[發明專利]一種基于地球物理數據使用堆疊法的三維地質建模方法

在審

• 申請號: 202110353243.3
• 申請日: 2021-04-01
• 公開（公告）號: CN113111927A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 王功文;呂伊凱;賈然
• 申請（專利權）人: 中國地質大學（北京）
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T17/05
• 代理公司: 北京高文律師事務所 11359
• 代理人: 徐江華;李寶玉

本發明公開了一種基于地球物理數據使用堆疊法的三維地質建模方法，其特征在于，處理方法包括：本方法包括Stacking集成方法，所述Stacking集成方法包括三維特征提取方法和數據預處理方法，其中所述三維特征提取方法包括三維鉆孔模型，通過所述三維鉆孔模型分析得到的巖性樣本，在通過巖性樣本分析的結果得出不同的巖石種類，在通過這些不同的巖石種類得出玄武巖、花崗巖或者其他的巖性；本發明的有益效果：本方法基于機器學習中的Stacking模型，融合了RF,SVM,GBDT,NN,XGBoost等機器學習算法，基于原始的地質數據(三維坐標、巖性等)與地球物理數據(磁化率、剩余密度等)，訓練出一個能夠對研究區進行三維巖性分類的模型，以達到快速三維地質建模的目的。

技術領域

本發明涉及礦產資源勘測領域，更具體地說，屬于一種基于地球物理數據使用堆疊法的三維地質建模方法。

背景技術

近些年機器學習方法發展迅速，當模型的輸入特征維度較高并且與巖性的映射關系為非線性的時候，機器學習算法比傳統的地質統計學具有更好的預測效果。近些年來許多研究著重于將一些算法應用在三維地質建模的某個領域，如基于機器學習的鉆孔數據隱式三維地質建模方法，基于機器學習與可靠度算法的圍巖動態分級方法等。要使三維地質模型在輸入變量較多的情況下相對準確，必須建立一種綜合單個分類器的集成分類器來提高巖性分類的準確度，使用機器學習方法建立三維地質模型，以期減少工作量，提升模型準確率。

故本方法基于機器學習中的Stacking模型，融合了RF,SVM,GBDT,NN, XGBoost等機器學習算法，基于原始的地質數據(三維坐標、巖性等)與地球物理數據(磁化率、剩余密度等)，訓練出一個能夠對研究區進行三維巖性分類的模型，以達到快速三維地質建模的目的。

發明內容

針對現有應用及技術存在的不足，本發明提供了一種基于地球物理數據使用堆疊法的三維地質建模方法。該方法能夠很好地解決傳統方法中效率和模型準確性等問題。基于此方案，用戶可以通過電腦編程輸入程序，因此，用戶可以放心的借助電腦終端進行同步操作，對于礦產資源勘查的準確性和效率提升問題具有十分重要的意義。

為實現上述目的，本發明提供了如下技術方案：

一種基于地球物理數據使用堆疊法的三維地質建模方法，處理方法包括：本方法包括Stacking集成方法，所述Stacking集成方法包括三維特征提取方法和數據預處理方法，其中所述三維特征提取方法包括三維鉆孔模型，通過所述三維鉆孔模型分析得到的巖性樣本，在通過巖性樣本分析的結果得出不同的巖石種類，在通過這些不同的巖石種類得出玄武巖、花崗巖或者其他的巖性，然后通過這些不同巖性分類組成三維密度模型和三維磁化率模型；所述數據預處理方法包括原始數據集，通過所述原始數據集得出標準化數據、處理數據類別不平衡和數據劃分訓練測試集，在通過所述所述原始數據集得出標準化數據、處理數據類別不平衡和數據劃分訓練測試集得出最終的數據集。

進一步的，通過所述三維密度模型和三維磁化率模型可以得出所述原始數據集。

進一步的，通過所述原始數據集分別得出SVM、GBDT、NN、RF、XGboost, 通過所述SVM、GBDT、NN、RF、XGboost組成測試模型。

進一步的，所述測試模型包括測試集和訓練集，所述測試集和訓練集得出RF、SVM、NN、RF、XGboost。

本發明的有益效果：

本發明通過一種基于地球物理數據使用堆疊法的三維地質建模方法解決了原有的地球物理數據勘探技術問題：

本方法基于機器學習中的Stacking模型，融合了RF,SVM,GBDT,NN, XGBoost等機器學習算法，基于原始的地質數據(三維坐標、巖性等)與地球物理數據(磁化率、剩余密度等)，訓練出一個能夠對研究區進行三維巖性分類的模型，以達到快速三維地質建模的目的。

附圖說明