[發明專利]一種基于知識圖譜的礦靶區圈定方法及系統

在審

• 申請號: 202210964088.3
• 申請日: 2022-08-11
• 公開（公告）號: CN115410662A
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 張前龍;周永章;韓楓;余曉彤
• 申請（專利權）人: 中山大學
• 主分類號: G16C20/80
• 分類號: G16C20/80;G16C20/70;G16C20/90;G06F16/29;G06F16/36;G06Q50/02
• 代理公司: 深圳市創富知識產權代理有限公司 44367
• 代理人: 馮煒國

本發明公開了一種基于知識圖譜的礦靶區圈定方法及系統，該方法包括：獲取地球化學數據并構建地球化學知識圖譜；計算知識圖譜中的地球化學元素異常下限值，得到異常值組合；對異常值組合進行熱力矩陣可視化分析，得到異常值組合關系；根據異常值組合關系，圈定礦靶區。通過使用本發明，能夠在不需要大量訓練樣本的情況下進行學習與查詢推理，圈定礦靶區，指導礦產遠景預測。本發明作為一種基于知識圖譜的礦靶區圈定方法及系統，可廣泛應用于地質科學技術領域。

技術領域

本發明涉及地質科學技術領域，尤其涉及一種基于知識圖譜的礦靶區圈定方法及系統。

背景技術

地球化學數據，涉及復雜成礦過程中形成的特征，如何提取多尺度成礦元素特征，識別地球化學異常，對于礦產勘查預測具有重要意義，許多基于頻率和基于頻率空間的統計方法已被用于識別地球化學異常，基于頻率的方法，如單變量統計方法、概率圖、多變量統計方法、分形和多重分形模型和地質統計學等，由于地質成礦過程在不同的空間和時間尺度上的復雜性，地球化學模式通常具有高維、空間相關、非線性的特征，阻礙使用這些經典方法直接識別圈定地球化學異常，現有的機器學習以及深度學習技術作為數據驅動的方法，為礦產遠景建模提供了強大的工具，然而機器學習算法需要足夠數量的礦點訓練樣本，訓練樣本不足會導致礦石相關特征提取不佳，不能獲得具有高性能和可靠性的結果，過度依賴訓練數據也會影響機器學習模型的泛化能力，深度學習方法缺乏透明度,相當于一個“黑箱”，有效性很大程度上取決于研究人員所設定的參數，因此從地質角度很難解釋深度學習模型輸入和輸出結果，也無法推斷出潛在的機制。

發明內容

為了解決上述技術問題，本發明的目的是提供一種基于知識圖譜的礦靶區圈定方法及系統，能夠在不需要大量訓練樣本的情況下進行學習與查詢推理，圈定礦靶區，指導礦產遠景預測。

本發明所采用的第一技術方案是：一種基于知識圖譜的礦靶區圈定方法，包括以下步驟：

獲取地球化學數據并構建地球化學知識圖譜；

計算知識圖譜中的地球化學元素異常下限值，得到異常值組合；

對異常值組合進行熱力矩陣可視化分析，得到異常值組合關系；

根據異常值組合關系，圈定礦靶區。

進一步，所述獲取地球化學數據并構建地球化學知識圖譜這一步驟，其具體包括：

獲取地球化學數據；

對地球化學數據進行分析，得到地球化學數據的豐度值與所屬屬性；

基于地球化學數據的豐度值與空間屬性構建地球化學三元組數據；

通過Neo4j軟件構建數據庫；

將地球化學三元組數據導入數據庫，得到地球化學知識圖譜。

進一步，所述計算知識圖譜中的地球化學元素異常下限值，得到異常值組合這一步驟，其具體包括：

計算知識圖譜中的地球化學元素的平均值與均方差，得到原始數據值；

對原始數據值進行分析處理，剔除原始數據值中大于預設數值的數據，得到剔除后的數據值；

對剔除后的數據值的平均值與均方差計算，并將平均值與兩倍均方差之和作為地球化學元素異常下限值；

根據地球化學元素異常下限值，通過Neo4j軟件中的Cypher語句進行查詢，得到其異常下限值的節點；

根據地球化學元素異常下限值計算其節點數，再通過比例公式計算得到不同地球化學元素異常下限值的節點數比例，構建異常值組合。

進一步，所述地球化學元素的均方差的計算公式如下所示：