一种基于露头精细表征的虚拟钻孔建模方法及系统

技术领域

本发明涉及地质勘探技术领域，特别是涉及一种基于露头精细表征的虚拟钻孔建模方法及系统。

背景技术

在地质勘探和资源评估中，钻孔数据是获取地下地质信息的重要手段。然而，钻探作业成本高昂且耗时长，限制了钻孔数量和密度。现有的地质建模方法往往依赖于有限的钻孔数据，导致模型精度和可靠性不足。因此，需要一种成本效益高、能够提高地质模型精度的新型建模方法。

发明内容

为了克服现有技术的不足，本发明的目的是提供一种基于露头精细表征的虚拟钻孔建模方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于露头精细表征的虚拟钻孔建模方法，包括：

分别选取多个典型沉积地层点位，依据露头精细观测技术，刻画所述典型沉积地层点位的露头每层岩性、产状、厚度、延伸范围的分布特征；

根据所述分布特征建立各个垂向层序地层柱状图；所述垂向层序地层柱状图用于反映实际地层的垂向变化；

根据各个所述垂向层序地层柱状图与预设的样本钻孔岩芯柱构建建模数据集；

基于机器学习和插值运算方法，根据所述建模数据集构建三维地质模型。

优选地，还包括：

根据实时获取的露头数据对所述三维地质模型进行修正，以对所述三维地质模型进行实时修正。

优选地，分别选取多个典型沉积地层点位，依据露头精细观测技术，刻画所述典型沉积地层点位的露头每层岩性、产状、厚度、延伸范围的分布特征，包括：

部署无人机对所述典型沉积地层点位进行高分辨率摄影，使用倾斜摄影技术捕捉所述典型沉积地层点位的不同角度的影像；

对所述不同角度的影像进行处理，生成三维点云数据；

对所述三维点云数据进行分析，并根据所述分布特征绘制露头地层剖面图，记录岩层的顺序和特征，以得到所述分布特征。

优选地，对所述不同角度的影像进行处理，生成三维点云数据，包括：

基于计算机视觉算法对所述不同角度的影像进行特征检测，得到特征检测点；

对所述特征检测点进行特征匹配，以得到三维结构；

对所述三维结构进行预设的相机参数进行三维重建，得到所述三维点云数据。

优选地，基于机器学习和插值运算方法，根据所述建模数据集构建三维地质模型，包括：

对所述建模数据进行预处理，得到预处理数据；

对所述预处理数据进行特征选择，得到建模特征；所述建模特征包括：岩性、矿物含量、密度和磁性；

将所述建模特征输入至训练好的机器学习模型中，得到地质属性数据；

对所述地质属性数据进行差值，得到插值结果；

根据所述插值结果进行网格化转换，得到三维网格；

对所述三维网格进行平滑和细化，得到所述三维地质模型。

一种基于露头精细表征的虚拟钻孔建模系统，包括：

刻画模块，用于分别选取多个典型沉积地层点位，依据露头精细观测技术，刻画所述典型沉积地层点位的露头每层岩性、产状、厚度、延伸范围的分布特征；

柱状图建立模块，用于根据所述分布特征建立各个垂向层序地层柱状图；所述垂向层序地层柱状图用于反映实际地层的垂向变化；

数据集构建模块，用于根据各个所述垂向层序地层柱状图与预设的样本钻孔岩芯柱构建建模数据集；

模型构建模块，用于基于机器学习和插值运算方法，根据所述建模数据集构建三维地质模型。

优选地，还包括：

修正模块，用于根据实时获取的露头数据对所述三维地质模型进行修正，以对所述三维地质模型进行实时修正。

优选地，所述刻画模块包括：

部署单元，用于部署无人机对所述典型沉积地层点位进行高分辨率摄影，使用倾斜摄影技术捕捉所述典型沉积地层点位的不同角度的影像；

点云处理单元，用于对所述不同角度的影像进行处理，生成三维点云数据；

分析单元，用于对所述三维点云数据进行分析，并根据所述分布特征绘制露头地层剖面图，记录岩层的顺序和特征，以得到所述分布特征。

优选地，所述点云处理单元包括：

特征检测子单元，用于基于计算机视觉算法对所述不同角度的影像进行特征检测，得到特征检测点；

特征匹配子单元，用于对所述特征检测点进行特征匹配，以得到三维结构；

重建子单元，用于对所述三维结构进行预设的相机参数进行三维重建，得到所述三维点云数据。

优选地，所述模型构建模块包括：

建模数据预处理单元，用于对所述建模数据进行预处理，得到预处理数据；

特征选择单元，用于对所述预处理数据进行特征选择，得到建模特征；所述建模特征包括：岩性、矿物含量、密度和磁性；

机器学习单元，用于将所述建模特征输入至训练好的机器学习模型中，得到地质属性数据；

插值单元，用于对所述地质属性数据进行差值，得到插值结果；

网格化单元，用于根据所述插值结果进行网格化转换，得到三维网格；

模型建立单元，用于对所述三维网格进行平滑和细化，得到所述三维地质模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种基于露头精细表征的虚拟钻孔建模方法及系统，方法包括：分别选取多个典型沉积地层点位，依据露头精细观测技术，刻画所述典型沉积地层点位的露头每层岩性、产状、厚度、延伸范围的分布特征；根据所述分布特征建立各个垂向层序地层柱状图；所述垂向层序地层柱状图用于反映实际地层的垂向变化；根据各个所述垂向层序地层柱状图与预设的样本钻孔岩芯柱构建建模数据集；基于机器学习和插值运算方法，根据所述建模数据集构建三维地质模型。本发明通过高精度露头表征技术，可以在不进行实际钻探的情况下，以更低的成本和更高的效率建立精确的三维地质模型。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于露头精细表征的虚拟钻孔建模方法及系统，通过高精度露头表征技术，可以在不进行实际钻探的情况下，以更低的成本和更高的效率建立精确的三维地质模型。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例提供的方法流程图，如图1所示，本发明提供了一种基于露头精细表征的虚拟钻孔建模方法，包括：

步骤100：分别选取多个典型沉积地层点位，依据露头精细观测技术，刻画所述典型沉积地层点位的露头每层岩性、产状、厚度、延伸范围的分布特征；

步骤200：根据所述分布特征建立各个垂向层序地层柱状图；所述垂向层序地层柱状图用于反映实际地层的垂向变化；

步骤300：根据各个所述垂向层序地层柱状图与预设的样本钻孔岩芯柱构建建模数据集；

步骤400：基于机器学习和插值运算方法，根据所述建模数据集构建三维地质模型。

优选地，还包括：

根据实时获取的露头数据对所述三维地质模型进行修正，以对所述三维地质模型进行实时修正。

优选地，分别选取多个典型沉积地层点位，依据露头精细观测技术，刻画所述典型沉积地层点位的露头每层岩性、产状、厚度、延伸范围的分布特征，包括：

部署无人机对所述典型沉积地层点位进行高分辨率摄影，使用倾斜摄影技术捕捉所述典型沉积地层点位的不同角度的影像；

对所述不同角度的影像进行处理，生成三维点云数据；

对所述三维点云数据进行分析，并根据所述分布特征绘制露头地层剖面图，记录岩层的顺序和特征，以得到所述分布特征。

具体的，本实施例通过部署无人机对目标区域进行高分辨率摄影；使用倾斜摄影技术捕捉不同角度的影像，以获取三维信息；对拍摄的影像进行处理，生成高精度的三维点云数据。

进一步地，本实施例还应用有RTK(实时动态差分技术)，使用RTK GPS设备在地面进行精确定位，以辅助无人机影像的准确地面控制点设置，确保三维模型的空间位置精度

优选地，对所述不同角度的影像进行处理，生成三维点云数据，包括：

基于计算机视觉算法对所述不同角度的影像进行特征检测，得到特征检测点；

对所述特征检测点进行特征匹配，以得到三维结构；

对所述三维结构进行预设的相机参数进行三维重建，得到所述三维点云数据。

进一步地，本实施例分析无人机和RTK数据，识别不同层位的岩性、产状、厚度和延伸范围。绘制详细的露头地层剖面图，记录岩层的顺序和特征。依据观测数据，建立每个露头的垂向层序地层柱状图，确保柱状图精确反映实际地层的垂向变化；并根据地质背景和研究需求，选取多个具有代表性的沉积地层点位。在这些点位进行详细的露头观测和数据采集，建立多个典型的层序地层柱状图：对每个选定点位的数据进行处理，建立层序地层柱状图；确保每个柱状图都能够代表其所在地区的典型地层序列。

更进一步地，本实施例对露头数据与钻孔岩芯柱进行了结合：将露头的层序地层柱状图与已有钻孔岩芯数据结合。本实施例通过上述方法，能够增加数据样本数量，提高模型的精度和可靠性。

优选地，基于机器学习和插值运算方法，根据所述建模数据集构建三维地质模型，包括：

对所述建模数据进行预处理，得到预处理数据；

对所述预处理数据进行特征选择，得到建模特征；所述建模特征包括：岩性、矿物含量、密度和磁性；

将所述建模特征输入至训练好的机器学习模型中，得到地质属性数据；

对所述地质属性数据进行差值，得到插值结果；

根据所述插值结果进行网格化转换，得到三维网格；

对所述三维网格进行平滑和细化，得到所述三维地质模型。

具体的，本实施例根据建模特征选择适合的机器学习模型，如随机森林、支持向量机、神经网络等。并使用已知的地质数据训练模型，以便能够预测未知数据点的地质属性。最后使用交叉验证等方法评估模型的性能。

进一步地，本实施例选择合适的插值方法，如Kriging、径向基函数(RBF)、多元回归分析等，来估计未采样点的地质属性。并在三维空间中应用插值方法，生成连续的地质属性分布。

对应上述方法，本实施例还提供了一种基于露头精细表征的虚拟钻孔建模系统，包括：

刻画模块，用于分别选取多个典型沉积地层点位，依据露头精细观测技术，刻画所述典型沉积地层点位的露头每层岩性、产状、厚度、延伸范围的分布特征；

柱状图建立模块，用于根据所述分布特征建立各个垂向层序地层柱状图；所述垂向层序地层柱状图用于反映实际地层的垂向变化；

数据集构建模块，用于根据各个所述垂向层序地层柱状图与预设的样本钻孔岩芯柱构建建模数据集；

模型构建模块，用于基于机器学习和插值运算方法，根据所述建模数据集构建三维地质模型。

优选地，还包括：

修正模块，用于根据实时获取的露头数据对所述三维地质模型进行修正，以对所述三维地质模型进行实时修正。

优选地，所述刻画模块包括：

部署单元，用于部署无人机对所述典型沉积地层点位进行高分辨率摄影，使用倾斜摄影技术捕捉所述典型沉积地层点位的不同角度的影像；

点云处理单元，用于对所述不同角度的影像进行处理，生成三维点云数据；

分析单元，用于对所述三维点云数据进行分析，并根据所述分布特征绘制露头地层剖面图，记录岩层的顺序和特征，以得到所述分布特征。

优选地，所述点云处理单元包括：

特征检测子单元，用于基于计算机视觉算法对所述不同角度的影像进行特征检测，得到特征检测点；

特征匹配子单元，用于对所述特征检测点进行特征匹配，以得到三维结构；

重建子单元，用于对所述三维结构进行预设的相机参数进行三维重建，得到所述三维点云数据。

优选地，所述模型构建模块包括：

建模数据预处理单元，用于对所述建模数据进行预处理，得到预处理数据；

特征选择单元，用于对所述预处理数据进行特征选择，得到建模特征；所述建模特征包括：岩性、矿物含量、密度和磁性；

机器学习单元，用于将所述建模特征输入至训练好的机器学习模型中，得到地质属性数据；

插值单元，用于对所述地质属性数据进行差值，得到插值结果；

网格化单元，用于根据所述插值结果进行网格化转换，得到三维网格；

模型建立单元，用于对所述三维网格进行平滑和细化，得到所述三维地质模型。

本发明的有益效果如下：

本发明提供了一种新颖的虚拟钻孔建模方法，通过高精度露头表征技术，可以在不进行实际钻探的情况下，以更低的成本和更高的效率建立精确的三维地质模型。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。