CN112800158B - 一种地质图的向量化表示方法 - Google Patents

一种地质图的向量化表示方法 Download PDF

Info

Publication number
CN112800158B
CN112800158B CN202110068210.4A CN202110068210A CN112800158B CN 112800158 B CN112800158 B CN 112800158B CN 202110068210 A CN202110068210 A CN 202110068210A CN 112800158 B CN112800158 B CN 112800158B
Authority
CN
China
Prior art keywords
geological
map
attribute
information
geological map
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
Application number
CN202110068210.4A
Other languages
English (en)
Other versions
CN112800158A (zh
Inventor
薛林福
冉祥金
于晓飞
李永胜
戴均豪
燕群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202110068210.4A priority Critical patent/CN112800158B/zh
Publication of CN112800158A publication Critical patent/CN112800158A/zh
Application granted granted Critical
Publication of CN112800158B publication Critical patent/CN112800158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/387—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开为一种地质图的向量化表示方法，大数据和人工智能技术推动了地球科学数据的分析和处理能力，地质类图件是长期积累的地学大数据的一种主要形式，其中包括了丰富而重要的地质演化、矿产形成和矿床分布的重要信息，是地质研究和找矿预测的十分重要的信息来源，地质类图件信息难以用于定量化地质分析和找矿预测，大数据和人工智能技术的兴起为处理和分析地质大数据创造了良好条件，把地质类图件转化为一种可以用于机器学习的形式是实现智能找矿预测的关键。本发明公开了一种地质图的向量化表示方法，把地质图所包含的语义信息转化为一种计算机可以计算的形式，使地质图中所包含的丰富信息能够定量化分析与计算。

Description

一种地质图的向量化表示方法
技术领域
本发明涉及地质调查与矿产地质调查和勘查技术领域，具体为一种地质图的向量化表示方法。
背景技术
地质类图件是长期积累的地学大数据的一种主要形式，其中包括了丰富而重要的地质演化、矿产形成和矿床分布的重要信息，是地质研究和找矿预测的十分重要的信息来源。长期以来，地质类图件信息难以用于定量化地质分析和找矿预测。大数据和人工智能技术的兴起为处理和分析地质大数据创造了良好条件，在此背景下，把地质类图件转化为一种可以用于机器学习的形式是实现智能找矿预测的关键。
本发明公开了一种地质类图件的向量化表示方法。采用自然语言处理技术，把地质图所包含的语义信息转化为一种计算机可以计算的向量形式。在把地质图转化为网格化形式的过程中，根据地质语言模型，用向量表示每个网格单元的地质语义信息，使地质图中所包含的丰富地质信息能够定量化分析与计算。地质类图件的向量化表示结果可以表示地质图包含的丰富的地质信息。该方法主要应用于矿产地质调查与矿产勘查领域。
其中地质类图件包括：区域地质图、区域矿产地质图、遥感地质解译图、地球物理解译图、地质剖面等各类地质图件。
词嵌入、句嵌入、文本嵌入等自然语言处理技术可以把词、句和文本转换为一个多维向量，在多维向量空间中，具有相似语义的词、句子和文本的距离相对较近。地质要素的属性常用词、句子或文本的形式表示，一个地质要素，如侵入岩体，通常具有空间位置、形成时代、岩石组成等特征，可以用早白垩世二长花岗岩表示岩体的基本特征，用训练好的语言模型可以把“早白垩世二长花岗岩”表示为向量形式，如[0.27853，0.32456，0.54573，0.05467,0.15673,…]，该向量代表了岩体形成时代和物质组成属性，词向量在向量空间里的位置记载了该词的上下文语义关系。
通过把地质要素的属性信息表示为向量，能够处理复杂多样的地质属性表示形式，并可统一表示地质要素的属性特征，使基于深度学习大区域甚至全国范围的找矿预测成为可能。
网格化与位置属性。当确定了制定区域各地质要素的属性向量后，可以对每个网格单元赋予属性向量。当地质类图件表示为向量形式后，地质要素的属性特征在语义上和形式上是统一的，并且可以与物探、化探、遥感数据有效融合，用机器学习或深度学习方法进行分类、预测等任务。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
因此，本发明的目的是提供一种地质图的向量化表示方法，把地质图所包含的语义信息转化为一种计算机可以计算的形式，使地质图中所包含的丰富信息能够用于定量化分析与计算。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种地质图的向量化表示方法，其包括以下步骤：
S1：根据区域地质资料构建语料库，训练深度学习语言模型；
S2：根据地质图的地质要素的属性，基于训练好的模型，获取每个地质要素地质属性的向量化表示，针对不同地质要素生成不同地质要素层，把不同地质要素的向量表示叠加起来，可以形成地质图信息的完整表达；
S3：把每个网格单元的位置信息合成到向量上，使每个格网单元包含了地质要素的空间、时间和组成信息，不同于传统的地质图网格化方法，用0和1表示地质要素，地质类图件的向量化表示方法可以表示地质要素的空间、时间和物质组成信息。
作为本发明所述的地质图的向量化表示方法的一种优选方案，其中：所述步骤S1中在根据大量地质资料、专著、论文构建的地质语料库的基础上，采用语言模型，通过训练语言模型构建能够包括各种地质概念的地质语言模型。
作为本发明所述的地质图的向量化表示方法的一种优选方案，其中：所述步骤S2中根据地质单元的属性，采用上述语言模型，把地质单元的属性信息转化为属性向量，属性向量。
作为本发明所述的地质图的向量化表示方法的一种优选方案，其中：所述步骤S2中按照一定网格单元大小，把研究区划分为m行×n列的格网，根据每个单元格所在属的地质单元赋予该单元的属性向量。
作为本发明所述的地质图的向量化表示方法的一种优选方案，其中：所述步骤S2中计算每个网格单元与地质要素的距离x参数，采用d＝e-bx计算与距离相关的参数d,其中b为衰减系数。
作为本发明所述的地质图的向量化表示方法的一种优选方案，其中：所述步骤S3中把距离参数附加到属性向量中使每个网格单元包含地质要素的空间、时间和组成信息。
与现有技术相比：采用自然语言处理技术对地质图进行网格化，把地质图所包含的语义信息转化为一种计算机可以计算的形式。把地质图转化为网格化形式，使地质图中所包含的丰富信息能够定量化分析与计算，地质类图件的向量化表示结果可以表示地质图包含的丰富的地质信息，该地质图的向量化表示方法，把地质图所包含的语义信息转化为一种计算机可以计算的形式，使地质图中所包含的丰富信息能够定量化分析与计算。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的实施方式作进一步地详细描述。
本发明提供一种地质图的向量化表示方法，包括以下步骤：
S1：根据区域地质资料构建语料库，训练深度学习语言模型；
S2：根据地质图的地质要素的属性，如地层时代、岩石组合等，基于训练好的模型，获取每个地质要素地质属性的向量化表示，可以针对不同地质要素生成不同地质要素层，如地层单元、岩体、断裂等，把不同地质要素的向量表示叠加起来，可以形成地质图信息的完整表达。
S3：把每个网格单元的位置信息合成到向量上，使每个格网单元包含了地质要素的空间、时间和组成信息，不同于传统的地质图网格化方法，用0和1表示地质要素，地质类图件的向量化表示方法可以表示地质要素的空间、时间和物质组成信息。
所述步骤S1中在根据大量地质资料、专著、论文的基础上构建的地质语料库的基础上，采用语言模型，如skip-gram等，通过训练语言模型构建能够包括各种地质概念的地质语言模型。
所述步骤S2中根据地质单元的属性，采用上述语言模型，把地质单元的属性信息转化为属性向量，属性向量。
所述步骤S2中按照一定网格单元大小，如50m×50m、100m×100m等，把研究区划分为m行×n列的格网，根据每个单元格所在属的地质单元赋予该单元的属性向量。
所述步骤S2中计算每个网格单元与地质要素的距离x参数，采用d＝e-bx计算与距离相关的参数d,其中b为衰减系数。
所述步骤S3中把距离参数附加到属性向量中使每个网格单元包含地质要素的空间、时间和组成信息。
矿产地质大数据提取技术是根据矿产地质空间数据库或建造构造空间数据库，对由每个区、弧段、线代表的地质要素进行网格化，每个网格单元的属性参数包括相对位置、相对方位、相对走向、相对倾向、相对倾角等一系列参数，通过深度学习模式分类可以生成一系列图件，如相对位置模式分类图、相对方位模式分类图等，这些图件反映了相对各种地质要素的空间特征，这些特征与矿床分布存在重要的相关性。在网格化过程中采用作用域函数控制各种地质要素的影响范围，不同地质体、地质界线对成矿具有不同影响范围，通过选择合适的作用域模型，可以有效限定可能的成矿作用区域。相对方位模式分类图可以反映较为宏观的空间特征，可以反映详细的空间位置模式特征。
相对属性网格化方法能够表示任意一个空间位置与任意地质要素之间的空间、时间、物质组成之间的相关关系。每个要素层的各网格单元的一系列属性表示该网格单元相对于该地质要素位置、方位等信息，如某网格单元相对F1断裂的相对位置是3200m和相对方位是NE45°，该信息可以解释为F1断层与该网格单元中心的距离为3200m，位于该网格单元的NE45°方向。
在矿产地质图中，区通常表示侵入体、火山地质体、沉积体、变质地质体、韧性剪切带、蚀变带等。侵入体、韧性剪切带可能是重要的成矿地质体，蚀变带是重要的找矿标志。通过分析每个网格单元与各地质体的相关及已知矿床的关系，可以确定成矿地质体，发现成矿规律。
弧段代表地质界面的一部分，这些地质界面可能为重要的成矿地质界面，通过详细的网格化弧段分析，可以揭示各个弧段的与矿床的关系。断裂在矿产地质图上表示为线，通过对每条断裂的网格化处理以及空间位置的模式分析，可以发现矿床与断裂的关系。
把地质图上表示的各种地质要素拆解为具有不同地质意义的几何单元，点、弧段、线、区，并基于地质语言模型进行向量化表示，为实现地质类图件大数据人工智能分析奠定了坚实基础。
1.相对空间位置信息
以地质体为例进行说明阐述，先将地质体分成细小的弧段，然后对其范围进行网格化，选取其中一个网格中的中心点，计算提取如下五个空间位置属性信息：
(1)距离：网格中心点到弧段的最短距离，该属性代表了给定空间位置与地质体或地质界面的空间位置关系。通常一个空间位置距成矿地质体的距离越近，成矿的可能性越大，如中低温岩浆热液型金矿床一般发育在距岩体3km以内的范围内。
(2)方位：弧段在网格中心点的哪个方位。相对方位信息表明了指定空间位置与地质要素相对方位关系，距离与方位信息结合起来可以确定指定空间位置与地质要素的相对位置。地质空间存在着明显各向异性，在不同方位的空间位置具有不同成矿可能性。
(3)走向：网格中心点的地层走向与弧段处地质体的走向夹角，该属性特征反映了网格单元所在地层(断裂、岩体边界)的走向的关系。如果地层走向与岩体边界斜交，如果岩体为成矿地质体，因地层界线可能为成矿流体的运移通道，则可能有利于成矿。
(4)倾向：网格中心点的地层(断裂等)倾向与弧段处地质体的倾向之间的关系。
(5)倾角：网格中心点的地层倾角与弧段处地质体的倾角之间的关系。
2.时间关系
表示某个网格单元与地质要素的在时间方面的关联性。如果指定位置的地层时代与成矿岩体的时代较老，则该地层单元具有成矿的可能，反之不具有成矿可能性；如果指定位置的岩脉与成矿岩体的形成时代相近，则指定位置具有成矿可能性，是有利的找矿位置。
3.物质组成关系
表示某个网格单元与地质要素在物质组成方面的关联性。例如指定位置发育的岩脉与成矿岩体在物质组成上(主要元素、微量元素、稀土元素、同位素)具有相关性，则该岩脉与成矿关系密切。
4.能量
表示某个网格单元与地质要素在能量供给方面的关联性。如指定位置存在接触变质或热液蚀变，且该位置处于成矿地质体附近，则指定位置与成矿岩体在能量方面存在关联性。
网格单元的多个属性描述了其时间-空间-物质-能量(TSME)属性特征。通过相对属性网格化可以定量化表示任意网格单元相对于某个地质要素(如断裂F2)的属性特征。如F2位于网格单元(row,col)的NE45°方向，距离35m。
网格单元的相对属性描述了任意一个空间位置与地质要素在TSME方面的关联关系，结合已知矿床(点)与相对属性的关系，可以有效分析成矿控制因素、找矿标志、成矿规律、矿床发育位置，预测有利成矿位置。
实施例：
1.地质要素对成矿作用的影响
各种地质要素对成矿作用有着明显不同的影响，岩体通常是中低温岩浆热液金矿床的成矿地质体，距岩体的距离是影响成矿作用的重要因素，随着距岩体距离的增加，成矿作用强度总体呈衰减趋势；成矿作用通常在断裂带内或断裂带附近比较发育，在断裂带外则不发育成矿作用。硅钙面是重要的成矿地质界面。
2.地质要素对成矿作用的影响
可以用距离的函数表示地质要素对成矿作用影响强度，以及各种地质要素与成矿的关系。并在此基础上进行地质图网格化。某地质要素对成矿的影响范围3称为作用域(或影响域)：如侵入外接触带与成矿有关的范围。
影响函数是用于描述某个地质要素对成矿影响(范围与强度)的函数，可以用不同函数描述地质要素与成矿作用的关系，如线性函数、指数函数、tanh函数等(表1)，指数函数(式1-1)可以描述随距地质要素距离的增加影响强度衰减的过程，是一个描述地质要素与成矿作用关系的常用影响函数，针对不同地质要素可以采用不同衰减系数：
I＝ae-bx (1-1)
其中a,b是系数，a表示影响的幅度值，通常取a＝1.0；b表示衰减系数，该值越大衰减的速率越快；x表示距地质要素的距离；I表示影响强度。
表1主要影响函数
Figure GDA0003701167460000091
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (6)

1.一种地质图的向量化表示方法，其特征在于，包括以下步骤：
S1：根据区域地质资料构建语料库，训练深度学习地质语言模型；
S2：根据地质图的地质要素的属性，基于训练好地质语言模型，获取每个地质要素地质属性的向量化表示，针对不同地质要素生成不同地质要素层，把不同地质要素的向量表示叠加起来，可以形成地质图信息的完整表达；
S3：把每个网格单元的位置信息合成到向量上，使每个格网单元包含了地质要素的空间、时间和组成信息，不同于传统的地质图网格化方法，用0和1表示地质要素，地质类图件的向量化表示方法可以表示地质要素的空间、时间和物质组成信息。
2.根据权利要求1所述的一种地质图的向量化表示方法，其特征在于，所述步骤S1中在根据大量地质资料、专著、论文构建的地质语料库的基础上，采用语言模型，通过训练语言模型构建能够包括各种地质概念的地质语言模型。
3.根据权利要求1所述的一种地质图的向量化表示方法，其特征在于，所述步骤S2中根据地质单元的属性，采用上述地质语言模型，把地质单元的属性信息转化为属性向量。
4.根据权利要求1所述的一种地质图的向量化表示方法，其特征在于，所述步骤S2中按照一定网格单元大小，把研究区划分为m行×n列的网格，根据每个网格单元所在的地质单元赋予该网格单元的属性向量。
5.根据权利要求1所述的一种地质图的向量化表示方法，其特征在于，所述步骤S2中计算每个网格单元与地质要素的距离x参数，采用d＝e-bx计算与距离相关的参数d,其中b为衰减系数。
6.根据权利要求1所述的一种地质图的向量化表示方法，其特征在于，所述步骤S3中把距离参数附加到属性向量中使每个网格单元包含地质要素的空间、时间和组成信息。
CN202110068210.4A 2021-01-19 2021-01-19 一种地质图的向量化表示方法 Active CN112800158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110068210.4A CN112800158B (zh) 2021-01-19 2021-01-19 一种地质图的向量化表示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110068210.4A CN112800158B (zh) 2021-01-19 2021-01-19 一种地质图的向量化表示方法

Publications (2)

Publication Number Publication Date
CN112800158A CN112800158A (zh) 2021-05-14
CN112800158B true CN112800158B (zh) 2022-09-13

Family

ID=75810398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110068210.4A Active CN112800158B (zh) 2021-01-19 2021-01-19 一种地质图的向量化表示方法

Country Status (1)

Country Link
CN (1) CN112800158B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113656980B (zh) * 2021-08-26 2022-04-12 中国地质科学院地质力学研究所 一种断裂区域含矿性的确定方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6480790B1 (en) * 1999-10-29 2002-11-12 Exxonmobil Upstream Research Company Process for constructing three-dimensional geologic models having adjustable geologic interfaces
CN106354807A (zh) * 2016-08-29 2017-01-25 中国地质调查局发展研究中心 一种基于数据驱动的地质图编制装置及方法
CN110163931A (zh) * 2019-04-29 2019-08-23 山东省地质矿产勘查开发局第六地质大队 一种复杂矿区大比例尺地质填图方法
CN111273372A (zh) * 2020-02-11 2020-06-12 成都理工大学 一种基于化探异常编制潜在成矿温度组合图的编图方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MXPA06006521A (es) * 2003-12-12 2006-08-31 Exxonmobil Upstream Res Co Metodo para representacion de imagenes sismicas en formaciones geologicamente complejas.
CA2690991C (en) * 2007-08-24 2013-12-24 Exxonmobil Upstream Research Company Method for multi-scale geomechanical model analysis by computer simulation
US8190414B2 (en) * 2008-03-26 2012-05-29 Exxonmobil Upstream Research Company Modeling of hydrocarbon reservoirs containing subsurface features
US8902221B2 (en) * 2011-06-10 2014-12-02 Schlumberger Technology Corporation Prospect assessment and play chance mapping tools
US11586680B2 (en) * 2014-03-31 2023-02-21 International Business Machines Corporation Fast and accurate geomapping
CN105931295B (zh) * 2016-07-13 2019-02-12 中国地质大学（北京） 一种地质图专题信息提取方法
CN106846481B (zh) * 2017-03-14 2018-03-27 中国地质科学院矿产资源研究所 一种地质剖面图的生成方法
CN107808413A (zh) * 2017-10-30 2018-03-16 中国煤炭地质总局水文地质局 一种基于gocad的三维地质建模方法
US11409024B2 (en) * 2018-06-22 2022-08-09 Exxonmobil Upstream Research Company Methods and systems for generating simulation grids via zone by zone mapping from design space
EP3894903A1 (en) * 2018-12-11 2021-10-20 ExxonMobil Upstream Research Company Automated reservoir modeling using deep generative networks
CN110244344A (zh) * 2019-06-05 2019-09-17 中南大学 一种基于深度学习的tbm超前地质预报方法
CN110888912A (zh) * 2019-10-15 2020-03-17 中国人民解放军国防科技大学 基于时空大数据的目标行为语义轨迹预测方法
CN110827405A (zh) * 2019-11-11 2020-02-21 云南农业大学 一种数码遥感地质测绘方法及***
CN111080021B (zh) * 2019-12-24 2021-05-11 中国海洋石油集团有限公司 一种基于地质信息库的砂体构型cmm神经网络预测方法
WO2021145858A1 (en) * 2020-01-14 2021-07-22 Landmark Graphics Corporation Techniques for extraction of vectorized content of an oil and gas play within an unstructured file
CN111400524B (zh) * 2020-03-03 2023-05-26 中国地质大学（北京） 一种基于ai的可变尺度地质图文本矢量化方法及***
CN111862778B (zh) * 2020-06-04 2022-04-19 中国地质科学院 一种浅层岩性地质图生成方法、装置、储存介质及设备
CN111583407B (zh) * 2020-06-05 2023-05-12 武汉正远岩土科技有限公司 一种高效的基于纸质钻孔的三维地质建模智能处理方法
CN111898836A (zh) * 2020-08-18 2020-11-06 石拓 一种犯罪时空预测方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6480790B1 (en) * 1999-10-29 2002-11-12 Exxonmobil Upstream Research Company Process for constructing three-dimensional geologic models having adjustable geologic interfaces
CN106354807A (zh) * 2016-08-29 2017-01-25 中国地质调查局发展研究中心 一种基于数据驱动的地质图编制装置及方法
CN110163931A (zh) * 2019-04-29 2019-08-23 山东省地质矿产勘查开发局第六地质大队 一种复杂矿区大比例尺地质填图方法
CN111273372A (zh) * 2020-02-11 2020-06-12 成都理工大学 一种基于化探异常编制潜在成矿温度组合图的编图方法

Also Published As

Publication number Publication date
CN112800158A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
Tadeusiewicz Neural networks in mining sciences–general overview and some representative examples
Rashid et al. Reservoir quality prediction of gas-bearing carbonate sediments in the Qadirpur field: Insights from advanced machine learning approaches of SOM and cluster analysis
Soleimani et al. Integrated petrophysical modeling for a strongly heterogeneous and fractured reservoir, Sarvak Formation, SW Iran
Tolstukhin et al. Ekofisk 4D seismic-seismic history matching workflow
Zhang et al. Identification of sedimentary facies with well logs: an indirect approach with multinomial logistic regression and artificial neural network
Xu et al. Evaluation of active learning algorithms for formation lithology identification
Xiao et al. 3D mineral prospectivity mapping based on deep metallogenic prediction theory: A case study of the Lala Copper Mine, Sichuan, China
Wang et al. Recognition of significant surface soil geochemical anomalies via weighted 3D shortest-distance field of subsurface orebodies: a case study in the Hongtoushan copper mine, NE China
Mustafa et al. Shale brittleness prediction using machine learning—A Middle East basin case study
CN112800158B (zh) 一种地质图的向量化表示方法
Lawley et al. Applications of Natural Language Processing to Geoscience Text Data and Prospectivity Modeling
Mohammadinia et al. Application of machine learning algorithms in classification the flow units of the Kazhdumi reservoir in one of the oil fields in southwest of Iran
Ferrer et al. Modeling the uncertainty in the layout of geological units by implicit boundary simulation accounting for a preexisting interpretive geological model
Wenhua et al. Lithology classification of volcanic rocks based on conventional logging data of machine learning: A case study of the eastern depression of Liaohe oil field
CN116699715A (zh) 一种高光谱遥感信息参与的铀成矿有利区预测方法
Eftekhari et al. Electrical facies of the Asmari Formation in the Mansouri oilfield, an application of multi-resolution graph-based and artificial neural network clustering methods
Sun et al. Real-time updating method of local geological model based on logging while drilling process
Gu et al. A smart predictor used for lithologies of tight sandstone reservoirs: a case study of member of Chang 4+ 5, Jiyuan Oilfield, Ordos Basin
Choubineh et al. Machine learning to improve natural gas reservoir simulations
Lovejoy Scaling and scale invariance
Song et al. Reservoir lithology identification based on improved adversarial learning
Hamzeh et al. An ABC-optimized fuzzy ELECTRE approach for assessing petroleum potential at the petroleum system level
Kim Synthetic shear sonic log generation utilizing hybrid machine learning techniques
CN115828072B (zh) 不可通约测井曲线缺失段重构方法及存储介质
Nazari et al. Prediction of oil reservoir porosity using petrophysical data and a new intelligent hybrid method

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