CN117708732A - 一种放射性异常数据筛查方法 - Google Patents
一种放射性异常数据筛查方法 Download PDFInfo
- Publication number
- CN117708732A CN117708732A CN202311536725.8A CN202311536725A CN117708732A CN 117708732 A CN117708732 A CN 117708732A CN 202311536725 A CN202311536725 A CN 202311536725A CN 117708732 A CN117708732 A CN 117708732A
- Authority
- CN
- China
- Prior art keywords
- screening
- data
- logging data
- log
- gamma
- 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.)
- Pending
Links
- 238000012216 screening Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 19
- 230000002285 radioactive effect Effects 0.000 title abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 229910052770 Uranium Inorganic materials 0.000 description 4
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
Landscapes
- Measurement Of Radiation (AREA)
Abstract
本申请公开了一种放射性异常数据筛查方法，涉及计算机数据处理技术领域，包括：获取测井数据；获取筛查阈值；根据筛查阈值对测井数据进行筛查，获得相应的筛查结果。本申请采用软件对测井数据中的放射性异常数据进行批量和自动化的筛查，节省了人力投入，也大大提高了数据筛查的效率。
Description
技术领域
本申请涉及计算机数据处理技术领域，特别涉及一种放射性异常数据筛查方法。
背景技术
在地质勘测过程中，需要对钻孔数据进行记录，在形成较为完整的测井数据后，可以对测井数据进行分析，以判断井下的地质情况，为煤矿、石油以及其他矿产的开发提供依据。
目前，国内在对各个油田和煤矿开采过程中同时也进行测井数据的收集，因此已经开发的油田和煤矿都保留了较全面和完整的测井数据。通过数据库技术，可以建立用于存储测井数据的数据库，而数据库中的信息可以进一步开发利用，以挖掘数据的更多价值。对于测井数据库的利用通常为寻找铀矿，通过对测井数据的筛查和甄别，可以较为准确的锁定铀矿靶区。
然而，目前对于测井数据的筛查主要依靠人工进行，筛查工作需要具有专业背景的技术人员耗费大量时间与精力，显然，这种人工筛查的方式存在查询速度慢、耗时耗力和效率低下的缺点。
发明内容
本申请实施例提供了一种放射性异常数据筛查方法，用以解决现有技术中人工筛查存在的问题。
一方面，本申请实施例提供了一种放射性异常数据筛查方法，包括：
获取测井数据；
获取筛查阈值；
根据筛查阈值对测井数据进行筛查，获得相应的筛查结果。
本申请中的一种放射性异常数据筛查方法，具有以下优点：
1、采用软件对测井数据中的放射性异常数据进行批量和自动化的筛查，节省了人力投入，也大大提高了数据筛查的效率；
2、通过将测井数据中的自然伽马转换为定量伽马，使放射性异常数据具有与核工业系统中的测井数据具有一致标准，方便对铀矿靶区的快速和准确判断。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种放射性异常数据筛查方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本申请实施例提供的一种放射性异常数据筛查方法的流程图。本申请实施例提供了一种放射性异常数据筛查方法，包括：
S100，获取测井数据。
示例性地，测井数据包含多个数据文件，其中的GR值文件主要是Excel和文本文档，即文件后缀名为.xls、.xlsx或.txt，这些GR值文件中包含了各种有关放射性异常的数据，因此为本申请实施例中筛查的对象。
测井数据文件(主要是GR值文件)可以采用单个或批量导入的方式导入至筛查软件中，在本申请的实施例中，筛查软件主要包括客户端和服务器端，服务器端用于存储数据库，该数据库中存储了预先收集的测井数据，具体地，服务器端的数据库可以存储在本地磁盘中，同时服务器端还具有缓存，测井数据文件被从本地磁盘中读取后临时存储在缓存中。而客户端则运行在用户使用的计算机设备上，用于获取用户输入的各种指令，并向用户展示用户界面，服务器端则在客户端发出的各种指令的控制下进行相应处理工作。
在本申请的实施例中，在获取测井数据后，还对测井数据进行预处理，对测井数据的预处理包括对测井数据中的空数据和错误数据进行筛选。除了对空数据和错误数据进行筛选外，还可以由用户自定义筛选格式，在设置自定义筛选格式后，筛查软件将按照自定义筛选格式对测井数据进行筛选。
筛选完成后，筛查软件将按照预设的路径输出筛选结果，该筛选结果包括通过筛选的测井数据文件和未通过筛选的测井数据文件，在输出筛选结果的同时，筛查软件还将生成并输出相应的运行日志。
S110，获取筛查阈值。
示例性地，测井数据文件经过预处理后，筛查软件输出的通过筛选的测井数据文件根据用户选择的格式，包括文本文档或Excel文档的格式输出，即通过筛选的测井数据文件均为文本文档或Excel文档。
在本申请的实施例中，通过筛选的测井数据文件可以通过单个或批量导入的方式临时存储在缓存中。考虑到人工导入过程中存在文件导入错误的操作，本申请实施例还在用户界面上设置了清除缓存按钮，用户点击清除缓存按钮后，客户端产生清除指令，在该清除指令的控制下服务器端将清除缓存中的测井数据文件，用户可以重新导入文件，并进行数据异常筛查。
进一步地，由于测井数据文件中包含了大量测井数据，为了方便用户预览，本申请实施例中筛查软件在获取测井数据后，还对测井数据进行分类，并按照相应的类别进行展示，筛查阈值与测井数据的类别对应。
具体地，每个测井数据文件均具有表头，筛查软件通过对表头进行模糊检索，可以确定测井数据文件中测井数据的类别。例如，可以将GR和GR01归类为自然伽马曲线，将SP和BZSP归类为自然电位曲线，将R、RT、RS、R25、R4、RD、LLD、LLS、ILD、ILM和R250归类于电阻率曲线，将CAL、CALI和CALC归类为井径，将AC、DT和BZAC归类为声波，将DEN归类为密度。完成对测井数据的分类后，筛查软件将按照类别对测井数据进行展示，并在用户界面上展示用于使用户输入筛查阈值的输入框，该输入框与测井数据的类别对应，一个测井数据类别下可以存在多个输入框，以输入每种测井数据的筛查阈值的上限和下限。
S120，根据筛查阈值对测井数据进行筛查，获得相应的筛查结果。
示例性地，虽然筛查软件将测井数据分类为多个类别，但是用户可以根据需要选择其中的一部分或全部进行数据的筛查。而且，由于测井数据文件被临时存储在缓存中，用户在更改筛查的类别后，筛查软件无需再次读取测井数据文件，可以直接从缓存中调用，因此可以实现多次快速筛查。
在筛查过程中，筛查软件将每种测井数据和筛查阈值进行比较，如果测井数据处在筛查阈值的范围内，则将与该测井数据相关的所有数据都保留并保存在GR异常结果分析表中，同时，筛查软件还生成测井文件分析总表，筛查结果由GR异常结果分析表和测井文件分析总表两部分组成。GR异常结果分析表和测井文件分析总表优选采用Excel文档保存，且两个表均保存在同一个Excel文档中，采用两个单独的表单进行区分。
具体地，GR异常结果分析表包含：地区、井名、经纬度、有效GR起始深度、有效GR结束深度、有效GR顶、底界埋深、GR平均值、最大值、厚度等信息。测井文件分析总表包含整批文件的井段背景值、有效测井起始深度、有效测井结束深度、测井段是否有主筛查数据、测井段是否包含异常等信息。
在生成筛查结果的同时，本申请实施例中的筛查软件还将生成相应的日志文件，日志文件包含时间、运行参数、运行结果等信息。
在一种可能的实施例中，当完成对测井数据的筛查后，还将筛查结果中的自然伽马转换为定量伽马。
示例性地，目前测井数据中的放射性信息采用自然伽马(API)为单位，但是根据自然伽马不能有效判断放射性强度，也不能作为判定钻孔潜在含铀矿的依据，无法与已知核工业系统中钻孔测井得出的定量伽马异样信息对比，缺乏统一性。鉴于此，本申请将自然伽马转换为定量伽马。
转换过程中用户可以选择在固定单位之间转换或自定义转换，在固定单位之间转换即将自然伽马转换为固定单位的定量伽马，而自定义转换即将自然伽马根据自定义系数转换为定量伽马。第一种转换方式根据测井数据处理过程中的地区经验公式，支持API、CPS、Pa/kg、nC/(kg·h)之间的互相转换。第二种转换方式需要用户自定义转换前后的系数，并据此生成新的单位。对自然伽马与定量伽马进行转换输出后，有助于圈定放射性异常集中的区域，为初步圈定找矿靶区提供依据。
进一步地，本申请实施例中的筛查软件还支持对测井数据文件的类型进行转换，可以将测井数据文件在文本文档和Excel文档之间的相互转换，转换前后文本内容不变，可批量处理，操作简便。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种放射性异常数据筛查方法，其特征在于，包括：
获取测井数据；
获取筛查阈值；
根据所述筛查阈值对所述测井数据进行筛查，获得相应的筛查结果。
2.根据权利要求1所述的一种放射性异常数据筛查方法，其特征在于，在获取所述测井数据后，还对所述测井数据进行预处理，对所述测井数据的预处理包括对所述测井数据中的空数据和错误数据进行筛选。
3.根据权利要求1所述的一种放射性异常数据筛查方法，其特征在于，所述测井数据存储在缓存中，在用户输入清除指令后，将所述缓存中的所述测井数据清除。
4.根据权利要求1所述的一种放射性异常数据筛查方法，其特征在于，在获取所述测井数据后，还对所述测井数据进行分类，并按照相应的类别进行展示，所述筛查阈值与所述测井数据的类别对应。
5.根据权利要求1所述的一种放射性异常数据筛查方法，其特征在于，所述筛查结果包括GR异常结果分析表和测井文件分析总表。
6.根据权利要求1所述的一种放射性异常数据筛查方法，其特征在于，还包括：
将所述筛查结果中的自然伽马转换为定量伽马。
7.根据权利要求6所述的一种放射性异常数据筛查方法，其特征在于，在转换过程中将所述自然伽马转换为固定单位的所述定量伽马。
8.根据权利要求6所述的一种放射性异常数据筛查方法，其特征在于，在转换过程中将所述自然伽马根据自定义系数转换为所述定量伽马。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311536725.8A CN117708732A (zh) | 2023-11-17 | 2023-11-17 | 一种放射性异常数据筛查方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311536725.8A CN117708732A (zh) | 2023-11-17 | 2023-11-17 | 一种放射性异常数据筛查方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117708732A true CN117708732A (zh) | 2024-03-15 |
Family
ID=90146892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311536725.8A Pending CN117708732A (zh) | 2023-11-17 | 2023-11-17 | 一种放射性异常数据筛查方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117708732A (zh) |
-
2023
- 2023-11-17 CN CN202311536725.8A patent/CN117708732A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104715078B (zh) | 基于手持平板电脑的勘探钻孔数据数字化编录方法及系统 | |
| US9791431B2 (en) | Cuttings-based well logging | |
| Borsaru et al. | Automated lithology prediction from PGNAA and other geophysical logs | |
| CN103233741A (zh) | 定量化评价超大型地下洞室群施工期围岩稳定性的方法 | |
| US11880776B2 (en) | Graph neural network (GNN)-based prediction system for total organic carbon (TOC) in shale | |
| CN104678455A (zh) | 一种陆相缝洞型储层识别方法 | |
| Dickmann et al. | Towards the integration of smart techniques for tunnel seismic applications | |
| CN117708732A (zh) | 一种放射性异常数据筛查方法 | |
| Fellgett et al. | CoreScore: a machine learning approach to assess legacy core condition | |
| KR101288553B1 (ko) | 지반조사성과의 ｄｂ생성 자동화가 가능한 지반조사 표준서식 기반의 지반정보 전산화방법 및 이를 이용한 전산화시스템 | |
| Hathway et al. | Revised stratigraphy, regional correlations and new bentonite radiometric ages for the Albian Loon River Formation, Fort St. John Group, northwestern Alberta | |
| Plummer et al. | Provenancing of hominid and mammalian fossils from Kanjera, Kenya, using EDXRF | |
| Dominy et al. | Sampling and testwork protocol development for geometallurgical characterisation of a sheeted vein gold deposit | |
| Timmer et al. | PyCHNO: A core-image quantitative ichnology logging software | |
| van As | Geotechnical engineering for mass mining | |
| De Meijer et al. | Improved and new uses of natural radioactivity in mineral exploration and processing | |
| Di Palo et al. | Real Time Artificial Intelligence Assisted Operations Geology: Lithology and Fluids Early Identification and Automatic Well Correlation | |
| CN118071129A (zh) | 增强的地质服务表征 | |
| CN114545515A (zh) | 可地浸砂岩型铀矿γ测井解释方法 | |
| Bariatska | Micromine Tools for Geological and Economic Assessment of Mineral Projects | |
| Mezzatesta et al. | OPTIMA: a statistical approach to well log analysis | |
| Schwenk et al. | Stratigraphic and Multi Scanner Core Logging (MSCL) data plus supplementary luminescence dating material obtained from the scientific drilling QDR-RE-IfG and its drill site in the Aare Valley, Bern CH, GFZ Data Services [data set] | |
| Mining | ASX Announcement | |
| Setyadi et al. | Database management and quality assurance is key of success in exploration | |
| KR102410041B1 (ko) | 딥러닝을 이용한 광물 조성 예측 방법 및 그 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |