CN119514887A 一种基于大数据分析的地质调查优化方法及系统 （山东省地质科学研究院）

一种基于大数据分析的地质调查优化方法本发明提供一种基于大数据分析的地质调2基于地形复杂度、历史调查数据中的难点与风险点以及交通可通过初始化距离和访问数组，不断选择未访问节点并更新利用深度学习模型中的卷积神经网络自动从预处理后的多维度数据中提取关键特征，使用预设的数据集和标签对深度学习模型进行训练，在训练过训练完成后，将预处理后的多维度数据输入到训练;3基于地质调查区域的特点，确定各个节点之间的实际成本权重，使随机选择成本矩阵中的两个不同节点对(i,)和(k,I)；对这两个节点对之间的成本进使用与当前解相同的评价函数计算新候选解c;是节点的数量；c[i]j]是当前的成本矩阵，表示节点i和节点之间的直接成4从数组dist[]中选择一个未被访问过的节点u，将节点u标记为已访问，即将visited遍历与节点u相邻的每个节点v，检查如果从起始点通过节点u到达节点选择对应的地质因素作为评价指标，计算各评价指标对资源分布根据地质构造特征、岩性条件和成矿规律，对重点调查对通过已知矿点的数据对资源预测模型进行验证，以得到验证结果；根据验证结利用优化后的资源预测模型对整个研究区域随机生成多个初始调查方案，每个方案代表一种采样点布置根据适应度函数评估种群中每个个体的优劣，并选择对应的个体;5定的网格上进行采样所产生的平均成本；表示总调查时间，表示完成整个地质调查方案分析模块，用于利用卷积神经网络自动提取预处理后的多维度数据中的关键地质特6[0004]本发明要解决的技术问题是提供一种基于大数据分析的地质调查优化方法及系通过初始化距离和访问数组，不断选择未访问节点并更新其相邻节点对应的距[0006]进一步的，利用卷积神经网络自动提取预处理后的多维度数据中的关键地质特7利用深度学习模型中的卷积神经网络自动从预处理后的多维度数据中提取关键建一个NXN的初始成本矩阵C，其中，N是节点的数量，初始成本矩阵中的元素随机选择成本矩阵中的两个不同节点对(i,)和(k,I)；对这两个节点对之间的成使用与当前解相同的评价函数计算新候选解c8是节点的数量；c[i]j]是当前的成本矩阵，表示节点i和节点之间的直接成本；a是一个距离系数；表示节点i和节点之间的地理距离；u是高度系数；从数组dist[]中选择一个未被访问过的节点u，将节点u标记为已访问，即将9每个选定的网格上进行采样所产生的平均成本；表示总调查时间，表示完成整个[0020]图1是本发明的实施例提供的一种基于大数据分析的地质调查优化方法的流程示步骤13，利用卷积神经网络自动提取预处理后的多维度数据中的关键地质特征，分析的计算量。步骤131，利用深度学习模型中的卷积神经网络自动从预处理后的多维度数据中化CNN模型的权重和偏置参数，使用随机初始化或预训练模型进行初始化；使用训练集对[0029]步骤133，训练完成后，将预处理后的多维度数据输入到训练后的深度学习模型对通过深度学习模型提取出的地质构造特征进行详细的分析，这包括岩层走向、[0032]基于特征分析的结果，选择一个或多个具有代表性的地点作为地质调查的起始f能够更好地反映潜在风险对成本的影响。这有助于在规划和决策过程中更全面地评估风建一个NXN的初始成本矩阵C，其中，N是节点的数量，初始成本矩阵中的元素随机选择成本矩阵中的两个不同节点对(i,)和(k,I)；对这两个节点对之间的成使用与当前解相同的评价函数计算新候选解c其中每个元素代表地质调查区域中两个节点之间的优化后是节点的数量；c[i]j]是当前的成本矩阵，表示节点i和节点之间的直接成本；是一个距离系数；ptao表示节点i和节点之间的地理距离；u是高度系数；等评估不同参数配置下的模型表现，选择表现最佳的模型作为最终的矿产资源评价模频繁出现且品位较高，那么这种岩性对矿产资源的贡献度就较大。同样地，分析构70%_30%的比例划分为训练集和测试集，使用随机数生成器确保数据划分的随机性和代表每个选定的网格上进行采样所