面向智慧矿山的智能型克里格储量估算法研究

发布时间：2017-07-29 03:11

  本文关键词：面向智慧矿山的智能型克里格储量估算法研究

  更多相关文章： 智慧矿山 克里格储量估算 智能算法 地质统计学 并行计算

【摘要】：随着人类社会的向前发展,地质采矿条件越趋复杂、生产系统日益庞大、采掘环境复杂多变,而人们对矿山的包括安全、生产、自动化、监测监控等方面的要求日益增多,传统的矿山建设模式已经不能满足上述要求,亟需全新的实施体系和管理方法,构建绿色环保,智能化理念的智慧矿山,其中也包括储量估算方法的创新。从目前情况看,传统的储量估算方法不能应对复杂海量数据背景下的矿山环境,难以支持“智慧矿山”建设,亟待研究和开发出高性能、高精度的新一代储量估算方法。基于这一认识,本文针对复杂的矿山地质条件及其海量数据环境,开展了一系列的探索性研究,尝试开发出一套具有智能特征的新型克里格储量估算方法,并通过实践检验其可行性。本文的研究从传统克里格储量估算的概念模型出发,综合分析了所涉及的数据获取层、模型构建层、储量计算层、结果输出层的关键步骤和实施方法,并在此基础上引入遗传算法、动态规划和并行GPU计算等前沿技术,构建了智能克里格储量估算概念模型。通过分析智慧矿山的核心特征,以及智慧矿山搭建的三个关键步骤：物联化、互联化、智能化,将智能克里格储量估算概念模型融入智慧矿山的三层架构中去,形成了面向智慧矿山的智能克里格储量估算实施方案。在此基础上,对智能化层所需要的智能过程做了重点论述。首先,针对克里格计算流程中关键的变差计算的智能化问题,采用了通过优化搜索的方式对样品整体并行计算,采用局部输出的方式来加速实验变差函数的计算过程,采用遗传算法自动拟合的步骤来提高计算结果的精度；其次,对整个智能储量估算过程需要用到的诸如三维建模技术、矿体储量动态计算技术、空间克里格快速插值技术、最佳边界品位动态计算技术,以及估算结果的三维模型空间切割技术等做了论述。最后,基于石门寺钨铜矿区的数据做了系统的应用试验,并对所构建的方案做了系统验证。本文的主要研究内容包括：(1)分析智能型克里格储量估算系统的作用及对于智慧矿山建设的必要性；研究数据处理流程和对数据传输的需求,确定系统的功能结构与逻辑结构。(2)根据克里格法的三维储量估算流程,结合智慧矿山系统工程的构架特点,研究面向智慧矿山的智能型克里格法储量估算框架及其算法。(3)研究智能型克里格储量估算法所涉及的智能应用问题,并分析其智能算法,建立用于储量估算的数据管理与应用的初步方案。(4)研究智能型克里格储量估算过程中的变差函数优化算法,分析传统实验变差函数的局限性,对关键计算步骤采用基于GPU的并行计算方案,并重点研究并行方案在实验变差函数计算的不足之处,设计新的求解策略和求解框架。(5)研究智能型克里格储量估算法的实验变差函数理论拟合优化算法。在分析拟合过程的特点和性能的基础上,研究采用智能算法进行拟合的结果优化问题。即采用以滞后距倒数为权系数的线性规划法建立目标函数,再用遗传算法进行自动拟合求解。(6)以石门寺钨铜矿的钻孔和地质剖面等数据为依托,构建了该矿区的三维地质模型,探讨了三维地质建模技术在智能储量估算中的作用。(7)设计并开发出智能型克里格储量估算系统,并利用石门寺钨铜矿的实际数据进行储量估算实验,验证本文理论、方法和技术的可行性。综上所述,本文通过理论研究、技术开发和实际应用,提出了一个面向智慧矿山的智能克里格储量估算实施方案和软件系统,从储量估算动态化、自动化和智能化角度,为智慧矿山建设提供了技术支持,并提供了一个全新高效的储量估算新策略,同时通过应用实例,验证了方法的可行性。综上所述,本项研究主要的创新点为：(1)将多种自动乃至智能方法进行有机融合,提出一种面向智慧矿山的智能克里格储量估算方法,该方法可以支持不同环境和不同矿种的矿产储量关于遗传算法、动态规划等智能计算,从一个特定角度为智慧矿山建设及应用提供了新的途径。(2)针对来源复杂且数据量大的矿山品位数据,提出了一套智能变差计算解决方案,包括对实验变差函数进行优化搜索、以并行计算方式进行快速输出和对输出结果采用遗传算法自动拟合等,克服了传统的实验变差函数计算速度慢且理论拟合高度依赖专家经验的缺点。(3)提出了矿体三维储量估算成果中的块体模型空间切割成图算法,克服了传统克里格储量估算结果单一的弊端,并充分利用了矿体三维块体模型中的成果信息,为后期的储量动态估算及矿山开采提供指引。本文所取得的研发成果,对实现储量估算自动化和开展智慧矿山建设有一定的促进作用,目前已经被引用到“数字*矿勘察系统设计与开发”项目中的“三维多方法储量估算子系统”课题中。
【关键词】：智慧矿山 克里格储量估算 智能算法 地质统计学 并行计算
【学位授予单位】：中国地质大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：P624.7
【目录】：

• 作者简历7-8
• 摘要8-10
• ABSTRACT10-19
• 第一章 绪论19-27
• 1.1 研究的背景和意义19-20
• 1.2 国内外研究现状20-22
• 1.2.1 智慧矿山研究现状21
• 1.2.2 地质统计学储量估算研究现状21-22
• 1.2.3 研究现状小结22
• 1.3 面临的主要问题22-23
• 1.4 研究内容与技术路线23-26
• 1.4.1 研究内容23-24
• 1.4.2 拟解决的关键问题24
• 1.4.3 技术路线24-26
• 1.5 本章小结26-27
• 第二章 基于克里格的智能储量估算27-46
• 2.1 克里格储量估算模型概念框架27-33
• 2.1.1 数据获取层27-29
• 2.1.2 模型构建层29-31
• 2.1.3 储量计算层31-32
• 2.1.4 结果输出层32-33
• 2.2 储量估算智能算法与并行加速33-38
• 2.2.1 遗传算法34-35
• 2.2.2 动态规划35-37
• 2.2.3 并行计算与GPU37-38
• 2.3 智能克里格储量估算38-45
• 2.3.1 常见的空间品位插值技术比较38-39
• 2.3.2 常规方法的局限性与智能储量估算的必要性39-40
• 2.3.3 智能克里格储量估算概念模型40-45
• 2.4 本章小结45-46
• 第三章 智能克里格与智慧矿山混合架构46-57
• 3.1 智慧矿山的系统组成46-51
• 3.1.1 智慧矿山核心特征47-48
• 3.1.2 智慧矿山系统结构48-51
• 3.2 基于智能克里格的智慧矿山构建51-56
• 3.2.1 智慧矿山与克里格储量估算融合的概念框架52-53
• 3.2.2 面向智慧矿山的智能型克里格储量估算实施过程53-56
• 3.3 本章小结56-57
• 第四章 空间智能变差函数计算方案设计与实现57-78
• 4.1 三维空间试验变差函数57-61
• 4.1.1 方向约束59-60
• 4.1.2 距离约束60
• 4.1.3 三维稳健实验变差函数结果的调试60-61
• 4.2 GPU加速的并行设计61-64
• 4.3 整体到局部的优化方案64-72
• 4.3.1 约束分析64-65
• 4.3.2 整体计算与新样品库设计65-66
• 4.3.3 局部输出66-67
• 4.3.4 算法实现67-72
• 4.4 遗传算法理论拟合72-77
• 4.4.1 遗传算法拟合背景72
• 4.4.2 遗传算法的基本原理72-77
• 4.5 本章小结77-78
• 第五章 智能储量估算法构建的关键技术78-120
• 5.1 矿体储量动态计算78-91
• 5.1.1 动态储量计算的概念模型79-80
• 5.1.2 三维地质模型建立与初始储量计算80-86
• 5.1.3 矿体采空区模型动态更新86-89
• 5.1.4 模型局部动态更新89-91
• 5.2 网格快速克里格插值技术91-100
• 5.2.1 空间嵌套网格剖分算法92-94
• 5.2.2 克里格插值矩阵94-96
• 5.2.3 基于嵌套网格的插值算法96-100
• 5.3 最佳边界品位的动态计算100-104
• 5.3.1 实施方法介绍100-101
• 5.3.2 具体实施步骤101-104
• 5.4 储量结果三维模型空间切割分析104-111
• 5.4.1 切割步骤104-106
• 5.4.2 具体实施方式106-111
• 5.5 智能型克里格储量计算软件的系统集成111-118
• 5.5.1 智能克里格的技术集成113-115
• 5.5.2 智能克里格的数据集成115-116
• 5.5.3 智能克里格的应用集成116-118
• 5.6 本章小结118-120
• 第六章 面向智慧矿山的智能储量估算应用120-142
• 6.1 应用实例120-141
• 6.1.1 智慧矿山物联化-数据读取121-126
• 6.1.2 智慧矿山物联化-数据分析处理126-128
• 6.1.3 智慧矿山互联化128-132
• 6.1.4 智慧矿山智能化-算法比对132-137
• 6.1.5 智慧矿山智能化-结果输出137-141
• 6.2 本章小结141-142
• 第七章 总结与展望142-146
• 7.1 论文总结142-143
• 7.2 待进一步研究的工作143-144
• 7.3 展望144-146
• 致谢146-148
• 参考文献148-157

【参考文献】

中国期刊全文数据库 前3条

1 王莉;杜久升;景海涛;;智慧矿山空间数据库建设研究[J];工矿自动化;2014年12期

2 孙豁然;徐帅;;论数字矿山[J];金属矿山;2007年02期

3 李德仁,李清泉;一种三维GIS混合数据结构研究[J];测绘学报;1997年02期

，

本文编号：587212