CN113065664A - 一种地质层识别模型构建方法和地质层识别方法 - Google Patents
一种地质层识别模型构建方法和地质层识别方法 Download PDFInfo
- Publication number
- CN113065664A CN113065664A CN202110193221.5A CN202110193221A CN113065664A CN 113065664 A CN113065664 A CN 113065664A CN 202110193221 A CN202110193221 A CN 202110193221A CN 113065664 A CN113065664 A CN 113065664A
- Authority
- CN
- China
- Prior art keywords
- data
- drilling
- geological
- geological layer
- statistical
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005553 drilling Methods 0.000 claims abstract description 136
- 238000011835 investigation Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000015572 biosynthetic process Effects 0.000 claims description 43
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 9
- 238000011160 research Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 13
- 239000002689 soil Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Earth Drilling (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种地质层识别模型构建方法和地质层识别方法，涉及地质勘探技术领域，包括：分别获取勘察阶段的离线数据以及桩机在勘察阶段钻进地质层的随钻数据，其中，离线数据包括分别与地质层相关的地质报告和实地调研数据，随钻数据包括动力头扭矩、动力头转速和钻进压力；根据离线数据和勘察阶段的随钻数据构建多源数据集；根据多源数据集对预设机器学习模型进行训练，得到地质层识别模型。本发明使用的模型训练方法、地质层识别方法、装置及系统，将多源数据集作为将预设机器学习模型训练成地质层识别模型的数据源，保证了地质层识别模型的可靠性和准确性，克服了人工处理数据的效率低下的缺陷，有助于提升地质研究效率。
Description
技术领域
本发明涉及地质勘探技术领域，具体而言，涉及一种地质层识别模型构建方法和地质层识别方法。
背景技术
地质勘探是指对某地区的地层、地貌、矿产等开展研究，以满足经济、国防和技术等需要，具体可涵盖地质测绘、地质遥感和水文地质等，地质勘探在地震预测、滑坡预测、矿产搜索和考古等诸多领域发挥重要作用。
目前，在一些场景下，地质勘探工作仍然依赖于人工与机械协作方式，例如，研究人员对某一地区进行实地勘探并对勘探的地质数据进行人工汇总及分析等数据处理，以支持轨道交通设计工作，在实地勘探过程中，需要桩机钻进地质层，以便实施钻孔和打桩等工作。但是，目前地质勘探效率较低。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，第一方面，本发明提供了一种地质层识别模型构建方法，其包括：
分别获取勘察阶段的离线数据以及桩机在所述勘察阶段钻进地质层的随钻数据，其中，所述离线数据包括分别与所述地质层相关的地质报告和实地调研数据，所述随钻数据包括动力头扭矩、动力头转速和钻进压力；
根据所述离线数据和所述勘察阶段的所述随钻数据构建多源数据集；
根据所述多源数据集对预设机器学习模型进行训练，得到地质层识别模型。
进一步地，所述根据所述离线数据和所述勘察阶段的所述随钻数据构建多源数据集包括：
确定与所述勘察阶段的所述随钻数据对应的采集时间；
将所述离线数据与所述采集时间和所述勘察阶段的所述随钻数据进行比对，确定所述勘察阶段的所述随钻数据与所述地质层之间的对应关系；
根据所述对应关系确定地质层标签；
根据所述离线数据和所述勘察阶段的所述随钻数据进行数据融合，得到所述多源数据集；
将所述地质层标签加入所述多源数据集。
进一步地，所述根据所述离线数据和所述勘察阶段的所述随钻数据进行数据融合包括：
对所述勘察阶段的所述随钻数据进行均值滤波；
对滤波后的随钻数据进行异常值过滤；
对过滤后的随钻数据进行分箱；
对分箱后的随钻数据进行特征提取；
对提取后的特征数据、所述离线数据和所述采集时间进行融合。
进一步地，所述对滤波后的随钻数据进行异常值过滤包括：
对滤波后的随钻数据进行基于时间维度的分类统计，得到统计数据，所述统计数据包括与所述动力头扭矩对应的扭矩统计数据、与所述动力头转速对应的转速统计数据以及与所述钻进压力对应的压力统计数据；
对所述统计数据进行分类均值计算，得到均值数据，所述均值数据包括与所述扭矩统计数据对应的扭矩均值、与所述转速统计数据对应的转速均值以及与所述压力统计数据对应的压力均值；
将所述统计数据与预设统计概率进行比较；
如果所述扭矩统计数据中存在超过所述预设统计概率的异常值，则将所述异常值更新为所述扭矩均值，否则，保持所述扭矩统计数据不变；
如果所述转速统计数据中存在超过所述预设统计概率的异常值，则将所述异常值更新为所述转速均值，否则，保持所述转速统计数据不变；
如果所述压力统计数据中存在超过所述预设统计概率的异常值，则将所述异常值更新为所述压力均值，否则，保持所述压力统计数据不变。
进一步地，所述根据所述多源数据集对预设机器学习模型进行训练之后，还包括：对所述地质层识别模型进行标准化。
为达上述目的，第二方面，本发明提供一种地质层识别模型构建装置，其包括：
数据获取模块，用于分别获取勘察阶段的离线数据以及桩机在所述勘察阶段钻进地质层的随钻数据，其中，所述离线数据包括分别与所述地质层相关的地质报告和实地调研数据，所述随钻数据包括动力头扭矩、动力头转速和钻进压力；
数据构建模块，用于根据所述离线数据和所述勘察阶段的所述随钻数据构建多源数据集；
模型训练模块，用于根据所述多源数据集对预设机器学习模型进行训练，得到地质层识别模型。
上述地质层识别模型构建方法及装置的有益效果是：由于多源数据集是利用离线数据和随钻数据共同构建得到的，也就是说多源数据集具备数据多样性，从而，将多源数据集作为将预设机器学习模型训练成地质层识别模型的数据源，保证了地质层识别模型的可靠性和准确性，为面向地质层识别数据做好准备，克服了人工处理数据的效率低下的缺陷，有助于提升地质研究效率，有助于节省人力和成本。
为达上述目的，第三方面，本发明提供一种地质层识别方法，其包括：
获取桩机在施工阶段钻进地质层的随钻数据；
将所述施工阶段的所述随钻数据输入根据第一方面所述的地质层识别模型构建方法得到的地质层识别模型；
根据所述地质层识别模型的输出结果对所述地质层进行特征识别。
为达上述目的，第四方面，本发明供一种地质层识别系统，其包括：
数据采集子系统，用于获取桩机在施工阶段钻进地质层的随钻数据；
机器学习子系统，用于将所述施工阶段的所述随钻数据输入根据第一方面所述的地质层识别模型构建方法得到的地质层识别模型；
地质识别子系统，用于根据所述地质层识别模型的输出结果对所述地质层进行特征识别。
上述地质层识别方法及系统的有益效果是：由于地质层识别模型是使用由多源地质层数据组成的集合预训练好的，也就是说地质层识别模型具有面向地质层识别数据的准确性，在桩机钻进地质层过程中，通过地质层识别模型对随钻数据进行识别，借助从地质层识别模型输出的结果，便于为地质层识别地质特征，兼顾了跟随桩机钻地进程识别地质层的准确性和实时性，有助于支持在不同类型的桩机协作下自动化识别地质层，有助于提升普适性，克服了人工识别方式的效率低下的缺陷。
为达上述目的，第五方面，本发明提供一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面所述的地质层识别模型构建方法或者如第三方面所述的地质层识别方法。
上述非临时性计算机可读存储介质与地质层识别模型构建方法或者地质层识别方法具有类似的有益效果，此处不再赘述。
为达上述目的，第六方面，本发明提供一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面所述的地质层识别模型构建方法或者如第三方面所述的地质层识别方法。
上述计算设备与地质层识别模型构建方法或者地质层识别方法具有类似的有益效果，此处不再赘述。
附图说明
图1为本发明一实施例的地质层识别模型构建方法的流程示意图；
图2为图1中的S2的流程示意图；
图3为图2中的S24的流程示意图；
图4为图3中的S242的流程示意图；
图5为本发明一实施例的地质层识别模型构建方法的流程示意图
图6为本发明另一实施例的地质层识别模型构建装置的结构示意图；
图7为本发明另一实施例的地质层识别方法的流程示意图；
图8为本发明另一实施例的地质层识别系统的结构示意图。
具体实施方式
下面将参照附图详细描述本发明的实施例，描述涉及附图时，除非另有表示，不同附图中的相同附图标记表示相同或相似的要素。要说明的是，以下示例性实施例中所描述的实施方式并不代表本发明的所有实施方式。它们仅是与如权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子，本发明的范围并不局限于此。在不矛盾的前提下，本发明各个实施例中的特征可以相互组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
图1所示为本发明一实施例的地质层识别模型构建方法的流程示意图，包括S1至S3。
在S1中，分别获取勘察阶段的离线数据以及桩机在勘察阶段钻进地质层的随钻数据，其中，离线数据包括分别与地质层相关的地质报告和实地调研数据，随钻数据包括动力头扭矩、动力头转速和钻进压力。
在本发明实施例中，离线数据可以呈压缩包形式，在压缩包中，地质报告和实地调研数据分别可以呈文档格式；其中，地质报告可以包括但不限于地理位置数据、地质层深度数据和地质层变化数据，地质层变化数据可以包括但不限于黏土、沙土、花岗岩、砂岩、泥岩和卵石等多种地质类型，实地调研数据可以包括但不限于水文和地貌等，为多源数据集扩展了数据范围，有助于提升地质层识别模型的准确性和可靠性。
在本发明实施例中，在桩机的动力头上可以分别安装有多种传感器，例如，多种传感器可为六维力传感器和两个速度传感器，在桩机的动力头钻进地质层过程中，六维力传感器检测对钻进压力及动力头扭矩进行检测，一个速度传感器检测动力头转速，另一速度传感器检测钻进速度。
在本发明实施例中，按照预设的数据接收周期对钻进压力、动力头扭矩、动力头转速和钻进速度等多种数据进行接收，在每个数据接收周期内，对接收到的多种数据进行组合，得到标准化的随钻数据，例如，数据接收周期可以为50毫秒或2秒等。
在本发明实施例中，随钻数据可以表示为:D＝[i，Fx,Fy,Fz,Tx,Ty,Tz，S1，S2],其中，D表示在第任一数据接收周期内的随钻数据，i表示在对应的数据接收周期内的任意时刻，Fx表示六维力传感器在力坐标系中感应沿着x轴的钻进压力，Fy表示在六维力传感器在力坐标系中感应沿着y轴的钻进压力，Fz表示六维力传感器在力坐标系中感应沿着z轴的钻进压力，Tx表示在六维力传感器在力坐标系中感应沿着x轴的动力头扭矩，Ty表示在六维力传感器在力坐标系中感应沿着y轴的动力头扭矩，T表示在六维力传感器在力坐标系中感应沿着z轴的动力头扭矩，S1表示动力头转速，S2表示钻进速度。
在S2中，根据离线数据和勘察阶段的随钻数据构建多源数据集。
在S3中，根据多源数据集对预设机器学习模型进行训练，得到地质层识别模型。
在本发明实施例中，预设机器学习模型可以采用神经网络模型。
图2所示为S2的流程示意图，包括S21至S25。
在S21中，确定与勘察阶段的随钻数据对应的采集时间。
在本发明实施例中，采集时间可以为与随钻数据一一关联或者包含在随钻数据中(参见上述随钻数据D)，采集时间可以用以唯一标识对随钻数据进行采集的时刻。
在S22中，将离线数据与采集时间和勘察阶段的随钻数据进行比对，确定勘察阶段的随钻数据与地质层之间的对应关系。
在本发明实施例中，通过将离线数据与采集时间和随站数据相比较的方式来得到差分数据，从预设的桩机地质关系库中查询与差分数据相关联的对应关系，该对应关系可以反映出随钻数据在桩机钻进地质层过程中的变化趋势，例如，对应关系可以被标记为用于表征随钻数据随桩机钻进地质层越深呈减弱趋势的1或用于表征随钻数据随桩机钻进地质层越深呈稳定趋势的5或用于表征随钻数据随桩机钻进地质层越深呈增大趋势的8，关系确定方式较为简单，有助于提升确定随钻数据与地质层相关性的效率。
在S23中，根据对应关系确定地质层标签。
本发明实施例中，当对应关系为1时，将“松砂性土”字符串设置为地质层标签，当对应关系为5时，将“混合土”字符串设置为地质层标签，当对应关系为8时，将“硬粘性土”字符串设置为地质层标签，以保证地质层标签的准确性。
在S24中，根据离线数据和勘察阶段的随钻数据进行数据融合，得到多源数据集。
在S25中，将地质层标签加入多源数据集。
在本发明实施例中，将离线数据与随钻数据打包为数据包，该数据包即为多源数据集，用地质层标签对数据包进行命名，将地质层标签用作对多源数据集进行标识及分类的数据，具备便捷性及可靠性，例如，数据包呈压缩包形式。
图3所示为S24的流程示意图，包括S241至S245。
在S241中，对勘察阶段的随钻数据进行均值滤波；
在S242中，对滤波后的随钻数据进行异常值过滤；
在S243中，对过滤后的随钻数据进行分箱；
在S244中，对分箱后的随钻数据进行特征提取；
在S245中，对提取后的特征数据、离线数据和采集时间进行融合。
在本发明实施例中，可以采用平均值滤波算法对随钻数据进行平均值滤波，可以采用分箱算法对过滤后的随钻数据进行处理，遵循产品运行机制，依赖于前期的关联性分析，针对随钻数据提取特征，例如，平均值滤波算法可以包括averageFilter()函数，经过滤波、异常值过滤、分箱和特征提取等处理后，随钻数据具有良好的真实有效性及准确性。
图4所示为S242的流程示意图，包括S2421至S2423。
在S2421中，对滤波后的随钻数据进行基于时间维度的分类统计，得到统计数据，统计数据包括与动力头扭矩对应的扭矩统计数据、与动力头转速对应的转速统计数据以及与钻进压力对应的压力统计数据。
在S2422中，对统计数据进行分类均值计算，得到均值数据，均值数据包括与扭矩统计数据对应的扭矩均值、与转速统计数据对应的转速均值以及与压力统计数据对应的压力均值。
在S2423中，将统计数据与预设统计概率进行比较；如果扭矩统计数据中存在超过预设统计概率的异常值，则将异常值更新为扭矩均值，否则，保持扭矩统计数据不变；如果转速统计数据中存在超过预设统计概率的异常值，则将异常值更新为转速均值，否则，保持转速统计数据不变；如果压力统计数据中存在超过预设统计概率的异常值，则将异常值更新为压力均值，否则，保持压力统计数据不变。
在本发明实施例中，动力头扭矩、动力头转速和钻进压力均具备时域特征，在对随钻数据进行统计的过程中，可以按照趋势图的方式分别对动力头扭矩、动力头转速和钻进压力进行汇总，从而，扭矩统计数据、转速统计数据和压力统计数据分别在对应的趋势图上呈现出时间-数值关系。
在本发明实施例中，在趋势图上标记出与预设统计概率对应的标准线，例如，预设统计概率为90％，超过标准线的扭矩值或转速值或压力均值即可确定为对应的异常值，删除异常值，用扭矩均值或转速均值或压力均值，在趋势图上填补删除异常值后的空位，以防异常值更新紊乱，具有高效性。
由于多源数据集是利用离线数据和随钻数据共同构建得到的，也就是说多源数据集具备数据多样性，从而，将多源数据集作为将预设机器学习模型训练成地质层识别模型的数据源，保证了地质层识别模型的可靠性和准确性，为面向地质层识别数据做好准备，克服了人工处理数据的效率低下的缺陷，有助于提升地质研究效率，有助于节省人力和成本。
图5所示为本发明另一实施例的地质层识别模型构建方法的流程示意图，在S3之后，还包括S4，在S04中，对地质层识别模型进行标准化。
在本发明实施例中，标准化后的地质层识别模型可以呈PMML格式，支持在跨平台共享地质层识别模型，有助于提升地质层识别模型的通用性。
图6所示为本发明另一实施例的地质层识别模型构建装置的结构示意图，包括：数据获取模块，用于分别获取勘察阶段的离线数据以及桩机在勘察阶段钻进地质层的随钻数据；数据构建模块，用于根据离线数据和勘察阶段的随钻数据构建多源数据集；模型训练模块，用于根据多源数据集对预设机器学习模型进行训练，得到地质层识别模型，以及，对地质层识别模型进行标准化。
上述地质层识别模型构建装置的各个模块的更具体实现方式，可以参见上述地质层识别模型构建方法的描述，且具有与之相似的有益效果，在此不再赘述。
图7所示为本发明另一实施例的地质层识别方法的流程示意图，包括S5至S7。
在S5中，获取桩机在施工阶段钻进地质层的随钻数据。
在本发明实施例中，针对地质研究时间，可以分为勘察阶段和施工阶段等，其中，勘察阶段开展的地质研究工作是为后续的施工阶段所开展的项目施工做准备，前述两阶段的随钻数据在成分及组成方式上可以相同，为了简要说明，此处不再赘述。
在S6中，将施工阶段的随钻数据输入根据上述地质层识别模型构建方法得到的地质层识别模型。
在本发明实施例中，地质层识别模型可以先利用钻进压力、动力头扭矩和动力头转速，对桩机的钻进进程进行判断，当判定钻进进程已达到地质层时，再对钻进压力、动力头扭矩、动力头转速和钻进速度等多种数据进行检测及计算，得到输出结果。
在S7中，根据地质层识别模型的输出结果对地质层进行特征识别。
在本发明实施例中，地质层识别模型的输出结果可以为在0到1之间的概率值，从预设的地质特征分类表中查询与概率值相符的地质特征，以工程地质层为例，参见表1所示的地质特征分类表。
表1
| 概率范围 | 类别 |
| (0,0.2] | 岩石 |
| (0.2,0.4] | 碎石土 |
| (0.4,0.6] | 砂土 |
| (0.6,0.8] | 粉土 |
| (0.8,1] | 人工填土 |
采用本发明实施例的地质层识别方法，由于地质层识别模型是使用由多源地质层数据组成的集合预训练好的，也就是说地质层识别模型具有面向地质层识别数据的准确性，在桩机钻进地质层过程中，通过地质层识别模型对随钻数据进行识别，借助从地质层识别模型输出的结果，便于为地质层识别地质特征，兼顾了跟随桩机钻地进程识别地质层的准确性和实时性，有助于支持在不同类型的桩机协作下自动化识别地质层，有助于提升普适性，克服了人工识别方式的效率低下的缺陷。
图8所示为本发明实施例的地质层识别系统的结构示意图，包括：数据采集子系统，用于获取桩机在施工阶段钻进地质层的随钻数据；机器学习子系统，用于将施工阶段的所述随钻数据输入根据上述地质层识别模型构建方法得到的地质层识别模型；地质识别子系统，用于根据所述地质层识别模型的输出结果对地质层进行特征识别。
数据采集子系统，还用于分别获取勘察阶段的离线数据以及桩机在勘察阶段钻进地质层的随钻数据，并根据所述离线数据和所述勘察阶段的所述随钻数据构建多源数据集。
机器学习子系统，还用于根据多源数据集对预设机器学习模型进行训练，得到地质层识别模型。
在本发明实施例中，数据采集子系统可以包括多种边缘端，多种边缘端可以分为控制设备、数采设备以及多种传感器，其中，数采设备分别通过通信电缆与控制设备和每种传感器连接；通过多种传感器分别检测出钻进压力、动力头扭矩、动力头转速等多种数据，并通过数采设备可以按照预设的数据接收周期对前述多种数据进行接收并发送给控制设备，通过控制设备融合数据后发送给机器学习子系统。
在本发明实施例中，数采设备可以包括但不限于CAN口、串口和网口等多种数据接口，可支持多种接口协议，真正实现多源数据采集。
在本发明实施例中，控制设备可以通过通信电缆与机器学习子系统有线连接，或者，控制设备可以包括与机器学习子系统通信连接的wifi模块。
在本发明实施例中，机器学习子系统可以包括一个或多个服务器，当任一服务器接收到由控制设备发送的多源数据集时，启动模型训练流程，以利用多源数据集对地质层识别模型进行预训练。
在本发明实施例中，模型训练流程是一个循环迭代的过程，模型训练流程可以包括数据清洗子流程、特征工程子流程、模型训练子流程、模型评价子流程和特征解释子流程；在数据清洗子流程中，可以对多源数据集进行缺失值处理，以提高多源数据集的准确性；在特征工程子流程中，可以对经过清洗后的多源数据集进行特征构造、特征转换、特征降维以及特征筛选等处理，其中，特征构造可以包括但不限于提取特征变量的操作，特征转换包括但不限于标准化操作或/和归一化操作等，以使数据具备结构化或/和标准化等特性，更好地满足计算目标需求；在模型训练子流程与模型评价子流程中，可以采用BP神经网络深度学习模型，其中，输入层包含多源数据集，激活函数采用sigmoid函数，采用两层神经网络进行训练，逐层将随钻数据前传，输出结果与多源数据集进行偏差计算，再将误差逆向传播至隐层神经元，隐层神经元根据误差对连接权和阈值进行调整，直到误差在可允许范围内停止迭代，以提升模型准确性；在模型解释子流程中，将输出结果与工程机理相结合，对经过训练的BP神经网络深度学习模型进行合理解释，以避免无法解释现象。
在本发明实施例中，地质识别子系统可以包括一个或多个客户端，任一个客户端可以从服务器下载地质层识别模型，以对地质层进行识别。
上述地质层识别系统的各个子系统的更具体实现方式，可以参见上述地质层识别模型构建方法或者上述地质层识别的描述，且具有与之相似的有益效果，在此不再赘述。
本发明另一实施例的一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述地质层识别模型构建方法或者上述地质层识别方法。
一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或，连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明另一实施例的一种计算设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现上述地质层识别模型构建方法或者上述地质层识别方法。可以理解的是，本发明的计算设备可以是服务器，也可以有限算力的终端设备，其中，处理器可以通过通用串行总线与存储器连接。
上述非临时性计算机可读存储介质和计算设备，可以参见上述地质层识别模型构建方法或者上述地质层识别的描述，且具有与之相似的有益效果，在此不再赘述。
尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种地质层识别模型构建方法，其特征在于，包括：
分别获取勘察阶段的离线数据以及桩机在所述勘察阶段钻进地质层的随钻数据，其中，所述离线数据包括分别与所述地质层相关的地质报告和实地调研数据，所述随钻数据包括动力头扭矩、动力头转速和钻进压力；
根据所述离线数据和所述勘察阶段的所述随钻数据构建多源数据集；
根据所述多源数据集对预设机器学习模型进行训练，得到地质层识别模型。
2.根据权利要求1所述的地质层识别模型构建方法，其特征在于，所述根据所述离线数据和所述勘察阶段的所述随钻数据构建多源数据集包括：
确定与所述勘察阶段的所述随钻数据对应的采集时间；
将所述离线数据与所述采集时间和所述勘察阶段的所述随钻数据进行比对，确定所述勘察阶段的所述随钻数据与所述地质层之间的对应关系；
根据所述对应关系确定地质层标签；
根据所述离线数据和所述勘察阶段的所述随钻数据进行数据融合，得到所述多源数据集；
将所述地质层标签加入所述多源数据集。
3.根据权利要求2所述的地质层识别模型构建方法，其特征在于，所述根据所述离线数据和所述勘察阶段的所述随钻数据进行数据融合包括：
对所述勘察阶段的所述随钻数据进行均值滤波；
对滤波后的随钻数据进行异常值过滤；
对过滤后的随钻数据进行分箱；
对分箱后的随钻数据进行特征提取；
对提取后的特征数据、所述离线数据和所述采集时间进行融合。
4.根据权利要求3所述的地质层识别模型构建方法，其特征在于，所述对滤波后的随钻数据进行异常值过滤包括：
对滤波后的随钻数据进行基于时间维度的分类统计，得到统计数据，所述统计数据包括与所述动力头扭矩对应的扭矩统计数据、与所述动力头转速对应的转速统计数据以及与所述钻进压力对应的压力统计数据；
对所述统计数据进行分类均值计算，得到均值数据，所述均值数据包括与所述扭矩统计数据对应的扭矩均值、与所述转速统计数据对应的转速均值以及与所述压力统计数据对应的压力均值；
将所述统计数据与预设统计概率进行比较；
如果所述扭矩统计数据中存在超过所述预设统计概率的异常值，则将所述异常值更新为所述扭矩均值，否则，保持所述扭矩统计数据不变；
如果所述转速统计数据中存在超过所述预设统计概率的异常值，则将所述异常值更新为所述转速均值，否则，保持所述转速统计数据不变；
如果所述压力统计数据中存在超过所述预设统计概率的异常值，则将所述异常值更新为所述压力均值，否则，保持所述压力统计数据不变。
5.根据权利要求1-4任一项所述的地质层识别模型构建方法，其特征在于，所述根据所述多源数据集对预设机器学习模型进行训练之后，还包括：对所述地质层识别模型进行标准化。
6.一种地质层识别模型构建装置，其特征在于，包括：
数据获取模块，用于分别获取勘察阶段的离线数据以及桩机在所述勘察阶段钻进地质层的随钻数据，其中，所述离线数据包括分别与所述地质层相关的地质报告和实地调研数据，所述随钻数据包括动力头扭矩、动力头转速和钻进压力；
数据构建模块，用于根据所述离线数据和所述勘察阶段的所述随钻数据构建多源数据集；
模型训练模块，用于根据所述多源数据集对预设机器学习模型进行训练，得到地质层识别模型。
7.一种地质层识别方法，其特征在于，包括：
获取桩机在施工阶段钻进地质层的随钻数据；
将所述施工阶段的所述随钻数据输入根据权利要求1-5任一项所述的地质层识别模型构建方法得到的地质层识别模型；
根据所述地质层识别模型的输出结果对所述地质层进行特征识别。
8.一种地质层识别系统，其特征在于，包括：
数据采集子系统，用于获取桩机在施工阶段钻进地质层的随钻数据；
机器学习子系统，用于将所述施工阶段的所述随钻数据输入根据权利要求1-5任一项所述的地质层识别模型构建方法得到的地质层识别模型；
地质识别子系统，用于根据所述地质层识别模型的输出结果对所述地质层进行特征识别。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-5任一项所述的地质层识别模型构建方法或者如权利要求7所述的地质层识别方法。
10.一种计算设备，包括存储器、处理器及存储在存储器上并可在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程序时，实现如权利要求1-5任一项所述的地质层识别模型构建方法或者如权利要求7所述的地质层识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110193221.5A CN113065664B (zh) | 2021-02-20 | 2021-02-20 | 一种地质层识别模型构建方法和地质层识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110193221.5A CN113065664B (zh) | 2021-02-20 | 2021-02-20 | 一种地质层识别模型构建方法和地质层识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113065664A true CN113065664A (zh) | 2021-07-02 |
| CN113065664B CN113065664B (zh) | 2024-05-14 |
Family
ID=76558863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110193221.5A Active CN113065664B (zh) | 2021-02-20 | 2021-02-20 | 一种地质层识别模型构建方法和地质层识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065664B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625620A (zh) * | 2021-07-23 | 2021-11-09 | 三一重机有限公司 | 旋挖钻机的作业控制方法及系统 |
| CN116662786A (zh) * | 2023-07-13 | 2023-08-29 | 江西慧航工程咨询有限公司 | 一种用于地下建筑的数字化地质分析方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101906965A (zh) * | 2010-07-14 | 2010-12-08 | 中国矿业大学(北京) | Vr地质环境下的地层识别与分析技术 |
| WO2014066981A1 (en) * | 2012-10-31 | 2014-05-08 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
| CN108875122A (zh) * | 2018-04-25 | 2018-11-23 | 杭州迅美科技有限公司 | 利用随钻测井数据计算地质参数的人工智能方法和系统 |
| CN110513099A (zh) * | 2019-08-20 | 2019-11-29 | 北京科技大学 | 一种多参量超前物力灾害实时预测系统及方法 |
| CN111119835A (zh) * | 2018-11-01 | 2020-05-08 | 中国石油化工股份有限公司 | 一种随钻工况识别方法及系统 |
| CN111160571A (zh) * | 2019-12-31 | 2020-05-15 | 盾构及掘进技术国家重点实验室 | 一种基于土压平衡盾构机参数数据驱动反演地质的方法 |
| US20200183047A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated Reservoir Modeling Using Deep Generative Networks |
| RU2723805C1 (ru) * | 2019-08-20 | 2020-06-17 | Общество с ограниченной ответственностью "Диджитал Петролеум" (ООО "ДП") | Способ и компьютерная система управления бурением скважин |
| WO2020125668A1 (zh) * | 2018-12-18 | 2020-06-25 | 中国铁建重工集团股份有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
| CN111598346A (zh) * | 2020-05-20 | 2020-08-28 | 北京三一智造科技有限公司 | 故障检测方法、装置、检测设备、旋挖机及存储介质 |
| CN111722270A (zh) * | 2020-06-29 | 2020-09-29 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种基于随钻监测设备的短距离超前地质预报方法 |
| US20200309992A1 (en) * | 2019-03-26 | 2020-10-01 | Drilling Info, Inc. | Determining a landing zone in a subterranean formation |
| CN112381938A (zh) * | 2020-11-11 | 2021-02-19 | 中国地质大学（武汉） | 一种基于非开挖随钻参数机器学习的地层识别方法 |
-
2021
- 2021-02-20 CN CN202110193221.5A patent/CN113065664B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101906965A (zh) * | 2010-07-14 | 2010-12-08 | 中国矿业大学(北京) | Vr地质环境下的地层识别与分析技术 |
| WO2014066981A1 (en) * | 2012-10-31 | 2014-05-08 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
| CN108875122A (zh) * | 2018-04-25 | 2018-11-23 | 杭州迅美科技有限公司 | 利用随钻测井数据计算地质参数的人工智能方法和系统 |
| CN111119835A (zh) * | 2018-11-01 | 2020-05-08 | 中国石油化工股份有限公司 | 一种随钻工况识别方法及系统 |
| US20200183047A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated Reservoir Modeling Using Deep Generative Networks |
| WO2020125668A1 (zh) * | 2018-12-18 | 2020-06-25 | 中国铁建重工集团股份有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
| US20200309992A1 (en) * | 2019-03-26 | 2020-10-01 | Drilling Info, Inc. | Determining a landing zone in a subterranean formation |
| CN110513099A (zh) * | 2019-08-20 | 2019-11-29 | 北京科技大学 | 一种多参量超前物力灾害实时预测系统及方法 |
| RU2723805C1 (ru) * | 2019-08-20 | 2020-06-17 | Общество с ограниченной ответственностью "Диджитал Петролеум" (ООО "ДП") | Способ и компьютерная система управления бурением скважин |
| CN111160571A (zh) * | 2019-12-31 | 2020-05-15 | 盾构及掘进技术国家重点实验室 | 一种基于土压平衡盾构机参数数据驱动反演地质的方法 |
| CN111598346A (zh) * | 2020-05-20 | 2020-08-28 | 北京三一智造科技有限公司 | 故障检测方法、装置、检测设备、旋挖机及存储介质 |
| CN111722270A (zh) * | 2020-06-29 | 2020-09-29 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种基于随钻监测设备的短距离超前地质预报方法 |
| CN112381938A (zh) * | 2020-11-11 | 2021-02-19 | 中国地质大学（武汉） | 一种基于非开挖随钻参数机器学习的地层识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| CHEN, G.等: "A New Method of Lithology Classification Based on Convolutional Neural Network Algorithm by Utilizing Drilling String Vibration Data", 《ENERGIES》, vol. 13, no. 4, 17 February 2020 (2020-02-17), pages 1 - 24 * |
| LIU, JINGJING等: "Evidence for multiple sources for inorganic components in the Tucheng coal deposit, western Guizhou, China and the lack of critical-elements", 《INTERNATIONAL JOURNAL OF COAL GEOLOGY》, vol. 223, pages 1 - 20 * |
| 柏国龙: "基于CPTu土层分类与桩承载特性的工程应用研究", 《中国优秀硕士学位论文全文数据库：工程科技Ⅱ辑》, no. 1, pages 1 - 105 * |
| 王瑶等: "基于多源钻孔数据的工程地质三维建模方法及应用", 《中国矿业》, vol. 26, no. 2, pages 387 - 390 * |
| 袁松: "煤层气水平井随钻岩性判识方法研究", 《中国优秀硕士学位论文全文数据库：工程科技Ⅰ辑》, no. 4, 15 April 2016 (2016-04-15), pages 1 - 50 * |
| 邓圣甲: "徐家围子断陷火山岩随钻岩性识别技术研究", 《中国优秀硕士学位论文全文数据库：基础科学》, no. 1, 15 January 2019 (2019-01-15), pages 1 - 81 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625620A (zh) * | 2021-07-23 | 2021-11-09 | 三一重机有限公司 | 旋挖钻机的作业控制方法及系统 |
| CN116662786A (zh) * | 2023-07-13 | 2023-08-29 | 江西慧航工程咨询有限公司 | 一种用于地下建筑的数字化地质分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113065664B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10990882B2 (en) | Stratigraphic layer identification from seismic and well data with stratigraphic knowledge base | |
| EP3334897B1 (en) | Bore penetration data matching | |
| RU2602403C1 (ru) | Управление микросейсмическими данными для отслеживания трещин | |
| CN113065664A (zh) | 一种地质层识别模型构建方法和地质层识别方法 | |
| US9665604B2 (en) | Modeling and manipulation of seismic reference datum (SRD) in a collaborative petro-technical application environment | |
| US10936561B2 (en) | Extensible well data integrity smart detector | |
| US12007516B2 (en) | Geological feature search engine | |
| US20230212937A1 (en) | Automated electric submersible pump (esp) failure analysis | |
| US20130346394A1 (en) | Virtual tree | |
| CN109542884B (zh) | 采用大数据耦合参数以优化破岩效率的方法和系统 | |
| NO20121473A1 (no) | System for modellering av geologiske strukturer | |
| US11704333B2 (en) | Form text extraction of key/value pairs | |
| CN110226109B (zh) | 增强的地质服务表征 | |
| NO20160254A1 (en) | Data analytics for oilfield data repositories | |
| WO2023081495A1 (en) | Systems and methods of modeling geological facies for well development | |
| EP2851871A2 (en) | Georeferenced bookmark data | |
| CA3233144A1 (en) | Automatic sensor data validation on a drilling rig site | |
| US20230273335A1 (en) | Integration of geotags and opportunity maturation | |
| US11216700B2 (en) | Automated material classification by structural features | |
| CN114239655A (zh) | 地震相识别模型训练方法及装置、地震相预测方法及装置 | |
| Zhang et al. | Multi-Step Intelligent P-phase Picking Model for Risk Assessment in Deep Underground Mines | |
| Zhang et al. | Automatic P-phase picking based on machine learning and AIC algorithm and its application in engineering geological hazards warning | |
| CA2818469A1 (en) | Virtual tree |
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 |