LU503652B1 - Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen - Google Patents
Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen Download PDFInfo
- Publication number
- LU503652B1 LU503652B1 LU503652A LU503652A LU503652B1 LU 503652 B1 LU503652 B1 LU 503652B1 LU 503652 A LU503652 A LU 503652A LU 503652 A LU503652 A LU 503652A LU 503652 B1 LU503652 B1 LU 503652B1
- Authority
- LU
- Luxembourg
- Prior art keywords
- data
- geochemical
- main part
- classifying
- pattern recognition
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000003909 pattern recognition Methods 0.000 claims abstract description 41
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013178 mathematical model Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 9
- 238000013479 data entry Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000002547 anomalous effect Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000006866 deterioration Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000001089 mineralizing effect Effects 0.000 claims 2
- 238000010276 construction Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 230000033558 biomineral tissue development Effects 0.000 abstract description 19
- 239000011435 rock Substances 0.000 abstract description 10
- 229910052500 inorganic mineral Inorganic materials 0.000 abstract description 9
- 239000011707 mineral Substances 0.000 abstract description 9
- 230000015572 biosynthetic process Effects 0.000 abstract description 7
- 239000000523 sample Substances 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 15
- 235000010755 mineral Nutrition 0.000 description 8
- 238000013480 data collection Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000000205 computational method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012567 pattern recognition method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- 241000143060 Americamysis bahia Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001095 inductively coupled plasma mass spectrometry Methods 0.000 description 1
- 238000000095 laser ablation inductively coupled plasma mass spectrometry Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
- G01V9/007—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00 by detecting gases or particles representative of underground layers at or near the surface
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
Die vorliegende Erfindung offenbart ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen, die sich auf das Gebiet der geologischen Exploration beziehen und das bestehende Problem der Erschließung neuer Techniken für geochemische Mineralfindungsmethoden angehen. Das folgende Schema wird vorgeschlagen, das eine Klassifizierungsvorrichtung umfasst, wobei die Klassifizierungsvorrichtung einen Hauptteil umfasst, wobei der Hauptteil einen Datenempfänger an der Oberseite aufweist, wobei der Datenempfänger eine Vielzahl von Datendetektoren am Verbindungsende aufweist, wobei der Hauptteil ein Betriebsende und ein Rückkopplungsende aufweist, die jeweils über ein Übertragungskabel an der Außenseite verbunden sind, und wobei der Hauptteil eine Datenbank aufweist, die über einen Interoperator verbunden ist. Das geochemische Modellkonzept der geochemischen Gesteinsbildung und Mineralisierung ist vollständig in die Mustererkennungstechnik mit Hilfe mehrerer Datensonden integriert, und die Klassifizierungsergebnisse, die entsprechend den charakteristischen Variablen der geochemischen Elementkombinationen verschiedener Gesteinsbildungs- und Mineralisierungsprozesse erzielt werden, können verschiedene mehrstufige regionale geologische Merkmale und Mineralisierungsveränderungen aufzeigen.
Description
Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der/503652
Grundlage von maschinellem Lernen
Technischer Bereich
Die vorliegende Erfindung bezieht sich auf das Gebiet der geologischen Exploration und insbesondere auf ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen.
Technologie im Hintergrund
Es war schon immer so, dass die Entdeckung, Dokumentation und Ausbeutung der
Bodenschätze der Erde ist eine zentrale Aufgabe der Geowissenschaften. Lange Zeit beruhte die
Entdeckung neuer Lagerstätten und Mineralienarten nur auf Zufallsfunden und empirischen
Hinweisen. Das alte Sprichwort „Gold is where you find it“ (Gold ist dort, wo man es findet) beschreibt, wie die meisten natürlichen Bodenschätze entdeckt werden, aber die neue Strategie der datengesteuerten Entdeckung von Bodenschätzen bringt dieses alte Sprichwort allmählich zu Fall.
Die Analyse der Zusammensetzung geologischer Proben ist eine wichtige
Forschungsmethode in geowissenschaftlichen Studien und von großer Bedeutung für das
Verständnis der Entwicklung der Erde, der Entstehung von Bodenschätzen und der
Mineralexploration. Anhand der Analyse der Zusammensetzung von Haupt- und Spurenelementen und Isotopen in geologischen Proben können die Entstehung von Mineralvorkommen,
Gesteinsarten und der tektonische Hintergrund der Gesteinsbildung bestimmt und Zielgebiete für die Mineralisierung ermittelt werden. Mit den heutigen geochemischen Analysen ist es möglich, den Gehalt an mehreren Elementen und Isotopen in ein und derselben geologischen Probe zu erhalten. So kann beispielsweise die Analyse der Zusammensetzung einzelner Mineralien in
Mikrozonen vor Ort (mit LA-ICP-MS, SIMS, SHRIMP, Elektronensonde und anderen Methoden), die Analyse der Zusammensetzung des gesamten Gesteins oder Erzes (mit XRF, ICP-MS,
Brandprobe Gold und anderen Methoden), die Analyse der Zusammensetzung chemischer
Explorationsproben und andere Daten gleichzeitig für dieselbe Probe mehrere Hauptelemente,
Spurenelemente und Isotopenzusammensetzungen erhalten. Diese geochemischen Daten werden mathematisch als multidimensionale Daten dargestellt, was eine genaue Klassifizierung und
Auswertung der Daten erschwert.
Die derzeitige Klassifizierung geochemischer Daten basiert hauptsächlich auf einer Reihe zweidimensionaler Unterscheidungsdiagramme, die zwar einen positiven Impuls für die geochemische Forschung darstellen, aber in der Regel eine geringe Klassifizierungsgenauigkeit aufweisen, die Erschließung neuer Techniken für geochemische Prospektionsmethoden ist ein dringendes Erfordernis auf dem derzeitigen Explorationsmarkt, weshalb es notwendig ist, eine auf maschinellem Lernen basierende Klassifizierungsmethode und -vorrichtung für geochemische
Daten zu entwickeln.
Inhalt der Erfindung (—) Zweck der Erfindung
In Anbetracht dessen ist es ein Ziel der vorliegenden Erfindung, ein Verfahren und eine
Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem
Lernen vorzuschlagen, um die anomale Merkmalsinformation, die durch multivariate
Mustererkennungsmethoden vieler verschiedener Datendetektoren extrahiert wurde, zu realisieren, was oft die niedrige und „Mikrodifferenz“-Information verstärken kann; für geochemische
Multielementmessungen einer Region kann durch die Entwicklung eines Schemas zur Auswahl verschiedener Kombinationen von Merkmalselementen eine Reihe von rechnerischen
Ergebniskarten mit unterschiedlicher geologischer Bedeutung und metallogenen Merkmale 503652 erzeugt werden, was neue Datenverarbeitungs- und Analysetechniken für geochemische
Suchmethoden eröffnet. (ZZ) Technische Lösungen
Um die oben genannten technischen Ziele zu erreichen, stellt die vorliegende Erfindung ein
Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen zur Verfügung:
Das eine Klassifizierungsvorrichtung umfasst, wobei die Klassifizierungsvorrichtung einen
Hauptteil umfasst, wobei der Hauptteil einen Datenempfänger an der Oberseite aufweist, wobei der Datenempfänger eine Vielzahl von Datendetektoren am Verbindungsende aufweist, wobei der
Hauptteil ein Betriebsende und ein Rückkopplungsende aufweist, die jeweils über ein
Übertragungskabel an der Außenseite verbunden sind, und wobei der Hauptteil eine Datenbank aufweist, die über einen Interoperator verbunden ist;
Ein Verfahren zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem
Lernen, das die folgenden Schritte umfasst:
Schritt 1: Wählen Sie zunächst das Überwachungsgebiet aus, steuern Sie mehrere
Datendetektoren, die separat arbeiten, um über lange Zeiträume Daten im geochemischen Raum des Gebiets zu sammeln und die gesammelten Daten in Echtzeit an den Datenempfänger zu übertragen;
Schritt 2: Der Datenempfänger leitet die Daten an den Hauptteil weiter, das die Daten vorverarbeitet, um Rauschen zu entfernen, gültige Informationen zu verbessern, durch andere
Faktoren verursachte Verschlechterungen wiederherzustellen oder zu korrigieren und die Daten so umzuwandeln, dass sie den Annahmen des mathematischen Modells entsprechen;
Schritt 3: Umwandlung der Originaldaten, um die Merkmale zu erhalten, die die Art der
Klassifizierung am besten widerspiegeln;
Schritt 4: Mustererkennung von geochemischen Daten und Merkmalen, Auswahl geochemisch relevanter Daten und Merkmale für die Eingabe und Erstellung eines Modells, das den Daten entspricht;
Schritt 5: Der Hauptteil empfängt kontinuierlich die vom Datendetektor übermittelten Daten und verfeinert das Modell, dann wählt es einen geeigneten Algorithmus entsprechend den
Änderungen im Modell, der Hauptteil berechnet und verarbeitet die Parameter, während der
Hauptteil den gesamten Prozess von der Dateneingabe bis zum Abschluss der Berechnung klassifiziert und lernt;
Schritt 6: Der Hauptteil gibt die Berechnungsergebnisse an das Rückführungsende zurück, während die Konvergenzeigenschaften der Berechnungsergebnisse des Hauptteils von dem
Betriebsende entsprechend den Berechnungsergebnissen untersucht werden können, um zu beurteilen, ob die Ergebnisse angemessen sind, wenn sie angemessen sind, werden der obige
Betriebsprozess und die Datenergebnisse gespeichert, wenn sie nicht angemessen sind, gehen Sie zurück zu Schritt 4, um die Eigenschaften auszuwählen.
Vorzugsweise, die Datendetektoren umfassen Fernerkundungs-Bildverarbeitungsgeräte, die
Mustererkennungstechniken verwenden, um Muster in der Geologie des überwachten Gebiets zu klassifizieren.
Eine bestimmte Anzahl von Datendetektoren sammelt Daten über den chemischen Raum des
Gebiets, wobei das geochemische Modellkonzept der Gesteinsbildung und Mineralisierung mit dem Ansatz der Mustererkennungstechnologie vollständig integriert wird.
Vorzugsweise, die Anzahl der Rückführungsenden ist auf eine Vielzahl eingestellt, und eifrd/203652
Mehrzahl der Riickfithrungsenden wird zur Rückführung von Uberwachungsdaten, Modelldaten bzw. Berechnungsergebnissen verwendet.
Insbesondere durch die Entwicklung eines Schemas zur Auswahl verschiedener
Kombinationen von charakteristischen Elementen kann eine Reihe von Berechnungsergebnissen mit unterschiedlicher geologischer Bedeutung und metallogenen Eigenschaften erzeugt und von verschiedenen Rückmeldeterminals zur einfachen Betrachtung und zum Vergleich angezeigt werden.
Vorzugsweise, die Datenbank ist über das Internet der Dinge mit einer Cloud-Datenbank verbunden, wobei das Verbindungsende der Cloud-Datenbank relevante geochemische
Dateninhalte und Informationen aus dem Internet über einen Webcrawler extrahiert.
Die spezifische Cloud-basierte Datenbank extrahiert relevante geochemische Dateninhalte und Informationen aus dem Internet und ermöglicht das Lernen und die Kategorisierung aktueller fortschrittlicher Methoden und Daten.
Vorzugsweise, die Mustererkennung der geochemischen Daten und Merkmale im vierten
Schritt umfasst die statistische Mustererkennung und die strukturelle Mustererkennung.
Im Einzelnen handelt es sich bei der statistischen Mustererkennung um eine Datenerfassung durch einen Datendetektor, die strukturelle Mustererkennung ist die Erfassung von Bildern und
Aufnahmen durch den Datendetektor, die Ergebnisse der Mustererkennung driicken die elementaren Anomalien und unterschiedlichen Gesteinsbildungs- und
Mineralisierungsabfolgeklassen aus, die tatsächlich der räumlichen und zeitlichen Verteilung der elementaren Merkmale der verschiedenen geologischen Körper entsprechen.
Vorzugsweise, die Umwandlung der ursprünglichen Daten in Schritt drei besteht darin, die charakteristischen Daten als zweidimensionales Array darzustellen, wobei die fortlaufenden
Nummern der Elemente in dem Array Zeit und Raum oder anderen Identifikatoren entsprechen können.
Die Klassifizierungsergebnisse, die speziell nach den charakteristischen Variablen der geochemischen Elementkombinationen verschiedener diagenetischer Prozesse und verschiedener
Mineralisierungsprozesse erhalten werden, können verschiedene mehrstufige regionale geologische Merkmale und Mineralisierungsänderungsmuster aufzeigen.
Vorzugsweise, die Mustererkennung von geochemischen Daten und Merkmalen in Schritt vier besteht darin, verschiedene geochemische Elemente oder Elementkombinationen als variablen Merkmalsraum zu analysieren, und die elementaren Anomalienmerkmale und unterschiedlichen Gesteinsbildungs- und Mineralisierungsabfolgeklassen, die durch das Ergebnis der Mustererkennung ausgedrückt werden, entsprechen tatsächlich den räumlichen und zeitlichen
Verteilungsbeziehungen von elementaren Merkmalen verschiedener geologischer Körper.
Insbesondere wird eine neue Idee der Analyse von kombinierten Elementanomalienmodellen vorgeschlagen, die die Auswertung einzelner Elementanomalien erweitert und die Einführung kompatibler Modelle für verschiedene Regionen ermöglicht.
Vorzugsweise, die Modellbildung im vierten Schritt umfasst eine dynamische
Klassifizierungsmethode, die auf den Merkmalen der diagenetischen Sequenz der gesteinsbilden und erzbildenden Elemente basiert, die Analyse der zweidimensionalen
Korrelationsstreuungsdiagramm-Verteilungsmerkmale der Kombination von Elementen, die auf der physikalischen Bedeutung verschiedener mathematischer Modelle basieren, um mathematische Modelle für die Mustererkennungsverarbeitung auszuwählen.
Auf diese Weise kann das Modell für verschiedene Bereiche verwendet werden, um genauek&/503652
Daten und Analyseergebnisse zu bekommen.
Vorzugsweise, die Datenbank ist über ein Übertragungskabel mit der Rückführungsende verbunden, und die Betriebsende gibt selektiv Daten ein, um das Modell in Schritt fünf zu verfeinern.
Das spezifische Verfahren der kontinuierlichen Datenerfassung und Dateneingabe verfeinert und ergänzt das Modell, zeichnet den gesamten Betriebsprozess auf und lernt ihn und bietet eine
Grundlage für Vergleiche und kontinuierliche Verbesserungen für nachfolgende Operationen.
Wie aus den oben genannten technischen Lösungen hervorgeht, hat die vorliegende
Anwendung die folgenden positiven Auswirkungen: 1: Das geochemische Modellkonzept der geochemischen Diagenese und Mineralisierung wird vollständig in den Ansatz der Mustererkennungstechnologie integriert, indem mehrere
Datendetektoren zur Datenerfassung im regionalen chemischen Raum eingesetzt werden, die
Klassifizierungsergebnisse, die auf der Kombination von geochemischen Elementen beruhen, die für verschiedene diagenetische Prozesse und Mineralisierungsprozesse charakteristisch sind, können verschiedene mehrstufige regionale geologische Merkmale und
Mineralisierungsänderungen aufzeigen; Anomalien, die durch multivariate
Mustererkennungsmethoden mit verschiedenen Datendetektoren extrahiert werden, können oft die
Informationen über die niedrige und „Mikrodifferenz‘“ erbessern; für geochemische
Multielementmessungen einer Region kann durch die Entwicklung eines Schemas zur Auswahl verschiedener Kombinationen von Merkmalselementen eine Reihe von rechnerischen
Ergebniskarten mit unterschiedlicher geologischer Bedeutung und metallogenen Merkmalen erzeugt werden, was neue Datenverarbeitungs- und Analysetechniken für geochemische
Suchmethoden eröffnet. 2: Durch Mustererkennung von geochemischen Daten und Merkmalen durch den Hauptteil werden verschiedene geochemische Elemente oder Elementkombinationen als variabler
Merkmalsraum analysiert, und die anomalen Merkmale von Elementen und verschiedene diagenetische und erzbildende Sequenzklassen, die durch die Ausgabe der Mustererkennung ausgedrückt werden, entsprechen tatsächlich der räumlichen und zeitlichen Verteilung von
Elementmerkmalen verschiedener geologischer Körper, so dass ein entsprechendes geologisch kompatibles Modell erstellt werden kann, und das Modell kann durch kontinuierliche
Datenerfassung und Dateneingabe verbessert und ergänzt werden, es wird durch kontinuierliche
Datenerfassung und Dateneingabe verfeinert und ergänzt, es schlägt eine neue Art der Analyse anomaler Muster von Elementanordnungen vor, die die Bewertung von Anomalien in einzelnen
Elementen erweitert und die Erstellung kompatibler Modelle für verschiedene Gebiete, genauere
Daten und Analyseergebnisse sowie die Aufzeichnung und das Lernen des gesamten
Betriebsprozesses ermöglicht, wodurch eine Grundlage für den Vergleich und die kontinuierliche
Verbesserung für nachfolgende Operationen geschaffen wird und die Analyse der geochemischen
Daten unterschiedliche Informationen über die Geologie der Schichten liefert.
Beschreibung der beigefügten Zeichnungen
Um die technischen Lösungen in den Ausführungsformen oder im Stand der Technik der
Erfindung deutlicher zu machen, folgt eine kurze Beschreibung der begleitenden Zeichnungen, die für die Beschreibung der Ausführungsformen oder des Standes der Technik erforderlich sind, es wird offensichtlich sein, dass die begleitenden Zeichnungen in der folgenden Beschreibung nur
Ausführungsformen der Erfindung sind und dass andere begleitende Zeichnungen von denjenigen,
die über gewöhnliche Fachkenntnisse auf dem Gebiet der Technik verfügen, ohne kreativét/508652
Aufwand in Übereinstimmung mit den begleitenden Zeichnungen erhalten werden können.
Bild 1 zeigt ein schematisches Diagramm der Struktur einer Vorrichtung für maschinelles
Lernen auf der Grundlage geochemischer Daten, die durch die vorliegende Erfindung bereitgestellt 5 werden.
Bild 2 zeigt ein Flussdiagramm eines auf maschinellem Lernen basierenden
Klassifikationsverfahrens für geochemische Daten, das durch die vorliegende Erfindung bereitgestellt wird.
Bild 3 zeigt ein Flussdiagramm des maschinellen Lernens im Sinne der vorliegenden
Erfindung.
In diesem Bild: 1 Hauptteil, 2 Datenempfänger, 3 Datendetektor, 4 Betriebsende, 5
Rückführungsende, 6 Datenbank.
Detaillierte Beschreibung
Die folgende Beschreibung ist naturgemäß nur beispielhaft und soll die vorliegende
Offenbarung, Anwendung und Verwendung nicht einschränken. Es sollte verstanden werden, dass in allen begleitenden Zeichnungen gleiche oder ähnliche begleitende Zeichen gleiche oder ähnliche Teile und Merkmale bezeichnen. Die einzelnen begleitenden Zeichnungen sind lediglich schematische Darstellungen der Ideen und Prinzipien der Ausführungsformen der vorliegenden
Offenbarung und veranschaulichen nicht unbedingt die spezifischen Abmessungen der verschiedenen Ausführungsformen der vorliegenden Offenbarung und ihre Proportionen.
Bestimmte Teile der einzelnen begleitenden Zeichnungen können übertrieben dargestellt sein, um relevante Details oder Strukturen von Ausführungsformen der vorliegenden Offenbarung zu veranschaulichen.
Siehe Bild 1-3:
Ausführungsform 1
Eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen, die eine Klassifizierungsvorrichtung umfasst, wobei die
Klassifizierungsvorrichtung einen Hauptteil (1), einen Datenempfänger (2) auf der Oberseite des
Hauptteils (1), eine Vielzahl von Datendetektoren (3) am Anschlussende des Datenempfängers (2), ein Betriebsende (4) und ein Rückführungsende (5), die jeweils mit der Außenseite des Hauptteils (1) über ein Übertragungskabel verbunden sind, und eine Datenbank (6) umfasst, die mit dem
Hauptteil (1) über einen Interoperator verbunden ist.
Der Datendetektor 3 umfasst in dieser Implementierung Fernerkundungs-
Bildverarbeitungsgeräte, und der Datendetektor 3 verwendet Mustererkennungstechniken, um die
Geologie in dem überwachten Gebiet für die Mustererkennung zu klassifizieren. Insbesondere wird eine Vielzahl von Datendetektoren verwendet, um Daten über den chemischen Raum des
Gebiets zu sammeln. Es ist wichtig zu beachten, dass das geochemische Modellkonzept der geochemischen Diagenese und Mineralisation vollständig in den Ansatz der
Mustererkennungstechnologie integriert ist.
Die Anzahl der Rückführungsenden 5 ist in dieser Implementierung auf mehrere festgelegt, und die mehreren Rückführungsenden 5 werden zur Rückführung von Überwachungsdaten,
Modelldaten bzw. Berechnungsergebnissen verwendet. Insbesondere werden die Daten separat auf verschiedenen Rückführungsenden angezeigt, um eine einfache Anzeige und einen Vergleich zu ermöglichen. Es ist wichtig zu beachten, dass durch die Entwicklung eines Schemas zur Auswahl verschiedener Kombinationen von Merkmalselementen eine Reihe von Berechnungsergebnissen mit unterschiedlicher geologischer Bedeutung und Mineralisierungsmerkmalen erzeugt werdd 503652 kann.
In dieser Implementierung ist die Datenbank 6 über das Internet der Dinge mit einer Cloud-
Datenbank verbunden, und die Cloud-Datenbankverbindung extrahiert relevante geochemische
Dateninhalte und Informationen aus dem Internet über einen Webcrawler. Konkret extrahiert die
Cloud-Datenbank relevante geochemische Dateninhalte und Informationen aus dem Internet.
Wichtig ist die Fähigkeit, aktuelle Methoden und Daten nach dem Stand der Technik zu erlernen und zu kategorisieren.
Die spezifische Umsetzung dieser Ausführungsform:
Das geochemische Modellkonzept der geochemischen Diagenese und Mineralisierung wird vollständig in den Ansatz der Mustererkennungstechnologie integriert, indem mehrere
Datendetektoren 3 zur Datenerfassung im regionalen chemischen Raum eingesetzt werden, die
Klassifizierungsergebnisse, die auf der Kombination von geochemischen Elementen beruhen, die für verschiedene diagenetische Prozesse und Mineralisierungsprozesse charakteristisch sind, können verschiedene mehrstufige regionale geologische Merkmale und
Mineralisierungsänderungen aufzeigen; Anomalien, die durch multivariate
Mustererkennungsmethoden mit verschiedenen Datendetektoren 3 extrahiert werden, können oft die Informationen über die niedrige und ,Mikrodifferenz“ erbessern; für geochemische
Multielementmessungen einer Region kann durch die Entwicklung eines Schemas zur Auswahl verschiedener Kombinationen von Merkmalselementen eine Reihe von rechnerischen
Ergebniskarten mit unterschiedlicher geologischer Bedeutung und metallogenen Merkmalen erzeugt werden, was neue Datenverarbeitungs- und Analysetechniken für geochemische
Suchmethoden eröffnet.
Ausführungsform 2
Ein Verfahren zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem
Lernen, das, basierend auf Ausführungsform 1, die folgenden Schritte umfasst:
Schritt 1: Wählen Sie zunächst das Überwachungsgebiet aus, steuern Sie mehrere
Datendetektoren 3, die separat arbeiten, um über lange Zeiträume Daten im geochemischen Raum des Gebiets zu sammeln und die gesammelten Daten in Echtzeit an den Datenempfänger 2 zu übertragen;
Schritt 2: Der Datenempfänger 2 überträgt die Daten an den Hauptteil 1, der Hauptteil 1 verarbeitet die Daten vor, um Rauschen zu entfernen, gültige Informationen zu verbessern, durch andere Faktoren verursachte Verschlechterungen wiederherzustellen oder zu korrigieren und die
Daten so umzuwandeln, dass sie den Annahmen des mathematischen Modells entsprechen;
Schritt 3: Umwandlung der Originaldaten, um die Merkmale zu erhalten, die die Art der
Klassifizierung am besten widerspiegeln;
Schritt 4: Mustererkennung von geochemischen Daten und Merkmalen, Auswahl geochemisch relevanter Daten und Merkmale für die Eingabe und Erstellung eines Modells, das den Daten entspricht;
Schritt 5: Der Hauptteil 1 empfängt kontinuierlich die vom Datendetektor 3 übermittelten
Daten und verfeinert das Modell, dann wählt es einen geeigneten Algorithmus entsprechend den
Änderungen im Modell, der Hauptteil 1 berechnet und verarbeitet die Parameter, während der
Hauptteil 1 den gesamten Prozess von der Dateneingabe bis zum Abschluss der Berechnung klassifiziert und lernt;
Schritt 6: Der Hauptteil 1 gibt die Berechnungsergebnisse an das Rückführungsende 5 zurück,
während die Konvergenzeigenschaften der Berechnungsergebnisse des Hauptteils 1 von deht/ 503652
Betriebsende 4 entsprechend den Berechnungsergebnissen untersucht werden können, um zu beurteilen, ob die Ergebnisse angemessen sind, wenn sie angemessen sind, werden der obige
Betriebsprozess und die Datenergebnisse gespeichert, wenn sie nicht angemessen sind, gehen Sie zurück zu Schritt 4, um die Eigenschaften auszuwählen.
Die Mustererkennung von geochemischen Daten und Merkmalen in Schritt 4 dieser
Implementierung umfasst statistische Mustererkennung und strukturelle Mustererkennung. Bei der statistischen Mustererkennung handelt es sich um die Erfassung von Daten durch einen
Datendetektor und bei der strukturellen Mustererkennung um die Erfassung von Bildern und Fotos durch einen Datendetektor, es ist wichtig zu beachten, dass die Ausgabe der Mustererkennung elementare Anomalien und Sequenzklassen verschiedener diagenetischer und erzbildender
Gesteine ausdrückt, die tatsächlich der räumlichen und zeitlichen Verteilung von elementaren
Merkmalen verschiedener geologischer Körper entsprechen.
Die Umwandlung der Rohdaten in Schritt drei dieser Implementierung besteht darin, die
Merkmalsdaten als zweidimensionales Array darzustellen, wobei die Ordnungszahlen der
Elemente in dem Array zeitlichen und räumlichen oder anderen Identifikatoren entsprechen können. Konkret werden die Klassifizierungsergebnisse auf der Grundlage der charakteristischen
Variablen der geochemischen Elementkombinationen der verschiedenen diagenetischen Prozesse und der verschiedenen Mineralisierungsprozesse erzielt. Es ist wichtig, darauf hinzuweisen, dass damit verschiedene mehrstufige regionale geologische Merkmale und Veränderungsmuster der
Mineralisierung aufgedeckt werden können.
In dieser Implementierung wird die Mustererkennung geochemischer Daten und Merkmale in Schritt 4 durch die Analyse verschiedener geochemischer Elemente oder
Elementkombinationen als variabler Merkmalsraum durchgeführt, und das Ergebnis der
Mustererkennung drückt elementare anomale Merkmale und verschiedene gesteins- und erzbildende Sequenzklassen aus, die tatsächlich den räumlichen und zeitlichen
Verteilungsbeziehungen elementarer Merkmale verschiedener geologischer Körper entsprechen.
Insbesondere wird eine neue Idee der Analyse von Anomalienmustern aus Elementkombinationen vorgeschlagen, die die Bewertung von Anomalien aus einzelnen Elementen erweitert. Es ist wichtig zu erwähnen, dass das Modell für verschiedene Regionen auf kompatible Weise erstellt werden kann.
In Schritt 4 umfasst die Modellierung eine dynamische Klassifizierung der Kategorien auf der Grundlage der Sequenzmerkmale der diagenetischen und erzbildenden Elemente, die Analyse der zweidimensionalen Korrelations-Punktwolken-Verteilungsmerkmale der
Elementanordnungen und die Auswahl mathematischer Modelle für die Mustererkennung auf der
Grundlage der physikalischen Bedeutung der verschiedenen mathematischen Modelle.
Die Datenbank 6 ist über ein Übertragungskabel mit dem Rückführungsende 5 verbunden, und die Betriebsende 4 gibt selektiv Daten ein, um das Modell in Schritt 5 zu verfeinern.
Die spezifische Umsetzung dieser Ausführungsform: Durch Mustererkennung von geochemischen Daten und Merkmalen durch den Hauptteil 1 werden verschiedene geochemische
Elemente oder Elementkombinationen als variabler Merkmalsraum analysiert, und die anomalen
Merkmale von Elementen und verschiedene diagenetische und erzbildende Sequenzklassen, die durch die Ausgabe der Mustererkennung ausgedrückt werden, entsprechen tatsächlich der räumlichen und zeitlichen Verteilung von Elementmerkmalen verschiedener geologischer Körper, so dass ein entsprechendes geologisch kompatibles Modell erstellt werden kann, und das Modell kann durch kontinuierliche Datenerfassung und Dateneingabe verbessert und ergänzt werden, £4/503652 wird durch kontinuierliche Datenerfassung und Dateneingabe verfeinert und ergänzt, es schlägt eine neue Art der Analyse anomaler Muster von Elementanordnungen vor, die die Bewertung von
Anomalien in einzelnen Elementen erweitert und die Erstellung kompatibler Modelle für verschiedene Gebiete, genauere Daten und Analyseergebnisse sowie die Aufzeichnung und das
Lernen des gesamten Betriebsprozesses ermöglicht, wodurch eine Grundlage für den Vergleich und die kontinuierliche Verbesserung für nachfolgende Operationen geschaffen wird und die
Analyse der geochemischen Daten unterschiedliche Informationen über die Geologie der
Schichten liefert.
Die beispielhaften Ausführungsformen der in der vorliegenden Offenbarung vorgeschlagenen
Lösungen sind oben unter Bezugnahme auf die bevorzugten Ausführungsformen detailliert beschrieben, jedoch wird es von den Fachleuten auf dem Gebiet verstanden werden, dass, ohne vom Konzept der vorliegenden Offenbarung abzuweichen, verschiedene Varianten und
Anpassungen der oben genannten spezifischen Ausführungsformen gemacht werden können, und verschiedene Kombinationen der verschiedenen technischen Merkmale und Strukturen, die in der vorliegenden Offenbarung vorgeschlagen werden, gemacht werden können, ohne den
Schutzbereich der vorliegenden Offenbarung, der durch die beigefügten Ansprüche bestimmt wird, zu überschreiten.
Claims (9)
1. Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen, die eine Klassifizierungsvorrichtung umfasst, dadurch gekennzeichnet, dass die Klassifizierungsvorrichtung einen Hauptteil (1) umfasst, wobei der Hauptteil (1) mit einem Datenempfänger (2) an der Oberseite versehen ist, wobei der Datenempfänger (2) mit einer Mehrzahl von Datendetektoren (3) an dem Verbindungsende versehen ist, wobei der Hauptteil (1) an der Außenseite über ein Übertragungskabel mit einem Betriebsende (4) und einem Rückführungsende (5) miteinander verbunden ist, wobei der Hauptteil (1) über einen Interoperator mit einer Datenbank (6) verbunden ist; Ein Verfahren zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen, dadurch gekennzeichnet, dass sie die folgenden Schritte umfasst: Schritt 1: Wählen Sie zunächst das Überwachungsgebiet aus, steuern Sie mehrere Datendetektoren (3), die separat arbeiten, um über lange Zeiträume Daten im geochemischen Raum des Gebiets zu sammeln und die gesammelten Daten in Echtzeit an den Datenempfänger (2) zu übertragen; Schritt 2: Der Datenempfänger (2) leitet die Daten an den Hauptteil (1) weiter, das die Daten vorverarbeitet, um Rauschen zu entfernen, gültige Informationen zu verbessern, durch andere Faktoren verursachte Verschlechterungen wiederherzustellen oder zu korrigieren und die Daten so umzuwandeln, dass sie den Annahmen des mathematischen Modells entsprechen; Schritt 3: Umwandlung der Originaldaten, um die Merkmale zu erhalten, die die Art der Klassifizierung am besten widerspiegeln; Schritt 4: Mustererkennung von geochemischen Daten und Merkmalen, Auswahl geochemisch relevanter Daten und Merkmale für die Eingabe und Erstellung eines Modells, das den Daten entspricht; Schritt 5: Der Hauptteil (1) empfängt kontinuierlich die vom Datendetektor (3) übermittelten Daten und verfeinert das Modell, dann wählt es einen geeigneten Algorithmus entsprechend den Änderungen im Modell, der Hauptteil (1) berechnet und verarbeitet die Parameter, während der Hauptteil (1) den gesamten Prozess von der Dateneingabe bis zum Abschluss der Berechnung klassifiziert und lernt; Schritt 6: Der Hauptteil (1) gibt die Berechnungsergebnisse an das Rückführungsende (5) zurück, während die Konvergenzeigenschaften der Berechnungsergebnisse des Hauptteils (1) von dem Betriebsende (4) entsprechend den Berechnungsergebnissen untersucht werden können, um zu beurteilen, ob die Ergebnisse angemessen sind, wenn sie angemessen sind, werden der obige Betriebsprozess und die Datenergebnisse gespeichert, wenn sie nicht angemessen sind, gehen Sie zurück zu Schritt 4, um die Eigenschaften auszuwählen.
2. Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen gemäß Anspruch 1, dadurch gekennzeichnet, dass der Datendetektor (3) eine Fernerkundungsbildverarbeitungsvorrichtung umfasst, wobei der Datendetektor (3) Mustererkennungstechniken zur Mustererkennungsklassifizierung der Geologie im Uberwachungsbereich verwendet.
3. Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen gemäß Anspruch 1, dadurch gekennzeichnet, dass die Anzahl der Rückführungsenden (5) auf eine Vielzahl eingestellt ist und dass eine Vielzahl der Rückführungsenden (5) verwendet wird, um Uberwachungsdaten, Modelldaten bzw.
Berechnungsergebnisse zurückzuführen. LU503652
4. Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen gemäß Anspruch 1, dadurch gekennzeichnet, dass die Datenbank (6) mit einer Cloud-Datenbank über das Internet der Dinge verbunden ist, wobei die Cloud-Datenbankverbindung das Extrahieren von relevanten geochemischen Dateninhalten und Informationen im Internet über einen Web-Crawler beendet.
5. Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen gemäß Anspruch 1, dadurch gekennzeichnet, dass die Mustererkennung der geochemischen Daten und Merkmale in Schritt 4 statistische Mustererkennung und strukturelle Mustererkennung umfasst.
6. Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen gemäß Anspruch 1, dadurch gekennzeichnet, dass die Transformation der ursprünglichen Daten in Schritt 3 darin besteht, die Merkmalsdaten als zweidimensionales Array darzustellen, wobei die Ordnungszahlen der Elemente in dem Array zeitlichen und räumlichen oder anderen Identifikatoren entsprechen können.
7. Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen gemäß Anspruch 1, dadurch gekennzeichnet, dass die Mustererkennung von geochemischen Daten und Merkmalen in dem Schritt 4 durch Analysieren verschiedener geochemischer Elemente oder Kombinationen von Elementen als ein variabler Merkmalsraum durchgeführt wird, und die elementaren anomalen Merkmale und verschiedene diagenetische Sequenzklassen, die durch die Ausgabe der Mustererkennung ausgedrückt werden, tatsächlich den räumlichen und zeitlichen Verteilungsbeziehungen von elementaren Merkmalen verschiedener geologischer Körper entsprechen.
8. Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen gemäß Anspruch 1, dadurch gekennzeichnet, dass der Modellaufbau in Schritt 4 ein dynamisches Klassifizierungsverfahren der Kategorie umfasst, basierend auf den Eigenschaften der gesteinsbildenden und mineralisierenden Sequenz der mineralisierenden Elemente, der Analyse der zweidimensionalen Korrelationsstreuungsplot- Verteilungseigenschaften der Kombination von Elementen, basierend auf der physikalischen Bedeutung verschiedener mathematischer Modelle, um ein mathematisches Modell für die Mustererkennungsverarbeitung auszuwählen.
9. Ein Verfahren und eine Vorrichtung zum Klassifizieren von geochemischen Daten auf der Grundlage von maschinellem Lernen gemäß Anspruch 1, dadurch gekennzeichnet, dass die Datenbank (6) über ein Übertragungskabel mit dem Rückführungsende (5) verbunden ist und dass das Betriebsende (4) das Modell durch selektive Eingabe von Daten in Schritt 5 verfeinert.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| LU503652A LU503652B1 (de) | 2023-03-14 | 2023-03-14 | Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| LU503652A LU503652B1 (de) | 2023-03-14 | 2023-03-14 | Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| LU503652B1 true LU503652B1 (de) | 2023-09-15 |
Family
ID=88068154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| LU503652A LU503652B1 (de) | 2023-03-14 | 2023-03-14 | Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen |
Country Status (1)
| Country | Link |
|---|---|
| LU (1) | LU503652B1 (de) |
-
2023
- 2023-03-14 LU LU503652A patent/LU503652B1/de active IP Right Grant
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahmood et al. | Automatic annotation of coral reefs using deep learning | |
| DE112018000349T5 (de) | Visuelles Analysesystem für auf einem konvolutionalen neuronalen Netz basierte Klassifizierer | |
| DE69214251T2 (de) | Auswertung aeromagnetischer Daten mittels eines neutralen Netzwerks | |
| Schelling | Soil genesis, soil classification and soil survey | |
| CN113344050B (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
| Fernández-Steeger et al. | Identification of landslide areas with neural nets for hazard analysis | |
| CN113919226B (zh) | 基于权重的采矿植被生态累积效应扰动范围识别方法 | |
| DE102022112299A1 (de) | Methode zur extraktion von kammlinien aus polsar-bildern auf der basis eines pyramid-attention-networks | |
| CN111639067B (zh) | 多特征融合卷积自编码的多元地球化学异常识别方法 | |
| DE60005350T2 (de) | Künstliches intelligenzsystem für die klassifizerung von ereignissen, objekten oder situationen | |
| DE112022000019T5 (de) | Komplexes umgebungsmodell, kognitives system und kognitives verfahren eines selbstfahrenden fahrzeugs basierend auf einem komplexen netzwerk | |
| Kathrada et al. | Visual recognition of drill cuttings lithologies using convolutional neural networks to aid reservoir characterisation | |
| EP1180258B1 (de) | Mustererkennung mittels prüfung zusätzlicher merkmale nach teilverarbeitung | |
| DE202023101026U1 (de) | Eine kombinierte Bildverarbeitungstechnik und ein überwachtes lernbasierendes System für die Korngrössenverteilung sandiger Böden | |
| LU503652B1 (de) | Ein Verfahren und eine Vorrichtung zur Klassifizierung geochemischer Daten auf der Grundlage von maschinellem Lernen | |
| WO2019242955A1 (de) | Verfahren zur erzeugung eines testdatensatzes, verfahren zum testen, verfahren zum betreiben eines systems, vorrichtung, steuerungssystem, computerprogrammprodukt, computerlesbares medium, erzeugung und verwendung | |
| CN114203268A (zh) | 一种基于机器学习的地球化学数据的分类方法和装置 | |
| DE112020007472T5 (de) | Lernnutzungssystem, nutzungsvorrichtung, lernvorrichtung, programm und lernnutzungsverfahren | |
| US20220128724A1 (en) | Method for identifying subsurface features | |
| DE202022105121U1 (de) | Ein Echtzeit-Management-System für Granatapfelkrankheiten zur Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten | |
| DE102018217310A1 (de) | Verfahren zum Auswerten von Zeitseriensignalen | |
| DE102021204040A1 (de) | Verfahren, Vorrichtung und Computerprogramm zur Erstellung von Trainingsdaten im Fahrzeug | |
| Chudasama et al. | Target-scale prospectivity modeling for gold mineralization within the Rajapalot Au-Co project area in northern Fennoscandian Shield, Finland. Part 2: Application of self-organizing maps and artificial neural networks for exploration targeting | |
| DE102019211017A1 (de) | Verfahren zum Clustern verschiedener Zeitreihenwerte von Fahrzeugdaten und Verwendung des Verfahrens | |
| DE102021200821B3 (de) | Erzeugung von Trainingsdaten für zweidimensionale Scans eines Bodenradar- Systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FG | Patent granted |
Effective date: 20230915 |