[發明專利]基于非開挖泥漿流變參數弱監督機器學習的地層識別方法

在審

• 申請號: 202110533107.2
• 申請日: 2021-05-17
• 公開（公告）號: CN113062734A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 張帆;徐晗;馬志明;胡智鈞;蔡曉春
• 申請（專利權）人: 上海聯創燃氣技術發展有限公司
• 主分類號: E21B49/00
• 分類號: E21B49/00;G06F30/20
• 代理公司: 上海知義律師事務所 31304
• 代理人: 劉峰

1.基于非開挖泥漿流變參數弱監督機器學習的地層識別方法；步驟如下：

步驟1、在數據采集層，采集已知地層的大量泥漿流變參數樣本，然后提取出具有優秀品質的若干所述泥漿流變參數樣本作為樣本參數；

步驟2、利用KNN算法，將所述已知地層的帶有標簽的泥漿流變數據傳遞給未知地層，擴大帶有所述標簽的所述泥漿流變數據的數量；

步驟3、在統計性特征提取層，從擴大后的帶有所述標簽的所述泥漿流變數據中獲取所述已知地層的泥漿流變參數，提取出所述已知地層的所述泥漿流變參數的統計性特征；

步驟4、在建模數據備份層，將所述已知地層的所述泥漿流變參數的所述統計性特征作為建模數據進行備份，形成備份數據；

步驟5、在弱監督機器學習模型層，通過所述統計性特征提取層的所述統計性特征和所述建模數據備份層的所述備份數據，使用SVM算法進行地層識別模型，即KNN-SVM模型的建立，然后對所述KNN-SVM模型的識別正確率進行驗證；

步驟6、提取所需識別地層的所述統計性特征，使用所述KNN-SVM模型，對所需識別地層進行識別。

2.根據權利要求1所述的基于非開挖泥漿流變參數弱監督機器學習的地層識別方法，其特征在于，具有優秀品質的每一所述泥漿流變參數樣本的提取方法如下：

首先，對相應的所述泥漿流變參數樣本進行數據清洗及標準化；

然后，將被數據清洗及標準化后的每一所述泥漿流變參數樣本經過皮爾遜相關系數處理；

再，篩選相關系數大于0.5的每一所述泥漿流變參數樣本即為具有優秀品質的所述泥漿流變參數樣本；

所述泥漿流變參數樣本的標準化方法為z-score標準化，轉化函數為：新的泥漿流變數據＝(原始泥漿流變數據-均值)/標準差。

3.根據權利要求1所述的基于非開挖泥漿流變參數弱監督機器學習的地層識別方法，其特征在于，所述已知地層的帶有所述標簽的每一所述泥漿流變數據的所述標簽均來源于勘察資料中地層巖性描述。

4.根據權利要求1所述的基于非開挖泥漿流變參數弱監督機器學習的地層識別方法，其特征在于，所述統計性特征為非開挖泥漿信息統計性特征。

5.根據權利要求4所述的基于非開挖泥漿流變參數弱監督機器學習的地層識別方法，其特征在于，所述統計性特征包括泥漿塑性粘度PV、泥漿密度和泥漿表觀粘度。

6.根據權利要求1所述的基于非開挖泥漿流變參數弱監督機器學習的地層識別方法，其特征在于，使用SVM算法進行地層識別模型，即KNN-SVM模型的建立步驟如下：

步驟5.1、從所述統計性特征提取層和所述建模數據備份層獲取建模數據；

步驟5.2、設置KNN算法的K值，K從1取值到15，K值的最終確認采用交叉驗證法，即將訓練數據拆分成6:4兩份；其中，前6份進行標簽傳遞模型的建立，后4份進行準確率驗證，對所述標簽傳遞模型的準確率進行驗證，取所述準確率最高的所述標簽傳遞模型對應的K值；

步驟5.3、建立KNN標簽傳遞模型，輸入未知標簽泥漿流變數據，獲得全標簽泥漿流變數據集；

步驟5.4、將所述全標簽泥漿流變數據集導入SVM算法，進行地層識別模型的訓練，地層識別結果包括雜填土類、粘土類、粉細砂類、礫石類和淤泥類；

步驟5.5、將建模備份數據外的已知地層泥漿流變參數導入SVM地層識別模型，對SVM地層識別模型的識別正確率進行判斷，當SVM地層識別模型的識別正確率低于90％時，重新執行步驟5.4至步驟5.5，直至SVM地層識別模型正確率達到90％。

7.根據權利要求1所述的基于非開挖泥漿流變參數弱監督機器學習的地層識別方法，其特征在于，所述步驟6，提取所需識別地層的所述統計性特征，使用所述KNN-SVM模型，對所需識別地層進行識別的步驟如下：

步驟6.1、提取所需識別地層的所述統計性特征；

步驟6.2、將提取出的所述統計性特征，即泥漿流變參數作為輸入數據傳遞給所述KNN-SVM模型；

步驟6.3、返回識別結果。

8.根據權利要求1所述的基于非開挖泥漿流變參數弱監督機器學習的地層識別方法，其特征在于，所述未知地層包括雜填土、粘土、粉細砂、礫石和淤泥。