CN109635461A - 一种应用随钻参数来自动识别围岩级别的方法和系统 - Google Patents

Abstract

一种应用随钻参数来识别围岩级别的方法和系统，该方法包括如下步骤：对采集到的随钻参数的数据集进行预处理；分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量的贡献率，应用有序加权平均算子方法对计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用样本数据对建立的神经网络数学模型进行围岩识别的验证。通过本发明，可以实现工作效率更高、使用更方便，精度更高的机器自动判识方案。

Description

一种应用随钻参数来自动识别围岩级别的方法和系统

技术领域

本发明涉及工程机械领域，尤其涉及一种应用随钻参数来自动识别围岩级别的方法和系统。

背景技术

隧道是修筑在具有一定应力履历和构造迹象的多种围岩介质中的一种洞室结构体系，隧道围岩是指隧道周围一定范围内对隧道稳定性产生影响的岩土体，隧道周围的地层不管是岩体还是土体统称为隧道围岩。为满足隧道施工的需要，根据围岩的稳定程度，应用综合岩石指标将围岩分成不同级别，即围岩分级。正确评价隧道的围岩级别不仅关系到隧道的设计、施工方案、工程造价，而且还关系到隧道施工与运营期间的安全与稳定。因此，正确评价围岩分级是隧道超前支护方案的重要依据。

隧道设计与施工过程中涉及了多种不确定因素，许多问题的解决方案依靠工程经验丰富的专家。对于隧道围岩分级，虽然国内外规范给出了隧道围岩的相关计算方法，但目前围岩分级的各项指标与围岩等级尚未建立精确的数学模型，且各级围岩之间没有明确界限，所以对隧道围岩分级而言，其分级标准受主观因素的影响更大。

发明内容

本发明所要解决的技术问题之一是需要提供一种工作效率更高、使用更方便，精度更高的机器自动判识围岩级别的方案。

为了解决上述技术问题，本申请的实施例首先提供了一种应用随钻参数来自动识别围岩级别的方法，该方法包括如下步骤：步骤一，对采集到的随钻参数的数据集进行预处理；步骤二，分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；步骤三，应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。

优选地，所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量；进一步，在所述步骤二中，分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。

优选地，在所述步骤二中，应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率。

优选地，在所述步骤一中，对随钻参数的数据样本集进行异常数据的剔除处理；将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的预处理。

优选地，在所述步骤二中，应用有序加权平均算子方法对主成分分析方法和因子分析方法得到的各变量贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主要特征参数；应用K-means方法对主要特征参数的样本集进行分类。

优选地，所述方法应用凿岩台车钻进过程中获取的随钻参数的数据集。

根据本发明的另一方面，还提供了一种应用随钻参数来识别围岩级别的系统，该系统包括：数据预处理模块，其对采集到的随钻参数的数据集进行预处理；主参数确定模块，其分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；围岩识别模块，其应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。

优选地，所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量；进一步，所述主参数确定模块，其分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。

优选地，所述主参数确定模块，其应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率。

优选地，所述数据预处理模块，其对随钻参数的数据集进行异常数据的剔除处理；将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的预处理。

优选地，所述主参数确定模块，其应用有序加权平均算子方法对主成分分析和因子分析方法得到的各变量贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主要特征参数；应用K-means方法对主要特征参数的样本集进行分类。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

本发明方法基于随钻参数的归一化数据，应用有序加权平均方法，确定主要的随钻变量。在此基础上，通过神经网络和专家系统相结合的算法，自动学习岩石类型的特征信息，实现岩石类别的自动分类。通过本发明，可以实现工作效率更高、使用更方便，精度更高的机器自动判识方案，是隧道智能建造施工的关键技术之一。

本发明的其它特征和优点将在随后的说明书中阐述，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的技术方案而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构和/或流程来实现和获得。

附图说明

附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。

图1为本申请实施例的应用随钻参数来识别围岩级别的方法的概略流程示意图。

图2为本申请实施例的应用随钻参数来识别围岩级别的方法的具体流程示意图。

图3为本申请实施例的应用随钻参数来识别围岩级别的系统的结构示意图。

图4为本申请实施例的基于神经网络的专家系统的结构示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。

另外，附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在人类进行隧道建造的长期研究中，国内外学者对隧道围岩分级方法进行了大量的研究，并提出上百种分级方法。其中有影响的主要有普氏岩石坚固性系数分级方法、泰沙基分级方法、岩石质量指标(RQD)分类法、岩石结构评价(RSR)分类法、Q系统分类法、日本按弹性波速度的围岩分级方法、我国铁路和公路隧道围岩分级方法等。在国外诸多围岩分级方法中，影响较大、应用较为广泛的围岩分级方法包括以下几种：1)普氏坚固系数法。该围岩分级方法是由前苏联普洛托吉雅柯诺夫于1907年提出的，他采用普氏坚固系数f来描述岩石的坚硬程度，并按f取值的大小将岩体分为十级；2)Terzaghi荷载分级法。1946年Terzaghi根据岩石种类和荷载因素对岩石进行分级，随后Terzaghi又加入了RQD值和节理间距两个分级指标；3)自稳时间ts法。1958年，奥地利的Laufer提出根据隧道短暂的自稳时间ts对隧道围岩进行分级。并按稳定性将隧道围岩分为七级；4)Caotes岩石分类法。1963年，加拿大工程师Caotes首次提出了一种包含定性分级与定量分级的岩石分级方法，该分级方法综合考虑了包含岩石坚硬程度和岩体完整程度在内的五项指标；5)岩体质量分级法。1967年美国工程师Deree根据RQD值提出了岩体质量分级法，将岩体分为五级。RQD值(Rock Quality Designation)，即岩体质量指标，是Deree推荐的一种在钻进时统计岩芯完整程度的指标；6)日本准围岩抗拉强度分级法。日本岩石力学委员会根据抗拉强度、岩体平均龟裂间距和岩石弹性波速度三个指标将岩石分为八级，岩体分为六类，二者相结合共计48个级类；7)RSR岩石等级结构法。RSR法是由美国工程师Wickham于1972年创立的。它是根据地质条件为岩体地质结构、节理状态、地下水情况三个指标进行评分，累加后得到RSR值，然后根据RSR值的大小对岩体给出评价；8)RMR围岩分级法。RMR分级法是由南非工程师Bieniawski总结了249条隧道的围岩分级经验得出隧道围岩分级方法。该方法首先根据地质状况对岩石单轴抗压强度、结构面间距、RQD等六个分级指标进行评分，再把分值累加得出最后的RMR值。根据RMR值将岩体分为五级；9)Q值法。Q值法由挪威工程师Barton于1971～1974年间创立。该方法首先对RQD、节理组数、节理粗糙程度、应力折减系数等六项指标进行评分，再根据相应公式计算出Q值，并按Q值的大小将岩体分为十一级；其中，南非Bieniawski的RMR围岩分级法和挪威Barton的Q围岩分级法是当前国际上影响最大、应用最为广泛的两大围岩分级体系。

2004年以前我国公路隧道的围岩分级主要依照的是《公路隧道勘测规程》(JTJ063—85)和《公路隧道设计规范》(JTJ 026—90)。当时的围岩分级方法是对隧道所在的地质环境以及开挖后的稳定性状况给予定性的评价，从而对隧道的围岩进行分级。这种围岩分级方法将围岩从好到差分为Ⅰ～Ⅵ级(Ⅰ级围岩质量最好，为理想的硬质岩石，但该级别的围岩在公路隧道中一般很少遇见；Ⅵ级围岩质量最差，基本上为软土和软塑性粘土。这种围岩分级方法主要考虑了岩石的强度等级、受地质构造的影响程度、围岩节理发育程度、风化作用的影响和地下水的影响。根据有关资料显示，依照该围岩分级方法获得的围岩级别，与开挖所暴露出来的实际围岩级别相一致的只占50％左右，有30％～40％的围岩相差1～2级。这是由于这种分级方法基本上是用定性的表述进行围岩分类，在实际操作中易受主观因素和经验的影响。

本发明实施例以隧道智能建造项目中凿岩台车机器人化施工装备中围岩等级分类系统中围岩自动判识为研究对象，具体内容请参考如下。

图1为本申请实施例的应用钻进数据来自动识别围岩级别的方法的概略流程示意图。

如图1所示，首先，在步骤S110中，对采集到的随钻参数的样本数据集进行预处理。

具体地，应用Bevel数据采集系统采集大量的凿岩机随钻参数的样本数据，这些数据包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力、水流量等。然后将这些样本数据进行归一化处理，即将采集的物理量进行无量纲化处理，转化为无量纲化指标测评值，完成数据的预处理。更具体地，将随钻参数的样本数据经过归一化处理后，可以转化为无量纲化指标测评值，各指标值处于同一数量级别，可进行综合测评分析。优选地，还可以对随钻参数进行相关性分析和剔除异常数据(参见图2所示的流程)，相关性分析用于分析各个变量之间的线性相关系数。

在步骤S120中，分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类。

具体地，如图2所示，在该步骤中，应用数据降维方法(例如主成分分析方法、因子分析方法)将原始随钻参数样本点通过线性变换映射到一个低维空间，分别确定随钻参数中各变量的贡献率，也就是说分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。在此基础上，应用有序加权平均算子方法对以上单个预测方法计算的贡献率进行组合，并对组合方案的结果进行排序和择优，即通过贡献率值所在的位置进行加权在进行集结，获得随钻参数的主要特征参数，最后，在此基础上，应用K-means方法对主要特征参数的样本集进行分类。下面分别说明各方法的计算过程。

其中，主成分分析方法是一种分析、简化数据集的技术。通过坐标变换将原始随钻参数转换到新的坐标系下进行表示，实现用较少的随钻变量表示原始样本大部分信息。应用此方法可以减少随钻参数的维数，同时保持数据集中的对方差贡献最大的特征。

主成分分析方法的具体实现步骤如下所示：

1、应用z-score标准化随钻参数的样本集，并将随钻参数的7个变量的样本组合成一个矩阵。

2、计算组合后矩阵的协方差矩阵。

3、计算步骤2中协方差矩阵的特征值和特征向量。

4、将求解的特征向量按照特征值的大小顺序重新组合形成一个映射矩阵，并根据PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵。

5、用步骤4的映射矩阵对标准化的随钻参数数据进行映射，实现数据降维的目的。

其中，因子分析研究原始变量相关矩阵内部的依赖关系，将复杂关系的变量表示为少数公共因子和对某个变量有作用的特殊因子线性组合。即从数据中提取对变量起解释作用的少数公共因子。其计算步骤如下：

1、计算标准化的随钻参数样本的相关矩阵R。

2、计算步骤1中相关矩阵R的特征根和特征向量。

3、根据要求的累积贡献率确定主因子的个数。

4、计算因子载荷矩阵。

5、确定因子模型。

基于选取的随钻特征变量数据，按照特定标准，应用无监督学习的K-means聚类分析方法可以将掌子面的围岩进行分类。即将同一个掌子面一百多个钻孔的数据集分割成不同的类，使得相同类内的随钻数据的相似性尽可能大，而不同类内的随钻数据的差异性尽可能大，实现同一类的数据尽可能聚集到一起，不同类的数据尽量分离。

K-means算法是将样本聚类成k个簇，具体算法描述如下：

1)从n个数据对象随机选取k个对象作为初始聚类中心；

2)计算每个聚类对象的均值以及每个对象与这些中心对象的距离

c⁽ⁱ⁾：＝argmin||x⁽ⁱ⁾-μ_j||²

3)μ_j属于同一个类的样本中心点的猜测值。在此基础上，基于计算的最小距离重新划分相应的对象，重新计算每个聚类的均值；

4)循环(2)到(3)直到每个聚类不再发生变化为止。

最后，应用有序加权平均(OWA)算子将主成分分析方法和因子分析方法计算得到的贡献率进行组合计算。然后，通过贡献率所在的位置进行加权与排序。定义：设F:Rⁿ→R，若其中ω＝(ω₁,ω₂,...,ω_n)^T是与F相关联的加权向量，ω_j∈[0,1]，b_j是一组数据a_i(i∈N)中第j个最大元素，则称函数F是n维有序加权平均(OWA)算子。

需要说明的是，上述涉及的各方法仅为本发明的一个优选例子，并不限定本发明的保护范围，因此，其他的可以用来获取主要特征参数的方法也可以应用到本发明中，此处不作限定。

在步骤S130中，应用建立的BP神经网络和专家知识系统对不同分类的特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。

需要说明的是，神经网络是人工智能学习方法之一，应用于系统模式分类与数学模型的参数识别。本发明实施例应用神经网络智能算法，使得知识获取模块通过对新实例的学习，获得新的网络权值分布，更新知识库(参见图4的结构图)。专家系统在逻辑上需要划分为知识库和推理机两部分。根据专家围岩分级的专家经验以及相关知识建立专家知识系统，该系统包括围岩分级模块、信息交互模块、案例库模块。通过建立知识库可以确定神经网络的具体结构以及学习算法。因而，知识库的建立实际上就是神经网络的学习过程。

神经网络通过对输入样本的学习，将知识以权值和阈值的形式存储在网络中。网络的输入为随钻参数的不同特征值，输出是围岩级别(RMR)。具体参见图4所示的基于神经网络的专家系统的结构示意图。

BP神经网络模块：

1)建立网络：确定输入层、隐含层、输出层的数目；

2)确定激励函数以及迭代误差、迭代次数，并对网络进行初始化；

3)网络训练并更新网络权值；

4)将更新的网络权值矩阵存储到知识库；

专家知识系统各个功能模块：

1)知识获取：学习选取的随钻参数数据集，将知识分布存储在网络的连接权上，包括网络结构、输入学习样本模式的组织形式、网络学习算法等，主要表现为系统对围岩类型识别方法的信息搜集。

2)知识库：BP神经网络系统经过大量训练后，多个神经元节点间的联接权重以及节点阈值就形成了知识库。

3)推理机：针对围岩分级问题的条件或已知信息，反复匹配知识库中的规则，完成输入模式到输出模式的非线性映射关系，解释输出模型的数学表示。

4)解释器：利用专家系统原理，即经验性、模糊性的专家知识，并基于推理思路做出决策。

围岩分级是地下施工过程中对岩石的坚硬程度和岩体完整程度进行定性评价，根据定性评价的结果初步划分围岩等级。最后，应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。

另一方面，本发明还提供了一种应用随钻参数来自动识别围岩级别的系统，如图3所示，该系统包括：数据预处理模块310、主参数确定模块320和围岩识别模块330。

数据预处理模块310，其对采集到的随钻参数的数据集进行预处理。所述数据预处理模块310，其对随钻参数的数据集进行异常数据的剔除处理；将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的预处理。

主参数确定模块320，其分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各个变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数中的主要特征参数，在此基础上，对主要特征参数的样本集进行分类。

所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量。进一步，所述主参数确定模块320，其分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。所述主参数确定模块320，其应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率(百分比)。所述主参数确定模块320，其应用有序加权平均算子方法对主成分和因子分析方法得到的贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主要特征参数；应用K-means方法对主要特征参数的样本集进行分类。

围岩识别模块330，其应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。

该系统的这些模块可以分别执行上述的步骤S110、S120和S130，此处不再赘述。

本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (11)

1.一种应用随钻参数来识别围岩级别的方法，其特征在于，该方法包括如下步骤：

步骤一，对采集到的随钻参数的数据集进行预处理；

步骤二，分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；

步骤三，应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。

2.根据权利要求1所述的方法，其特征在于，

所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量；

进一步，在所述步骤二中，分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。

3.根据权利要求1或2所述的方法，其特征在于，在所述步骤二中，

应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率。

4.根据权利要求1～3中任一项所述的方法，其特征在于，在所述步骤一中，

对随钻参数的数据样本集进行异常数据的剔除处理；

将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的预处理。

5.根据权利要求3所述的方法，其特征在于，在所述步骤二中，

应用有序加权平均算子方法对主成分分析方法和因子分析方法得到的各变量贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主要特征参数；

应用K-means方法对主要特征参数的样本集进行分类。

6.根据权利要求1～5中任一项所述的方法，其特征在于，所述方法应用凿岩台车钻进过程中获取的随钻参数的数据集。

7.一种应用随钻参数来识别围岩级别的系统，其特征在于，该系统包括：

数据预处理模块，其对采集到的随钻参数的数据集进行预处理；

主参数确定模块，其分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；

围岩识别模块，其应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。

8.根据权利要求7所述的系统，其特征在于，

所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量；

进一步，所述主参数确定模块，其分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。

9.根据权利要求7或8所述的系统，其特征在于，

所述主参数确定模块，其应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率。

10.根据权利要求7～9中任一项所述的系统，其特征在于，

所述数据预处理模块，其对随钻参数的数据集进行异常数据的剔除处理；将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的预处理。

11.根据权利要求9所述的系统，其特征在于，

所述主参数确定模块，其应用有序加权平均算子方法对主成分分析和因子分析方法得到的各变量贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主要特征参数；应用K-means方法对主要特征参数的样本集进行分类。