地浸采铀中铀浓度智能预测方法、装置、设备及存储介质与流程

1.本发明涉及地浸采铀技术领域，具体而言，涉及地浸采铀中铀浓度智能预测方法、装置、设备及存储介质。


背景技术：

2.在地浸采铀中，由于矿层埋藏于地下，处于灰箱状态，现有技术无法准确刻画矿物和渗透率空间非均匀分布，使得数值模拟预测结果与地浸采铀实测数据之间存在较大偏差。构建具有自我调节能力的地浸采铀过程开采井铀浓度的预测模型，是地浸采铀模拟研究的前沿，然而，现有的地浸采铀过程预测模型在构建时，由于各注水井的酸量记录数据十分有限，因此导致最终预测得到的铀浓度与真实值偏差较大。


技术实现要素：

3.本发明的目的在于提供一种地浸采铀中铀浓度智能预测方法、装置、设备及存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
4.第一方面，本技术提供了一种地浸采铀中铀浓度智能预测方法，包括：
5.获取第一信息，所述第一信息包括开采区的抽注液量数据、酸量数据和铀浓度数据，所述开采区包括若干个井位，所述第一信息为时间序列数据；
6.获取第二信息，所述第二信息包括待预测日期的抽注液量数据；
7.以所述第一信息中的抽注液量数据和酸量数据作为第一输入数据，铀浓度数据作为第一输出数据，对预设的第一预测模型进行训练和验证，得到铀浓度预测模型；
8.以所述第一信息中的抽注液量数据作为第二输入数据和酸量数据作为第二输出数据，对预设的第二预测模型进行训练和验证，得到酸量预测模型；
9.向所述酸量预测模型中输入所述第二信息，输出待预测日期的预测酸量数据，将所述待预测日期的所述抽注液量数据和待预测日期的预测酸量数据作为所述铀浓度预测模型的输入，输出待预测日期的预测铀浓度。
10.第二方面，本技术还提供了一种地浸采铀中铀浓度智能预测装置，包括：
11.第一获取模块，所述第一获取模块用于获取第一信息，所述第一信息包括开采区的抽注液量数据、酸量数据和铀浓度数据，所述开采区包括若干个井位，所述第一信息为时间序列数据；
12.第二获取模块，所述第二获取模块用于获取第二信息，所述第二信息包括待预测日期的抽注液量数据；
13.第一训练模块，所述第一训练模块用于以所述第一信息中的抽注液量数据和酸量数据作为第一输入数据，铀浓度数据作为第一输出数据，对预设的第一预测模型进行训练和验证，得到铀浓度预测模型；
14.第二训练模块，所述第二训练模块用于以所述第一信息中的抽注液量数据作为第二输入数据和酸量数据作为第二输出数据，对预设的第二预测模型进行训练和验证，得到
酸量预测模型；
15.预测模块，所述预测模块用于向所述酸量预测模型中输入所述第二信息，输出待预测日期的预测酸量数据，将所述待预测日期的所述抽注液量数据和待预测日期的预测酸量数据作为所述铀浓度预测模型的输入，输出待预测日期的预测铀浓度。
16.第三方面，本技术还提供了一种地浸采铀中铀浓度智能预测设备，包括：
17.存储器，用于存储计算机程序；
18.处理器，用于执行所述计算机程序时实现所述地浸采铀中铀浓度智能预测方法的步骤。
19.第四方面，本技术还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于地浸采铀中铀浓度智能预测方法的步骤。
20.本发明的有益效果为：本发明通过训练并验证好的酸量预测模型以及待预测日期的抽注液量预测到待预测日期的酸量，然后预测得到的待预测日期的酸量和获取的待预测日期的抽注液量输入到训练并验证好的铀浓度预测模型中，由此得到更加接近真实铀浓度的预测值。
21.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
22.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
23.图1为本发明实施例中所述的地浸采铀中铀浓度智能预测方法流程示意图；
24.图2为本发明实施例中所述的地浸采铀中铀浓度智能预测装置结构示意图；
25.图3为本发明实施例中所述的地浸采铀中铀浓度智能预测设备结构示意图。
26.图4为本发明实施例中巴彦乌拉铀矿c7开采区的抽注液量、酸量和铀浓度监测数据。
27.图5为本发明实施例中c7开采区的抽注井位和结构化处理。
28.图6为本发明实施例中酸量预测模型的训练阶段和验证阶段酸量的拟合效果图。
29.图7为本发明实施例中各开采井酸量在模型训练阶段和验证阶段酸量预测效果图。
30.图8为本发明实施例中铀浓度预测模型训练阶段和验证阶段铀浓度拟合效果图。
31.图9本发明实施例中各开采井在训练阶段和验证阶段铀浓度预测效果图。
32.图中标记：610、第一获取模块；620、第二获取模块；630、第一训练模块；640、第二训练模块；650、预测模块；711、第一构建模块；712、第二构建模块；713、第三构建模块；714、第四构建模块；715、第五构建模块；716、第六构建模块；717、第七构建模块；718、收集模块；719、第一处理模块；720、第二处理模块；721、第三处理模块；800、地浸采铀中铀浓度智能预
测设备；801、处理器；802、存储器；803、多媒体组件；804、i/o接口；805、通信组件。
具体实施方式
33.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
34.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
35.实施例1：
36.参见图1，图中示出了本方法包括步骤s100、步骤s200、步骤s300、步骤s400、步骤s500。
37.本实施例提供了一种地浸采铀中铀浓度智能预测方法，包括：
38.步骤s100：获取第一信息，所述第一信息包括开采区的抽注液量数据、酸量数据和铀浓度数据，所述开采区包括若干个井位，所述第一信息为时间序列数据；
39.其中若干个井位包括若干个注水井和开采井；所述抽注液量数据包括各所述注水井的注液量和各所述开采井的抽液量；所述酸量数据为各所述注水井的ph数据；所述铀浓度数据为各开采井的铀浓度数据。
40.所述步骤s100还包括获取开采区各井位的位置数据，所述获取开采区各井位的位置数据：
41.步骤s101：对所述开采区建立坐标，将所述开采区剖分为若干个单元格，每个所述单元格中最多包含一个所述井位；
42.步骤s102：根据所述第一信息的时间序列长度、预设的模型通道数量以及坐标内横向和纵向的单元格数量设置所述铀浓度预测模型的输入数据格式，根据所述预设的模型通道数量以及坐标内横向和纵向的单元格数量设置所述铀浓度预测模型的输出数据格式。
43.所述步骤100还包括：
44.步骤s103：收集所述开采区的抽注液量数据、酸量数据和铀浓度数据；
45.步骤s104：对收集到的数据进行数据依次进行去噪、增补处理；
46.步骤s105：对数据增补所得的数据进行归一化处理；
47.为了消除输入输出变量数量级差异对模型训练和预测过程的影响，可通过该程序对数据进行归一化处理。
48.步骤s106：基于线性插值方法，对归一化处理后的不同时间点的抽注液量数据进行统一时间间隔处理，得到第一信息。
49.步骤s200：获取第二信息，所述第二信息包括待预测日期的抽注液量数据；
50.步骤s300：以所述第一信息中的抽注液量数据和酸量数据作为第一输入数据，铀
浓度数据作为第一输出数据，对预设的第一预测模型进行训练和验证，得到铀浓度预测模型；
51.所述步骤s300还包括所述预设的第一预测模型的构建方法：
52.步骤s301：所述预设的第一预测模型的构建方法包括：
53.步骤s302：构建第一卷积神经网络层，所述第一卷积神经网络层用于对所述第一输入数据进行空间信息融合和维度转换处理；
54.步骤s303：构建第一长短期记忆网络层，所述第一长短期记忆网络层用于对所述第一卷积神经网络层的输出进行时间序列信息融合处理；
55.步骤s304：构建第二卷积神经网络层，所述第二卷积神经网络层用于对所述第一长短期记忆网络层的输出进行特征提取。
56.卷积神经网络采用共享权重的思想，在表达复杂输入输出关系的同时，极大限度地降低神经网络中的权重数量，进而有效缓解神经网络训练过程中由于权重数量和监测数据数量不匹配所导致的模型过度拟合问题，具有良好的稳定性。
57.长短期记忆网络中的记忆单元包含三种门结构，分别是遗忘门、输入门和输出门。遗忘门将记忆单元中的信息进行选择性遗忘，保留有用信息；输入门控制新信息的输入并将其选择性地记录到记忆单元；输出门确定记忆单元只输出与当前时间同步的有关信息。门结构通过抛弃无用信息、增添有用信息的方式保证信息有选择性地通过，使得记忆单元状态不断更新，达到控制和保护记忆单元状态的目的。
58.所述步骤s300还包括对所述第一预测模型进行训练和验证：
59.步骤s305：按照时间段将所述第一信息划分为训练数据和验证数据；
60.步骤s306：在所述训练数据中随机截取若干天数的抽注液量数据和酸量数据和铀浓度数据训练所述第一预测模型，得到铀浓度预测模型；
61.步骤s307：基于adam优化算法对所述铀浓度预测模型进行权重训练，得到铀浓度预测模型；
62.步骤s308：在所述验证数据中随机截取所述若干天数抽注液量数据和酸量数据和铀浓度数据对所述铀浓度预测模型进行验证；
63.步骤s400：以所述第一信息中的抽注液量数据作为第二输入数据和酸量数据作为第二输出数据，对预设的第二预测模型进行训练和验证，得到酸量预测模型；
64.所述步骤s400还包括所述预设的第二预测模型的构建方法包括：
65.步骤s401：构建残差连接层，所述残差连接层用于将所述第一卷积神经网络层的输入与所述第二卷积神经网络层的输出相加；
66.残差连接层实现了将预测所得的酸量和抽注液量输入到铀浓度预测模型中。实现了向所述酸量预测模型中输入所述第二信息，输出待预测日期的预测酸量数据，将所述待预测日期的所述抽注液量数据和待预测日期的预测酸量数据作为所述铀浓度预测模型的输入，输出待预测日期的预测铀浓度。残差连接层增强了梯度传播解决了梯度消散，使得酸量数据的输出更加稳定，不会因为神经网络的结构造成酸量数据的损失，因此使得后续的铀浓度预测模型输出的预测值更加接近实际值。
67.步骤s402：构建第三卷积神经网络层，所述第三卷积神经网络层用于对所述残差连接层的输出进行空间信息融合和维度转换处理；
68.步骤s403：构建第二长短期记忆网络层，所述第二长短期记忆网络层用于对所述第一卷积神经网络层的输出进行时间序列信息融合处理；
69.步骤s404：构建第四卷积神经网络层，所述第四卷积神经网络层用于对所述第二长短期记忆网络层的输出进行特征提取。
70.步骤s400：还包括对所述第二预测模型进行训练和验证：
71.步骤s405：根据所述训练数据中的抽注液量数据和酸量数据训练所述预设的预测模型，得到酸量预测模型；
72.步骤s406：根据所述训练数据中单井酸量数据和所述开采区的总酸量数据，基于adam优化算法对所述酸量预测模型进行训练，得到酸量预测模型；
73.步骤s407：根据所述验证数据对所述酸量预测模型进行验证。
74.步骤s500：向所述酸量预测模型中输入所述第二信息，输出待预测日期的预测酸量数据，将所述待预测日期的所述抽注液量数据和待预测日期的预测酸量数据作为所述铀浓度预测模型的输入，输出待预测日期的预测铀浓度。
75.实施例2：
76.如图2所示，本实施例提供了一种地浸采铀中铀浓度智能预测装置，所述装置包括：
77.第一获取模块610，所述第一获取模块610用于获取第一信息，所述第一信息包括开采区的抽注液量数据、酸量数据和铀浓度数据，所述开采区包括若干个井位，所述第一信息为时间序列数据；
78.所述第一获取模块610还用于对所述开采区建立坐标，将所述开采区剖分为若干个单元格，每个所述单元格中最多包含一个所述井位；根据所述第一信息的时间序列长度、预设的模型通道数量以及坐标内横向和纵向的单元格数量设置所述铀浓度预测模型的输入数据格式，根据所述预设的模型通道数量以及坐标内横向和纵向的单元格数量设置所述铀浓度预测模型的输出数据格式。
79.第二获取模块620，所述第二获取模块620用于获取第二信息，所述第二信息包括待预测日期的抽注液量数据；
80.第一训练模块630，所述第一训练模块630用于以所述第一信息中的抽注液量数据和酸量数据作为第一输入数据，铀浓度数据作为第一输出数据，对预设的第一预测模型进行训练和验证，得到铀浓度预测模型；
81.第二训练模块640，所述第二训练模块640用于以所述第一信息中的抽注液量数据作为第二输入数据和酸量数据作为第二输出数据，对预设的第二预测模型进行训练和验证，得到酸量预测模型；
82.预测模块650，所述预测模块650用于向所述酸量预测模型中输入所述第二信息，输出待预测日期的预测酸量数据，将所述待预测日期的所述抽注液量数据和待预测日期的预测酸量数据作为所述铀浓度预测模型的输入，输出待预测日期的预测铀浓度。
83.所述第一训练模块630，包括：
84.第一构建模块710，所述第一构建模块710用于构建第一卷积神经网络层，所述第一卷积神经网络层用于对所述第一输入数据进行空间信息融合和维度转换处理；
85.第二构建模块711，所述第二构建模块711用于构建第一长短期记忆网络层，所述
第一长短期记忆网络层用于对所述第一卷积神经网络层的输出进行时间序列信息融合处理；
86.第三构建模块713，所述第三构建模块713用于构建第二卷积神经网络层，所述第二卷积神经网络层用于对所述第一长短期记忆网络层的输出进行特征提取。
87.所述第二训练模块640，包括：
88.第四构建模块714，所述第四构建模块714用于构建残差连接层，所述残差连接层用于将所述第一卷积神经网络层的输入与所述第二卷积神经网络层的输出相加；
89.第五构建模块715，所述第五构建模块715用于构建第三卷积神经网络层，所述第三卷积神经网络层用于对所述残差连接层的输出进行空间信息融合和维度转换处理；
90.第六构建模块716，所述第六构建模块716用于构建第二长短期记忆网络层，所述第二长短期记忆网络层用于对所述第一卷积神经网络层的输出进行时间序列信息融合处理；
91.第七构建模块717，所述第七构建模块717用于构建第四卷积神经网络层，所述第四卷积神经网络层用于对所述第二长短期记忆网络层的输出进行特征提取。
92.所述第一获取模块610，包括：
93.收集模块718，所述收集模块718用于收集所述开采区的抽注液量数据、酸量数据和铀浓度数据；
94.第一处理模块719，对收集到的数据进行数据依次进行去噪、增补处理；
95.第二处理模块720，所述第二处理模块720用于对数据增补所得的数据进行归一化处理；
96.第三处理模块721，所述第三处理模块721用于基于线性插值方法，对归一化处理后的不同时间点的抽注液量数据进行统一时间间隔处理，得到第一信息。
97.需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
98.实施例3：
99.相应于上面的方法实施例，本实施例中还提供了一种地浸采铀中铀浓度智能预测设备，下文描述的一种地浸采铀中铀浓度智能预测设备与上文描述的一种地浸采铀中铀浓度智能预测方法可相互对应参照。
100.图3是根据示例性实施例示出的一种地浸采铀中铀浓度智能预测设备800的框图。如图3所示，该地浸采铀中铀浓度智能预测设备800可以包括：处理器801，存储器802。该地浸采铀中铀浓度智能预测设备800还可以包括多媒体组件803，i/o接口804，以及通信组件805中的一者或多者。
101.其中，处理器801用于控制该地浸采铀中铀浓度智能预测设备800的整体操作，以完成上述的地浸采铀中铀浓度智能预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该地浸采铀中铀浓度智能预测设备800的操作，这些数据例如可以包括用于在该地浸采铀中铀浓度智能预测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(staticrandomaccessmemory，简称sram)，电可擦除可编程只读存储器(electri
callyerasableprogrammableread-onlymemory，简称eeprom)，可擦除可编程只读存储器(erasableprogrammable read-onlymemory，简称eprom)，可编程只读存储器(programmable read-onlymemory，简称prom)，只读存储器(read-onlymemory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该地浸采铀中铀浓度智能预测设备800与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(nearfieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：wi-fi模块，蓝牙模块，nfc模块。
102.在一示例性实施例中，地浸采铀中铀浓度智能预测设备800可以被一个或多个应用专用集成电路(applicationspecificintegrated circuit，简称asic)、数字信号处理器(digitalsignalprocessor，简称dsp)、数字信号处理设备(digitalsignalprocessingdevice，简称dspd)、可编程逻辑器件(programmablelogicdevice，简称pld)、现场可编程门阵列(fieldprogrammablegatearray，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的地浸采铀中铀浓度智能预测方法。
103.在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的地浸采铀中铀浓度智能预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由地浸采铀中铀浓度智能预测设备800的处理器801执行以完成上述的地浸采铀中铀浓度智能预测方法。
104.实施例4：
105.将本发明型应用于巴彦乌拉c7采区，选取该采区监测的2018/08/30～2019/08/29的抽注液量、铀浓度和酸浓度数据，作为正向模拟铀浓度、主控因子分析和反演调控模型验证的基础。
106.如图4所示，开发的铀浓度预测模型应用于巴彦乌拉c7采区，该采区监测有2017/09/21～2020/07/24的抽液量数据，2018/08/30～2019/08/29和2019/10/21～2020/07/20两段注液量数据，2017/09/22～2020/07/24的总酸量和总铀量数据。对比已有数据的时间跨度，考虑不同类型数据的完备性，从模型检验角度出发，本实施例选取2018/08/30～2019/08/29的抽注液量、铀浓度和酸浓度数据。
107.使用2018/08/30～2019/08/29中的前300天数据作为第一预测模型的训练数据，后60天的数据作为预设的第一预测模型的验证数据。在300天的验证数据中，随机截取21天(3周)的抽注液量作为铀浓度预测模型输入数据，预测第21天铀浓度，共计形成280组训练数据。在验证过程中，同样以21天的抽注液量作为输入数据预测第21天的铀浓度，通过与实测数据对比，进行铀浓度预测模型预测的准确性和稳定性检验。
108.如图5所示，为了便于卷积神经网络识别各井位置和数据，本实施例将c7采区约300m
×
300m面积剖分为10
×
10个单元格，每个单元格包含最多1个开采井或1个注入井。在
神经网络模型中，包含注采井的输入数据格式为t
×c×w×
l：21
×3×
10
×
10，输出数据格式为c
×w×
l：1
×
10
×
10，其中t代表时间序列长度；c为通道数量，输入数据中包括时间、抽注液量和注入酸量，输出数据中为输出铀浓度；w
×
l代表横向和纵向单元格数量。考虑不同类型输入数据存在数量级上显著差异，为了防止该差异对模型结果产生的偏态影响，本实施例对输入数据中时间项进行归一化处理，使其服从0-1分布，对于抽注液量和注入酸量进行标准化处理，使其数值服从全局标准正态分布。
109.如图4和图5所示，本实施例所构建的铀浓度预测模型主要功能是以抽注液量和酸量为输入数据，预测各开采井的铀浓度和总铀浓度值，但由于各抽注井的酸量记录数据十分有限(一年内不同注入井仅有4～7组酸浓度记录值)，而总酸量的记录数据从地浸采铀记录上考虑，无法直接作为输入数据用于铀浓度预测。因此，首先利用所构建酸量预测模型，以抽注液量为输入数据，酸量为输出数据，从而实现对酸量的预测，通过300天周期内的单井酸量记录值和总酸记录值，对预设的第二预测模型权重进行训练。训练结果如图6所示：300天内总酸浓度计算值相比于实测值误差最大值约为1.25g/l，平均误差为0.13g/l，相对误差为2.6％。在验证阶段，301-361天内总酸浓度预测平均误差约为0.26g/l，相对误差为5.2％。从两个阶段各时间点酸量计算误差统计分析结果上看，二者误差差异并不显著，表明模型训练后，并未出现严重的过度拟合问题，模型具有良好的预测能力。
110.如图7所示，所训练的模型除了具有良好的总酸浓度预测效果外，从单一开采井酸浓度预测效果上看，最大误差可以控制于1.5g/l，模型在不同开采井位置同样表现出良好的预测能力。因此，以该模型为基础，增补获得各注入井每天的注入酸量数据，作为后续铀浓度预测的输入数据。
111.如图8所示，继续以流量、酸量和时间作为已知数据，输入铀浓度预测模型，经过第一个卷积层对输入数据进行空间信息融合后，进行维度转换后输入lstm层进行时间序列信息融合和挖掘，最后通过卷积层进行特征提取，获得铀浓度预测值。将其与实测数据对比可知：训练阶段总铀浓度预测最大误差为1.0mg/l，平均误差为0.24mg/l，相对误差为6.0％；验证阶段总铀浓度最大误差为0.85mg/l，平均误差为0.29mg/l，平均相对误差为7.2％。
112.如图9所示，铀浓度预测模型在单井铀浓度预测上最大误差约为1mg/l，相对误差可控制于25％以内。
113.实施例5：
114.相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种地浸采铀中铀浓度智能预测方法可相互对应参照。
115.一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的地浸采铀中铀浓度智能预测方法的步骤。
116.该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
117.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
118.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何
熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种地浸采铀中铀浓度智能预测方法，其特征在于，包括：获取第一信息，所述第一信息包括开采区的抽注液量数据、酸量数据和铀浓度数据，所述开采区包括若干个井位，所述第一信息为时间序列数据；获取第二信息，所述第二信息包括待预测日期的抽注液量数据；以所述第一信息中的抽注液量数据和酸量数据作为第一输入数据，铀浓度数据作为第一输出数据，对预设的第一预测模型进行训练和验证，得到铀浓度预测模型；以所述第一信息中的抽注液量数据作为第二输入数据和酸量数据作为第二输出数据，对预设的第二预测模型进行训练和验证，得到酸量预测模型；向所述酸量预测模型中输入所述第二信息，输出待预测日期的预测酸量数据，将所述待预测日期的所述抽注液量数据和待预测日期的预测酸量数据作为所述铀浓度预测模型的输入，输出待预测日期的预测铀浓度。2.根据权利要求1所述的地浸采铀中铀浓度智能预测方法，其特征在于,所述预设的第一预测模型的构建方法包括：构建第一卷积神经网络层，所述第一卷积神经网络层用于对所述第一输入数据进行空间信息融合和维度转换处理；构建第一长短期记忆网络层，所述第一长短期记忆网络层用于对所述第一卷积神经网络层的输出进行时间序列信息融合处理；构建第二卷积神经网络层，所述第二卷积神经网络层用于对所述第一长短期记忆网络层的输出进行特征提取。3.根据权利要求2所述的地浸采铀中铀浓度智能预测方法，其特征在于,所述预设的第一预测模型的构建方法包括：构建残差连接层，所述残差连接层用于将所述第一卷积神经网络层的输入与所述第二卷积神经网络层的输出相加；构建第三卷积神经网络层，所述第三卷积神经网络层用于对所述残差连接层的输出进行空间信息融合和维度转换处理；构建第二长短期记忆网络层，所述第二长短期记忆网络层用于对所述第一卷积神经网络层的输出进行时间序列信息融合处理；构建第四卷积神经网络层，所述第四卷积神经网络层用于对所述第二长短期记忆网络层的输出进行特征提取。4.根据权利要求1所述的地浸采铀中铀浓度智能预测方法，其特征在于,获取第一信息还包括获取开采区各井位的位置数据，所述获取开采区各井位的位置数据包括：对所述开采区建立坐标，将所述开采区剖分为若干个单元格，每个所述单元格中最多包含一个所述井位；根据所述第一信息的时间序列长度、预设的模型通道数量以及坐标内横向和纵向的单元格数量设置所述铀浓度预测模型的输入数据格式，根据所述预设的模型通道数量以及坐标内横向和纵向的单元格数量设置所述铀浓度预测模型的输出数据格式。5.一种地浸采铀中铀浓度智能预测装置，其特征在于，包括：第一获取模块，所述第一获取模块用于获取第一信息，所述第一信息包括开采区的抽注液量数据、酸量数据和铀浓度数据，所述开采区包括若干个井位，所述第一信息为时间序
列数据；第二获取模块，所述第二获取模块用于获取第二信息，所述第二信息包括待预测日期的抽注液量数据；第一训练模块，所述第一训练模块用于以所述第一信息中的抽注液量数据和酸量数据作为第一输入数据，铀浓度数据作为第一输出数据，对预设的第一预测模型进行训练和验证，得到铀浓度预测模型；第二训练模块，所述第二训练模块用于以所述第一信息中的抽注液量数据作为第二输入数据和酸量数据作为第二输出数据，对预设的第二预测模型进行训练和验证，得到酸量预测模型；预测模块，所述预测模块用于向所述酸量预测模型中输入所述第二信息，输出待预测日期的预测酸量数据，将所述待预测日期的所述抽注液量数据和待预测日期的预测酸量数据作为所述铀浓度预测模型的输入，输出待预测日期的预测铀浓度。6.根据权利要求5所述的地浸采铀中铀浓度智能预测装置，其特征在于，所述第一训练模块，包括：第一构建模块，所述第一构建模块用于构建第一卷积神经网络层，所述第一卷积神经网络层用于对所述第一输入数据进行空间信息融合和维度转换处理；第二构建模块，所述第二构建模块用于构建第一长短期记忆网络层，所述第一长短期记忆网络层用于对所述第一卷积神经网络层的输出进行时间序列信息融合处理；第三构建模块，所述第三构建模块用于构建第二卷积神经网络层，所述第二卷积神经网络层用于对所述第一长短期记忆网络层的输出进行特征提取。7.根据权利要求6所述的地浸采铀中铀浓度智能预测装置，其特征在于，所述第二训练模块，包括：第四构建模块，所述第四构建模块用于构建残差连接层，所述残差连接层用于将所述第一卷积神经网络层的输入与所述第二卷积神经网络层的输出相加；第五构建模块，所述第五构建模块用于构建第三卷积神经网络层，所述第三卷积神经网络层用于对所述残差连接层的输出进行空间信息融合和维度转换处理；第六构建模块，所述第六构建模块用于构建第二长短期记忆网络层，所述第二长短期记忆网络层用于对所述第一卷积神经网络层的输出进行时间序列信息融合处理；第七构建模块，所述第七构建模块用于构建第四卷积神经网络层，所述第四卷积神经网络层用于对所述第二长短期记忆网络层的输出进行特征提取。8.根据权利要求1所述的地浸采铀中铀浓度智能预测装置，其特征在于，所述第一获取模块，包括：收集模块，所述收集模块用于收集所述开采区的抽注液量数据、酸量数据和铀浓度数据；第一处理模块，对收集到的数据进行数据依次进行去噪、增补处理；第二处理模块，所述第二处理模块用于对数据增补所得的数据进行归一化处理；第三处理模块，所述第三处理模块用于基于线性插值方法，对归一化处理后的不同时间点的抽注液量数据进行统一时间间隔处理，得到第一信息。9.一种地浸采铀中铀浓度智能预测设备，其特征在于，包括：
存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述地浸采铀中铀浓度智能预测方法的步骤。10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述地浸采铀中铀浓度智能预测方法的步骤。

技术总结
本发明提供了一种地浸采铀中铀浓度智能预测方法、装置、设备及存储介质，涉及地浸采铀技术领域，包括获取第一信息和获取第二信息；以第一信息中的抽注液量数据和酸量数据作为第一输入数据，铀浓度数据作为第一输出数据，对预设的第一预测模型进行训练和验证，得到铀浓度预测模型；以第一信息中的抽注液量数据作为第二输入数据和酸量数据作为第二输出数据，对预设的第二预测模型进行训练和验证，得到酸量预测模型；向酸量预测模型中输入第二信息，输出待预测日期的预测酸量数据，将待预测日期的抽注液量数据和待预测日期的预测酸量数据作为铀浓度预测模型的输入，输出待预测日期的预测铀浓度。本发明使得铀浓度预测值更加接近真实铀浓度的预测值。真实铀浓度的预测值。真实铀浓度的预测值。


技术研发人员：杜志明 姜振蛟 阙为民 刘正邦 原渊
受保护的技术使用者：核工业北京化工冶金研究院
技术研发日：2023.07.07
技术公布日：2023/10/7