CN111273352A - 地质构造智能检测方法、装置与电子设备 - Google Patents
地质构造智能检测方法、装置与电子设备 Download PDFInfo
- Publication number
- CN111273352A CN111273352A CN202010044055.8A CN202010044055A CN111273352A CN 111273352 A CN111273352 A CN 111273352A CN 202010044055 A CN202010044055 A CN 202010044055A CN 111273352 A CN111273352 A CN 111273352A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- neural network
- learning neural
- geological structure
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 124
- 238000013135 deep learning Methods 0.000 claims abstract description 150
- 239000003245 coal Substances 0.000 claims abstract description 119
- 238000013528 artificial neural network Methods 0.000 claims abstract description 108
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000004519 manufacturing process Methods 0.000 claims abstract description 66
- 238000005065 mining Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 65
- 238000012360 testing method Methods 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 12
- 238000009412 basement excavation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明实施例提供一种地质构造智能检测方法、装置与电子设备，其中所述方法包括：获取目标煤矿采区三维地震勘探数据，并对所述地震勘探数据进行处理；将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿生产的地质构造并输出；其中，所述地质构造智能检测系统为经过训练达到预设精度要求后的深度学习神经网络。本发明实施例输入煤矿采区三维地震勘探数据，通过影响煤矿生产的地质构造智能检测系统，自动识别出影响煤矿安全生产的地质构造，有效提高三维地震勘探的勘探精度以及对地质构造的检测效率。
Description
技术领域
本发明涉及人工智能识别技术领域，更具体地，涉及一种地质构造智能检测方法、装置与电子设备。
背景技术
当前，煤炭资源仍然是能源的重要组成部分，随着经济的发展，对煤炭的需求量也是逐年增长。但随着煤炭产量的增加，煤炭开采过程中潜在的安全问题也不容忽视。在现代化高产高效矿井的建设和生产过程中，综采工作面的合理布置、综采机组高产高效的发挥、矿工的生命安全以至整个矿井的安全，均依赖于矿井地下地质条件的查明程度。
现有的地质条件保障是以物探技术为先导，在查明井下地质条件时，采用煤矿采区三维地震勘探来详细查明井下可采煤层中小断层、小褶曲、陷落柱、采空区、冲刷带等影响煤矿安全生产的地质构造，并积累了大量影响煤矿安全生产的井下地质构造数据。
但是，地震勘探技术毕竟是间接的勘查手段，受施工时设备、技术水平的限制，导致解释的结果准确度不高，与实际的探采结果之间有较大的差距。为了提高煤矿采区三维地震勘探的勘探精度，特别是对影响煤炭安全开采的地质构造的检测精度，急需一种快速准确的智能检测方法。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种地质构造智能检测方法、装置与电子设备，用以有效提高对影响煤矿安全生产地质构造识别的准确度和效率。
第一方面，本发明实施例提供一种地质构造智能检测方法，包括：
获取目标煤矿采区三维地震勘探数据，并对地震勘探数据进行处理；
将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿生产的地质构造并输出；其中，所述地质构造智能检测系统为经过训练达到预设精度要求的深度学习神经网络。
进一步的，在将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出的步骤之前，还包括：
收集煤矿采掘过程中验证的影响煤炭安全开采的地质构造，并根据验证的结果，在预先获取的地震勘探数据上标注出相应类型的地质构造，形成深度学习样本数据库；
基于深度学习样本数据库中的训练样本数据对所述深度学习神经网络进行训练，在训练过程中通过不断调整所述深度学习神经网络的参数，使得所述深度学习神经网络趋于稳定；
经所述深度学习样本数据库中的测试样本数据对所述深度学习神经网络进行测试达到预设精度要求后，获取所述地质构造智能检测系统。其中可选的，所述地质构造智能检测系统的深度学习神经网络包括输入层、输出层和多层卷积层；
其中，所述卷积层位于所述输入层和输出层之间；
所述输入层用于输入所述地震勘探数据；
所述输出层用于输出影响煤炭安全生产的地质构造；
每个所述卷积层用于识别一种所述地震勘探数据的预设规模的特征；
紧邻每个所述卷积层后面的一层卷积层用于在每个所述卷积层的识别结果的基础上进行识别。
其中可选的，所述深度学习样本数据库中的数据包括训练样本数据和测试样本数据；
其中，所述训练样本数据用于训练深度学习神经网络；
所述测试样本数据用于将所述测试样本数据输入训练后的深度学习神经网络中，检测智能识别的准确率，判断所述准确率是否达到预设精度要求；
相应地，在训练过程中通过不断调整所述深度学习神经网络的参数，使得所述深度学习神经网络趋于稳定的步骤包括：
当每次向所述深度学习神经网络输入新的训练样本数据时，基于误差反向传播的方法对所述深度学习神经网络的参数进行调整；
其中，所述误差反向传播的方法的调整策略为根据所述深度学习神经网络的参数对识别结果的影响，调整相应的权重，所述影响越大，所述权重越大，使得所述深度学习神经网络输出的识别结果更接近正确的识别结果；
重复对所述深度学习神经网络的参数进行调整的过程，每个所述训练样本数据被反复使用多次，使得所述深度学习神经网络的参数进行多次调整，最终使得所述深度学习神经网络达到稳定。
第二方面，本发明实施例提供一种地质构造智能检测装置，包括：
数据获取模块，用于获取目标煤矿采区三维地震勘探数据，并对所述地震勘探数据进行处理；
识别输出模块，用于将处理后的地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出；其中，所述地质构造智能检测系统为经过训练达到预设精度要求的深度学习神经网络。
进一步的，本发明实施例的地质构造智能检测装置还包括系统建立模块，用于：
收集煤矿采掘过程中验证的影响煤炭安全开采的地质构造，并根据验证的结果，在预先获取的地震勘探数据上标注出相应类型的地质构造，形成深度学习样本数据库；
基于深度学习样本数据库中的训练样本数据对所述深度学习神经网络进行训练，在训练过程中通过不断调整所述深度学习神经网络的参数，使得所述深度学习神经网络趋于稳定；
经所述深度学习样本数据库中的测试样本数据对所述深度学习神经网络进行测试达到预设精度要求后，获取所述地质构造智能检测系统。其中可选的，所述地质构造智能检测系统的深度学习神经网络包括输入层、输出层和多层卷积层；
其中，所述卷积层位于所述输入层和输出层之间；
所述输入层用于输入所述地震勘探数据；
所述输出层用于输出影响煤炭安全生产的地质构造；
每个所述卷积层用于识别一种所述地震勘探数据的预设规模的特征；
紧邻每个所述卷积层后面的一层卷积层用于在每个所述卷积层的识别结果的基础上进行识别。
其中可选的，所述深度学习样本数据库中的数据包括训练样本数据和测试样本数据；
其中，所述训练样本数据用于训练深度学习神经网络；
所述测试样本数据用于将所述测试样本数据输入训练后的深度学习神经网络中，检测智能识别的准确率，判断所述准确率是否达到预设精度要求；
相应地，系统建立模块进一步用于：
当每次向所述深度学习神经网络输入新的训练样本数据时，基于误差反向传播的方法对所述深度学习神经网络的参数进行调整；
其中，所述误差反向传播的方法的调整策略为根据所述深度学习神经网络的参数对识别结果的影响，调整相应的权重，所述影响越大，所述权重越大，使得所述深度学习神经网络输出的识别结果更接近正确的识别结果；
重复对所述深度学习神经网络的参数进行调整的过程，每个所述训练样本数据被反复使用多次，使得所述深度学习神经网络的参数进行多次调整，最终使得所述深度学习神经网络达到稳定。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上第一方面所述的地质构造智能检测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，所述计算机指令被计算机执行时，实现如上第一方面所述的地质构造智能检测方法的步骤。
本发明实施例提供的地质构造智能检测方法、装置与电子设备，通过收集煤矿井下采掘过程中经验证的影响安全生产的地质构造，在三维地震勘探数据上进行标注，把经过标注的数据作为深度学习的样本，并用这些样本对地质构造智能检测深度神经网络进行训练，建立影响煤矿安全生产地质构造智能检测系统，再利用该系统对煤矿采区三维地震勘探数据进行检测，快速准确识别出影响煤矿安全生产的地质构造，能够有效提高地质构造的检测准确度和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的地质构造智能检测方法的流程示意图；
图2为本发明另一实施例提供的地质构造的智能检测方法的流程示意图；
图3为本发明实施例提供的地质构造智能检测装置的结构示意图；
图4为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明实施例的一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。
本发明实施例针对现有技术识别准确度不高且效率较低的问题，通过收集煤矿井下采掘过程中经验证实的影响安全生产的地质构造，在三维地震勘探数据上进行标注，形成深度学习样本数据库，并用深度学习样本数据库中的训练样本数据对地质构造智能检测深度学习神经网络进行训练，建立影响煤矿安全生产的地质构造智能检测系统，再利用该系统，对煤矿采区三维地震勘探数据进行检测，识别并输出影响煤炭安全开采的地质构造，有效提高了影响煤矿安全生产地质构造识别的准确度和效率。以下将具体通过多个实施例对本发明实施例进行展开说明和介绍。
图1为本发明一实施例提供的地质构造智能检测方法的流程示意图，如图1所示，该方法包括：
S101，获取目标煤矿采区三维地震勘探数据，并对三维地震勘探数据进行相应处理。
可以理解为，对于待开采的目标煤矿采区，首先获取该采区内三维地震勘探数据。之后，对获取的三维地震勘探数据进行相应处理，得到符合系统输入要求的地震勘探数据。
S102，将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出；其中，所述地质构造智能检测系统为经过训练达到预设精度要求的深度学习神经网络。
可以理解为，本发明实施例预先会根据识别需求，建立用于智能检测分析运算的深度学习神经网络，再在对目标煤矿采区三维地震勘探数据进行处理的基础上，利用该地质构造智能检测系统对处理后的煤矿采区三维地震勘探数据进行检测，识别出影响煤矿安全生产的地质构造并输出。
可以理解的是，深度学习是近年来人工智能领域取得的重要的突破之一，它通过多层神经学习网络，从大数据中自动学习、识别特征，并据此识别图像。同时，深度学习技术通过更新算法，在神经网络中加入了卷积网络，大大增强了计算机的认知能力，能够更准确、更自主的识别应用目标。
本发明实施例提供的地质构造智能检测方法，通过收集煤矿井下采掘过程中验证的影响安全生产的地质构造，在地震勘探数据上进行标注，把经过标注的数据作为深度学习的样本，形成深度学习样本数据库，并用样本数据库中的训练数据对地质构造智能检测深度学习神经网络进行训练，经数据库中的测试数据测试达到技术要求后，建立影响煤矿安全生产地质构造智能检测系统，再利用该系统对输入的煤矿采区三维地震勘探数据进行检测，识别出影响煤矿安全生产的地质构造并输出，能够有效提高影响煤矿安全生产地质构造识别的准确度和效率。
另外，在上述各实施例的基础上，在提取影响煤矿安全生产的地质构造的步骤之前，本发明实施例中在将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出的步骤之前，还包括：收集煤矿采掘过程中验证的影响煤炭安全开采的地质构造，并根据验证的结果，在预先获取的地震勘探数据上标注出相应类型的地质构造，形成深度学习样本数据库；基于深度学习样本数据库中的训练样本数据对所述深度学习神经网络进行训练，在训练过程中通过不断调整所述深度学习神经网络的参数，使得所述深度学习神经网络趋于稳定；经所述深度学习样本数据库中的测试样本数据对所述深度学习神经网络进行测试达到预设精度要求后，获取所述地质构造智能检测系统。
可以理解的是，本发明实施例在建立影响煤矿安全生产的地质构造智能检测系统之前，先要建立地质构造智能检测深度学习样本数据库。具体而言，本发明实施例首先进行煤矿井下验证数据的地质构造的收集及在三维地震数据上进行样本标注。即收集煤矿井下验证的地质构造的三维地震勘探数据，并把影响井下煤炭安全开采的地质构造如断层、陷落柱、挠曲等在地震数据上标注出来，把标注的数据作为深度学习的样本，形成深度学习样本数据库。
之后，利用上述深度学习样本数据库中的训练样本数据对地质构造智能检测深度学习神经网络进行训练。即，先构建地质构造智能检测深度学习神经网络，选定初始参数，再输入深度学习样本数据库里的训练样本数据进行训练，通过不断调整参数，直到地质构造智能检测深度学习神经网络达到稳定。利用深度学习样本数据库里的测试样本数据测试该网络，达到要求后，即建立影响煤矿安全生产地质构造的智能检测系统。
本发明实施例通过收集煤矿井下采掘过程中验证的影响安全生产的地质构造，在相应的地震勘探数据上标注出影响煤矿安全生产的小断层、陷落柱、挠曲等地质构造，形成人工智能深度学习样本数据库。利用样本数据库里的训练样本数据，对地质构造智能检测深度学习神经网络进行训练，直到神经网络达到稳定，利用样本数据库里的测试数据测试该网络，达到要求后，即建立影响煤矿安全生产地质构造智能检测系统，更好地为煤矿安全生产服务。
其中，根据上述各实施例可选的，所述地质构造智能检测系统的深度学习神经网络包括输入层、输出层和多层卷积层；其中，所述卷积层位于所述输入层和输出层之间；所述输入层用于输入所述地震勘探数据；所述输出层用于输出影响煤矿安全生产的地质构造；每个所述卷积层用于识别一种所述地震勘探数据的预设规模的特征；紧邻每个所述卷积层后面的一层卷积层用于在每个所述卷积层的识别结果的基础上进行识别。
本实施例中的深度学习神经网络具有以下优点：
(1)无需人为设计特征，智能识别系统是以验证的影响煤炭安全开采的地质构造为基础，自动提取地质构造特征，传统算法需要专家针对要检测的目标，设计不同的特征，因此需要的专业知识强，需要对探测方法及探测数据有大量深度的研究。
(2)算法的精度高，当前深度学习在计算机视觉领域取得了广泛应用，其精度遥遥领先于其他机器学习算法。利用深度学习技术判别图片的判断错误率2017年的成绩是2.3％，已大大超过了人脑。利用深度学习技术进行影响煤矿安全开采地质构造智能检测，能够大幅度提升弱信号、高干扰目标的检测识别性能，而传统算法很难处理。
其中，根据上述各实施例可选的，所述深度学习样本数据库中的数据包括训练样本数据和测试样本数据；其中，所述训练样本数据用于训练深度学习神经网络；所述测试样本数据用于将所述测试样本数据输入训练后的深度学习神经网络中，检测智能识别的准确率，判断所述准确率是否达到预设精度要求；相应地，在训练过程中通过不断调整所述深度学习神经网络的参数，使得所述深度学习神经网络趋于稳定的步骤包括：当每次向所述深度学习神经网络输入新的训练样本数据时，基于误差反向传播的方法对所述深度学习神经网络的参数进行调整；其中，所述误差反向传播的方法的调整策略为根据所述深度学习神经网络的参数对识别结果的影响，调整相应的权重，所述影响越大，所述权重越大，使得所述深度学习神经网络输出的识别结果更接近所述正确识别结果；重复对所述深度学习神经网络的参数进行调整的过程，每个所述训练样本数据被反复使用多次，使得所述深度学习神经网络的参数进行多次调整，最终使得所述深度学习神经网络达到稳定。
可以理解为，本发明实施例在完成对目标煤矿采区内影响煤矿安全生产地质构造的智能检测后，进行地质构造样本数据库的更新及算法的优化。具体而言，对识别出的地质构造进行分析验证，并对新验证的地质构造重新标注，进入样本数据库。采用新的样本数据库里的训练数据训练地质构造智能检测深度学习神经网络，优化算法，通过不断的迭代，使得地质构造智能检测系统的识别精度得到提高。
为进一步说明本发明实施例的技术方案，本发明实施例根据上述各实施例提供如下具体的处理流程，但不对本发明实施例的保护范围进行限制。
如图2所示，为本发明另一实施例提供的地质构造智能检测方法的流程示意图，包括如下处理步骤：
首先，进行煤矿井下验证地质构造的地震勘探数据的收集及样本标定。
随着煤炭资源的开采，煤矿采区三维地震勘探的成果得到了越来越多的验证，积累了大量的地质构造数据。本发明实施例收集煤矿井下验证的地质构造的三维地震勘探数据，把影响井下煤炭安全开采的地质构造如断层、陷落柱、挠曲等标注出来，把标注的数据作为深度学习的样本，形成样本数据库。
其次，影响煤矿安全生产地质构造智能检测系统的建立。
构建地质构造智能检测深度学习神经网络，输入样本数据库里的训练数据进行训练，通过不断调整参数，直到深度学习神经网络达到稳定，经样本数据库里的测试数据测试达到要求后，建立影响煤矿安全生产地质构造智能检测系统。
再次，利用地质构造智能检测系统对三维地震勘探数据进行检测，识别出影响煤矿安全生产的地质构造。
将处理后煤矿采区三维地震勘探数据输入到建立的影响煤矿安全生产地质构造的智能检测系统，从中准确、快速地识别出影响煤矿安全生产的地质构造。
最后，随着样本的增加，更新样本数据库，优化深度学习算法，提高影响煤矿安全生产地质构造的智能检测系统的检测准确率。
对识别出的地质构造进行分析验证，并对新验证的地质构造重新标注，增加样本数据库的样本数。利用更新的样本训练数据、优化算法，不断提高地质构造智能检测系统的检测精度，为煤矿的安全生产提供地质保障。
本发明实施例提供了一种快速、准确、智能检测影响煤矿安全生产的地质构造的方法，可以有效地提高影响煤矿安全生产地质构造的识别精度，为煤矿安全生产提供地质保障。
也就是说，通过本方案的实施，其一可以实现人工智能技术与实体经济的深度融合，使传统地勘行业换发了新的生机；其二可以提高煤矿采区三维地震勘探数据的利用率，投入少，周期短，效率高；其三可以通过对煤矿采区三维地震数据的智能检测，能够快速、准确地识别影响煤矿安全生产的地质构造，为煤矿安全生产提供地质支撑。同时，在现代化高产高效矿井的建设和生产过程为煤炭开采和安全生产提供精度更高的地震地质资料，使煤矿技术人员可以更科学地设计工作面，实行绿色开采，为绿色矿山建设提供地质技术服务，具有显著的经济和社会效益。
基于相同的发明构思，本发明实施例根据上述各实施例提供一种地质构造智能检测装置，该装置用于在上述各实施例中实现地质构造智能检测方法。因此，在上述各实施例的地质构造智能检测方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解，具体可参考上述实施例，此处不在赘述。
根据本发明的一个实施例，地质构造智能检测装置的结构如图3所示，为本发明实施例提供的地质构造智能检测装置的结构示意图，该装置可以用于实现上述各方法实施例中地质构造智能检测方法，该装置包括：数据获取模块301和识别输出模块302。其中：
数据获取模块301用于获取目标煤矿采区三维地震勘探数据，并对三维地震勘探数据进行相应处理；识别输出模块302用于将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出；其中，所述地质构造智能检测系统为经过训练达到预设精度要求的深度学习神经网络。
具体而言，对于待进行井下地质构造识别的目标煤矿，数据获取模块301获取其采区内三维地震勘探数据。识别输出模块302利用预先根据识别需求建立的地质构造智能检测系统，对三维地震勘探数据进行检测，识别出影响煤矿安全生产的地质构造。
本发明实施例提供的影响煤矿安全生产地质构造的智能检测装置，通过设置相应的执行模块，收集煤矿井下采掘过程中经验证的影响安全生产的地质构造，在三维地震勘探数据上进行标注，形成深度学习的样本数据库，并用样本数据库里的训练数据对地质构造智能检测深度学习神经网络进行训练，建立影响煤矿安全生产地质构造的智能检测系统，再利用该系统对煤矿采区三维地震勘探数据进行检测，识别出影响煤矿安全生产的地质构造，能够有效提高对影响煤矿安全生产地质构造识别的准确度和效率。
其中可选的，所述地质构造智能检测系统的深度学习神经网络包括输入层、输出层和多层卷积层；其中，所述卷积层位于所述输入层和输出层之间；所述输入层用于输入所述地震勘探数据；所述输出层用于输出影响煤矿安全生产的地质构造；每个所述卷积层用于识别一种所述地震勘探数据的预设规模的特征；紧邻每个所述卷积层后面的一层卷积层用于在每个所述卷积层的识别结果的基础上进行识别。
进一步的，本发明实施例的检测装置还包括系统建立模块，用于：收集煤矿采掘过程中验证的影响煤炭安全开采的地质构造，并根据验证的结果，在预先获取的地震勘探数据上标注出相应类型的地质构造，形成深度学习样本数据库；基于深度学习样本数据库中的训练样本数据对所述深度学习神经网络进行训练，在训练过程中通过不断调整所述深度学习神经网络的参数，使得所述深度学习神经网络趋于稳定；经所述深度学习样本数据库中的测试样本数据对所述深度学习神经网络进行测试达到预设精度要求后，获取所述地质构造智能检测系统。
可以理解为，本发明实施例的检测装置在包含上述各功能模块的基础上，还包括系统建立模块，用以建立地质构造智能检测深度学习神经网络。具体而言，系统建立模块对识别出的地质构造进行分析验证，并对新验证的地质构造重新标注，增加样本数据库的样本数量。采用更新的训练数据训练深度学习神经网络，通过不断的迭代，使得地质构造智能检测系统的精度越来越高。
可以理解的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且，本发明实施例的地质构造智能检测装置利用上述各程序模块，能够实现上述各方法实施例的地质构造智能检测流程，在用于实现上述各方法实施例中地质构造智能检测方法时，本发明实施例的装置产生的有益效果与对应的上述各方法实施例相同，可以参考上述各方法实施例，此处不再赘述。
作为本发明实施例的又一个方面，本实施例根据上述各实施例提供一种电子设备，该电子设备包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，该处理器执行该计算机程序时，实现如上述各实施例所述的地质构造智能检测方法的步骤。
进一步的，本发明实施例的电子设备还可以包括通信接口和总线。参考图4，为本发明实施例提供的电子设备的实体结构示意图，包括：至少一个存储器401、至少一个处理器402、通信接口403和总线404。
其中，存储器401、处理器402和通信接口403通过总线404完成相互间的通信，通信接口403用于该电子设备与三维地震数据所在设备之间的信息传输；存储器401中存储有可在处理器402上运行的计算机程序，处理器402执行该计算机程序时，实现如上述各实施例所述的地质构造智能检测方法的步骤。
可以理解为，该电子设备中至少包含存储器401、处理器402、通信接口403和总线404，且存储器401、处理器402和通信接口403通过总线404形成相互间的通信连接，并可完成相互间的通信，如处理器402从存储器401中读取地质构造智能检测方法的程序指令等。另外，通信接口403还可以实现该电子设备与三维地震数据所在设备之间的通信连接，并可完成相互间信息传输，如通过通信接口403实现三维地震勘探数据的读取等。
电子设备运行时，处理器402调用存储器401中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取目标煤矿采区三维地震勘探数据，并对所述地震勘探数据进行处理；将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出；其中，所述地质构造智能检测系统为经过训练达到预设精度要求的深度学习神经网络。
上述的存储器401中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。或者，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还根据上述各实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，该计算机指令被计算机执行时，实现如上述各实施例所述的地质构造智能检测方法的步骤，例如包括：获取目标煤矿采区三维地震勘探数据，并对所述地震勘探数据进行处理；将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出；其中，所述地质构造智能检测系统为经过训练达到预设精度要求的深度学习神经网络。
本发明实施例提供的电子设备和非暂态计算机可读存储介质，通过执行上述各实施例所述的地质构造智能检测方法的步骤，收集煤矿井下采掘过程中经验证的影响安全生产的地质构造，在三维地震勘探数据上进行标注，形成深度学习的样本数据库，并用样本数据库中的训练数据对地质构造智能检测深度学习神经网络进行训练，用样本数据库中的测试数据对系统进行测试，达到要求后就建立影响煤矿安全生产地质构造智能检测系统，再利用该智能系统系统对煤矿采区三维地震勘探数据进行检测，识别出影响煤炭安全开采的地质构造，有效提高三维地震勘探的精度，为煤矿安全生产提供地质保障。
可以理解的是，以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上实施方式的描述，本领域的技术人员可以清楚地了解，各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令，用以使得一台计算机设备(如个人计算机，服务器，或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
另外，本领域内的技术人员应当理解的是，在本发明实施例的申请文件中，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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例的说明书中，说明了大量具体细节。然而应当理解的是，本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明实施例的单独实施例。
最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。
Claims (10)
1.一种地质构造智能检测方法，其特征在于，包括：
获取目标煤矿采区三维地震勘探数据，并对地震勘探数据进行处理；
将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出；其中，所述地质构造智能检测系统为经过训练达到预设精度要求的深度学习神经网络。
2.根据权利要求1所述的地质构造智能检测方法，其特征在于，在将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出的步骤之前，还包括：
收集煤矿采掘过程中验证的影响煤炭安全开采的地质构造，并根据验证的结果，在预先获取的地震勘探数据上标注出相应类型的地质构造，形成深度学习样本数据库；
基于深度学习样本数据库中的训练样本数据对所述深度学习神经网络进行训练，在训练过程中通过不断调整所述深度学习神经网络的参数，使得所述深度学习神经网络趋于稳定；
经所述深度学习样本数据库中的测试样本数据对所述深度学习神经网络进行测试达到预设精度要求后，获取所述地质构造智能检测系统。
3.根据权利要求1所述的地质构造智能检测方法，其特征在于，所述地质构造智能检测系统的深度学习神经网络包括输入层、输出层和多层卷积层；
其中，所述卷积层位于所述输入层和输出层之间；
所述输入层用于输入所述地震勘探数据；
所述输出层用于输出影响煤炭生产的地质构造；
每个所述卷积层用于识别一种所述地震勘探数据的预设规模的特征；
紧邻每个所述卷积层后面的一层卷积层用于在每个所述卷积层的识别结果的基础上进行识别。
4.根据权利要求2所述的地质构造智能检测方法，其特征在于，所述深度学习样本数据库中的数据包括训练样本数据和测试样本数据；
其中，所述训练样本数据用于训练深度学习神经网络；
所述测试样本数据用于将所述测试样本数据输入训练后的深度学习神经网络中，检测智能识别的准确率，判断所述准确率是否达到预设精度要求；
相应地，在训练过程中通过不断调整所述深度学习神经网络的参数，使得所述深度学习神经网络趋于稳定的步骤包括：
当每次向所述深度学习神经网络输入新的训练样本数据时，基于误差反向传播的方法对所述深度学习神经网络的参数进行调整；
其中，所述误差反向传播的方法的调整策略为根据所述深度学习神经网络的参数对识别结果的影响，调整相应的权重，所述影响越大，所述权重越大，使得所述深度学习神经网络输出的识别结果更接近正确的识别结果；
重复对所述深度学习神经网络的参数进行调整的过程，每个所述训练样本数据被反复使用多次，使得所述深度学习神经网络的参数进行多次调整，最终使得所述深度学习神经网络达到稳定。
5.一种地质构造智能检测装置，其特征在于，包括：
数据获取模块，用于获取目标煤矿采区三维地震勘探数据，并对地震勘探数据进行处理；
识别输出模块，用于将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出；其中，所述地质构造智能检测系统为经过训练达到预设精度要求的深度学习神经网络。
6.根据权利要求5所述的地质构造智能检测装置，其特征在于，还包括系统建立模块，用于：
收集煤矿采掘过程中验证的影响煤炭安全开采的地质构造，并根据验证的结果，在预先获取的地震勘探数据上标注出相应类型的地质构造，形成深度学习样本数据库；
基于深度学习样本数据库中的训练样本数据对所述深度学习神经网络进行训练，在训练过程中通过不断调整所述深度学习神经网络的参数，使得所述深度学习神经网络趋于稳定；
经所述深度学习样本数据库中的测试样本数据对所述深度学习神经网络进行测试达到预设精度要求后，获取所述地质构造智能检测系统。
7.根据权利要求5所述的地质构造智能检测装置，其特征在于，所述地质构造智能检测系统的深度学习神经网络包括输入层、输出层和多层卷积层；
其中，所述卷积层位于所述输入层和输出层之间；
所述输入层用于输入所述地震勘探数据；
所述输出层用于输出影响煤炭安全生产的地质构造；
每个所述卷积层用于识别一种所述地震勘探数据的预设规模的特征；
紧邻每个所述卷积层后面的一层卷积层用于在每个所述卷积层的识别结果的基础上进行识别。
8.根据权利要求6所述的地质构造智能检测装置，其特征在于，所述深度学习样本数据库中的数据包括训练样本数据和测试样本数据；
其中，所述训练样本数据用于训练深度学习神经网络；
所述测试样本数据用于将所述测试样本数据输入训练后的深度学习神经网络中，检测智能识别的准确率，判断所述准确率是否达到预设精度要求；
相应地，系统建立模块进一步用于：
当每次向所述深度学习神经网络输入新的训练样本数据时，基于误差反向传播的方法对所述深度学习神经网络的参数进行调整；
其中，所述误差反向传播的方法的调整策略为根据所述深度学习神经网络的参数对识别结果的影响，调整相应的权重，所述影响越大，所述权重越大，使得所述深度学习神经网络输出的识别结果更接近正确的识别结果；
重复对所述深度学习神经网络的参数进行调整的过程，每个所述训练样本数据被反复使用多次，使得所述深度学习神经网络的参数进行多次调整，最终使得所述深度学习神经网络达到稳定。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至4中任一项所述的地质构造智能检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被计算机执行时，实现如权利要求1至4中任一项所述的地质构造智能检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010044055.8A CN111273352A (zh) | 2020-01-15 | 2020-01-15 | 地质构造智能检测方法、装置与电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010044055.8A CN111273352A (zh) | 2020-01-15 | 2020-01-15 | 地质构造智能检测方法、装置与电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111273352A true CN111273352A (zh) | 2020-06-12 |
Family
ID=70999047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010044055.8A Pending CN111273352A (zh) | 2020-01-15 | 2020-01-15 | 地质构造智能检测方法、装置与电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111273352A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298168A (zh) * | 2021-06-01 | 2021-08-24 | 中国地质大学（北京） | 野外地质露头图像构造识别方法及系统 |
| US11704449B1 (en) | 2022-05-12 | 2023-07-18 | Beijing Longruan Technologies Inc. | Construction method of mine intelligent management and control platform based on geological survey guarantee system |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190064389A1 (en) * | 2017-08-25 | 2019-02-28 | Huseyin Denli | Geophysical Inversion with Convolutional Neural Networks |
| CN109633449A (zh) * | 2018-11-22 | 2019-04-16 | 中国矿业大学 | 基于灰色向量机的矿用锂电池寿命预测方法及管理系统 |
| CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
| CN110441820A (zh) * | 2019-08-21 | 2019-11-12 | 中国矿业大学(北京) | 地质构造的智能解释方法 |
-
2020
- 2020-01-15 CN CN202010044055.8A patent/CN111273352A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190064389A1 (en) * | 2017-08-25 | 2019-02-28 | Huseyin Denli | Geophysical Inversion with Convolutional Neural Networks |
| CN109633449A (zh) * | 2018-11-22 | 2019-04-16 | 中国矿业大学 | 基于灰色向量机的矿用锂电池寿命预测方法及管理系统 |
| CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
| CN110441820A (zh) * | 2019-08-21 | 2019-11-12 | 中国矿业大学(北京) | 地质构造的智能解释方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴有信 等: "煤矿井下采区地震勘探技术现状与思考", 《煤炭科学技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298168A (zh) * | 2021-06-01 | 2021-08-24 | 中国地质大学（北京） | 野外地质露头图像构造识别方法及系统 |
| CN113298168B (zh) * | 2021-06-01 | 2023-11-24 | 中国地质大学（北京） | 野外地质露头图像构造识别方法及系统 |
| US11704449B1 (en) | 2022-05-12 | 2023-07-18 | Beijing Longruan Technologies Inc. | Construction method of mine intelligent management and control platform based on geological survey guarantee system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
| EP3947905B1 (en) | Machine-learning based fracture-hit detection using low-frequency das signal | |
| US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
| CN109388817A (zh) | 一种储层裂缝三维建模方法 | |
| US10890688B2 (en) | Method for generating secondary data in geostatistics using observed data | |
| CN110284873A (zh) | 一种油井储集性质的检测方法及检测装置 | |
| CN111273352A (zh) | 地质构造智能检测方法、装置与电子设备 | |
| NO20190214A1 (en) | Classifying well data using a support vector machine | |
| CN105277979B (zh) | 一种地震属性的优化方法和装置 | |
| CN111175844B (zh) | 泥页岩储层裂缝识别与发育程度表征方法及装置 | |
| CN114117654A (zh) | 一种基于机器学习的水平井射孔优化设计方法及装置 | |
| CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
| CN111626377A (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
| CN111155980B (zh) | 一种水流优势通道识别方法及装置 | |
| US20230141334A1 (en) | Systems and methods of modeling geological facies for well development | |
| CN104391326A (zh) | 一种地震属性集合的组合选择方法 | |
| CN112649862B (zh) | 基于地层结构信息分离的断溶体识别方法和装置 | |
| US11762888B2 (en) | Geological database management using signatures for hydrocarbon exploration | |
| CN114782211A (zh) | 一种海山分布范围信息的获取方法及系统 | |
| CN111736217B (zh) | 地震属性融合方法及装置 | |
| CN110208861B (zh) | 一种构造软煤发育区的预测方法及装置 | |
| Parimontonsakul et al. | A Machine Learning Based Approach to Automate Stratigraphic Correlation through Marker Determination | |
| CN114575834A (zh) | 基于机器学习的电磁法高含水期油藏饱和度场预测方法 | |
| CN105840175A (zh) | 三维裂缝建模方法 | |
| CN113050191A (zh) | 基于双参数的页岩油toc预测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200612 |