种尾矿库数智运维系统 | |
CN104060624A (zh) | 复杂软土地基中桩基的设置方法 | |
CN109670729A (zh) | 一种顶板含水层富水性评价方法 | |
CN117474489A (zh) | 基于大数据的水利工程信息管理系统及装置、计算设备 | |
CN104866664A (zh) | 一种防渗止水帷幕体施工难度预测方法 | |
CN106407569A (zh) | 一种厚松散层薄基岩条件下地表下沉值计算方法 | |
CN105741329B (zh) | 一种基于孔壁图像的相邻钻孔结构面连通性分析方法 | |
CN112907743B (zh) | 一种地质体剖/平面自动成图方法、装置、设备及介质 | |
CN115046516A (zh) | 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法 | |
CN113075744A (zh) | 一种建筑物下盾构隧道影响区域岩溶探测系统 | |
CN115775277B (zh) | 一种基于大数据的压裂选段方法及系统 | |
CN114545498A (zh) | 一种古岩溶缝洞结构的综合刻画方法 | |
CN106846480B (zh) | 一种不确定性概率场属性分布建模方法与系统 | |
CN105824042A (zh) | 基于照明能量最优的最大纵向距设计方法 | |
CN116624163A (zh) | 一种基于盾构掘进参数的地质识别方法 |
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 | ||
GR01 | Patent grant |