[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

本發明公開了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，識別對象為未知地層，利用弱監督機器學習與已知地層泥漿流變參數建立地層識別模型，再通過模型去識別未知地層；工作流程為讀取大量已知地層的泥漿流變參數，提取已知地層泥漿流變參數的統計性特征，將特征作為屬性，再使用KNN?SVM算法建立模型，最后將泥漿流變參數導入模型識別未知地層；將未知地層的泥漿流變，輸入模型進行識別，得出識別結果，即未知地層的類別。本發明主要針對于未知地層的識別，參與建模的數據全部由非開挖鉆進時的返排泥漿流變參數檢測系統取得，貼近工程實際實用性強，為非開挖施工的地層識別提供了新的解決方法。

技術領域

本發明涉及計算機輔助設計技術領域，特別涉及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。

背景技術

對非開挖掘進段地層巖性信息的精準掌控是能夠保障安全施工的重要手段。

在非開挖施工時，施工位置常處于城區，難以進行精準工程勘察，在施工前獲取掘進段地層巖性準確信息更是無從可知，導致非開挖掘進處于“摸黑”狀態。與地層巖性配伍性差的鉆具，更是難以高效掘進。與地層巖性配伍性差的非開挖泥漿，無法平衡地層壓力，沒有足夠的潤滑性，導致掘進效率低，孔壁失穩等問題。

鉆遇不同地層，鉆屑污染導致標準比對泥漿流變性產生變化。含鹽地層鉆屑會導致泥漿中膨潤土水化顆粒雙電層壓縮，水土分層，粘度降低。水敏性地層鉆屑包涵水敏性礦物會導致泥漿粘度有所上漲。卵礫石地層鉆屑比重大，導致泥漿密度有所上漲。

非開挖施工難以知曉掘進段地層信息的問題在于兩點：施工工期緊張，而且尚未有與之配套的前期勘探。

非開挖施工難以知曉掘進段地層信息的根本原因在于非開挖施工地點處于城區，為保持城市交通暢通與市容整潔，非開挖施工工期緊張，無法預留足夠前期地質勘探時間，地層巖土信息難以獲取。而非開挖在同種地層中掘進時，其泥漿流變參數具有一定的統計學特征，比如非開挖在硬巖地層掘進，在相同泥漿方案條件下其返漿密度較大、塑性粘度較高。

因此，如何解決非開挖施工缺乏地質信息保障問題，如何對泥漿流變參數進行識別，解析出數據采集處的地層信息成為本領域技術人員急需解決的技術問題。

發明內容

有鑒于現有技術的上述缺陷，本發明提供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，實現的目的是通過大量收集不同地層的泥漿流變參數，利用KNN-SVM算法進行分類分析，獲得地層識別模型，再對泥漿流變參數使用弱監督機器學習解決地層識別問題，在地層識別模型識別正確率高的前提下進行地層識別，擁有著極高的識別率。

為實現上述目的，本發明公開了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。