磷矿伴生的氟资源储存量预测方法、装置、设备及介质与流程

1.本技术涉及数据分析的技术领域，尤其是涉及一种磷矿伴生的氟资源储存量预测方法、装置、设备及介质。


背景技术：

2.氟资源是重要的战略资源，在氟化工行业更是具有举足轻重的作用，目前氟化工行业所用的氟主要来源于萤石(caf2)，但是对萤石的过度开采，使得萤石资源日益短缺。
3.氟是磷矿床重要的伴生元素，自然界中90％以上的氟资源伴生在磷矿床中。磷块岩矿床磷矿石中氟含量一般在1％～3％，氟元素以类质同相赋存于磷矿石中。在以磷矿石为原料进行湿法磷酸工艺生产中，大部分的氟以杂质形式存在磷酸中，另一部分氟以气体形式排放而污染大气，这些氟必须强制回收。主要方法是经水吸收、处理后得到氟硅酸。由于萤石资源紧张，业界一直在寻找其他途径制取氢氟酸，氟硅酸制取氢氟酸就是途径之一，回收利用磷矿床伴生氟资源，能防止和控制氟污染，有望成为战略性矿产资源萤石的替代资源。
4.对磷矿中氟资源开发利用之前需要了解磷矿床中的氟资源的储存量，以便对氟资源进行合理的利用，因此亟需一种磷矿伴生的氟资源储存量预测方法。


技术实现要素：

5.为了对磷矿床中的氟资源的储存量进行预测，本技术提供一种磷矿伴生的氟资源储存量预测方法、装置、设备及介质。
6.第一方面，本技术提供一种磷矿伴生的氟资源储存量预测方法，采用如下的技术方案：一种磷矿伴生的氟资源储存量预测方法，包括：获取关于磷矿床的样本数据集，所述样本数据集包括多个数据对，每个所述数据对均包括五氧化二磷含量和氟含量，其中，所述五氧化二磷含量和氟含量一一对应；对所述样本数据集的数据对进行筛选，得到标准数据集；对所述标准数据集中的所述数据对进行相关性分析，建立五氧化二磷含量和氟含量之间的线性回归模型；获取待预测磷矿床中的五氧化二磷总量，基于所述五氧化二磷总量以及所述线性回归模型计算所述待预测的磷矿床中的氟资源储存量。
7.通过采用上述技术方案，通过对准数据集中的数据对进行相关性分析，得出氧化二磷含量和氟含量具有相关性，从而建立五氧化二磷含量和氟含量之间的线性回归模型，通过线性回归模型和待预测磷矿床中的五氧化二磷总量计算待预测磷矿床中氟资源储存量，进而了解磷矿床中的氟资源的储存量。
8.可选的，所述对所述样本数据集的数据对进行筛选，包括：判断所述样本数据集是否包括第一异常数据对；
若是，则在所述样本数据集将所述第一异常数据对删除；对所述样本数据集中剩余的数据对重复执行所述判断所述样本数据集是否包括第一异常数据对的步骤，直至所述样本数据集中不包括所述第一异常数据对。
9.通过采用上述技术方案，通过筛选第一异常数据对，使计算出的线性回归方程的拟合程度更高，对氟资源储存量的预测更加准确。
10.可选的，所述判断所述样本数据集是否包括第一异常数据对，包括：基于所述样本数据集中的所有数据对构建第一散点图以及第一线性回归方程；基于所述第一散点图以及所述第一线性回归方程计算每个所述数据对对应的散点的第一标准残差；计算每个所述第一标准残差的第一标准残差绝对值；判断是否存在大于预设值的第一标准残差绝对值；若是，则判定包含所述第一异常数据对。
11.可选的，在所述判定包含所述第一异常数据对之后，还包括：获取所述第一异常数据对所属磷矿床，并将所述磷矿床作为待校验磷矿床；获取所述待校验磷矿床中对应的所有数据对，将所述数据对作为待校验数据对；计算所述待校验磷矿床中的所述待校验数据对的相关系数；基于所述相关系数判断所述待校验磷矿床中的所述待校验数据是否具有相关性；若是，则基于所述待校验数据对构建第二散点图以及第二线性回归方程；基于所述第二散点图以及所述第二线性回归方程计算每个所述数据对对应的散点的第二准残差；计算每个所述第二标准残差的第二标准残差绝对值；选取大于预设值的第二标准残差绝对值对应的数据对，将选取的数据对作为第一异常数据对；若否，将所有所述待校验数据对均作为所述第一异常数据对。
12.可选的，在所述对所述标准数据集中的所有所述数据对进行相关性分析之前，还包括：获取待分析数据集，判断所述待分析数据集是否包括所述标准数据集中的所有所述数据对，所述获取待分析数据集是所述标准数据集的子集；若是，则直接进入建立五氧化二磷含量和氟含量之间的线性回归模型的步骤；若否，则基于所述待分析数据集中的数据对构建第三散点图以及所述第三线性回归方程；计算每个所述数据对对应的散点的第三标准残差；计算每个所述第三标准残差的第三标准残差绝对值；选取大于预设值的第三标准残差绝对值；获取选取的第三标准残差绝对值对应的第二异常数据对，将所述第二异常数据在所述待分析数据集中删除；重复执行基于所述待分析数据集中的数据对构建第三散点图以及所述第三线性回归方程的步骤，直至所述待分析数据集中不包括所述第二异常数据对；当所述待分析数据集中不包括所述第二异常数据对时，转入建立五氧化二磷含量和氟含量之间的线性回归模型的步骤。
13.通过采用上述技术方案，通过筛选第二异常数据对，使计算出的线性回归方程的拟合程度更高，对氟资源储存量的预测更加准确。
14.可选的，对所述标准数据集中的所述数据对进行相关性分析，包括：将氟含量作为因变量、五氧化二磷含量作为自变量构建线性回归模型；基于所述建线性回归模型获取所述标准数据集对应的线性回归结果；基于所述线性回归结果确定所述标准数据集中的多个数据对的相关性程度可选的，所述基于所述线性回归结果确定所述标准数据集中的多个数据对的相关性程度，包括：获取所述线性回归模型对应的相关系数r和r方；基于所述相关系数r和r方确定五氧化二磷含量和氟含量的相关性程度；或者，获取所述线性回归模型对应的显著性值；基于所述显著性值确定五氧化二磷含量和氟含量的相关性程度；或者，获取所述线性回归模型对应的标准残差；基于所述标准残差确定五氧化二磷含量和氟含量的相关性程度。
15.第二方面，本技术提供一种一种磷矿伴生的氟资源储存量预测装置，采用如下的技术方案：一种磷矿伴生的氟资源储存量预测装置，包括：获取模块，用于获取关于磷矿床的样本数据集，所述样本数据集包括多个数据对，每个所述数据对均包括五氧化二磷含量和氟含量，其中，所述五氧化二磷含量和氟含量一一对应；筛选模块，用于对所述样本数据集的数据对进行筛选，得到标准数据集；分析模块，用于对所述标准数据集中的所述数据对进行相关性分析，建立五氧化二磷含量和氟含量之间的线性回归模型；获取计算模块，用于获取待预测的磷矿床中的五氧化二磷总量，基于所述五氧化二磷总量以及所述线性回归模型计算所述待预测的磷矿床中的氟资源储存量。
16.通过采用上述技术方案，通过对准数据集中的数据对进行相关性分析，得出氧化二磷含量和氟含量具有相关性，从而建立五氧化二磷含量和氟含量之间的线性回归模型，通过线性回归模型和待预测磷矿床中的五氧化二磷总量计算待预测磷矿床中氟资源储存量，进而了解磷矿床中的氟资源的储存量。第三方面，本技术提供一种电子设备，采用如下的技术方案：一种电子设备，包括处理器和存储器，所述处理器与所述存储器耦合；所述处理器用于执行所述存储器中存储的计算机程序，以使得所述电子设备执行如第一方面任一项所述的方法。
17.第四方面，本技术提供一种计算机可读存储介质，采用如下的技术方案：一种计算机可读存储介质，包括计算机程序或指令，当所述计算机程序或指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
附图说明
18.图1是本技术实施例中体现一种磷矿伴生的氟资源储存量预测方法的流程示意图。
19.图2是本技术实施例中标准化残差分布直方图。
20.图3是本技术实施例中标准化残差额累计概率图。
21.图4是本技术实施例中氟含量与五氧化二氧含量线性相关分析趋势图。
22.图5是本技术实施例中震旦纪沉积型磷矿f/p2o5线性相关分析趋势图。
23.图6是本技术实施例中寒武纪沉积型磷矿f/p2o5线性相关分析趋势图。
24.图7是本技术实施例中体现磷矿伴生的氟资源储存量预测装置200的结构框图。
25.图8本技术实施例中体现一种电子设备300的结构框图。
具体实施方式
26.以下结合附图对本技术作进一步详细说明。
27.本具体实施例仅仅是对本技术的解释，其并不是对本技术的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本技术的权利要求范围内都受到专利法的保护。
28.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
29.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
30.下面结合说明书附图对本技术实施例作进一步详细描述。
31.本技术实施例提供一种磷矿伴生的氟资源储存量预测方法，该磷矿伴生的氟资源储存量预测方法可由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、台式计算机等，但并不局限于此。
32.如图1所示，一种磷矿伴生的氟资源储存量预测方法，其方法的主要流程描述如下(步骤s101～s104)：步骤s101，获取关于磷矿床的样本数据集，样本数据集包括多个数据对，每个数据对均包括五氧化二磷含量和氟含量，其中，五氧化二磷含量和氟含量一一对应；在本实施例中，获取地质勘查和研究报告以及磷矿床的相关论文，在地质勘查和研究报告以及及磷矿床的相关论文选取关于五氧化二磷含量和氟含量的数据。例如，湖北省远安县杨柳磷矿床，五氧化二磷含量含量平均值为26.82，氟含量平均值为2.43％，其中一个样品五氧化二磷含量含量为31.18％，氟含量为2.88％，将选取的所有五氧化二磷含量和氟含量的数据组成一个样本数据集。
33.特别注意的是，五氧化二磷含量和氟含量一一对应，将相对应的五氧化二磷含量和氟含量称为一个数据对。
34.例如，收集以往地质勘查和研究报告共424份，磷矿床的相关论文相关论文50篇；选取72个磷矿床共整理了820个数据对，其中，贵州省磷矿床7个，数据对63个；湖北省磷矿床8个，数据对99个；湖南省磷矿床6个，数据对67个；四川省磷矿床21个，数据对88个；云南
省磷矿床29个，数据对503个。
35.步骤s102，对样本数据集的数据对进行筛选，得到标准数据集；在本实施例中，需要筛选样本数据中的离群的数据。
36.具体的，包括以下子步骤(步骤s1021～s1023)：步骤s1021，判断样本数据集是否包括第一异常数据对；若是，则进入步骤s1022；步骤s1022，在样本数据集将第一异常数据对删除；步骤s1023，对样本数据集中剩余的数据对重复执行判断样本数据集是否包括第一异常数据对的步骤，直至样本数据集中不包括第一异常数据对。
37.其中，判断样本数据集是否包括第一异常数据对具体包括以下内容：基于样本数据集中的所有数据对构建第一散点图以及第一线性回归方程；基于第一散点图以及第一线性回归方程计算每个数据对对应的散点的第一标准残差；计算每个第一标准残差的第一标准残差绝对值；判断是否存在大于预设值的第一标准残差绝对值；若是，则判定包含第一异常数据对。
38.在本实施例中，构建第一散点图，第一散点图的横坐标为五氧化二磷含量，纵坐标为氟含量，将样本数据集中的所有数据对放入第一散点图中，并且拟合样本数据集中所有数据对对应的第一线性回归方程，其中，称数据对在第一散点图中到的点为散点。
39.计算每个散点的第一标准残差，并取每个第一标准残差的绝对值，每个第一标准残差的绝对值称之为第一标准残差绝对值，将第一标准参数绝对值与预设值进行比较以筛选出离群的数据，在本实施例中预设值为3，当第一标准参数绝对值不小于3时，将一标准参数绝对值对应的散点称为异常散点，异常散点对应的数据对称为第一异常数据对。
40.当判定样本数据集中包含第一异常数据对时，进行如下步骤(步骤a～步骤i)：步骤a，获取第一异常数据对所属磷矿床，并将磷矿床作为待校验磷矿床；步骤b，获取待校验磷矿床中对应的所有数据对，将数据对作为待校验数据对；步骤c计算待校验磷矿床中的待校验数据对的相关系数；步骤d基于相关系数判断待校验磷矿床中的待校验数据是否具有相关性；若是，则进入步骤e，否则进入步骤i；步骤e，基于待校验数据对构建第二散点图以及第二线性回归方程；步骤f，基于第二散点图以及第二线性回归方程计算每个数据对对应的散点的第二准残差；步骤g，计算每个第二标准残差的第二标准残差绝对值；步骤h，选取大于预设值的第二标准残差绝对值对应的数据对，将选取的数据对作为第一异常数据对；步骤i，将所有待校验数据对均作为第一异常数据对。
41.在本实施例中，选取第一异常数据对所属磷矿床，称第一异常数据对所属磷矿床为待校验磷矿床，选取待校验磷矿床中所有的数据对，将选取的数据对称之为待校验数据对。
42.对待校验数据对进行相关性分析，当待校验磷矿床中的待校验数据对存在线性相关关系时，通过第二散点图和第二线性回归方程筛选待校验磷矿床中的离群的数据，离群的数据对应的数据对为第一异常数据对，当待校验磷矿床中的待校验数据对不存在线性相关关系时，直接将所有的待校验数据对全部划分第一异常数据对。
43.其中判断待校验数据对是否存在线性关系时，通过计算相关系数得出。
44.在将第一异常数据对在样本数据集中删除之后，对样本数据集中剩余的数据重复执行步骤s1021～s1023，直至样本数据集中剩余的数据对中不存在第一异常数据对，将不存在第一异常数据对的样本数据集称之为标准数据集。
45.当样本数据中存在第一异常数据对时，获取异常数据对对应的磷矿床分组，基于磷矿床种类分析出现第一异常数据对的原因。
46.例如，被删除的分组分别有云南省晋宁磷矿中的胶磷矿精矿物、织金新华磷矿碎屑磷灰石。
47.推测云南省晋宁磷矿中的胶磷矿精矿物出现的异常原因为精矿是经过选矿后的高品位矿石。选矿是根据矿石中不同矿物的物理、化学性质，把矿石破碎磨细以后，采用重选法、浮选法、磁选法、电选法等方法，将有用矿物与脉石矿物分开，并使各种共生(伴生)的有用矿物尽可能相互分离，除去或降低有害杂质，以获得冶炼或其他工业所需原料的过程。
48.推测织金新华磷矿碎屑磷灰石第一异常图像对还包括一些风化磷矿，由于氟磷灰石或碳氟磷灰石不易风化，风化后的磷矿石会使磷灰石出现富集，形成异常的情况。
49.步骤s103，对标准数据集中的数据对进行相关性分析，建立五氧化二磷含量和氟含量之间的线性回归模型；在本实施例中，对标准数据集中的数据对进行相关性分析，其相关性分析可以通过spss软件实现。
50.其中，可以对标准数据集中的所有数据对进行相关性分析，还可以对标准数据集中的数据对进行分组，对多个分组分别进行线性分析。
51.具体的，包括以下步骤(步骤s1031～步骤s1038)：步骤s1031，获取待分析数据集，判断待分析数据集是否包括标准数据集中的所有数据对，获取待分析数据集是所述标准数据集的子集；若是，则建立五氧化二磷含量和氟含量之间的线性回归模型；若否，则进入步骤s1032；步骤s1032，基于待分析数据集中的数据对构建第三散点图以及第三线性回归方程；步骤s1033，计算每个数据对对应的散点的第三标准残差；步骤s1034，计算每个第三标准残差的第三标准残差绝对值；步骤s1035，选取大于预设值的第三标准残差绝对值；步骤s1036，获取选取的第三标准残差绝对值对应的第二异常数据对，将第二异常数据在待分析数据集中删除；步骤s1037，重复执行基于待分析数据集中的数据对构建第三散点图以及第三线性回归方程的步骤，直至待分析数据集中不包括第二异常数据对；步骤s1038，当待分析数据集中不包括第二异常数据对时，转入建立五氧化二磷含量和氟含量之间的线性回归模型的步骤。
52.在本实施例中，由于在步骤s102中筛选出了第一异常数据数，因此当待分析数据集为标准数据集时，可直接进行相关性分析，当待分析数据集只包括标准数据集中一部分数据对时，需要对待分析数据集中的数据对进行筛选，以使线性回归方程拟合程度更高。
53.其中，构建线性回归方程如下：
将氟含量作为因变量、五氧化二磷含量作为自变量构建线性回归模型；基于建线性回归模型获取标准数据集对应的线性回归结果；基于线性回归结果确定标准数据集中的多个数据对的相关性程度。
54.获取线性回归模型对应的相关系数r和r方；基于相关系数r和r方确定五氧化二磷含量和氟含量的相关性程度；或者，获取线性回归模型对应的显著性值；基于显著性值确定五氧化二磷含量和氟含量的相关性程度；或者，获取线性回归模型对应的标准残差；基于标准残差确定五氧化二磷含量和氟含量的相关性程度。
55.在本实施例中，以对矿集区内湖北省远安县杨柳磷矿床、湖北省宜昌县杉树垭磷矿、湖北省宜昌磷矿董家包矿段的线性回归结果进行说明：表1为方差方法分析表表1模型平方和自由度均方f显著性回归19.826119.8261664.2340.000b残差0.548460.012
ꢀꢀ
总计20.37447
ꢀꢀꢀ
如表1所示，回归平方和为19.826，残差平方和为0.548，自由度分别为1和46，回归均方为19.826，残差均方为0.012，回归方程的显著性检验统计量f＝1664.234，相应的显著性值为0.000，小于显著水平0.05，由此判断磷矿中五氧化二磷磷含量对氟含量的影响十分显著，所建立的回归模型具有统计学意义。
56.表2为回归系数分析表表2如表2所示，线性回归模型中的常数为-0.308，自变量五氧化二磷磷含量的系数为0.104，常数的t值为-4.474，磷含量的t值为40.795，相应的显著性值为0.000，小于0.05，说明系数非常显著，因此所建立的回归方程为y＝0.104x-0.308。
57.从回归方程可以看出，磷矿中五氧化二磷磷的含量越高，其伴生氟含量越高。
58.评价模型的检验统计量，相关系数r为0.986，r方为0.973，调整后的r方为0.973，说明回归的拟合程度非常高。磷矿中氟含量与磷含量有高度的相关性。
59.表3为残差统计表表3 最小值最大值平均值标准偏差个案数预测值1.216473.583872.425520.64948548残差0.548460.0120.10797948标准预测值20.374470.0001.00048标准残差-2.6132.8650.0000.98948
如表3所示，可知一些残差的统计量，从该表中能够得到预测值、残差、标准预测值和标准残差的绝对值最大值分别为3.58387、0.312740、1.862、2.865。其中标准化残差的绝对值最大值为2.865，没有超过默认值3，显示结果无异常现象图2为标准化残差分布直方图，从该图中可以看出标准化残差明显的服从正态分布。
60.图3为标准化残差的累计概率图，该图以实际观察值的累积概率为横轴，以正态分布的累积概率为纵轴，如果样本数据服从正态分布，则所有散点图都应该分布在对角线附近。从图3中可以看出散点都在对角线附近，因此可以看出标准化残差分布服从正态分布。
61.下面以沉积型磷矿床的f/p2o5为例，对f/p2o5的相关性分析进行说明。
62.(一)下面针对沉积型磷矿床f/p2o5统计分析f为氟含量，p2o5为五氧化二磷含量。
63.在本实施例中统计了47个矿区氟含量的变化范围0.13％～3.70％，五氧化二磷含量的变化范围1.10％～37.58％图4为氟含量与五氧化二磷含量线性相关分析图，显示氟含量与五氧化二磷含量关系为正相关关系，趋势线斜率为0.0949，截距为0.0192，相关系数为0.9204，相关性强，说明在沉积型磷矿当中，氟含量的含量与磷灰石含量密切相关，为磷灰石的结构组成元素。
64.(二)对不同成矿时代的磷矿床f/p2o5统计分析按矿床成矿时代，分别对赋存在震旦系、寒武系、泥盆系的磷矿床f/p2o5数据进行统计分析。
65.①
震旦系磷矿在本实施例中统计了震旦系磷矿的17个矿区，共有数据对134个，其中，贵州16个，湖北54个，湖南59个，四川5个。氟含量的变化范围0.65％～3.70％，五氧化二磷含量的变化范围7.81％～37.58％。
66.图5显示了震旦纪沉积型磷矿f/p2o5线性相关分析趋势，氟含量与五氧化二磷含量关系为线性相关，为正相关关系，趋势线斜率为0.0984，截距为0.192，相关系数为0.9367，相关性强，相关性较全部数据变强。
67.②
寒武系磷矿在本实施例中统计了寒武系磷矿的29个矿区，共有数据对503个，其中四川省有32个，云南省有471个。五氧化二磷含量的变化范围0.13％～3.56％，氧化二磷含量的变化范围1.10％～35.78％。
68.图6显示了寒武纪沉积型磷矿f/p2o5线性相关分析趋势，氟含量与氧化二磷含量关系为线性相关，为正相关关系，趋势线斜率为0.0927，截距为0.0775，相关系数为0.9477，相关性强，相关性较全部数据变强。
69.③
泥盆系磷矿在本实施例中统计了泥盆系磷矿的3个矿区，共有6个数据对，全部在四川省。
70.氟含量的变化范围1.79％～3.32％，五氧化二磷含量的变化范围20.73％～35.99％。
71.寒武纪磷矿共有f/p2o5数据503个，占总数据74.63％；震旦纪磷矿共有f/p2o5数
据134个，占总数据19.88％；泥盆纪磷矿共有f/p2o5数据6个，占总数据0.89％，总数据的趋势受寒武纪数据影响较大。寒武纪、震旦纪和泥盆纪的相关系数较全部数据变高，说明f/p2o5可能与寒武纪、震旦纪和泥盆纪磷灰石分别有不同的形成环境有关，也可能与岩石演化的时间有关。相关系数有升高也有降低，原因推测其一可能因为数据较少，误差较大，其二可能由于与岩石演化的时间关系更大，与形成环境关系较小。理论上说，沉积型磷矿床f与p2o5关系趋势线会经过原点，但是以上图中出现截距，推测其一趋势图不能完全准确反应其关系，需要进一步做线性回归分析，其二，截距为正，说明矿石中可能存在其他含f的物质，截距为负，说明可能存在少量羟基磷灰石或者氯磷灰石等。
72.(三)不同矿集区的磷矿床f/p2o5统计分析按主要磷矿分布区，分别按矿集区对贵州省、湖南省、湖北省、四川省、云南省磷矿床数据进行统计分析。
73.我国共有4个沉积型磷矿床成矿带，分别为iii-73龙门山-大巴山(陆缘坳陷)成矿带、iii-77上扬子中东部(坳褶带)成矿带滇东-川南-黔西成矿亚带、iii-77上扬子中东部(坳褶带)成矿带湘鄂西-黔中南成矿亚带、iii-76康滇隆起成矿带康滇成矿亚带，这些成矿带有可以分为11个矿集区。
74.根据磷矿床所在矿集区对数据进行分类整理，得到绵竹-什邡矿集区、神农架-宜昌矿集区、川西南-滇东矿集区、昆明-玉溪矿集区、东山峰矿集区、开阳-瓮安矿集区、辰溪-沅陵矿集区，对以上矿集区分别进行相关性分析，在其统计方法与(二)对不同成矿时代的磷矿床f/p2o5统计方法一致，对此不在赘述。
75.全国沉积型磷矿的成因有相似性，也有差异性，对沉积型磷矿床总的数据集进行分析可验证相似性，分别对不同时代和类型的磷矿床的数据分析可验证差异性，提高线性回归方程的针对性。
76.步骤s104，获取待预测的磷矿床中的五氧化二磷总量，基于五氧化二磷总量以及线性回归模型计算待预测的磷矿床中的氟资源储存量。
77.在本实施例中，获取待预测的磷矿床中的类别以及五氧化二磷总量，例如待预测的磷矿床的种类为寒武纪磷矿，那么获取寒武纪磷矿对应线性回归方程对待预测的磷矿床中的氟含量进行计算，个别矿集区没有相应数据，就用该矿集区所对应的时代的回归方程进行计算。
78.当待预测的磷矿床包括不同种类的磷矿床时，可以先对待预测的磷矿床进行分类，分别计算氟含量，再对氟含量进行求和，得到待预测的磷矿床中包含的氟含量。
79.在本实施例中，根据五氧化二磷总量以及线性回归模型即可计算出待预测的磷矿床中的氟资源储存量。
80.图7为本技术提供的一种磷矿伴生的氟资源储存量预测装置200的结构框图。如图7所示，该磷矿伴生的氟资源储存量预测装置200主要包括：获取模块201，用于获取关于磷矿床的样本数据集，样本数据集包括多个数据对，每个数据对均包括五氧化二磷含量和氟含量，其中，五氧化二磷含量和氟含量一一对应；筛选模块202，用于对样本数据集的数据对进行筛选，得到标准数据集；
分析模块203，用于对标准数据集中的数据对进行相关性分析，建立五氧化二磷含量和氟含量之间的线性回归模型；获取计算模块204，用于获取待预测的磷矿床中的五氧化二磷总量，基于五氧化二磷总量以及线性回归模型计算待预测的磷矿床中的氟资源储存量。
81.作为本实施例的一种可选实施方式，筛选模块202包括：判断子模块，用于判断样本数据集是否包括第一异常数据对；若是，则在样本数据集将第一异常数据对删除；执行子模块，用于对样本数据集中剩余的数据对重复执行判断样本数据集是否包括第一异常数据对的步骤，直至样本数据集中不包括第一异常数据对。
82.在本可选实施例中，判断子模块具体用于基于样本数据集中的所有数据对构建第一散点图以及第一线性回归方程；基于第一散点图以及第一线性回归方程计算每个数据对对应的散点的第一标准残差；计算每个第一标准残差的第一标准残差绝对值；判断是否存在大于预设值的第一标准残差绝对值；若是，则判定包含第一异常数据对。
83.作为本实施例的一种可选实施方式，该磷矿伴生的氟资源储存量预测装置200还包括：第一获取作为模块，用于在判定包含第一异常数据对之后，获取第一异常数据对所属磷矿床，并将磷矿床作为待校验磷矿床；第二获取作为模块，用于获取待校验磷矿床中对应的所有数据对，将数据对作为待校验数据对；第一计算模块，用于计算待校验磷矿床中的待校验数据对的相关系数；相关性判断模块，用于基于相关系数判断待校验磷矿床中的待校验数据是否具有相关性；若是，则进入构建模块，否则进入作为模块。
84.构建模块，用于基于待校验数据对构建第二散点图以及第二线性回归方程；第二计算模块，用于计算基于第二散点图以及第二线性回归方程计算每个数据对对应的散点的第二准残差；第三计算模块，用于计算每个第二标准残差的第二标准残差绝对值；选取作为模块，用于选取大于预设值的第二标准残差绝对值对应的数据对，将选取的数据对作为第一异常数据对；作为模块，用于将所有待校验数据对均作为第一异常数据对。
85.作为本实施例的一种可选实施方式，该磷矿伴生的氟资源储存量预测装置200还包括：获取判断模块，用于在对标准数据集中的所有数据对进行相关性分析之前，获取待分析数据集，判断待分析数据集是否包括标准数据集中的所有数据对，获取待分析数据集是所述标准数据集的子集；若是，则直接进入建立五氧化二磷含量和氟含量之间的线性回归模型的步骤；若否，则基于待分析数据集中的数据对构建第三散点图以及第三线性回归方程；第四计算模块，用于计算每个数据对对应的散点的第三标准残差；第五计算模块，用于计算每个第三标准残差的第三标准残差绝对值；选取模块，用于选取大于预设值的第三标准残差绝对值；
logic device，pld)、现场可编程门阵列(field programmable gate array，fpga)、中央处理器(central processing unit，cpu)、控制器、微控制器和微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器302功能的电子器件还可以为其它，本技术实施例不作具体限定。
93.通信总线303可包括一通路，在上述组件之间传送信息。通信总线303可以是pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。通信总线303可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双箭头表示，但并不表示仅有一根总线或一种类型的总线。
94.本技术实施例提供一种计算机可读存储介质，存储有能够被处理器加载并执行如上述实施例提供的一种磷矿伴生的氟资源储存量预测方法的计算机程序。
95.本实施例中，计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。具体的，计算机可读存储介质可以是便携式计算机盘、硬盘、u盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、讲台随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、光盘、磁碟、机械编码设备以及上述任意组合。
96.术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
97.以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种磷矿伴生的氟资源储存量预测方法，其特征在于，包括：获取关于磷矿床的样本数据集，所述样本数据集包括多个数据对，每个所述数据对均包括五氧化二磷含量和氟含量，其中，所述五氧化二磷含量和氟含量一一对应；对所述样本数据集的数据对进行筛选，得到标准数据集；对所述标准数据集中的所述数据对进行相关性分析，建立五氧化二磷含量和氟含量之间的线性回归模型；获取待预测的磷矿床中的五氧化二磷总量，基于所述五氧化二磷总量以及所述线性回归模型计算所述待预测的磷矿床中的氟资源储存量。2.根据权利要求1所述的方法，其特征在于，所述对所述样本数据集的数据对进行筛选，包括：判断所述样本数据集是否包括第一异常数据对；若是，则在所述样本数据集将所述第一异常数据对删除；对所述样本数据集中剩余的数据对重复执行所述判断所述样本数据集是否包括第一异常数据对的步骤，直至所述样本数据集中不包括所述第一异常数据对。3.根据权利要求2所述的方法，其特征在于，所述判断所述样本数据集是否包括第一异常数据对，包括：基于所述样本数据集中的所有数据对构建第一散点图以及第一线性回归方程；基于所述第一散点图以及所述第一线性回归方程计算每个所述数据对对应的散点的第一标准残差；计算每个所述第一标准残差的第一标准残差绝对值；判断是否存在大于预设值的第一标准残差绝对值；若是，则判定包含所述第一异常数据对。4.根据权利要求3所述的方法，其特征在于，在所述判定包含所述第一异常数据对之后，还包括：获取所述第一异常数据对所属磷矿床，并将所述磷矿床作为待校验磷矿床；获取所述待校验磷矿床中对应的所有数据对，将所述数据对作为待校验数据对；计算所述待校验磷矿床中的所述待校验数据对的相关系数；基于所述相关系数判断所述待校验磷矿床中的所述待校验数据是否具有相关性；若是，则基于所述待校验数据对构建第二散点图以及第二线性回归方程；基于所述第二散点图以及所述第二线性回归方程计算每个所述数据对对应的散点的第二准残差；计算每个所述第二标准残差的第二标准残差绝对值；选取大于预设值的第二标准残差绝对值对应的数据对，将选取的数据对作为第一异常数据对；若否，将所有所述待校验数据对均作为所述第一异常数据对。5.根据权利要求1所述的方法，其特征在于，在所述对所述标准数据集中的所有所述数据对进行相关性分析之前，还包括：获取待分析数据集，判断所述待分析数据集是否包括所述标准数据集中的所有所述数据对，所述获取待分析数据集是所述标准数据集的子集；
若是，则直接进入建立五氧化二磷含量和氟含量之间的线性回归模型的步骤；若否，则基于所述待分析数据集中的数据对构建第三散点图以及所述第三线性回归方程；计算每个所述数据对对应的散点的第三标准残差；计算每个所述第三标准残差的第三标准残差绝对值；选取大于预设值的第三标准残差绝对值；获取选取的第三标准残差绝对值对应的第二异常数据对，将所述第二异常数据在所述待分析数据集中删除；重复执行基于所述待分析数据集中的数据对构建第三散点图以及所述第三线性回归方程的步骤，直至所述待分析数据集中不包括所述第二异常数据对；当所述待分析数据集中不包括所述第二异常数据对时，转入建立五氧化二磷含量和氟含量之间的线性回归模型的步骤。6.根据权利要求1所述的方法，其特征在于，所述对所述标准数据集中的所述数据对进行相关性分析，包括：将氟含量作为因变量、五氧化二磷含量作为自变量构建线性回归模型；基于所述建线性回归模型获取所述标准数据集对应的线性回归结果；基于所述线性回归结果确定所述标准数据集中的多个数据对的相关性程度。7.根据权利要求1所述的方法，其特征在于，所述基于所述线性回归结果确定所述标准数据集中的多个数据对的相关性程度，包括：获取所述线性回归模型对应的相关系数r和r方；基于所述相关系数r和r方确定五氧化二磷含量和氟含量的相关性程度；或者，获取所述线性回归模型对应的显著性值；基于所述显著性值确定五氧化二磷含量和氟含量的相关性程度；或者，获取所述线性回归模型对应的标准残差；基于所述标准残差确定五氧化二磷含量和氟含量的相关性程度。8.一种磷矿伴生的氟资源储存量预测装置，其特征在于，包括：获取模块，用于获取关于磷矿床的样本数据集，所述样本数据集包括多个数据对，每个所述数据对均包括五氧化二磷含量和氟含量，其中，所述五氧化二磷含量和氟含量一一对应；筛选模块，用于对所述样本数据集的数据对进行筛选，得到标准数据集；分析模块，用于对所述标准数据集中的所述数据对进行相关性分析，建立五氧化二磷含量和氟含量之间的线性回归模型；获取计算模块，用于获取待预测的磷矿床中的五氧化二磷总量，基于所述五氧化二磷总量以及所述线性回归模型计算所述待预测的磷矿床中的氟资源储存量。9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器耦合；所述处理器用于执行所述存储器中存储的计算机程序，以使得所述电子设备执行如权利要求1至7任一项所述的方法。10.一种计算机可读存储介质，其特征在于，包括计算机程序或指令，当所述计算机程序或指令在计算机上运行时，使得所述计算机执行如权利要求1至7任一项所述的方法。

技术总结
本申请涉及一种磷矿伴生的氟资源储存量预测方法、装置、设备及介质，其方法包括：获取关于磷矿床的样本数据集，所述样本数据集包括多个数据对，每个所述数据对均包括五氧化二磷含量和氟含量，其中，所述五氧化二磷含量和氟含量一一对应；对所述样本数据集的数据对进行筛选，得到标准数据集；对所述标准数据集中的所述数据对进行相关性分析，建立五氧化二磷含量和氟含量之间的线性回归模型；获取待预测的磷矿床中的五氧化二磷总量，基于所述五氧化二磷总量以及所述线性回归模型计算所述待预测的磷矿床中的氟资源储存量本申请具有对磷矿床中的氟资源的储存量进行预测的效果。床中的氟资源的储存量进行预测的效果。床中的氟资源的储存量进行预测的效果。


技术研发人员：田含笑 郑厚义 王德利 刘兴宝 时雨晴 韩贝贝 焦森 邓小林 商朋强 李晓亚 马宁昕
受保护的技术使用者：中化明达控股集团有限公司
技术研发日：2023.03.10
技术公布日：2023/7/26