CN111369493A - 一种多参数煤芯无损聚类多重映射分组方法 - Google Patents

一种多参数煤芯无损聚类多重映射分组方法 Download PDF

Info

Publication number
CN111369493A
CN111369493A CN201911269076.3A CN201911269076A CN111369493A CN 111369493 A CN111369493 A CN 111369493A CN 201911269076 A CN201911269076 A CN 201911269076A CN 111369493 A CN111369493 A CN 111369493A
Authority
CN
China
Prior art keywords
coal
clustering
parameters
sample
core
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.)
Granted
Application number
CN201911269076.3A
Other languages
English (en)
Other versions
CN111369493B (zh
Inventor
邹全乐
张碧川
刘涵
宋遥
张天诚
苏二磊
王智民
陈子涵
吴斐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201911269076.3A priority Critical patent/CN111369493B/zh
Publication of CN111369493A publication Critical patent/CN111369493A/zh
Application granted granted Critical
Publication of CN111369493B publication Critical patent/CN111369493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

发明提供一种多参数煤芯无损聚类多重映射分组方法。该方法包括测量煤体试样参数、构建煤体试样参数数据集、采用优化的聚类算法获得单因素聚类中心和多重映射等步骤。该方法实现了原煤煤芯质量无损分组，为煤岩体力学性质及相关学科的探究筛选出了较为相近的样本，也为煤层瓦斯动力灾害机理及其防控机制方面的研究提供可靠真实的原材料。

Description

一种多参数煤芯无损聚类多重映射分组方法
技术领域
本发明涉及原煤力学技术领域，特别涉及一种多参数煤芯无损聚类多重映射分组方法。
背景技术
我国大部分煤层形成于石炭纪至二叠纪，期间经历了强烈的构造运动，其原生结构遭到破坏，导致我国大部分煤层质地松软、结构复杂，很难获得尺寸较大的煤体试件，在部分较硬煤层即使在同一块煤体通过取芯获得的煤体试件也由于取芯方向、煤体明显宏观裂隙发育方向等原因导致在力学、渗流等相关研究中表现出较大的差异性，难以进行对比分析。我国目前现行的分类标准大多以普式系数表示的岩石类别，该分类方法以岩块的单轴抗压强度来进行分类，曾起到了一定的历史作用，但是由于岩体的离散性较大，很难具有代表性，且进行实验时会对煤样造成不可逆转的损伤。
同时，能够反映煤体特征的参数较多，在对原煤试件进行评价时会产生大量数据，通过人工筛选这些数据难免造成误差。如何对大量数据进行归类也是需要加以探索的难题。
因此，亟需寻求一种无损方法来对煤体试样进行分组。
发明内容
本发明的目的是提供一种多参数煤芯无损聚类多重映射分组方法，以解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的一种多参数煤芯无损聚类多重映射分组方法，包括以下步骤：
1)测量煤体试样的基本物理参数。其中，基本物理参数包括密度和体积。
2)利用非金属超声检测系统获取煤体试样的波速。
3)利用CT扫描数据采集系统获取煤体试样内部的空间裂隙分布形态，并建立原煤的裂隙网络可视化模型。其中，空间裂隙分布形态包括裂隙参数和CT扫描切片。
4)采用无损测量方法获取煤体试样的孔隙度。
5)根据步骤1)、步骤2)、步骤3)和步骤4)获取的煤体试样参数，构建煤体试样参数数据集。
6)将煤体试样参数设置为目标样本，采用优化的聚类算法获得同一参数的单因素聚类中心及中心附近煤体试样参数。
7)采用卷积神经网络算法对获得的CT扫描切片进行识别并进行匹配重组分类，获得CT扫描切片的相似平均中心及中心附近煤体试样图像。
8)对不同参数的聚类中心进行多重映射，获得多参数条件下的多组聚类中心及其附近煤体试样参数。
进一步，在步骤6)之前，还具有剔除煤体试样参数奇异值的相关步骤。
进一步，在步骤8)之后，还具有根据研究所需煤样获得物理力学性质相近煤体试样的相关步骤。
进一步，步骤6)具体包括以下步骤：
6.1)获取不同参数的对象集合。
6.2)确定数据对象集合中每个数据对象与其他数据的平均相似度。获取平均相似度大于初始设置阈值的数据对象作为核心对象。
6.3)修改初始设置阈值，确定多组核心对象及附近煤体试样参数。
6.4)重复步骤6.1)、6.2)和6.3)，确定不同参数的多组核心及附近煤样参数。
进一步，所述煤体试样采用高径比为2：1的圆柱试件或长宽比为2：1的长方体试件。
进一步，孔隙度测量方法采用电测法。
进一步，聚类算法采用K-means算法、K-medoids算法或Clara算法。
本发明的技术效果是毋庸置疑的：
A.实现了原煤煤芯质量无损分组，为煤岩体力学性质及相关学科的探究筛选出了较为相近的样本，也为煤层瓦斯动力灾害机理及其防控机制方面的研究提供可靠真实的原材料；
B.采用聚类算法结合多重映射方法代替了传统的人工凭经验筛选，大大节约了人力资源，避免了人工筛选的盲目性；
C.很大程度上避免了煤层试样的离散性，提高了实验结果的可靠性。
附图说明
图1为分组方法流程图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
本实施例提供一种多参数煤芯无损聚类多重映射分组方法，其特征在于，包括以下步骤：
1)测量煤体试样的基本物理参数。其中，基本物理参数包括密度和体积。所述煤体试样采用高径比为2：1的圆柱试件或长宽比为2：1的长方体试件。
2)利用非金属超声检测系统获取煤体试样的波速。
3)利用CT扫描数据采集系统获取煤体试样内部的空间裂隙分布形态，并建立原煤的裂隙网络可视化模型。其中，空间裂隙分布形态包括裂隙参数和CT扫描切片。
4)采用无损测量方法获取煤体试样的孔隙度。孔隙度测量方法采用电测法等无损测量方法。
5)根据步骤1)、步骤2)、步骤3)和步骤4)获取的煤体试样参数，构建煤体试样参数数据集。
6)剔除煤体试样参数奇异值。
7)将煤体试样参数设置为目标样本，采用优化的聚类算法获得同一参数的单因素聚类中心及中心附近煤体试样参数。聚类算法采用K-means算法、K-medoids算法或Clara算法。聚类算法能够很好地将提取到的数据进行分类识别。
7.1)获取不同参数的对象集合。
7.2)确定数据对象集合中每个数据对象与其他数据的平均相似度。获取平均相似度大于初始设置阈值的数据对象作为核心对象。
7.3)修改初始设置阈值，确定多组核心对象及附近煤体试样参数。
7.4)重复步骤6.1)、6.2)和6.3)，确定不同参数的多组核心及附近煤样参数。
8)采用卷积神经网络算法对获得的CT扫描切片进行识别并进行匹配重组分类，获得CT扫描切片的相似平均中心及中心附近煤体试样图像。
9)对不同参数的聚类中心进行多重映射，获得多参数条件下的多组聚类中心及其附近煤体试样参数。
10)根据研究所需煤样获得物理力学性质相近煤体试样。
实施例2：
本实施例提供一种基础的多参数煤芯无损聚类多重映射分组方法，包括以下步骤：
1)测量煤体试样的基本物理参数。其中，基本物理参数包括密度和体积。
2)利用非金属超声检测系统获取煤体试样的波速。
3)利用CT扫描数据采集系统获取煤体试样内部的空间裂隙分布形态，并建立原煤的裂隙网络可视化模型。其中，空间裂隙分布形态包括裂隙参数和CT扫描切片。
4)采用无损测量方法获取煤体试样的孔隙度。
5)根据步骤1)、步骤2)、步骤3)和步骤4)获取的煤体试样参数，构建煤体试样参数数据集。
6)将煤体试样参数设置为目标样本，采用优化的聚类算法获得同一参数的单因素聚类中心及中心附近煤体试样参数。
7)采用卷积神经网络算法对获得的CT扫描切片进行识别并进行匹配重组分类，获得CT扫描切片的相似平均中心及中心附近煤体试样图像。
8)对不同参数的聚类中心进行多重映射，获得多参数条件下的多组聚类中心及其附近煤体试样参数。多重映射在于对于同一组聚类样本，在多参数空间寻找与之匹配的空间中心点，然后再将一组聚类样本与另一空间的的聚类相配匹配，剔除两个空间内都不存在的映射，然后对下一参数空间进行映射，直至选择出多参数空间下相近的煤样试件。

Claims (7)

1.一种多参数煤芯无损聚类多重映射分组方法，其特征在于，包括以下步骤：
1)测量煤体试样的基本物理参数；其中，基本物理参数包括密度和体积；
2)利用非金属超声检测系统获取煤体试样的波速；
3)利用CT扫描数据采集系统获取煤体试样内部的空间裂隙分布形态，并建立原煤的裂隙网络可视化模型。其中，空间裂隙分布形态包括裂隙参数和CT扫描切片；
4)采用无损测量方法获取煤体试样的孔隙度；
5)根据步骤1)、步骤2)、步骤3)和步骤4)获取的煤体试样参数，构建煤体试样参数数据集；
6)将煤体试样参数设置为目标样本，采用优化的聚类算法获得同一参数的单因素聚类中心及中心附近煤体试样参数；
7)采用卷积神经网络算法对获得的CT扫描切片进行识别并进行匹配重组分类，获得CT扫描切片的相似平均中心及中心附近煤体试样图像；
8)对不同参数的聚类中心进行多重映射，获得多参数条件下的多组聚类中心及其附近煤体试样参数。
2.根据权利要求1所述的多参数煤芯无损聚类多重映射分组方法，其特征在于：在步骤6)之前，还具有剔除煤体试样参数奇异值的相关步骤。
3.根据权利要求1或2所述的多参数煤芯无损聚类多重映射分组方法，其特征在于：在步骤8)之后，还具有根据研究所需煤样获得物理力学性质相近煤体试样的相关步骤。
4.根据权利要求1所述的多参数煤芯无损聚类多重映射分组方法，其特征在于，步骤6)具体包括以下步骤：
6.1)获取不同参数的对象集合；
6.2)确定数据对象集合中每个数据对象与其他数据的平均相似度；获取平均相似度大于初始设置阈值的数据对象作为核心对象；
6.3)修改初始设置阈值，确定多组核心对象及附近煤体试样参数；
6.4)重复步骤6.1)、6.2)和6.3)，确定不同参数的多组核心及附近煤样参数。
5.根据权利要求1或3所述的多参数煤芯无损聚类多重映射分组方法，其特征在于：所述煤体试样采用高径比为2：1的圆柱试件或长宽比为2：1的长方体试件。
6.根据权利要求1所述的多参数煤芯无损聚类多重映射分组方法，其特征在于：孔隙度测量方法采用电测法。
7.根据权利要求1所述的多参数煤芯无损聚类多重映射分组方法，其特征在于：聚类算法采用K-means算法、K-medoids算法或Clara算法。
CN201911269076.3A 2019-12-11 2019-12-11 一种多参数煤芯无损聚类多重映射分组方法 Active CN111369493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911269076.3A CN111369493B (zh) 2019-12-11 2019-12-11 一种多参数煤芯无损聚类多重映射分组方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911269076.3A CN111369493B (zh) 2019-12-11 2019-12-11 一种多参数煤芯无损聚类多重映射分组方法

Publications (2)

Publication Number Publication Date
CN111369493A true CN111369493A (zh) 2020-07-03
CN111369493B CN111369493B (zh) 2023-10-10

Family

ID=71211008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911269076.3A Active CN111369493B (zh) 2019-12-11 2019-12-11 一种多参数煤芯无损聚类多重映射分组方法

Country Status (1)

Country Link
CN (1) CN111369493B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550744A (zh) * 2015-12-06 2016-05-04 北京工业大学 一种基于迭代的神经网络聚类方法
WO2016173112A1 (zh) * 2015-04-30 2016-11-03 中国矿业大学 一种多相多场耦合锚固体组合变形试验系统及方法
US20170124178A1 (en) * 2013-09-26 2017-05-04 Groupon, Inc. Dynamic clustering for streaming data
US20170124280A1 (en) * 2015-10-28 2017-05-04 Wisconsin Alumni Research Foundation Determining a class type of a sample by clustering locally optimal model parameters
CN107203785A (zh) * 2017-06-02 2017-09-26 常州工学院 多路径高斯核模糊c均值聚类算法
CN107326137A (zh) * 2017-06-27 2017-11-07 中南大学 高炉热风炉烧炉过程操作参数分时段多级匹配寻优方法
CN108549220A (zh) * 2018-03-29 2018-09-18 广东电网有限责任公司电力调度控制中心 燃煤机组运行状态实时评估方法及其系统
CN108732076A (zh) * 2018-05-18 2018-11-02 西安科技大学 一种煤层水力压裂渗透率预测方法
US20180321127A1 (en) * 2015-10-02 2018-11-08 Repsol, S.A. Method for Providing a Numerical Model of a Sample of Rock
US20190057168A1 (en) * 2016-03-28 2019-02-21 Baker Hughes, A Ge Company, Llc Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170124178A1 (en) * 2013-09-26 2017-05-04 Groupon, Inc. Dynamic clustering for streaming data
WO2016173112A1 (zh) * 2015-04-30 2016-11-03 中国矿业大学 一种多相多场耦合锚固体组合变形试验系统及方法
US20180321127A1 (en) * 2015-10-02 2018-11-08 Repsol, S.A. Method for Providing a Numerical Model of a Sample of Rock
US20170124280A1 (en) * 2015-10-28 2017-05-04 Wisconsin Alumni Research Foundation Determining a class type of a sample by clustering locally optimal model parameters
CN105550744A (zh) * 2015-12-06 2016-05-04 北京工业大学 一种基于迭代的神经网络聚类方法
US20190057168A1 (en) * 2016-03-28 2019-02-21 Baker Hughes, A Ge Company, Llc Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation
CN107203785A (zh) * 2017-06-02 2017-09-26 常州工学院 多路径高斯核模糊c均值聚类算法
CN107326137A (zh) * 2017-06-27 2017-11-07 中南大学 高炉热风炉烧炉过程操作参数分时段多级匹配寻优方法
CN108549220A (zh) * 2018-03-29 2018-09-18 广东电网有限责任公司电力调度控制中心 燃煤机组运行状态实时评估方法及其系统
CN108732076A (zh) * 2018-05-18 2018-11-02 西安科技大学 一种煤层水力压裂渗透率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐黎明;陈剑平;王清;: "多参数岩体结构面优势分组方法研究", 岩土力学, no. 01 *

Also Published As

Publication number Publication date
CN111369493B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN106198579B (zh) 一种测量页岩中有机质含量的方法
US8155377B2 (en) Method for determining rock physics relationships using computer tomographic images thereof
US8170799B2 (en) Method for determining in-situ relationships between physical properties of a porous medium from a sample thereof
WO2018177739A1 (en) Defect detection using ultrasound scan data
JP6737502B2 (ja) 学習用データ生成方法およびこれを用いた対象空間状態認識方法
CN110473597A (zh) 砾岩力学性质评价分析方法及系统
CN116109635B (zh) 复合悬式绝缘子表面质量检测方法、装置、设备及介质
Virupakshappa et al. Multi-class classification of defect types in ultrasonic NDT signals with convolutional neural networks
Milković et al. Ultrasound anomaly detection based on variational autoencoders
CN111369493A (zh) 一种多参数煤芯无损聚类多重映射分组方法
CN109444255A (zh) 一种碳纤维增强复合材料缺陷的诊断方法
JP7404817B2 (ja) 学習装置、検出装置、学習方法、及び学習プログラム
CN114755302A (zh) 一种基于超声相控阵的裂纹表征方法及装置
CA3195717A1 (en) Flaw classification during non-destructive testing
Boubaker et al. Insepction of prebaked carbon anodes using multi-spectral acousto-ultrasonic signals, wavelet analysis and multivariate statistical methods
Ortego et al. Deep Learning Tools Analysis for Automatic Partial Discharge Detection Based on PRPD Patterns
WO2024092345A1 (en) Non-destructive test (ndt) flaw and anomaly detection
CN109190462A (zh) 基于倾斜摄影技术测量带电绝缘子上覆雪体积的方法
CN102768212A (zh) 一种基于压缩传感的水果缺陷分级方法
CN108152373A (zh) 基于孔隙尺寸识别的含孔隙复合材料力学性能测量系统及方法
Gunasekaran et al. Ultrasonic-based defect identification in timber using uniform manifold approximation and projection (UMAP)
WO2022196433A1 (ja) モデル生成装置、分類装置、データ生成装置、モデル生成方法、及びモデル生成プログラム
US20240232615A9 (en) Model generation device, sorting device, data generation device, model generation method, and non-transitory computer storage media
Thayoob et al. Preprocessing of acoustic emission signals from partial discharge in oil-pressboard insulation system
CN114722648A (zh) 岩心声波响应的获取方法及装置

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
GR01 Patent grant
GR01 Patent grant