一种基于重力知识图谱的矿体品位模型建立方法和设备与流程

本技术涉及地理信息处理领域，尤其涉及一种基于重力知识图谱的矿体品位模型建立方法和设备。

背景技术：

1、在当今信息时代，数据已成为新型经济的基石，尤其是在矿业领域，数据的准确性和分析效率对矿产资源的勘查和开发具有决定性影响。随着数字经济的崛起，计算能力成为了新的社会基础设施，与传统的水电资源并重。数据中心的建设和优化，以及新一代信息技术，如5g和云计算的发展，为矿业等行业提供了前所未有的数据处理能力和存储解决方案。

2、在相关技术中，矿体品位的预测和评估普遍依赖于先进的地质勘测技术和数据分析方法。重力测量技术作为一种非破坏性地质勘探方法，能够揭示地下密度分布的变化，为确定矿体的位置和形态提供了依据。

3、然而，相关技术往往受限于采样点的分布，无法准确反映整个勘探区域的矿体品位变化，导致预测精度受限。

技术实现思路

1、本技术提供了一种基于重力知识图谱的矿体品位模型建立方法和设备，用于提高矿体品位预测的精度与效率。通过综合利用地面重力数据、航空重力数据及地质地球物理数据，自动化地建立初步知识数据库和提取重力特征参数，并利用数据挖掘和机器学习算法训练矿体品位模型，基于模型精准预测矿体品位，降低了勘探成本，加快了评估进程，显著提升了对矿体品位估计的准确性。

2、第一方面，本技术提供了一种基于重力知识图谱的矿体品位模型建立方法，应用于建模设备，该方法包括：收集目标勘探区域的重力测量数据和地质勘探数据；重力测量数据包括地面重力数据、航空重力数据及地质地球物理数据；分析地质勘探数据，建立初步知识数据库；基于数据挖掘技术提取重力测量数据的地下密度分布特征，生成与矿体品位相关的重力特征参数；融合初步知识数据库与重力特征参数，得到用于表征矿体品位与重力特征关系的重力知识图谱；基于机器学习算法和重力知识图谱进行模型训练，得到矿体品位模型；基于矿体品位模型对目标区域进行矿体品位预测，生成品位分布图。

3、在上述实施例中，建模设备收集目标勘探区域的重力测量数据和地质勘探数据，分析地质勘探数据建立初步知识数据库，提取重力测量数据的地下密度分布特征生成重力特征参数，融合初步知识数据库和重力特征参数得到重力知识图谱，基于机器学习算法和重力知识图谱训练获得矿体品位模型，并基于模型对目标区域进行矿体品位预测。通过自动化建立知识库提取特征，利用数据挖掘和机器学习方法进行矿体品位建模，实现了对矿体品位高效准确的预测，同时大大降低了勘探工作量，提高了勘探效率。

4、结合第一方面的一些实施例，在一些实施例中，地质勘探数据包括地质调查报告、地质图像资料及历史勘探记录；分析地质勘探数据，建立初步知识数据库，具体包括：基于自然语言处理技术提取地质调查报告中的非结构化文本，得到地质年代、岩性、晶体构造，建立地质属性知识数据库；基于图像处理方法提取地质图像资料中的地质剖面图、空间分布图，得到地层倾角、地层流向，建立地质结构知识数据库；基于关联规则算法分析历史勘探记录中的钻孔号、位置坐标、勘探时间，得到已知矿体分布规律，建立矿产分布知识数据库；集成地质属性知识数据库、地质结构知识数据库和矿产分布知识数据库，得到地质勘探的初步知识数据库。

5、在上述实施例中，建模设备利用自然语言处理技术处理地质调查报告建立属性数据库，图像处理提取地质图像资料建立结构数据库，关联规则分析历史勘探记录建立分布数据库，并集成三个数据库得到初步知识数据库。通过自动化处理非结构化文本、图像和关联规则，高效整合多源异构地质数据，构建可靠的地质背景知识库，为后续建模分析奠定基础。

6、结合第一方面的一些实施例，在一些实施例中，基于数据挖掘技术提取重力测量数据的地下密度分布特征，生成与矿体品位相关的重力特征参数，具体包括：基于聚类分析算法分析测量点的位置坐标和重力读数，对重力测量数据进行划分，得到重力异常区域；计算重力异常区域的边界形状、面积大小、重力值范围，作为重力分布特征；基于关联规则算法分析重力异常区域与已知矿体分布之间的关联关系，得到用于表征矿体品位指标的重力特征参数；重力特征参数包括重力梯度、重力水平导数、重力曲率。

7、在上述实施例中，建模设备采用聚类分析算法划分重力异常区域，计算区域特征参数，并利用关联规则分析重力异常区域与矿体分布的关联关系，得到重力梯度、水平导数、曲率等重力特征参数。通过聚类和关联规则手段，实现了从原始重力数据中高效、自动化提取与矿体品位相关的重力特征，为构建重力知识图谱和后续建模奠定了数据基础。

8、结合第一方面的一些实施例，在一些实施例中，基于关联规则算法分析重力异常区域与已知矿体分布之间的关联关系，得到用于表征矿体品位指标的重力特征参数，具体包括：计算多个重力异常区域的区域面积和区域重力值；查询统计历史勘探记录中多个已知矿体的矿体面积和对应的品位区间；构建联系面积、重力值、品位区间的关联规则集；基于关联规则算法，计算关联规则集中多个关联规则的置信度；确定置信度最高的最佳关联规则，并基于最佳关联规则生成重力特征参数。

9、在上述实施例中，建模设备计算区域面积和重力值，查询统计已知矿体的面积和品位，构建面积、重力值、品位的关联规则，计算规则置信度，确定置信度最高的关联规则，并基于该规则生成重力特征参数。通过构建并分析关联规则，实现了重力特征参数与矿体品位指标之间的量化对应，为构建知识图谱奠定了理论基础。

10、结合第一方面的一些实施例，在一些实施例中，在基于机器学习算法和重力知识图谱进行模型训练，得到矿体品位模型的步骤之后，该方法还包括：基于交叉验证技术和测试数据集，对矿体品位模型进行效果评估，得到包括精度、召回率、均方误差的评估指标；确定评估指标是否均在预设指标范围内；若评估指标均在预设指标范围内，则输出矿体品位预测模型；若评估指标均不在预设指标范围内，则调整矿体品位预测模型的特征参数，迭代优化矿体品位预测模型。

11、在上述实施例中，建模设备利用交叉验证对模型进行评估，得到精度、召回率、均方误差等指标，判断指标是否在预设范围内，如果不在则进行模型调优迭代，直至指标满足要求，然后输出模型。实现了对模型的训练监控和质量控制，确保最终模型达到可靠、可用的标准。

12、结合第一方面的一些实施例，在一些实施例中，调整矿体品位预测模型的特征参数，迭代优化矿体品位预测模型，具体包括：计算特征参数与模型预测结果的相关性，确定相关性低于预设相关阈值的弱相关特征参数；使用随机森林特征选择算法，对弱相关特征参数进行筛选，选择信息增益高于预设阈值的特征参数构建特征子集；采用网格搜索方法，遍历特征子集中多个特征参数的取值组合，训练得到多个品位预测模型；利用交叉验证方法评估多个品位预测模型的预测效果，确定预测误差最小的目标取值组合和目标品位预测模型。

13、在上述实施例中，建模设备计算特征参数相关性确定弱相关特征，筛选信息增益高的特征构建子集，网格搜索遍历特征组合训练多个模型，利用交叉验证评估效果确定最佳模型。通过特征筛选和组合优化，实现了对模型的有针对性调整，可有效提升模型鲁棒性和预测性能。

14、结合第一方面的一些实施例，在一些实施例中，在收集目标勘探区域的重力测量数据和地质勘探数据的步骤之前，该方法还包括：收集测量得到的重力原始数据；剔除重力原始数据中误差大于预设离散阈值的离群点；采用三次样条插值，对空间采样点中均匀度低于预设均匀阈值的重力原始数据进行重新插值，得到重力修正数据；采用多项式拟合模型消除重力修正数据中的区域性系统误差，得到重力测量数据。

15、在上述实施例中，建模设备对原始重力数据进行预处理的技术方案，包括剔除离群点、插值、消除系统误差等步骤，以得到可靠、连续的重力测量数据。通过自动化的数据清洗与修复，为后续建模分析提供了质量可控、可信赖的数据输入，提高了方法的健壮性。

16、第二方面，本技术实施例提供了一种建模设备，该建模设备包括：数据收集模块，用于收集目标勘探区域的重力测量数据和地质勘探数据；重力测量数据包括地面重力数据、航空重力数据及地质地球物理数据；初步建库模块，用于分析地质勘探数据，建立初步知识数据库；特征提取模块，用于基于数据挖掘技术提取重力测量数据的地下密度分布特征，生成与矿体品位相关的重力特征参数；图谱构建模块，用于融合初步知识数据库与重力特征参数，得到用于表征矿体品位与重力特征关系的重力知识图谱；模型训练模块，用于基于机器学习算法和重力知识图谱进行模型训练，得到矿体品位模型；品位预测模块，用于基于矿体品位模型对目标区域进行矿体品位预测，生成品位分布图。

17、第三方面，本技术实施例提供了一种建模设备，该建模设备包括：一个或多个处理器和存储器；该存储器与该一个或多个处理器耦合，该存储器用于存储计算机程序代码，该计算机程序代码包括计算机指令，该一个或多个处理器调用该计算机指令以使得该建模设备执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

18、第四方面，本技术实施例提供一种包含指令的计算机程序产品，当上述计算机程序产品在建模设备上运行时，使得上述建模设备执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

19、第五方面，本技术实施例提供一种计算机可读存储介质，包括指令，当上述指令在建模设备上运行时，使得上述建模设备执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

20、可以理解地，上述第二方面、第三方面提供的建模设备，第四方面提供的计算机程序产品和第五方面提供的计算机存储介质均用于执行本技术实施例所提供的方法。因此，其所能达到的有益效果可参考对应方法中的有益效果，此处不再赘述。

21、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

22、1、由于采用了收集目标勘探区域的多源重力测量数据，并分析地质勘探数据建立初步知识库，所以实现了对重力数据和地质数据的有效利用和整合，有效解决了现有技术中依赖单一数据源导致知识库不够精准全面的问题，进而实现了构建立体丰富、多层次的矿产地质背景知识库。

23、2、由于采用了基于数据挖掘技术提取重力测量数据的地下密度分布特征，并生成与矿体品位相关的重力特征参数，所以实现了从大规模原始测量数据中自动化高效提取关键特征信息的能力，有效解决了现有技术人工特征工程效率低下、无法处理大数据的问题，进而实现了重力数据挖掘，获得与矿体品位预测相关的核心特征参数。

24、3、由于采用了基于机器学习算法和重力知识图谱进行矿体品位模型训练，并对目标区域进行预测，所以实现了重力数据、地质知识与矿体品位之间内在关系的模型化表达，有效解决了现有技术依赖主观经验进行矿体评估的问题，进而实现了重力数据与矿体品位对应关系的量化建模，使矿体品位预测更为准确与高效。