基于机器学习的成矿背景异常分解关键参数的自动计算

分形是地质矿产领域非线性计算的重要方法,GeoDAS软件是实现该方法的有效工具,因受限于软件的紧耦合性,目前难以整合人工智能等在线计算资源.为了充分发挥分形在地学大数据处理与智能分析中的作用,本文以成矿背景异常分解技术中异常下限(阈值)估计为研究目标,提出了一种利用机器学习中线性回归算法拟合数据实现阈值自动求取的方法,在ArcGIS Pro中采用Python基于机器学习框架实现了异常下限智能计算模块.采用GeoDAS软件自带砷(As)示例数据进行两种方法对比实验.实验结果表明:机器学习方法与GeoDAS的能谱密度面积(S-A)异常分解技术所得阈值的平均差小于8％,且最小差为2.35％.此外,根据最佳阈值对异常场圈定效果与软件处理后呈现效果基本一致或完全相同,验证了采用机器学习方法自动计算阈值下限方法的有效性.     

基于时空大数据的石油安全智能分析方法研究

传统石油安全战略分析方法存在数据更新不及时、处理复杂数据困难、效率较低等不足，难以适应大数据时代快速分析的要求.为了满足石油安全供应对多元异构大数据高效分析的需求，本文设计了涵盖石油全产业链与安全密切相关指标体系，即综合考虑生产、运输、储备、加工与消费等环节的多层次影响因素；提出了事件驱动的石油安全智能分析模式，当突发战争、公共卫生、天气、海盗、灾害等重大事件时，可对石油全产业链中一个或多个环节进行多角度的智能分析与挖掘.采用大数据、人工智能、云计算、物联网等技术手段，构建石油安全智能分析平台，通过时空大数据驱动自动计算石油安全相关环节造成的影响，从而实现一种面向石油安全的新型“事件-计算-响应-应对措施”工作模式.以马六甲海峡因多种事件造成通道阻塞为例，采用2021年中国从全球石油进口数据为基数，可“一键式”高效测算并以多种可视化形式实时展现2023年前6个月对全国及单一港口的海上石油进口影响.实验证明本方法是一种高效的石油安全战略分析方法，为新时代石油资源战略研究从定性分析向智能分析范式转变提供参考．