基于矿产资源利用现状动态信息的储量预测方法

doi:10.11720/wtyht.2025.1370

基于矿产资源利用现状动态信息的储量预测方法

杨培^,

广东省矿产资源储量评审中心, 广东广州 510080

Reserve prediction method based on the dynamic information on the utilization status of mineral resources

YANG Pei^,

Guangdong Mineral Resource Reserves Evaluation Center, Guangzhou 510080, China

第一作者: 杨培(1986-),女,湖北武汉人,大学本科,高级工程师,主要从事矿产资源管理工作。Email:yangpei785126@163.com

收稿日期: 2024-09-9 修回日期: 2025-03-25

基金资助:

广东省智慧自然资源—矿产资源储量监测管理服务项目(粤政数函[2022]59号)
2020年度广东省自然资源事务专项“储量动态监测”项目(粤自然资矿管[2020]3号)

Received: 2024-09-9 Revised: 2025-03-25

摘要

由于矿产资源数据具有动态性和多维性,使得矿产资源利用现状的信息难以准确反映实际利用情况,进而导致矿产资源量预测结果不准确。为此,本研究提出基于矿产资源利用现状动态信息的储量预测方法,对矿产资源勘查数据进行格式转换和编码处理,并将其输入到GIS系统中,利用GIS技术将数据划分为空间数据和属性数据,由此确立资源利用现状管理体系,引入全关系型数据库实现对矿产资源利用现状的管理。然后,结合地质三维模型计算成矿有利度,从而圈定成矿靶区,以此为依据,构建品位—吨位模型,并采用统计取样理论预测矿区资源储量。实验结果表明,应用该方法预测的矿产储量与实际储量相一致,说明该方法预测准确度相对较高。

关键词： 矿产资源; 资源信息管理; 储量预测; 地质模型; 数据库

Abstract

Due to the dynamic and multidimensional properties of mineral resource data, the information on the utilization status of mineral resources fails to accurately reflect the actual utilization status of mineral resources, leading to inaccurate predictions of mineral resources. Therefore, this study proposed a reserve prediction method based on the dynamic information on the utilization status of mineral resources. The exploration data of mineral resources, subjected to format conversion and encoding, were input into the geographic information system (GIS). They were categorized by the GIS into spatial and attribute data, thereby establishing a resource utilization status management system. A fully relational database was introduced to manage the utilization status of mineral resources. A 3D geological model was employed to calculate the ore-forming favorability and delineate the mineralization target area. Based on this, a grade-tonnage model was constructed. Finally, the statistical sampling theory was applied to predict the resource reserves in the mining area. The experimental results demonstrate that the mineral reserves predicted using the proposed method aligned with the actual reserves, indicating a relatively high prediction accuracy.

Keywords： mineral resources; resource information management; reserve prediction; geological model; database

PDF (3159KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

杨培. 基于矿产资源利用现状动态信息的储量预测方法[J]. 物探与化探, 2025, 49(6): 1411-1417 doi:10.11720/wtyht.2025.1370

YANG Pei. Reserve prediction method based on the dynamic information on the utilization status of mineral resources[J]. Geophysical and Geochemical Exploration, 2025, 49(6): 1411-1417 doi:10.11720/wtyht.2025.1370

0 引言

随着矿产资源的不断开采,有效管理矿产资源的利用现状信息和准确预测未来储量已成为亟待解决的问题。传统的储量预测方法受到勘查数据的限制和地质条件的不确定性,预测结果往往不够准确,无法满足资源规划和战略部署的需要^[1]。因此,研究矿产资源的利用现状信息管理和储量预测方法尤为重要。

王成彬等^[2]收集地质勘查数据,构建矿化勘查系统中用于矿产预测的多时相全要素知识图。利用构建的知识图,建立勘查预测模型,并对矿产资源进行定量预测。该方法可以自动整合和分析大量地质勘查数据,减少人工干预,提高预测过程的智能化和自动化水平。但该方法在数据采集和整合过程方面存在困难,导致累积误差较大,无法保证预测结果的可靠性。Ding等^[3]利用Siamese网络对地质勘查数据进行特征学习,并使用暹罗网络计算地质数据间的相似性。基于相似性评估的结果,生成矿产预测图或报告。该方法可以自动提取地质数据的特征表示,大大提高了矿产预测的效率。然而,网络的性能受到多种超参数的影响,通常需要多次实验来确定最佳组合,使得该方法的实际应用受限。郑孝诚等^[4]利用卷积神经网络算法构建矿产预测模型, 使用已知矿床的地质数据作为输入数据,通过反向传播算法输出未知矿区的矿产资源量。该方法泛化能力强,可以很好地适应不同地质背景和矿化环境的预测需求,但该方法存在过拟合风险,导致预测结果准确率偏低。Babii等^[5]利用扫描电子显微镜、能量色散谱等先进的矿物分析技术,分析矿物之间的共生关系,基于克里金插值和协同克里金等地质统计学方法,构建尾矿含铁石英岩富集区矿物成分的空间分布预测模型。然而,矿物成分的空间分布受到各种因素的影响,这些因素的不确定性可能会导致该方法的预测结果出现一定的误差。曾小龙等^[6]对收集到的数据进行预处理,以消除影响预测准确性的因素,采用K-Means++算法对地质构造进行聚类分析,并采用随机森林算法建立不同地层类型的钻井速度预测模式,进一步结合KNN模型实现储量预测。该方法适应性广,即使在没有钻探数据的地区,也可以根据地质情况选择类似地区的参数进行预测和后续校正。然而,如果数据中存在缺失或重大错误,可能会影响模型的预测性能。

基于此背景,为提高矿产资源量预测的准确度,本研究旨在通过引入先进的信息管理技术和创新的预测方法,实现对矿产资源利用现状的实时监测和动态分析,提高信息管理的准确性和及时性。

1 储量预测方法设计

1.1 矿产资源利用现状信息管理数据库构建

矿产资源利用现状信息管理数据库的构建为储量预测提供了重要的数据基础。通过收集、整理、存储和管理各类矿产资源数据,形成一个全面、准确、及时的信息平台数据库,为储量预测提供所需的地质、矿产、开采等方面的数据支撑。

本研究采用GIS技术确立矿产资源利用现状管理体系,并通过数据分类组织和规划,构建管理数据库,以实现信息数据的共享、通信以及并发控制,为后续矿产资源储量预测提供数据基础。

将地质勘查报告、采矿活动记录以及遥感监测数据等数据源,根据数据性质将其分类为空间数据和属性数据两大类别。空间数据与矿产空间位置和空间关系有关;属性数据与矿产资源空间实体属性有关^[7]。将这两类数据进行格式转换与编码,使其能够被GIS识别与处理。该过程可表示为:

(1)E_s=$\frac{{F}_{t}}{{v}_{t}}$×lg$\frac{{\alpha }_{g}}{{q}_{w}}$,

式中:E_s表示转换后的数据;v_t表示第t个矿产资源开采点;α_g表示编码系数;q_w表示转换矩阵;F_t表示格式规范化函数,其计算方式如下:

(2)F_t=$\frac{{\mu }_{0}}{{x}_{0}}$×$\frac{{\vartheta }_{c}}{{d}_{k}}$,

式中:μ₀表示数据清洗函数;x₀表示编码规则;ϑ_c表示属性向量;d_k表示第k类数据的有效长度。

将转换后的矿产资源数据输入到GIS系统中,结合矿山开发的特点和矿层分类原则,将矿山土地利用形状分为开采现状层和开发规划层^[8],由此建立矿产资源利用现状管理体系。具体如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 矿产资源利用现状管理体系

Fig.1 Management system for mineral resource utilization status

基于矿产资源的空间数据与属性数据之间的关联,对数据进行更深层次的细分,并利用全关系型数据库的管理方式来构建数据库^[9],如表1所示。

表1 管理数据库

Table 1 Managing databases

数据类型	字段名称	字段类型	字段长度
空间数据	矿产名称	VARCHAR	255
	地理位置	VARCHAR	4
	品位	DECIMAL	255
	开发利用现状	VARCHAR	100
	勘查时间	DATE	-
	坐标系统	VARCHAR	50
	形态描述	TEXT	-
属性数据	矿区范围	VARCHAR	50
	开采期限	DATE	18
	已开采量	DECIMAL	2
	地质情况	TEXT	100
	矿产资源ID	INT	200
	矿种	VARCHAR	100
	倾向	DECIMAL	10
	平均厚度	DECIMAL	10

新窗口打开| 下载CSV

将经过格式转换和编码处理后的矿产资源勘查数据输入到GIS系统中,结合矿产资源的空间数据和属性数据确立资源利用现状管理体系,引入全关系型数据,库实现矿产资源利用现状管理,便于后续矿产储量预测。

1.2 矿产资源靶区圈定

为实现对研究区域地质矿产资源储量的精准预测,首先需要在有利于成矿的构造区域中识别并划定那些具备良好成矿条件、可能蕴藏有工业矿床或矿体的地区,确定潜在的矿产资源分布范围以为后期找矿和储量预测奠定基础。

结合矿产资源利用现状管理数据库和研究区域地质、地球物理和地球化学等数据,明确区域的构造特征和矿化信息,建立地质三维模型^[10]。在模型中,利用主成分分析法选定高产量矿物元素,并计算元素对应的地球化学异常下限,即:

(3)C_r=$\sum _{j=1}^{m}\frac{{\beta }_{x}}{{k}_{e}}$×exp$\left(-\frac{{\theta }_{f}}{{A}_{c}}\right)$,

式中:m表示识别的矿物元素数量;β_x表示地表辐射率;k_e表示矿产品位分级个数;θ_f表示矿区变程;A_c表示计算矩阵。

将各类空间信息数据进行整合,得到地质变量权系数^[11],计算公式如下:

(4)$d_{i}=\frac{C_{r} \times \varpi_{g} \times a_{s}}{l_{0}}$,

式中:$\varpi_{g}$表示多变量非线性函数;a_s表示控矿因素集合;l₀表示矿区的等效长度。

将地球化学异常下限低于指定值的区域初步确定为找矿靶区,并对其进行地质填图和地球化学勘探,以获取靶区的成矿有利度^[12],计算公式为:

(5)S_u=$\frac{{h}_{0}{d}_{i}}{{\eta }_{k}}$×$\sqrt{\frac{\Vert {\iota }_{u}{\Vert }^{2}{r}_{t}}{{w}_{o}}}$,

式中:S_u表示成矿有利度函数;h₀表示正对角加权矩阵;η_k表示矿区背景值的标准差;ι_u表示根据矿产品位置信水平确定的系数;w_o表示矿石密度;r_t表示地表某点的磁异常值。

利用上述过程对靶区进行优化,将成矿有利度高于预设阈值的靶区确定为最终靶区,完成成矿靶区的圈定,为进一步的研究工作创造条件。

1.3 矿产资源储量预测

采用优化后的成矿靶区建立矿产资源的品位—吨位模型^[13],表达式为:

(6)Ω=$\frac{{S}_{u}}{\sqrt{‖\frac{{\nu }_{c}}{{g}_{d}}‖}}$×$\frac{{z}_{s}}{{\varphi }_{x}}$,

式中:S_u表示成矿有利度函数;ν_c表示矿石平均厚度;g_d表示品位大于d的矿石所占的比例;ϕ_x表示参考品位;z_s表示模型控制参数。

假设矿石品位分布服从正态分布^[14],则品位的概率密度函数可表示为:

(7)f(x)=Ω×ψ₀×H_i×y_n,

式中:ψ₀表示品位均值;H_i表示品位标准差;y_n表示半变异函数,其计算方法为:

(8)y_n=$\frac{{b}_{j}}{{Z}_{a}}$,

式中:b_j表示矿山角度容差;Z_a表示叠加标度函数。

基于统计取样理论,结合区域成矿靶区的采样信息^[15],利用随机变量概率函数预测研究区域的矿产资源储量,计算公式为:

(9)X_w=$\frac{f\left(x\right)}{{c}_{f}}$·$\sqrt{\left|\frac{{\lambda }_{g}·{\chi }_{p}}{{\kappa }_{s}}\right|}$,

式中:X_w表示区域内矿产资源储量预测值;c_f表示随机变量矩阵;λ_g表示地质三维模型中单元块的体积;χ_p表示区域内的夹石率;κ_s表示一阶滞后变量。

综上所述,基于矿产资源利用现状动态信息的储量预测方法的流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 储量预测流程

Fig.2 Reserve prediction process

矿产资源信息管理预测软件系统界面如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 矿产资源信息管理预测软件系统界面示例

Fig.3 Example of interface for mineral resource information management and prediction software system

2 实例论证分析

为验证基于矿产资源利用现状动态信息的储量预测方法在实际工作中的应用效果,将本文方法初步应用在某矿区中,并对其进行矿产资源利用现状信息管理以及储量预测,根据实验结果分析该方法的应用效果。

2.1 研究区域概况

以广东凤凰岭矿区为研究对象,该矿区坐落于地质活动频繁、成矿环境优越的区域,主要矿产资源为建筑所用的片麻岩(含少量花岗岩等)。矿区规划总面积为21.086 km²,分期进行开发。

该区域的主要构造特征表现为以NE-SW方向为主的断层构造占据主导地位,NW-SE方向的断层为次要构造特征。这些断裂带不仅控制着矿体的空间分布,而且还是热液活动的通道,在成矿中起着关键作用。通过详细的地质测绘和钻探数据分析,已确认矿区至少有3条大型控矿断层,编号分别为F₁、F₂和F₃。其中,F₂断层是矿体的主要控矿构造。矿体的厚度从1~20 m不等,平均厚度约为8 m。在某些区域存在矿体厚度快速变化的现象,例如尖灭和分支复合等。

矿体呈脉状、层状,且严格受F₂断层控制,走向NE,倾角SE,倾角变化较大,范围在25°~65°,平均倾角约为45°。矿体在平面上呈“S”形弯曲,呈复杂的豆状或透镜状横截面,显示出强烈的构造改造痕迹,该矿区的基本概况如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 研究区矿产资源开发利用概况

Fig.4 Overview of the study area on the development and utilization of mineral resources in the research area

为便于分析与实验,以该研究区域的南部矿层为测试研究目标。剖面主要沿构造线或矿体走向进行切绘,剖面编号为01-01,起点坐标为(100,200,30),终点坐标为(200,50,150)。剖面揭示了3个地层单元:风化层、砂岩夹页岩和含矿层,厚度分别为1.3 m、1.6 m和2.5 m。剖面方向为NE—SW向,面积为4.8 km²,海拔为36~126 m。

研究区域南部矿层剖面如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 研究区域南部矿层剖面

Fig.5 Profile of the southern ore layer in the research area

2.2 实验准备

利用遥感技术采集研究区的矿产资源数据,并通过处理与分类,得到空间数据和属性数据,借助GIS系统构建矿产资源利用现状管理数据库,如表2所示。

表2 研究区域矿产资源开发利用信息

Table 2 Information on the development and utilization of mineral resources in the research area

序号	项目	描述
1	矿产资源类型	片麻岩(含少量花岗岩等)
2	已开采量/t	1.32
3	利用率/%	85
4	年开采量/t	11.2
5	主要矿体特征	矿品位高,易于开采
6	回采率/%	70
7	开采期限/年	45

新窗口打开| 下载CSV

根据测区的地质构造特征和矿化信息构建三维地质模型,并基于模型与地球化学异常值对成矿靶区进行圈定,结果如图6所示。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 地质三维模型和矿区靶区圈定

Fig.6 Geological 3D model and delineation of mining target area

实验环境的硬件平台为服务器集群配备多核CPU、大容量内存和SSD阵列,以确保高效的数据处理和模型计算。软件平台包括操作系统Linux CentOS 7.x、数据库管理系统、数据分析和编程工具Python 3.8和地理信息系统软件平台ArcGIS 10.8,用于地图制作、空间数据分析和可视化显示。实验过程为:利用地质调查、无人机、卫星遥感影像等手段收集地质、地球物理、地球化学等多源数据,将预处理后的数据存储在PostgreSQL数据库中,并构建矿产资源数据库,利用GIS软件进行空间分析和数据可视化;根据历史数据和专家知识,选择对储量有影响的控矿特征,使用Python脚本构建储量预测模型,对测区矿产资源储量进行预测;使用GIS软件在地图上输出预测结果。

基于以上实验准备和过程,对该研究区域的矿产资源量进行预测,以分析本文论述方法的预测性能。

2.3 矿产资源储量预测结果与分析

实验采用对比的形式进行,选取当前较为成熟的基于本体指导的方法^[2](方法1)、基于卷积神经网络的方法^[4](方法2)作为对照组方法,本文方法作为实验方法,并采用3种方法分别对该测区的矿产资源量进行预测,结果如图7所示。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 矿产资源储量预测结果

Fig.7 Prediction results of mineral resource reserves

根据图7可知,本文提出的矿产资源储量预测方法具有较高的预测准确度,得到的储量预测值与实际值基本一致,而方法1和方法2的预测结果与真实值之间存在较大误差。由此可以证明本文方法在实际应用中具有可靠性。

2.4 对比实验与分析

在上述实验基础上,为综合体现本文方法在矿产资源量预测精度方面的优异性能,采用“稳定裕度”这一指标对不同预测方法的性能进行评估。稳定裕度越高,代表相应方法得到的预测结果与实际值的拟合程度越高,预测准确度越高。对比结果如表3所示。

表3 3种方法预测结果对比

Table 3 Comparison of three methods for predicting results

块段品位/%	稳定裕度
块段品位/%	方法1	方法2	本文方法
0.1	0.54	0.66	0.87
0.2	0.57	0.75	0.92
0.3	0.49	0.80	0.85
0.4	0.66	0.57	0.90
0.5	0.70	0.63	0.88
0.6	0.69	0.58	0.97
0.7	0.57	0.75	0.95
0.8	0.40	0.81	0.92
0.9	0.55	0.69	0.94
1.0	0.47	0.77	0.99

新窗口打开| 下载CSV

通过分析表3中的数据可知,与其他两种方法相比,本文方法预测结果的稳定裕度更高,表明本文方法的预测结果更加准确,在预测精度方面具有显著优势,可以满足实际应用需求。

3 结束语

本研究综合应用了数据库技术和地质统计学原理,实现了多专业地质数据的高效集成与智能分析,不仅显著提高了矿产资源管理的精细化水平,而且提高了储量的科学预测准确性。该方法的应用能够为政府决策和企业规划提供全面、实时的矿产资源信息支持,有助于优化资源配置,促进采矿业的可持续发展。同时,通过提前预测矿产资源储量变化趋势,可以为矿产资源勘探开发提供前瞻性指导。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

叶育鑫, 刘家文, 曾婉馨, 等.

基于本体指导的矿产预测知识图谱构建研究

[J]. 地学前缘, 2024, 31(4):16-25.