[發明專利]對圍巖等級進行識別的方法

在審

• 申請號: 202011155747.6
• 申請日: 2020-10-26
• 公開（公告）號: CN112257789A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 路潤琪;張志厚;姚禹;趙思為;劉鵬飛;石澤玉
• 申請（專利權）人: 西南交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都宏順專利代理事務所(普通合伙) 51227
• 代理人: 辜桂芳

本發明公開了對圍巖等級進行識別的方法，包括以下步驟：(1)獲得深度學習模型：step1.獲取圍巖等級已確定地點的巖石的屬性數據，每組屬性數據至少包括深度和波速；step2.對屬性數據進行標準化處理，使經過標準化處理后的屬性數據符合標準正態分布；step3.采用基于深度學習神經網絡的訓練模型處理屬性數據，每組屬性數據被處理后輸出與圍巖等級相對應的向量；step4.判斷訓練模型的準確率和/或損失率，當準確率和/或損失率達到期望值時，保存訓練模型為深度學習模型。與現有的技術相比，在相同樣本數量下，本發明具有更高的準確度，并且在樣本數量較大時本發明仍能保持較高的準確率。

技術領域

本發明涉及涉及地質超前預報的技術領域，具體而言，涉及一種對圍巖等級進行識別的方法。

背景技術

隨著我國高速鐵路的不斷發展，在各種艱險復雜山區的建設需求變得越來越多。而在長大深埋隧道超前地質預報中，查明掌子面前方圍巖等級及破碎程度是十分重要的。

現今隧道超前TSP預報只能獲得前方的波速，然后根據規范及波速的變化進行判讀，其客觀依據性不強。而巖性識別方法大都采用機器學習的方法。例如，礦物巖石地球化學通報2018年37期公開了韓啟迪等《基于梯度提升決策樹(GBDT)算法的巖性識別技術》，介紹了一種對實例進行分類的樹形結構，并說明其模型的學習算法GBDT是一遞歸的選擇最優特征，核心在于決策樹的各結點信息增益準則并使其增益最大。又如，《地球物理學進展》2019年公開了蘇賦等《基于改進多分類孿生支持向量機的測井巖性識別方法研究與應用》，介紹了一種模糊隸屬度函數改進模糊孿生支持向量機，并通過綜合自然伽馬、電阻率、光電效應、種子密度孔隙度差異以及平均中子密度孔隙度五種測井數據和相對位置及非海洋/海洋指標的兩種地質約束變量進行巖性的識別。

目前，尚無根據已知區域鉆孔的地球物理波速數據及巖性數據(如深度、巖石類型)等并結合TSP超前預報探測資料進行地質超前預報的技術手段，因此，現有的機器學習方法雖然在一定程度上能夠進行數據的分類識別，但使用的數據種類極為有限且對于樣本數量較大時準確率便會降低。

發明內容

本發明的主要目的在于提供對圍巖等級進行識別的方法，以解決現有技術中的分類識別方法存在的準確率低的技術問題。

為了實現上述目的，本發明提供了一種對圍巖等級進行識別的方法。該對圍巖等級進行識別的方法包括以下步驟：

(1)獲得深度學習模型

step1.獲取圍巖等級已確定地點的巖石的屬性數據，每組屬性數據至少包括深度和波速；

step2.對屬性數據進行標準化處理，使經過標準化處理后的屬性數據符合標準正態分布；

step3.采用基于深度學習神經網絡的訓練模型處理屬性數據，每組屬性數據被處理后輸出與圍巖等級相對應的向量；

step4.判斷訓練模型的準確率和/或損失率，當準確率和/或損失率達到期望值時，保存訓練模型為深度學習模型；

(2)獲取待測點的深度和/或波速并輸入深度學習模型中進行處理，即輸出與圍巖等級相對應的向量。

經驗證，本發明的對圍巖等級進行識別的方法采用了基于深度學習神經網絡的訓練模型來預測圍巖等級，與現有的技術相比，在相同樣本數量下，本發明具有更高的準確度，并且在樣本數量較大時本發明仍能保持較高的準確率。可見，本發明可以更為準確的對巖芯的圍巖等級進行分類，有望廣泛應用于地質超前預報。

下面結合附圖和具體實施方式對本發明做進一步的說明。本發明附加的方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。

附圖說明