-
公开(公告)号：CN117609848A
公开(公告)日：2024-02-27
申请号：CN202311211482.0
申请日：2023-09-19
Applicant: 昆明理工大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于深度学习矿产资源分类预测方法及系统，涉及地球信息科学技术领域，本发明使用深度学习中的卷积神经网络构成深度学习模型，利用现有的钨锡矿所在区域的位置信息、地质构造数据、岩性数据、地层数据和地貌地形数据作为样本集进行训练，利用训练好的深度学习模型，利用现有的地质图中的数据，对于可能产生钨锡矿的区域进行预测，从地质数据的层次对于钨锡矿的位置进行预测，将深度学习和土壤地球化学测量方法相结合，利用钨锡矿形成区域的土壤中标志性的元素的含量异常的特点，对于该区域是否含有钨锡矿进行深入的预测，与深度学习的结果相互验证，并使用伴生元素的含量值，对于钨锡矿的种类进行预测。
-
公开(公告)号：CN114203268A
公开(公告)日：2022-03-18
申请号：CN202111482670.8
申请日：2021-12-07
Applicant: 昆明理工大学
Abstract: 本发明公开了一种基于机器学习的地球化学数据的分类方法和装置，涉及地质勘探领域，针对现有的为地球化学找矿方法开辟新的技术的问题。现提出如下方案，其包括分类装置，所述分类装置包括主体，所述主体顶部设有数据接收器，所述数据接收器连接端设有多个数据探测器，所述主体外侧通过传输线缆分别连接有操作端和反馈端，所述主体通过互通器连接有数据库。通过多个数据探测器对区域内地区化学空间进行数据采集，充分把地球化学成岩成矿的地球化学模型概念同模式识别技术方法有机结合起来,根据不同成岩过程、不同成矿过程的地球化学元素组合特征变量所获取的分类结果,能揭示各种多层次的区域地质特征和成矿变化规律。
-
公开(公告)号：CN114185111A
公开(公告)日：2022-03-15
申请号：CN202111495517.9
申请日：2021-12-09
Applicant: 昆明理工大学
IPC: G01V11/00
Abstract: 本发明公开了一种利用矿化率指标实现矿产资源精准勘查快速评价方法，涉及牙科治疗器械领域，针对现有的新矿区的勘探、开发工作需要开展的问题。现提出如下方案，其步骤一：有色金属预查，对主要矿产区的数据进行全面的分析和研究，并通过提前探测和工程验证判断是否有有色金属存在；步骤二：地势区域分析，根据预查后数据进行地质的分析，预测矿产资源的开采远景，确定普查区和勘探方案。针对不同的区域进行实质分析、普查和详查后再进行勘探，并且在普查和详查过程中将数据进行整合后再次分析，对矿产资源的分布和面积有了准确的判断，为勘探方法提供方向和数据支持，确保最合适的勘探方法，提高勘探效率。
-
公开(公告)号：CN117238405B
公开(公告)日：2024-05-31
申请号：CN202311219804.6
申请日：2023-09-20
Applicant: 昆明理工大学
IPC: G16C20/70 , G06N3/0464 , G06N3/084 , G06N5/04 , G06F18/24
Abstract: 本发明提供一种基于深度学习的地球化学数据分析方法和装置，涉及地球化学数据分析方法技术领域，本发明通过构建基于卷积神经网络的深度学习模型，生成计算置信区间，将理想置信区间与计算置信区间进行比较，来对深度学习模型进行评估，预测该处可能存在的伴生矿，通过现有滑石矿所在区域的位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据、年龄数据构建深度学习模型，能够计算出滑石矿点地质的平均沉积速率，从而根据采集到的少量滑石样品的年龄来推断滑石矿所处地质的深度，同时，通过对深度学习模型的参数进行更新迭代，能够让深度学习模型计算出来的滑石矿深度更加接近实际的滑石矿深度，使得深度学习模型的预测结果更加精确。
-
公开(公告)号：CN117238405A
公开(公告)日：2023-12-15
申请号：CN202311219804.6
申请日：2023-09-20
Applicant: 昆明理工大学
IPC: G16C20/70 , G06N3/0464 , G06N3/084 , G06N5/04 , G06F18/24
Abstract: 本发明提供一种基于深度学习的地球化学数据分析方法和装置，涉及地球化学数据分析方法技术领域，本发明通过构建基于卷积神经网络的深度学习模型，生成计算置信区间，将理想置信区间与计算置信区间进行比较，来对深度学习模型进行评估，预测该处可能存在的伴生矿，通过现有滑石矿所在区域的位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据、年龄数据构建深度学习模型，能够计算出滑石矿点地质的平均沉积速率，从而根据采集到的少量滑石样品的年龄来推断滑石矿所处地质的深度，同时，通过对深度学习模型的参数进行更新迭代，能够让深度学习模型计算出来的滑石矿深度更加接近实际的滑石矿深度，使得深度学习模型的预测结果更加精确。
-
Patent Agency Ranking
公开(公告)号：CN115525727A
公开(公告)日：2022-12-27
申请号：CN202211261396.6
申请日：2022-10-14
Applicant: 昆明理工大学
Abstract: 本发明公开了一种敏捷型输电线路点云建模与分析系统，包括空间分析单元和动态模型优化处理单元，其特征在于：所述空间分析单元基于MapGIS平台将输电线路走廊区域GIS图层数据导入并与生产运行系统平台通过数据交互端口连接，实现空间分析模块轻量化；所述的动态模型优化处理单元调用空间分析单元的库函数，兼容Las、ASC、Dat格式的数据，将点云数据转化为对应的DEM、DOM或DSM切片图层，采用平滑滤波算法对转化后LADRA/LiDAR点云数据进行去噪处理；空间分析单元和动态模型优化处理单元部署方式为私有云简易嵌入方式。本发明可实现线路走廊环境及输电线路包含动态量的三维模型的快速生成，提升输电线路运行工况模拟的精度。
-
公开(公告)号：CN119442392A
公开(公告)日：2025-02-14
申请号：CN202411408186.4
申请日：2024-10-10
Applicant: 昆明理工大学
Abstract: 本发明提供一种热液矿床规模预测方法及系统，涉及热液矿床规模分析技术领域，本发明通过对目标矿区的热液矿床进行三维建模，并通过俯视图将其分割为多个单元区域，对每个单元区域的成矿预测变量进行定义，通过综合地质因素、地球化学因素、地球物理因素、环境与气候因素四个成矿预测变量对每个单元区域进行分析，对权重因子和成矿预测变量在单元区域上的作用影响程度进行相关性分析，生成反映每个单元区域的成矿规模系数的单元区域成矿规模度，并对成矿预测变量之间的交叉影响进行分析，最终生成反映目标矿区成矿规模大小的目标矿区成矿规模评价系数，从而输出目标矿区的规模程度。
-
公开(公告)号：CN119165040A
公开(公告)日：2024-12-20
申请号：CN202411233734.4
申请日：2024-09-04
Applicant: 昆明理工大学
IPC: G01N27/626 , G06F18/2433 , G06F18/15 , G06F18/214 , G06F18/21 , G06Q50/02
Abstract: 本发明提供一种快速圈定锡矿找矿靶区的方法及系统，涉及地球信息科学技术领域，本发明首先设定现有锡矿为目标区域，并在每个目标区域内均匀地采样，记录样品的物理特性，并生成样品的综合指标。接着获取目标区域的地球化学数据，计算样品中元素的相对丰度值，元素的相对丰度值和综合指标输入至训练好的空间分布模型中，生成每个样品的空间自相关指标，根据样品的空间自相关指标排序，从而筛选出具有高锡矿潜力的靶区。该方法显著提高了锡矿潜力区的识别效率，为矿产资源的可持续开发提供了可靠依据。
-
公开(公告)号：CN115510669B
公开(公告)日：2024-09-06
申请号：CN202211243085.7
申请日：2022-10-11
Applicant: 昆明理工大学
Abstract: 本发明公开了一种基于GIS模糊分析的输电线路地震损失评估方法，其特征在于，包括以下步骤：建立输电线路走廊设备重要度函数；进行精细化空间模拟；获取地震后输电线路走廊地质影响因素可视化数；常规栅格化方法表示各层数据，获取电网系统中可能受影响的输电设备信息矩阵；确定隶属函数；通过求解模糊综合评价指数计算出地质灾害发生后对该区域的输电线路影响度。本发明提供的输电线路地震损失评估方法，通过历史地震灾害与输电设备影响的相关性分析，结合输电线路实时潮流数据进行灾害动态评估，可提供对电网应急救灾的辅助决策支持，与现有技术相比，精准度及有效性均得到了提升，不仅提升了电网抗灾响应水平，还降低了后期工程投入成本。
-
公开(公告)号：CN117609848B
公开(公告)日：2024-07-19
申请号：CN202311211482.0
申请日：2023-09-19
Applicant: 昆明理工大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于深度学习矿产资源分类预测方法及系统，涉及地球信息科学技术领域，本发明使用深度学习中的卷积神经网络构成深度学习模型，利用现有的钨锡矿所在区域的位置信息、地质构造数据、岩性数据、地层数据和地貌地形数据作为样本集进行训练，利用训练好的深度学习模型，利用现有的地质图中的数据，对于可能产生钨锡矿的区域进行预测，从地质数据的层次对于钨锡矿的位置进行预测，将深度学习和土壤地球化学测量方法相结合，利用钨锡矿形成区域的土壤中标志性的元素的含量异常的特点，对于该区域是否含有钨锡矿进行深入的预测，与深度学习的结果相互验证，并使用伴生元素的含量值，对于钨锡矿的种类进行预测。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.021 seconds)
