CN114202036A - 一种基于模式识别技术的静力触探自动划分土层技术 - Google Patents
一种基于模式识别技术的静力触探自动划分土层技术 Download PDFInfo
- Publication number
- CN114202036A CN114202036A CN202111587354.7A CN202111587354A CN114202036A CN 114202036 A CN114202036 A CN 114202036A CN 202111587354 A CN202111587354 A CN 202111587354A CN 114202036 A CN114202036 A CN 114202036A
- Authority
- CN
- China
- Prior art keywords
- data
- pattern recognition
- static sounding
- soil layer
- static
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D1/00—Investigation of foundation soil in situ
- E02D1/02—Investigation of foundation soil in situ before construction work
- E02D1/022—Investigation of foundation soil in situ before construction work by investigating mechanical properties of the soil
- E02D1/025—Investigation of foundation soil in situ before construction work by investigating mechanical properties of the soil combined with sampling
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Soil Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Paleontology (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明公开了一种基于模式识别技术的静力触探自动划分土层技术,涉及土层划分技术领域。本发明包括以下步骤:静力触探数据整理和分析,确定训练样本:搜集已有工程的静力触探原始数据和相应的分层结果,以及可对比的钻孔数据,并对静力触探原始数据进行分析、筛选和归一化、标准化、结构化整理,整理并归一化输入。本发明基于模式识别技术训练自动划分土层的模型,充分把握静探曲线形态的刻画与对比,将静探曲线形态作为划分土类的重要因素,并结合静探数据中的锥尖阻力、侧壁阻力、摩阻比,实现对静力触探孔进行自动土层划分,从而大大提高静力触探自动划分土层的准确率,加入不同类型数据的加权系数以提高重要类型的影响,从而进一步提高对地层类型识别的准确性和可靠。
Description
技术领域
本发明涉及土层划分技术领域,具体为一种基于模式识别技术的静力触探自动划分土层技术。
背景技术
在岩土工程勘测中,静力触探分层的方法主要依赖工程师的工程经验和钻探取样资料,图表分类法和传统的统计分析法分层成果是针对每组静力触探数据,静力触探的数据采集频率一般为5~10cm/次,数据量较为庞大,因此针对每组数据的分层结果数量也同样庞大,这就造成了分层过细以至于不能满足实际工程勘测中划分地层的需要,但是,现有的技术必须辅以大量的人工合并工作,费时费力。
发明内容
本发明的目的在于提供一种基于模式识别技术的静力触探自动划分土层技术,以解决现有的问题:现有的技术必须辅以大量的人工合并工作,费时费力。
为实现上述目的,本发明提供如下技术方案:一种基于模式识别技术的静力触探自动划分土层技术,包括以下步骤:
静力触探数据整理和分析,确定训练样本:
搜集已有工程的静力触探原始数据和相应的分层结果,以及可对比的钻孔数据,并对静力触探原始数据进行分析、筛选和归一化、标准化、结构化整理;
整理并归一化输入:
输入参数为深度、摩擦阻力、锥尖阻力、摩阻比、差值、摩擦阻力形态数据、锥尖阻力形态数据,输出参数为地层类型编号,形成人工智能模型的训练数据库;
在进行整理和分析过程中包括模式识别,所述模式识别包括以下步骤:
第一步:确定原始数据、拓展数据、模式识别的原始数据和输入数据;
第二歩:对输入数据进行归一化处理增加数据加权系数,确定训练样本;
第三歩:输出:地层类型编号模式识别数据集;
第四步:模式识别数据集;
第五步:未知地层数据点提取;
第六步:点数据归一化、数据加权处理;
第七步:根据模式识别,识别点的分层结果;
第八步:所有分层完毕否;
第九步:未分层完毕的数据回传到第四歩进行再次提取;
算法分析和选择:
分析采用有监督的分类对静力触探数据进行提炼和预测,增加各类参数权重,通过对比各类参数重要性,得出最优参数加权系数,从而进一步提高对地层类型识别的准确性和可靠度;
建立样例集:
应用以上准备的数据和算法,对模型进行处理,对每个工程的每组静探数据进行提取输入和输出,作为数据样例集;
静力触探智能分层开发、校验:
提取未分层的地层数据,得到所有点的输入,即计算点与样例集的所有距离,取与样例集距离最小的点对应输出作为改点的输出,对每个点进行模式识别,得出分层结果。
优选的,所述原始数据至少包括深度、摩擦阻力、锥尖阻力。
优选的,所述拓展数据至少包括摩阻比=摩擦阻力/锥尖阻力、差值=摩擦阻力-锥尖阻力,摩擦阻力形态数据、锥尖阻力形态数据。
优选的,所述模式识别的原始数据至少包括深度、摩擦阻力、锥尖阻力、摩阻比、差值、摩擦阻力形态数据、锥尖阻力形态数据。
优选的,所述输入参数至少包括深度、摩擦阻力、锥尖阻力、摩阻比、差值、摩擦阻力形态数据、锥尖阻力形态数据。
优选的,所述输入数据归一化的公式如下:
优选的,所述计算点与样例集的所有距离的距离公式如下:
优选的:所述形态数据为取点的上下5个点共11点作为形态数据。
与现有技术相比,本发明的有益效果是:
本发明基于模式识别技术训练自动划分土层的模型,充分把握静探曲线形态的刻画与对比,将静探曲线形态作为划分土类的重要因素,并结合静探数据中的锥尖阻力、侧壁阻力、摩阻比,实现对静力触探孔进行自动土层划分,从而大大提高静力触探自动划分土层的准确率,加入不同类型数据的加权系数以提高重要类型的影响,从而进一步提高对地层类型识别的准确性和可靠。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明模式识别流程的示意图;
图2为本发明三组测试结果图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
一种基于模式识别技术的静力触探自动划分土层技术,包括以下步骤:
静力触探数据整理和分析,确定训练样本:
搜集已有工程的静力触探原始数据和相应的分层结果,以及可对比的钻孔数据,并对静力触探原始数据进行分析、筛选和归一化、标准化、结构化整理;
整理并归一化输入:
输入参数为深度、摩擦阻力、锥尖阻力、摩阻比、差值、摩擦阻力形态数据、锥尖阻力形态数据,输出参数为地层类型编号,形成人工智能模型的训练数据库。
其中数据来源:已整理的文本格式数据或者excel数据,dwg图纸数据。其中已有文本数据或者excel数据通过python开发自动完成数据处理。Dwg图纸数据通过cad二次开发自动提取所需数据,并通过python开发完成数据处理。最终数据整理归档统一格式,存储于数据库中,提供后续的人工智能开发数据支持和前后处理数据支持。
算法分析和选择:
分析采用有监督的分类对静力触探数据进行提炼和预测,增加各类参数权重,通过对比各类参数重要性,得出最优参数加权系数,从而进一步提高对地层类型识别的准确性和可靠度。
建立样例集:
应用以上准备的数据和算法,对模型进行处理,对每个工程的每组静探数据进行提取输入和输出,作为数据样例集。
静力触探智能分层开发、校验:
提取未分层的地层数据,得到所有点的输入;
即计算点与样例集的所有距离,取与样例集距离最小的点对应输出作为改点的输出;
对每个点进行模式识别,得出分层结果。
原始数据:深度、摩擦阻力、锥尖阻力。
拓展数据:摩阻比=摩擦阻力/锥尖阻力、差值=摩擦阻力-锥尖阻力,摩擦阻力形态数据、锥尖阻力形态数据。
形态数据为取点的上下5个点共11点作为形态数据。
模式识别的原始数据信息:深度、摩擦阻力、锥尖阻力、摩阻比、差值、摩擦阻力形态数据、锥尖阻力形态数据,输入数据进行归一化处理,公式如下:
输入归一化后的数据,输出为对应位置的地层标签编号。
根据数据重要度,对输入数据进行加权,加权系数如下表所示:
对每个工程的每组静探数据进行提取输入和输出,作为数据样例集,其中20%数据用做测试,模式识别以选择距离最优最为判定标准,两种静探点的距离公式为:
参考图1所示:
模式识别流程:
提取未分层的地层数据,得到所有点的输入;
即计算点与样例集的所有距离,取与样例集距离最小的点对应输出作为改点的输出;
对每个点进行模式识别,得出分层结果;
具体为:
第一步:确定原始数据、拓展数据、模式识别的原始数据和输入数据;
第二歩:对输入数据进行归一化处理增加数据加权系数;
第三歩:输出:地层类型编号模式识别数据集;
第四步:模式识别数据集;
第五步:未知地层数据点提取;
第六步:点数据归一化、数据加权处理;
第七步:根据模式识别,识别点的分层结果;
第八步:所有分层完毕否;
第九步:未分层完毕的数据回传到第四歩进行再次提取。
模型训练结果:训练集正确率99.5%,测试集正确率97.3%,表明本发明大大提高了土层识别准确率;
三组测试结果图如图2所述。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种基于模式识别技术的静力触探自动划分土层技术,其特征在于:包括以下步骤:
静力触探数据整理和分析,确定训练样本:
搜集已有工程的静力触探原始数据和相应的分层结果,以及可对比的钻孔数据,并对静力触探原始数据进行分析、筛选和归一化、标准化、结构化整理;
整理并归一化输入:
输入参数为深度、摩擦阻力、锥尖阻力、摩阻比、差值、摩擦阻力形态数据、锥尖阻力形态数据,输出参数为地层类型编号,形成人工智能模型的训练数据库;
在进行整理和分析过程中包括模式识别,所述模式识别包括以下步骤:
第一步:确定原始数据、拓展数据、模式识别的原始数据和输入数据;
第二歩:对输入数据进行归一化处理增加数据加权系数,确定训练样本;
第三歩:输出:地层类型编号模式识别数据集;
第四步:模式识别数据集;
第五步:未知地层数据点提取;
第六步:点数据归一化、数据加权处理;
第七步:根据模式识别,识别点的分层结果;
第八步:所有分层完毕否;
第九步:未分层完毕的数据回传到第四歩进行再次提取;
算法分析和选择:
分析采用有监督的分类对静力触探数据进行提炼和预测,增加各类参数权重,通过对比各类参数重要性,得出最优参数加权系数,从而进一步提高对地层类型识别的准确性和可靠度;
建立样例集:
应用以上准备的数据和算法,对模型进行处理,对每个工程的每组静探数据进行提取输入和输出,作为数据样例集;
静力触探智能分层开发、校验:
提取未分层的地层数据,得到所有点的输入,即计算点与样例集的所有距离,取与样例集距离最小的点对应输出作为改点的输出,对每个点进行模式识别,得出分层结果。
2.根据权利要求1所述的一种基于模式识别技术的静力触探自动划分土层技术,其特征在于:所述原始数据至少包括深度、摩擦阻力和锥尖阻力。
3.根据权利要求2所述的一种基于模式识别技术的静力触探自动划分土层技术,其特征在于:所述拓展数据至少包括摩阻比、差值、摩擦阻力形态数据和锥尖阻力形态数据。
4.根据权利要求3所述的一种基于模式识别技术的静力触探自动划分土层技术,其特征在于:所述模式识别的原始数据至少包括深度、摩擦阻力、锥尖阻力、摩阻比、差值、摩擦阻力形态数据和锥尖阻力形态数据。
5.根据权利要求4所述的一种基于模式识别技术的静力触探自动划分土层技术,其特征在于:所述输入参数至少包括深度、摩擦阻力、锥尖阻力、摩阻比、差值、摩擦阻力形态数据和锥尖阻力形态数据。
8.根据权利要求7所述的一种基于模式识别技术的静力触探自动划分土层技术,其特征在于:所述形态数据为取点的上下5个点共11点作为形态数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111587354.7A CN114202036A (zh) | 2021-12-23 | 2021-12-23 | 一种基于模式识别技术的静力触探自动划分土层技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111587354.7A CN114202036A (zh) | 2021-12-23 | 2021-12-23 | 一种基于模式识别技术的静力触探自动划分土层技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202036A true CN114202036A (zh) | 2022-03-18 |
Family
ID=80656202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111587354.7A Withdrawn CN114202036A (zh) | 2021-12-23 | 2021-12-23 | 一种基于模式识别技术的静力触探自动划分土层技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202036A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114892651A (zh) * | 2022-04-15 | 2022-08-12 | 中交四航工程研究院有限公司 | 一种智能化水泥土搅拌桩地基处理方法 |
-
2021
- 2021-12-23 CN CN202111587354.7A patent/CN114202036A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114892651A (zh) * | 2022-04-15 | 2022-08-12 | 中交四航工程研究院有限公司 | 一种智能化水泥土搅拌桩地基处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104533400B (zh) | 一种重构测井曲线的方法 | |
CN103955558B (zh) | 一种采集并处理不同行业工勘数据的方法 | |
CN104820724B (zh) | 文本类教育资源知识点预测模型获得方法及模型应用方法 | |
CN105467449B (zh) | 基于地震分级敏感属性融合的深层薄互储层定量表征方法 | |
CN106529667A (zh) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 | |
Zhu et al. | Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm | |
CN107038505A (zh) | 基于机器学习的找矿模型预测方法 | |
CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
CN106353820A (zh) | 一种基于知识模型的测井解释方法 | |
CN103376468A (zh) | 基于神经网络函数逼近算法的储层参数定量表征方法 | |
CN108288092A (zh) | 一种利用核磁共振t2谱形态获取致密砂岩渗透率的方法 | |
CN113033648A (zh) | 一种使用机器学习算法实现测井解释的方法 | |
CN111175819B (zh) | 井震多级约束的砂砾岩扇体沉积相带精细划分方法 | |
CN109409644A (zh) | 一种基于改进的c4.5算法的学生成绩分析方法 | |
CN114154484B (zh) | 基于混合深度语义挖掘的施工专业术语库智能构建方法 | |
CN116427915A (zh) | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 | |
Leung et al. | Sample truncation strategies for outlier removal in geochemical data: the MCD robust distance approach versus t-SNE ensemble clustering | |
CN114202036A (zh) | 一种基于模式识别技术的静力触探自动划分土层技术 | |
CN104570109A (zh) | 一种储层油气预测的方法 | |
CN110968840A (zh) | 一种基于大地电磁测深电阻率判定隧围岩等级的方法 | |
CN114638300A (zh) | 一种识别页岩油气藏“甜点”的方法、装置及存储介质 | |
CN109447026A (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
CN111462037B (zh) | 一种地质勘探钻孔质量检测方法 | |
Zhao et al. | Data-driven diagenetic facies classification and well-logging identification based on machine learning methods: A case study on Xujiahe tight sandstone in Sichuan Basin |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220318 |