CN113627657A - 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 - Google Patents
一种使用机器学习模型的砂岩型铀成矿有利区预测方法 Download PDFInfo
- Publication number
- CN113627657A CN113627657A CN202110837087.8A CN202110837087A CN113627657A CN 113627657 A CN113627657 A CN 113627657A CN 202110837087 A CN202110837087 A CN 202110837087A CN 113627657 A CN113627657 A CN 113627657A
- Authority
- CN
- China
- Prior art keywords
- data
- mineralization
- machine learning
- sandstone
- yuce
- 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
- 230000033558 biomineral tissue development Effects 0.000 title claims abstract description 100
- 229910052770 Uranium Inorganic materials 0.000 title claims abstract description 82
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 title claims abstract description 81
- 238000010801 machine learning Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000011160 research Methods 0.000 claims abstract description 6
- 230000005484 gravity Effects 0.000 claims description 56
- 239000004576 sand Substances 0.000 claims description 55
- 229910052704 radon Inorganic materials 0.000 claims description 31
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 31
- 239000002689 soil Substances 0.000 claims description 31
- 238000009933 burial Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000005553 drilling Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 101100468543 Caenorhabditis elegans drag-1 gene Proteins 0.000 description 1
- 241000218378 Magnolia Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Geophysics And Detection Of Objects (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明属于铀矿领域,具体公开了一种使用机器学***。
Description
技术领域
本发明属于铀矿领域,具体涉及一种使用机器学习模型的砂岩型铀成矿有利区预测方法。
背景技术
成矿预测和有利地段优选通常是在综合地质分析的基础上,结合各种统计分析方法,研究各类地质变量的相互关系进行预测工作,每一种数据尽管都反映了整个地质现象的某一特点,但特定的地质现象是在漫长的地质时序中各种地质事件耦合的结果,因此,各种数据通过简单的线性分析处理并不能拟合整个地质过程演化历史,也就难以达到准确成矿预测的目的。而神经网络就是善于把握各种因素间的复杂非线性关系,能模拟人脑进行抽象思维的能力,从而能对各种复杂关系作用下的期望结果做出判断与预测。
为实现数据挖掘方法及机器学习预测等大数据应用,需要将试验区的地质、物探、化探、遥感等与成矿有关的数据与钻孔、矿化数据集合在一起,形成统一的铀矿数据集进行数据挖掘和机器学习。长期的铀矿地质找矿工作积累了大量的地质、遥感、物探和化探等资料,它们都从不同的侧面反映了地质体或地质现象的某些特征,为了将多源综合信息用于成矿预测,更加深入地揭示其本质特征,是当前地质工作面临的一个重要问题。传统的评价建模方法根据已知的实际资料,利用数理统计方法建立各种评价模型,并进而对研究区进行评价预测,由于矿产资源预测要涉及许多复杂的过程,而且已知样本数据并不一定满足统计方法的假设条件,在实际的地质问题中较难实现,另外进行多源信息的综合和处理定量信息方面也存在着不足。机器学习是对人类智能的模拟,是在研究人脑神经活动机制过程中,受到启发而产生的一种计算机算法。机器学习算法由大量简单的处理单元连接而成,不需考虑具体的数学模型就可以通过对训练样本的学习来隐性的表达各变量间非线性的关系。在矿产资源评价中由于要求的数据种类多、差异性大和矿床赋存条件复杂等特点,不易用显性的数学模型来表达,利用神经网络等机器学习方法能较好的解决以上问题。
如何有针对性的建立铀成矿样本的特征和标签,使用机器学习技术建模,将规则待预测点导入生成的模型并自动获取成矿概率分布图,是本发明重点解决的问题。
发明内容
本发明的目的在于提供一种使用机器学习模型的砂岩型铀成矿有利区预测方法,有针对性的建立铀成矿样本的特征和标签,使用机器学习技术进行建模;生成待预测区规则预测点,并计算待预测点的特征值;使用机器学习模型计算规则待预测点的成矿概率值;针对规则预测点成矿概率值进行插值,获取研究区的铀成矿概率图。
实现本发明目的的技术方案:
一种使用机器学习模型的砂岩型铀成矿有利区预测方法,所述方法包括以下步骤:
步骤1、对砂岩型铀成矿样本特征和标签进行量化处理,建立铀成矿信息样本集合;
步骤2、对铀成矿样本数据进行模型训练和机器学习,生成铀成矿有利区预测的神经网络模型;
步骤3、根据所需要的预测精度,生成待预测区等间距规则预测点,并计算待预测点的砂岩铀成矿特征值;
步骤4、使用机器学习模型计算规则待预测点的成矿概率值;
步骤5、针对规则预测点成矿概率值特征进行插值,获取研究区的铀成矿概率图。
进一步地,所述步骤1包括:
步骤1.1、读入不同矿化级别钻孔矢量点数据,并将该数据记为drill.shp;
步骤1.2、读入地质、物探、化探等类型的栅格数据;
步骤1.3、分别计算drill.shp文件中各钻孔点与栅格数据所在位置的像素值,并将计算结果写入drill.shp文件的属性中,并将计算后的drill.shp文件记为drill_1.shp;
步骤1.4、读入遥感解译断裂、土壤氡气等矢量数据;
步骤1.5、分别计算drill_1.shp文件与遥感解译断裂、土壤氡气等矢量数据的最短距离,并将计算结果写入drill_1.shp文件的属性表中,并将计算后的drill_1.shp文件记为drill_2.shp;
步骤1.6、导出drill_2.shp文件的属性表,获得铀成矿样本数据。
进一步地,所述步骤2包括:
步骤2.1、读入铀成矿样本数据,选择神经网络模型训练的标签数据和特征数据;
步骤2.2、设置神经网络模型训练参数;
步骤2.3、开始训练神经网络模型,并将训练后的神经网络模型保存为model.xml。
进一步地,所述步骤3包括:
步骤3.1、根据所需要的预测精度,生成待预测区等间距规则预测点文件,并将该文件记为yuce.shp;
步骤3.2、读入地质、物探、化探等类型的栅格数据;
步骤3.3、分别计算yuce.shp文件中各钻孔点与栅格数据所在位置的像素值,并将计算结果写入yuce.shp文件的属性中,并将计算后的yuce.shp文件记为yuce_1.shp;
步骤3.4、读入遥感解译断裂、土壤氡气等矢量数据;
步骤3.5、分别计算yuce_1.shp文件与遥感解译断裂、土壤氡气等矢量数据的最短距离,并将计算结果写入yuce_1.shp文件的属性表中,并将计算后的yuce_1.shp文件记为yuce_2.shp;
步骤3.6、将坐标值写入文件yuce_2.shp中,其中,经度记为X,纬度记为Y;
步骤3.7、导出yuce_2.shp文件的属性表,获得待预测点的特征值数据。
进一步地,所述步骤4包括:
步骤4.1、将步骤3.7获取的规则待预测点的特征值数据yuce.xlsx导入步骤2.3获取的神经网络模型model.xml;
步骤4.2、选择神经网络模型model.xml的输入数据,计算获取标签属性列,并将计算后的表格保存为表yuceL.xlsx;
步骤4.3、在表yuceL.xlsx中增加属性列“预测值”,并将增加属性列“预测值”后的表记为yuceL1.xlsx。
进一步地,所述步骤5包括:
步骤5.1、根据表yuceL1.xlsx中的经纬度坐标值X、Y,生成待预测区预测后的规则矢量点集合,记为yuce.shp;
步骤5.2、利用yuce.shp属性中的“预测值”属性进行插值,获取研究区的砂岩型铀成矿概率图。
进一步地,所述步骤1.2中栅格数据包括:地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
进一步地,所述步骤1.3中drill_1.shp文件属性表中的属性字段包括:矿化级别、地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
进一步地,所述步骤1.5中drill_2.shp文件属性表中的属性字段包括:矿化级别、地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力、遥感解译断裂和土壤氡气。
进一步地,所述步骤1.6中铀成矿样本数据为Excel表格格式,记为yangben.xlsx。
进一步地,所述步骤2.1中神经网络模型训练的标签数据为“矿化级别”字段数据。
进一步地,所述步骤2.1中神经网络模型训练的特征数据包括“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”、“遥感解译断裂”和“土壤氡气”。
进一步地,所述步骤2.2具体为:设置神经网络体系结构,神经网络隐藏层数设置为2层,激活函数设置为双曲正切,优化算法选择梯度下降法,70%的数据作为训练数据,30%的数据作为模型检验数据。
进一步地,所述步骤3.2中栅格数据包括:地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
进一步地,所述步骤3.3中yuce_1.shp文件属性表中的属性字段包括:地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
进一步地,所述步骤3.5中yuce_2.shp文件属性表中的属性字段包括:地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力、遥感解译断裂和土壤氡气。
进一步地,所述步骤3.7中待预测点的特征值数据为Excel表格格式,记为yuce.xlsx。
进一步地,所述步骤3.7中待预测点的特征值数据包括地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力、遥感解译断裂、土壤氡气、经度X、纬度Y。
进一步地,所述步骤4.2中神经网络模型model.xml的输入数据包括:规则待预测点的特征值数据yuce.xlsx中的列“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”、“遥感解译断裂”、和“土壤氡气”。
进一步地,所述步骤4.2中标签属性列包括:“矿化级别”和“可信度”。
进一步地,所述步骤4.3中“预测值”的计算公式为:“预测值”=“矿化级别”ד可信度”。
本发明的有益技术效果在于:
1、本发明提供的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,采用无矿孔和有矿孔相结合的方式组织铀成矿样本集合。其中,有矿孔作为样本集合的正标签,无矿孔作为样本集合的负标签。对地质、物化探、遥感数据进行定量化处理,作为样本集合的特征。以无矿孔和有矿孔作为正负标签,定量化处理后地质、物化探、遥感信息作为样本特征,使用该样本集合进行机器学习建模,可有效提高机器学习模型的分类精度。
2、本发明提供的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,可根据所需要的预测精度,生成待预测区等间距规则预测点,并计算待预测点的特征值,将待预测点的特征值代入预测模型中,获取每个待预测点的预测标签值。通过规则预测点间距的调整,生成不同比例尺的预测图件。
3、本发明提供的一种使用机器学***。
附图说明
图1为试验区用于机器学习模型预测的规则点分布图;
图2为试验区基于机器学习的铀成矿概率分布图。
图1中:1-遥感解译断裂;2-地层厚度;3-居民地;4-沉积凹陷;5-用于预测的规则点分布;
图2中:1-沉积型铀矿化;2-铀成矿概率分布;3-居民地。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
本发明提供的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,具体包括以下步骤:
步骤1、对砂岩型铀成矿样本特征和标签进行量化处理,建立铀成矿信息样本集合。该步骤包括以下子步骤:
步骤1.1、读入不同矿化级别钻孔矢量点数据,并将该数据记为drill.shp。
使用arcmap10.2打开钻孔数据,该数据记为drill.shp,该数据包含“矿化级别”属性,其中“矿化级别”=3,表示为工业孔;其中“矿化级别”=2,表示为矿化孔;其中“矿化级别”=1,表示为异常孔;其中“矿化级别”=0,表示为无矿孔,无矿孔也是样本集合中的负样本标签。
步骤1.2、读入地质、物探、化探等类型的栅格数据
使用arcmap10.2读入栅格数据,栅格数据包括:地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力,读入的栅格数据分别记为地层厚度.tif、砂体厚度.tif、含砂率.tif、底板埋深.tif、航放U.tif、航放U/TH.tif、剩余重力.tif、布格重力.tif。
步骤1.3、分别计算drill.shp文件中各钻孔点与栅格数据所在位置的像素值,并将计算结果写入drill.shp文件的属性中,并将计算后的drill.shp文件记为drill_1.shp。
使用arctoolbox工具箱中“空间分析”中的“值提取至点”功能,分别计算drill.shp文件中各钻孔点与地层厚度.tif、砂体厚度.tif、含砂率.tif、底板埋深.tif、航放U.tif、航放U/TH.tif、剩余重力.tif、布格重力.tif等栅格数据所在位置的像素值,并将计算结果写入drill.shp文件的属性中,计算后的drill.shp文件记为drill_1.shp,该文件属性表中包含矿化级别、地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力等属性字段。
步骤1.4、读入遥感解译断裂、土壤氡气等矢量数据。
使用arcmap10.2读入遥感解译断裂.shp、土壤氡气.shp等矢量数据
步骤1.5、分别计算drill_1.shp文件与遥感解译断裂、土壤氡气等矢量数据的最短距离,并将计算结果写入drill_1.shp文件的属性表中,并将计算后的drill_1.shp文件记为drill_2.shp。
使用arctoolbox工具箱中“邻域分析”中的“近邻分析”功能,分别计算drill_1.shp文件与遥感解译断裂、土壤氡气等矢量数据的最短距离,并将计算结果写入drill_1.shp文件的属性表中,计算后的drill_1.shp文件记为drill_2.shp,该文件属性表中包含矿化级别、地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力、遥感解译断裂和土壤氡气等属性字段。
步骤1.6、导出drill_2.shp文件的属性表,获得铀成矿样本数据。
将drill_2.shp的属性表导出为Excel表格格式,记为yangben.xlsx,该表格作为铀成矿样本数据,如表1所示。
表1试验区用于机器学习建模的部分样本数据
步骤2、对铀成矿样本数据进行模型训练和机器学习,生成铀成矿有利区预测的神经网络模型。该步骤包括以下子步骤:
步骤2.1、读入铀成矿样本数据,选择神经网络模型训练的标签数据和特征数据。
使用SPSS26读入铀成矿样本数据yangben.xlsx,打开“分析”功能中的“神经网络”,选择“矿化级别”字段数据作为模型训练的标签数据,选择“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”、“遥感解译断裂”和“土壤氡气”作为模型训练的特征数据。
步骤2.2、设置神经网络模型训练参数。
设置神经网络体系结构,神经网络隐藏层数设置为2层,激活函数设置为双曲正切,优化算法选择梯度下降法,70%的数据作为训练数据,30%的数据作为模型检验数据。
步骤2.3、开始训练神经网络模型,并将训练后的神经网络模型保存为model.xml。
步骤3、根据所需要的预测精度,生成待预测区等间距规则预测点,并计算待预测点的砂岩铀成矿特征值。该步骤包括以下子步骤:
步骤3.1、根据所需要的预测精度,生成待预测区等间距规则预测点文件,并将该文件记为yuce.shp。
使用arctoolbox工具箱中“数据管理工具”中的“创建渔网”工具,根据所需要的预测精度,生成待预测区等间距规则预测点。按照100米的间隔,生成待预测区的规则点文件,该文件记为yuce.shp。如图1所示,可生成1:5万的有利区预测图。
步骤3.2、读入地质、物探、化探等类型的栅格数据
使用arcmap10.2读入栅格数据,栅格数据包括:地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力,读入的栅格数据分别记为地层厚度.tif、砂体厚度.tif、含砂率.tif、底板埋深.tif、航放U.tif、航放U/TH.tif、剩余重力.tif、布格重力.tif。
步骤3.3、分别计算yuce.shp文件中各钻孔点与栅格数据所在位置的像素值,并将计算结果写入yuce.shp文件的属性中,并将计算后的yuce.shp文件记为yuce_1.shp。
使用arctoolbox工具箱中“空间分析”中的“值提取至点”功能,分别计算yuce.shp文件中各钻孔点与地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力等栅格数据所在位置的像素值,并将计算结果写入yuce.shp文件的属性中,计算后的yuce.shp文件记为yuce_1.shp,该文件属性表中包含地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力等属性字段。
步骤3.4、读入遥感解译断裂、土壤氡气等矢量数据。
使用arcmap10.2读入遥感解译断裂.shp、土壤氡气.shp等矢量数据。
步骤3.5、分别计算yuce_1.shp文件与遥感解译断裂、土壤氡气等矢量数据的最短距离,并将计算结果写入yuce_1.shp文件的属性表中,并将计算后的yuce_1.shp文件记为yuce_2.shp。
使用arctoolbox工具箱中“邻域分析”中的“近邻分析”功能,分别计算yuce_1.shp文件与遥感解译断裂、土壤氡气等矢量数据的最短距离,并将计算结果写入yuce_1.shp文件的属性表中,计算后的yuce_1.shp文件记为yuce_2.shp,该文件属性表中包含地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力、遥感解译断裂和土壤氡气等属性字段。
步骤3.6、将坐标值写入文件yuce_2.shp中,其中,经度记为X,纬度记为Y。
使用arctoolbox中“数据管理工具”中的“添加XY坐标”功能,将坐标值写入文件yuce_2.shp中,其中,经度记为X,纬度记为Y。
步骤3.7、导出yuce_2.shp文件的属性表,获得待预测点的特征值数据。
将yuce_2.shp的属性表导出为Excel表格格式,记为yuce.xlsx,该表格作为待预测点的特征值数据。该表格包含地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力、遥感解译断裂、土壤氡气、经度X、纬度Y等属性字段。
步骤4、使用机器学习模型计算规则待预测点的成矿概率值。
将待预测点输出的特征值数据作为机器学习模型的输入,进行机器学习预测,得到每一个规则预测点的铀成矿概率值。该步骤包括以下子步骤:
步骤4.1、将步骤3.7获取的规则待预测点的特征值数据yuce.xlsx导入步骤2.3获取的神经网络模型model.xml。
使用SPSS26“实用程序”下的“评分向导”功能,打开步骤2.3获取的神经网络模型model.xml,导入步骤3.7获取的规则待预测点的特征值数据yuce.xlsx。
步骤4.2、选择神经网络模型model.xml的输入数据,计算获取标签属性列,并将计算后的表格保存为表yuceL.xlsx。
将规则待预测点的特征值数据yuce.xlsx中的列“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”、“遥感解译断裂”、和“土壤氡气”选择为神经网络模型model.xml的输入部分,计算获取标签属性列“矿化级别”及列“可信度”,并将计算后的表格保存为表yuceL.xlsx。
步骤4.3、在表yuceL.xlsx中增加属性列“预测值”,并将增加属性列“预测值”后的表记为yuceL1.xlsx。
将表yuceL.xlsx增加一列属性,属性名为“预测值”,其中,“预测值”=“矿化级别”ד可信度”,将计算后的表记为yuceL1.xlsx。该“预测值”即为成矿概率值。
步骤5、针对规则预测点成矿概率值特征进行插值,获取研究区的铀成矿概率图。该步骤包括以下子步骤:
步骤5.1、根据表yuceL1.xlsx中的经纬度坐标值X、Y,生成待预测区预测后的规则矢量点集合,记为yuce.shp。
使用arcgis10.2中的“添加XY数据”功能,根据表yuceL1.xlsx中的经纬度坐标值X、Y,生成待预测区预测后的规则矢量点集合,记为yuce.shp。
步骤5.2、利用yuce.shp属性中的“预测值”属性进行插值,获取研究区的砂岩型铀成矿概率图。
使用arctoolbox中“空间分析”中的“插值分析”功能,使用“反距离权重法”,利用yuce.shp属性中的“预测值”属性进行插值,并进行色彩分类,获取研究区的砂岩型铀成矿概率图,如图2所示。
由图2可知,脑木根东北部三片区域、哈达图北部区域以及马尼特北西向的串珠状区域成矿概率较高,且与已知的哈达图矿床已知样本区铀成矿特征和条件比较接近,成矿的潜力较大。赛罕高毕、芒来、巴润至巴彦乌拉的北东向条带状区域铀成矿概率较高,该区域的成矿特征和条件与巴彦乌拉样本区的条件更为接近。
上面结合附图和实施例对本发明作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。本发明中未作详细描述的内容均可以采用现有技术。
Claims (21)
1.一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述方法包括以下步骤:
步骤1、对砂岩型铀成矿样本特征和标签进行量化处理,建立铀成矿信息样本集合;
步骤2、对铀成矿样本数据进行模型训练和机器学习,生成铀成矿有利区预测的神经网络模型;
步骤3、根据所需要的预测精度,生成待预测区等间距规则预测点,并计算待预测点的砂岩铀成矿特征值;
步骤4、使用机器学习模型计算规则待预测点的成矿概率值;
步骤5、针对规则预测点成矿概率值特征进行插值,获取研究区的铀成矿概率图。
2.根据权利要求1所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤1包括:
步骤1.1、读入不同矿化级别钻孔矢量点数据,并将该数据记为drill.shp;
步骤1.2、读入地质、物探、化探等类型的栅格数据;
步骤1.3、分别计算drill.shp文件中各钻孔点与栅格数据所在位置的像素值,并将计算结果写入drill.shp文件的属性中,并将计算后的drill.shp文件记为drill_1.shp;
步骤1.4、读入遥感解译断裂、土壤氡气等矢量数据;
步骤1.5、分别计算drill_1.shp文件与遥感解译断裂、土壤氡气等矢量数据的最短距离,并将计算结果写入drill_1.shp文件的属性表中,并将计算后的drill_1.shp文件记为drill_2.shp;
步骤1.6、导出drill_2.shp文件的属性表,获得铀成矿样本数据。
3.根据权利要求1所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤2包括:
步骤2.1、读入铀成矿样本数据,选择神经网络模型训练的标签数据和特征数据;
步骤2.2、设置神经网络模型训练参数;
步骤2.3、开始训练神经网络模型,并将训练后的神经网络模型保存为model.xml。
4.根据权利要求1所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤3包括:
步骤3.1、根据所需要的预测精度,生成待预测区等间距规则预测点文件,并将该文件记为yuce.shp;
步骤3.2、读入地质、物探、化探等类型的栅格数据;
步骤3.3、分别计算yuce.shp文件中各钻孔点与栅格数据所在位置的像素值,并将计算结果写入yuce.shp文件的属性中,并将计算后的yuce.shp文件记为yuce_1.shp;
步骤3.4、读入遥感解译断裂、土壤氡气等矢量数据;
步骤3.5、分别计算yuce_1.shp文件与遥感解译断裂、土壤氡气等矢量数据的最短距离,并将计算结果写入yuce_1.shp文件的属性表中,并将计算后的yuce_1.shp文件记为yuce_2.shp;
步骤3.6、将坐标值写入文件yuce_2.shp中,其中,经度记为X,纬度记为Y;
步骤3.7、导出yuce_2.shp文件的属性表,获得待预测点的特征值数据。
5.根据权利要求1所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤4包括:
步骤4.1、将步骤3.7获取的规则待预测点的特征值数据yuce.xlsx导入步骤2.3获取的神经网络模型model.xml;
步骤4.2、选择神经网络模型model.xml的输入数据,计算获取标签属性列,并将计算后的表格保存为表yuceL.xlsx;
步骤4.3、在表yuceL.xlsx中增加属性列“预测值”,并将增加属性列“预测值”后的表记为yuceL1.xlsx。
6.根据权利要求1所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤5包括:
步骤5.1、根据表yuceL1.xlsx中的经纬度坐标值X、Y,生成待预测区预测后的规则矢量点集合,记为yuce.shp;
步骤5.2、利用yuce.shp属性中的“预测值”属性进行插值,获取研究区的砂岩型铀成矿概率图。
7.根据权利要求2所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤1.2中栅格数据包括:地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
8.根据权利要求2所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤1.3中drill_1.shp文件属性表中的属性字段包括:矿化级别、地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
9.根据权利要求2所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤1.5中drill_2.shp文件属性表中的属性字段包括:矿化级别、地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力、遥感解译断裂和土壤氡气。
10.根据权利要求2所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤1.6中铀成矿样本数据为Excel表格格式,记为yangben.xlsx。
11.根据权利要求3所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤2.1中神经网络模型训练的标签数据为“矿化级别”字段数据。
12.根据权利要求3所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤2.1中神经网络模型训练的特征数据包括“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”、“遥感解译断裂”和“土壤氡气”。
13.根据权利要求3所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤2.2具体为:设置神经网络体系结构,神经网络隐藏层数设置为2层,激活函数设置为双曲正切,优化算法选择梯度下降法,70%的数据作为训练数据,30%的数据作为模型检验数据。
14.根据权利要求4所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤3.2中栅格数据包括:地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
15.根据权利要求4所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤3.3中yuce_1.shp文件属性表中的属性字段包括:地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
16.根据权利要求4所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤3.5中yuce_2.shp文件属性表中的属性字段包括:地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力、遥感解译断裂和土壤氡气。
17.根据权利要求4所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤3.7中待预测点的特征值数据为Excel表格格式,记为yuce.xlsx。
18.根据权利要求4所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤3.7中待预测点的特征值数据包括地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力、遥感解译断裂、土壤氡气、经度X、纬度Y。
19.根据权利要求5所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤4.2中神经网络模型model.xml的输入数据包括:规则待预测点的特征值数据yuce.xlsx中的列“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”、“遥感解译断裂”、和“土壤氡气”。
20.根据权利要求5所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤4.2中标签属性列包括:“矿化级别”和“可信度”。
21.根据权利要求5所述的一种使用机器学习模型的砂岩型铀成矿有利区预测方法,其特征在于,所述步骤4.3中“预测值”的计算公式为:“预测值”=“矿化级别”ד可信度”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837087.8A CN113627657A (zh) | 2021-07-23 | 2021-07-23 | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837087.8A CN113627657A (zh) | 2021-07-23 | 2021-07-23 | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113627657A true CN113627657A (zh) | 2021-11-09 |
Family
ID=78380786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837087.8A Pending CN113627657A (zh) | 2021-07-23 | 2021-07-23 | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627657A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251739A (zh) * | 2023-11-17 | 2023-12-19 | 核工业北京地质研究院 | 用于砂岩型铀资源定量预测的样本集的构建方法 |
CN117313550A (zh) * | 2023-11-25 | 2023-12-29 | 核工业北京地质研究院 | 基于模型的铀资源潜力预测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2323241A1 (en) * | 2000-07-31 | 2002-01-31 | Ronald R. Bush | System and method for optimizing a mining operation |
US20070061080A1 (en) * | 2005-07-22 | 2007-03-15 | Zhdanov Michael S | Geophysical technique for mineral exploration and discrimination based on electromagnetic methods and associated systems |
CN108287373A (zh) * | 2017-12-28 | 2018-07-17 | 核工业北京地质研究院 | 一种基于成矿有利度的砂岩型铀矿靶区选择方法 |
CN110264016A (zh) * | 2019-06-28 | 2019-09-20 | 中国地质大学(北京) | 一种矿产探测方法及装置 |
CN110427957A (zh) * | 2019-06-12 | 2019-11-08 | 北京科技大学 | 一种基于机器学习的地球化学数据的分类方法和装置 |
CN110442666A (zh) * | 2019-08-02 | 2019-11-12 | 中国地质调查局发展研究中心 | 一种基于神经网络模型的矿产资源预测方法及*** |
KR102081451B1 (ko) * | 2019-02-15 | 2020-02-25 | 김성용 | 근거리 네트워크와 연관된 액세스 포인트를 이용하여 컨텐츠를 공유하는 방법, 상기 방법을 사용하는 액세스 포인트 장치, 상기 액세스 포인트와 연동하는 클라이언트에 의해 컨텐츠를 업로드하는 방법, 및 상기 클라이언트에 의해 컨텐츠를 수신하는 방법, 상기 방법을 사용하는 클라이언트 장치 |
CN111060985A (zh) * | 2019-12-20 | 2020-04-24 | 核工业北京地质研究院 | 一种砂岩型铀矿多要素数据样本集合的建设方法 |
CN111159869A (zh) * | 2019-12-20 | 2020-05-15 | 核工业北京地质研究院 | 一种砂岩铀矿床与古河道间定量参数的自动计算方法 |
CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
CN111859811A (zh) * | 2020-07-30 | 2020-10-30 | 中国地质科学院矿产资源研究所 | 一种基于模糊逻辑和机器学习的成矿预测方法及*** |
-
2021
- 2021-07-23 CN CN202110837087.8A patent/CN113627657A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2323241A1 (en) * | 2000-07-31 | 2002-01-31 | Ronald R. Bush | System and method for optimizing a mining operation |
US20070061080A1 (en) * | 2005-07-22 | 2007-03-15 | Zhdanov Michael S | Geophysical technique for mineral exploration and discrimination based on electromagnetic methods and associated systems |
CN108287373A (zh) * | 2017-12-28 | 2018-07-17 | 核工业北京地质研究院 | 一种基于成矿有利度的砂岩型铀矿靶区选择方法 |
KR102081451B1 (ko) * | 2019-02-15 | 2020-02-25 | 김성용 | 근거리 네트워크와 연관된 액세스 포인트를 이용하여 컨텐츠를 공유하는 방법, 상기 방법을 사용하는 액세스 포인트 장치, 상기 액세스 포인트와 연동하는 클라이언트에 의해 컨텐츠를 업로드하는 방법, 및 상기 클라이언트에 의해 컨텐츠를 수신하는 방법, 상기 방법을 사용하는 클라이언트 장치 |
CN110427957A (zh) * | 2019-06-12 | 2019-11-08 | 北京科技大学 | 一种基于机器学习的地球化学数据的分类方法和装置 |
CN110264016A (zh) * | 2019-06-28 | 2019-09-20 | 中国地质大学(北京) | 一种矿产探测方法及装置 |
CN110442666A (zh) * | 2019-08-02 | 2019-11-12 | 中国地质调查局发展研究中心 | 一种基于神经网络模型的矿产资源预测方法及*** |
CN111060985A (zh) * | 2019-12-20 | 2020-04-24 | 核工业北京地质研究院 | 一种砂岩型铀矿多要素数据样本集合的建设方法 |
CN111159869A (zh) * | 2019-12-20 | 2020-05-15 | 核工业北京地质研究院 | 一种砂岩铀矿床与古河道间定量参数的自动计算方法 |
CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
CN111859811A (zh) * | 2020-07-30 | 2020-10-30 | 中国地质科学院矿产资源研究所 | 一种基于模糊逻辑和机器学习的成矿预测方法及*** |
Non-Patent Citations (6)
Title |
---|
张浩: "云南澜沧上允铜多金属勘查区综合信息成矿定位预测", 中国优秀硕士学位论文全文数据库(电子期刊), pages 1 - 101 * |
柯丹;赵丹;侯惠群;韩绍阳;: "BP神经网络在花岗岩型铀矿预测中的应用", 世界核地质科学, no. 01, pages 37 - 40 * |
肖克炎;叶天竺;李景朝;杨毅恒;丁建华;娄德波;: "矿床模型综合地质信息预测资源量的估算方法", 地质通报, no. 10, pages 1404 - 14112 * |
董昕昱 等: "土壤氡测量在塔拉乌苏地区砂岩型铀矿勘查中的应用", 世界核地质科学, no. 1, pages 41 - 46 * |
赵永安;姚春玲;韩效忠;蔡煜琦;曹建文;: "Model Builder建模及在铀矿资源评价中的应用", 矿物学报, no. 1, pages 323 - 325 * |
黄江华;陈志刚;: "短时雨量预报的人工神经网络模型", 南华大学学报(自然科学版), no. 03, pages 83 - 87 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251739A (zh) * | 2023-11-17 | 2023-12-19 | 核工业北京地质研究院 | 用于砂岩型铀资源定量预测的样本集的构建方法 |
CN117251739B (zh) * | 2023-11-17 | 2024-01-30 | 核工业北京地质研究院 | 用于砂岩型铀资源定量预测的样本集的构建方法 |
CN117313550A (zh) * | 2023-11-25 | 2023-12-29 | 核工业北京地质研究院 | 基于模型的铀资源潜力预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Tectonic–geochemical exploration modeling for characterizing geo-anomalies in southeastern Yunnan district, China | |
CN103824133B (zh) | 一种花岗岩型铀矿田远景区综合预测方法 | |
US11093576B2 (en) | Core-plug to giga-cells lithological modeling | |
CN114138923B (zh) | 一种构建地质图知识图谱的方法 | |
CN109388817A (zh) | 一种储层裂缝三维建模方法 | |
CN115879648B (zh) | 一种基于机器学习的三元深部成矿预测方法及*** | |
Li et al. | Part II: A demonstration of integrating multiple-scale 3D modelling into GIS-based prospectivity analysis: A case study of the Huayuan-Malichang district, China | |
CN113627657A (zh) | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 | |
CN112241711A (zh) | 一种从钻孔岩芯照片中识别rqd的智能方法 | |
Bruce et al. | Unconformity-type uranium systems: A comparative review and predictive modelling of critical genetic factors | |
US10534108B2 (en) | Methods and systems for the inversion of magnetic data from remnant and induced sources in geophysical exploration | |
CN110968840A (zh) | 一种基于大地电磁测深电阻率判定隧围岩等级的方法 | |
CN116699715A (zh) | 一种高光谱遥感信息参与的铀成矿有利区预测方法 | |
Zhenlong et al. | Intelligent lithology identification methods for rock images based on object detection | |
Li et al. | A GIS-based tool for the China National Mineral Resource Assessment Initiative: a case study of gold deposits in the Bayan Obo Group, Inner Mongolia, China | |
CN114861515A (zh) | 层速度数据体的计算方法、装置、设备及介质 | |
Pollock et al. | 3D exploratory analysis of descriptive lithology records using regular expressions | |
CN113534283B (zh) | 一种砂岩型铀矿成矿要素特征的定量评价方法 | |
CN110702632B (zh) | 一种深部岩矿高光谱信息三维建模方法 | |
CN110119852B (zh) | 一种不确定成矿信息的统一表征方法及*** | |
Damsleth et al. | Geostatistical approaches in reservoir evaluation | |
CN110096622B (zh) | 一种多尺度的数据统一表达方法及*** | |
La Pointe et al. | Geological discrete fracture network model for the Laxemar site. Site Descriptive Modelling. SDM-Site Laxemar | |
LU500661B1 (en) | Method for Extracting Abnormal Topography of Hydrothermal Vents | |
Yang et al. | Research on intelligent identification technology of lithology wireless remote transmission based on element measurement |
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 |