本发明属于矿产资源储量估算领域,尤其涉及一种基于图卷积网络的矿石品位估值方法。
背景技术:
1、矿石品位建模的核心是对矿体内部空间未采样位置处的矿石品位值进行预测。设x为研究区域内任一待估点,则x处的矿石品位可表示为:
2、
3、其中:为是待估点的估计值(也就是克里格估计量);xi为待估点周边第i个最近的样品点;z(xi)为待估点范围内的第i个最近样品的品位值;λi为权重系数。
4、在矿石品位估值的常用方法——克里格方法中,最好的估计被认为应该是无偏的、方差最小的(最优条件)。即满足且当矿石品位z(x)的均值e[z(x)]=m已知,则称为简单克里格法,若z(x)的e[z(x)]未知,则称为普通克里格法。
5、普通克里格方法在矿石品位估值领域的应用最为广泛,下面对基本背景和原理进行说明。
6、取权重系数λi使得为zv(x)的无偏估计量(无偏条件),且估计方差最小(最优条件)。m为品位均值(未知);c(h)为协方差函数、γ(h)为变异函数。v为待估区域。
7、(1)无偏条件:
8、
9、
10、若要满足无偏性条件,需则无偏性条件为:
11、
12、(2)最优性条件,即估计方差最小条件,在满足无偏性条件下,有如下估计方差公式:
13、
14、要计算出在满足无偏性条件下使得估计方差最小的权重系数是个条件极值问题,对上述式子进行求导,令其导数为0即可。
15、从上述克里格的背景介绍可知:尽管克里格插值在许多空间插值问题中表现出色,但它也有一些缺点和限制,主要包括:
16、假设平稳性:克里格法假设估值空间中存在一定程度的平稳性,即半方差函数在空间上是常数。然而,在一些实际问题中,空间上的变异可能是非平稳的,从而导致插值结果的不准确性。
17、不适用于非线性关系:克里格插值基于线性空间相关性的假设,因此对于非线性关系的数据往往表现不佳。在某些实际情况下,数据之间的关系可能是复杂的非线性结构。
技术实现思路
1、本发明的目的在于提出一种基于图卷积网络的矿石品位估值方法,通过神经网络和图卷积操作考虑矿体内部空间矿石品位数据之间的复杂非线性和相关性特征,提高估值结果的准确率和可靠性。
2、为实现上述目的,本发明提供了一种基于图卷积网络的矿石品位估值方法,包括:包括:
3、对勘探工程的原始数据进行预处理;
4、基于图卷积网络构建矿石品位估值模型;
5、基于预处理后的所述原始数据,对所述矿石品位估值模型进行训练;
6、将未知数据输入至训练后的所述矿石品位估值模型,获取品位估值数据。
7、可选地,对原始数据进行预处理包括:
8、对所述原始数据进行归一化处理;
9、将归一化处理后的所述原始数据,转化为图结构数据。
10、可选地,转化为图结构数据包括:
11、基于归一化处理后的所述原始数据,构建空间数据图,所述空间数据图包括:节点和边;
12、确定所述空间数据图中的节点特征和边特征;
13、构建邻接矩阵,基于所述空间数据图和所述邻接矩阵,构成所述图结构数据;其中,所述邻接矩阵用于表示图的连接关系。
14、可选地,构建所述邻接矩阵包括:
15、计算所述空间数据图中节点之间的欧氏距离;
16、对于每个节点,基于节点之间的欧氏距离,选择若干预设欧氏距离的最近邻节点;
17、基于若干预设欧氏距离的最近邻节点,构建所述邻接矩阵;其中,在所述邻接矩阵中,如果节点i与节点j是若干邻域中的一对,则将邻接矩阵中的(i,j)和(j,i)元素设为1,表示存在边。
18、可选地,基于图卷积网络构建矿石品位估值模型包括:
19、将所述图卷积网络中的每一层定义为一个图卷积操作;
20、初始化权重矩阵,将邻接节点的特征进行聚合;
21、预设所述图卷积网络每一层的计算过程;
22、对所述图卷积网络设置若干堆叠的图卷积层,每一层的输出作为下一层的输入;
23、在所述图卷积网络中图卷积层的最后一层,添加一个全连接层,作为所述矿石品位估值模型的输出层,完成所述矿石品位估值模型的构建。
24、可选地,所述图卷积网络每一层的计算过程为:
25、
26、其中,h(k)是第k层的节点特征矩阵,每一行对应一个节点的特征,是对称归一化的邻接矩阵,a是原始邻接矩阵,i是单位矩阵,是的对角度矩阵,w(k)是第k层的权重矩阵,σ是激活函数。
27、可选地,所述矿石品位估值模型的输出层为:
28、output=relu(h(k)woutput+boutput)
29、其中:woutput是全连接层的权重矩阵,boutput是全连接层的偏置向量,relu是激活函数。
30、可选地,对所述矿石品位估值模型进行训练包括:
31、s1.预设目标函数;
32、s2.预设优化算法;
33、s3.使用反向传播算法计算所述目标函数对模型参数的梯度,其中,所述梯度表示所述目标函数关于参数的变化方向;
34、s4.根据预设优化算法,更新模型的权重和偏置;
35、s5.重复进行s3至s4,直到达到设定的迭代次数或损失函数收敛到一个预设阈值。
36、本发明具有以下有益效果:
37、本发明对原始数据进行预处理,将空间数据转换为图结构数据,充分考虑了相邻采样点之间的地质特征和品位变化;
38、本发明构建的矿石品位估值模型能够有效提取地质特征,使得估值模型能够更全面地捕捉矿石矿体内部的复杂特征,从而提高估值的准确性;
39、与传统的统计学方法相比,本发明的gcn模型在矿石品位估值上表现出更高的预测性能,减小了估值结果的偏差,提高了预测的精度。
1.一种基于图卷积网络的矿石品位估值方法,其特征在于,包括:
2.根据权利要求1所述的基于图卷积网络的矿石品位估值方法,其特征在于,对原始数据进行预处理包括:
3.根据权利要求2所述的基于图卷积网络的矿石品位估值方法,其特征在于,转化为图结构数据包括:
4.根据权利要求3所述的基于图卷积网络的矿石品位估值方法,其特征在于,构建所述邻接矩阵包括:
5.根据权利要求1所述的基于图卷积网络的矿石品位估值方法,其特征在于,基于图卷积网络构建矿石品位估值模型包括:
6.根据权利要求5所述的基于图卷积网络的矿石品位估值方法,其特征在于,所述图卷积网络每一层的计算过程为:
7.根据权利要求5所述的基于图卷积网络的矿石品位估值方法,其特征在于,所述矿石品位估值模型的输出层为:
8.根据权利要求1所述的基于图卷积网络的矿石品位估值方法,其特征在于,对所述矿石品位估值模型进行训练包括: