CN114241229B - 一种电性成像结果中异常体边界智能识别方法 - Google Patents
一种电性成像结果中异常体边界智能识别方法 Download PDFInfo
- Publication number
- CN114241229B CN114241229B CN202210154804.1A CN202210154804A CN114241229B CN 114241229 B CN114241229 B CN 114241229B CN 202210154804 A CN202210154804 A CN 202210154804A CN 114241229 B CN114241229 B CN 114241229B
- Authority
- CN
- China
- Prior art keywords
- class
- abnormal body
- data
- new
- boundary
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出一种采用无监督机器学习中的聚类算法,特别针对现有技术中由于激发场源均为电磁波或电场,天然存在扩散效应,成像结果一般表现为电阻率、电导率、极化率、场强等值的等值线图形式,异常体与背景值间往往是渐变、光滑过渡,没有鲜明的差异,人工确定异常体准确边界的难度大、效率低。本发明对成像结果中的异常体边界进行智能识别的数据处理方法,能够实时准确划分异常和背景区域。
Description
技术领域
本发明属于地球物理勘测技术领域,涉及一种能对电磁法成像结果中的异常体边界快速智能识别的数据处理方法。
背景技术
地球物理勘测中的电磁类方法由于激发场源均为电磁波或电场,天然存在扩散效应,成像结果一般表现为电阻率、电导率、极化率、场强等值的热力图形式。异常体与背景值间往往是渐变、光滑过渡,现有反演模型,都是光滑模型,保证计算精度和速度。但是现实中,没有鲜明的差异,人工确定异常体准确边界的难度大、效率低。
近年来我国煤矿重特大事故总体呈下降趋势,但重特大水灾事故起数和死亡人数在事故占比中逐年增加,平均占比达到18.05%。2006-2018年间,全国煤矿共发生水害事故436起、死亡人数1906名,经济损失和社会影响非常严重。掘进工作面是煤矿重特大水灾事故最容易发生的突水地点,占比达51.16%。因此,掘进工作面前方隐伏水患超前探测是亟待解决的技术难题。
水害隐患超前探查代表性的方法主要是瞬变电磁法、直流电法等电磁类方法,但是,煤矿井下探测装备功率受煤矿本安防爆限制,且井下环境的电磁干扰较大等因素的存在,致使矿井电磁类方法的探测距离短、精度偏低、多解性强。为了解决煤矿井下掘进工作面前方的探测深度与探测精度的矛盾,科研工作者逐步开始利用井下掘进工作面的钻孔进行瞬变电磁探测工作,该方法可以在掘进前开展远距离、高精度的隐伏水害超前预报。
钻孔瞬变电磁的数据处理一般采用电阻率反演成像方法,考虑到反演存在多解性,因此反演拟合过程中为了提高精度,往往会选择较为光滑的模型拟合实测数据,使得最终反演结果是一个电阻率连续光滑渐变的成像模型,在地质体边界处的对比程度和变化情况较为模糊,很难清晰的反映地质异常体与背景值的差异,对异常体规模、形态的解释工作常常需要经验丰富的专家人为干预,也不利于生产中准确指导物探工作之后的钻探和掘进工作。鉴于此,有必要研究一种提高成像结果中电阻率值聚合度,进而突出电性边界的成像方法。
发明内容
为解决这一问题,本发明提出一种采用无监督机器学习中的聚类算法,对电性成像结果中的异常体边界进行智能识别的数据处理方法,能够实时准确划分异常和背景区域。
本发明所解决的技术问题是提供一种电性成像结果异常体边界智能识别方法。
为解决上述的技术问题,本发明采取如下技术方案予以实现:
一种电性成像结果异常体边界智能识别方法,该方法包括如下步骤:
步骤1:对电磁法探测数据进行反演成像,形成曲线图、散点图、等值线图、热力图、等值面图、形体渲染图其中一种或几种及相应的绘图数据文件;
步骤2:根据成像图特征,选择聚类算法;
步骤3:提取绘图数据文件中的幅值项数据;
步骤4:确定聚类数k后,在样本中随机选取k个点,作为每一类的中心点;
步骤5:计算剩余n-k个样本点到每个聚类中心的距离,针对每一个样本点,将它归到和它距离最近的聚类中心所属的类;
步骤6:重新计算每个聚类中心的位置:根据步骤5得到n个点分别对应的所属的类,对每一个类内的所有点对应的数据幅值取平均值,计算出新的聚类中心;
步骤7:重复步骤5、步骤6,直到所有的新聚类中心满足设定的终止条件;
步骤8:输出每一个新聚类中心所属的类的幅值边界和类中心值;
步骤9:将每一个新聚类中心对应的类中的数据幅值,全部更改为该类中心点幅值,并按照原始数据顺序重新生成新的绘图数据文件;
步骤10:对新的绘图数据文件成像图采用不同显示方式区别各个类别,标示出各类别的边界,其中幅值最小或最大的类即为异常体。
进一步地,执行步骤3,得到提取绘图数据文件中的幅值项数据后,如果需要确定最佳聚类数目,则对幅值项数据进行组内平方误差和计算,绘制拐点图确定最佳聚类数目。
所述的步骤1形成曲线图(散点图)、等值线图(热力图)、等值面图(形体渲染图)及相应的绘图数据文件为一维数据组、二维数据组或三维数据组。
所述的步骤3绘图数据文件中的幅值项数据,根据地球物理电磁法成像结果,包括电阻率、电导率、相位、磁导率、场强、极化率、介电常数、波速、密度、深度、厚度、距离等其中一种或多种幅值项。
所述的步骤9,或者将每一个新聚类中心所属的类中的数据幅值,全部更改成为设定的数值,确保每个新聚类中心所属的类设定数值不同即可,并按照原始数据顺序重新生成新的绘图数据文件。
所述的步骤10,对新的绘图数据文件成像图各个类别区分显示方式为色彩差异、形状差异、纹理差异或图文差异。
本发明与现有技术相比,具有以下显著技术效果:
1、本发明具有较强的通用性,可以有效处理地球物理探测中的各类电磁类方法获得的成像结果中异常体边界。
2、整个方法处理效果直观,可靠。
3、处理时间短,免除人工干预。
附图说明
图1为本发明采用钻孔瞬变电磁探测孔旁异常体观测系统示意图。
图2为本发明实施例晚期视电阻率成像图。
图3为本发明实施例组内平方误差和——拐点图。
图4为本发明实施例数据聚类结果示意图。
图5为本发明实施例异常边界识别后的电性成像图。
具体实施方式
下面结合具体实施方式和附图对本发明的具体内容作进行详细说明。
本发明的方法适用于包括瞬变电磁法、频率域电磁法、直流电法、无线电波透视法等,且不限于这几种方法所生成的基于电阻率、电导率、极化率、介电常数、相位、场强等值的一维曲线图(散点图)、二维等值线图(热力图)、三维等值面图(形体渲染图)形式的电性成像结果。
实施例:
钻孔瞬变电磁的数据处理一般采用反演成像方法,由于反演存在多解性,因此反演拟合过程中为了提高精度,往往会选择较为光滑的模型拟合实测数据,使得最终反演结果是一个电阻率连续光滑渐变的成像模型。然而,在地质体边界处的对比程度和变化情况较为模糊,很难清晰的反映地质异常体与背景值的差异,对异常体规模、形态的解释工作常常需要经验丰富的专家人为干预,也不利于生产中准确指导物探工作之后的钻探和掘进工作。
本发明以钻孔瞬变电磁方法电性成像方法为例,如图1所示的一个模型,钻孔旁侧有一个低阻异常体,异常体中心距离钻孔的深度(半径距离)为15m。
步骤1:异常体首先通过晚期视电阻率计算和视深度计算方法得到其视电阻率成像结果图,参见图2,图中可以看出,异常体为黑色低值区域,但异常体的准确边界很难划分。
其中晚期视电阻率计算方法如下:
式中,C为全空间系数,μ0为真空磁导率,S为发射线圈面积,N为发射线圈匝数,s为接收线圈面积,n为接收线圈匝数,t为采样时间,V/I为归一化感应电动势。
视深度计算方法如下:
式中
步骤2:分析图2等值线图特征,异常体表现为球状簇特征,选用K-means聚类方法。
步骤3:提取绘图文件中的晚期视电阻率值,且不改变其排列顺序。
步骤4:对取绘图文件中的晚期视电阻率值,采用组内平方误差和计算,设置最大分类数量为10,绘制拐点图来确定最佳聚类数目,参见图3。可以看出随着聚类数目增多,每一个类别中数量越来越少,距离越来越近,因此WSS值肯定是随着聚类数目增多而减少的,所以关注的是斜率的变化,当WWS减少得很缓慢时,就认为进一步增大聚类数,效果也并不能增强,存在的这个“肘点”就是最佳聚类数目,从1类到4类下降得很快,之后下降得很慢,所以最佳聚类个数选为4。
此时,在数据样本中先随机选取4个点,作为每一类的中心点。
步骤6:计算剩下n-k个样本点到每个聚类中心的距离,本发明选用欧氏距离。对于每一个样本点,将它归到和它距离最近的聚类中心所属的类。
步骤7:重新计算每个聚类中心的位置:步骤6中得到的结果是n个点都有自己所属的类,对每一个类内的所有点取平均值,计算出新的聚类中心。
步骤8:重复步骤6和7的操作,将聚类中心终止条件设定为簇中心点变化率,直到所有重新计算的聚类中心满足该设置的簇中心点变化率时结束计算。
k就是最佳聚类数目,l是聚类数,i是迭代数,n是最大迭代数,x是数据点,μ是聚类中心。
步骤9:输出每一个新聚类中心所属的类的幅值边界和类中心值;输出每一个类的晚期视电阻率边界和类中心值,本实施例中的数值如下:
第一类边界 107.6038 109.0371
第二类边界 109.0390 109.9429
第三类边界 105.1172 107.5573
第四类边界 109.9446 111.3999
四类中心 108.6678 109.4074 106.4941 110.4809。
步骤10:将同一类中的数据幅值全部更改为该类中心值输出,并按照原始数据顺序重新生成新的绘图数据文件,或者将每一个新聚类中心所属的类中的数据幅值,全部更改成为设定的数值,确保每个新聚类中心所属的类设定幅值不同即可,并按照原始数据顺序重新生成新的绘图数据文件。参见图4。
步骤11:新的绘图文件进行网格化插值,插值方法为最近邻点插值。重新绘制成像等值线图,采用不同颜色显示各个类别,标示出各类别的边界,其中幅值最小或最大的类一般为目标异常体,如图5所示。幅值最小为黑色区域,近似为一个10m×10m的正方形,异常体中心成像深度约为15m,其边界范围与模型设置基本一致。整个方法计算时间不超过1分钟,基本达到实时化水平,解决了人工识别难的问题,实现了智能化。
遵循本发明的整体技术构思,本发明的所述的步骤1形成曲线图(散点图)、等值线图(热力图)、等值面图(形体渲染图)及相应的绘图数据文件可以为一维数据组、二维数据组或三维数据组。步骤3绘图数据文件中的幅值项数据,根据地球物理电磁法成像结果不同,可以选择包括电阻率、电导率、相位、磁导率、场强、极化率、介电常数、波速、密度、深度、厚度、距离其中一种或多种幅值项。
Claims (5)
1.一种电性成像结果异常体边界智能识别方法,其特征在于:该方法包括如下步骤:
步骤1:对电磁法探测数据进行反演成像,形成曲线图、散点图、等值线图、热力图、等值面图、形体渲染图其中一种或几种及相应的绘图数据文件;
步骤2:根据成像图特征,选择聚类算法;
步骤3:提取绘图数据文件中的幅值项数据;如果需要确定最佳聚类数目,则对幅值项数据进行组内平方误差和计算,绘制拐点图确定最佳聚类数目;
步骤4:确定聚类数k后,在样本中随机选取k个点,作为每一类的中心点;
步骤5:计算剩余n-k个样本点到每个聚类中心的距离,针对每一个样本点,将它归到和它距离最近的聚类中心所属的类;
步骤6:重新计算每个聚类中心的位置:根据步骤5得到n个点分别对应的所属的类,对每一个类内的所有点对应的数据幅值取平均值,计算出新的聚类中心;
步骤7:重复步骤5、步骤6,直到所有的新聚类中心满足设定的终止条件;
步骤8:输出每一个新聚类中心所属的类的幅值边界和类中心值;
步骤9:将每一个新聚类中心所属的类中的数据幅值,全部更改为该类中心点幅值,并按照原始数据顺序重新生成新的绘图数据文件;
步骤10:对新的绘图数据文件成像图采用不同显示方式区别各个类别,标示出各类别的边界,其中幅值最小或最大的类即为目标异常体。
2.如权利要求1所述的电性成像结果异常体边界智能识别方法,其特征在于:所述的步骤1形成曲线图、散点图、等值线图、热力图、等值面图、形体渲染图及相应的绘图数据文件为一维数据组、二维数据组或三维数据组。
3.如权利要求1所述的电性成像结果异常体边界智能识别方法,其特征在于:所述的步骤3绘图数据文件中的幅值项数据,根据地球物理电磁法成像结果不同,选择包括电阻率、电导率、相位、磁导率、场强、极化率、介电常数、波速、密度、深度、厚度、距离其中一种或多种幅值项。
4.如权利要求1所述的电性成像结果异常体边界智能识别方法,其特征在于:所述的步骤9,或者将每一个新聚类中心所属的类中的数据幅值,全部更改成为设定的数值,确保每个新聚类中心所属的类设定数值不同即可,并按照原始数据顺序重新生成新的绘图数据文件。
5.如权利要求1所述的电性成像结果异常体边界智能识别方法,其特征在于:所述的步骤10,对新的绘图数据文件成像图各个类别区分显示方式为色彩差异、形状差异、纹理差异或图文差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210154804.1A CN114241229B (zh) | 2022-02-21 | 2022-02-21 | 一种电性成像结果中异常体边界智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210154804.1A CN114241229B (zh) | 2022-02-21 | 2022-02-21 | 一种电性成像结果中异常体边界智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114241229A CN114241229A (zh) | 2022-03-25 |
CN114241229B true CN114241229B (zh) | 2022-06-24 |
Family
ID=80747587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210154804.1A Active CN114241229B (zh) | 2022-02-21 | 2022-02-21 | 一种电性成像结果中异常体边界智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241229B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022203605A1 (de) | 2022-04-11 | 2023-10-12 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren für ein Detektionsgerät; Detektionsgerät |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113281812A (zh) * | 2021-05-25 | 2021-08-20 | 国能宝日希勒能源有限公司 | 一种小窖采空区瞬变电磁探测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533314A (zh) * | 2019-08-23 | 2019-12-03 | 西安交通大学 | 一种基于概率密度分布的风电场异常机组识别方法 |
CN112001409A (zh) * | 2020-07-01 | 2020-11-27 | 中国电力科学研究院有限公司 | 一种基于K-means聚类算法的配电网线损异常诊断方法和系统 |
CN112147707B (zh) * | 2020-08-06 | 2023-01-24 | 中煤科工集团西安研究院有限公司 | 钻孔瞬变电磁一维反演电性信息立体成像方法 |
CN111914942A (zh) * | 2020-08-12 | 2020-11-10 | 烟台海颐软件股份有限公司 | 一种多表合一用能异常分析方法 |
CN113112374A (zh) * | 2020-12-21 | 2021-07-13 | 中国计量大学 | 一种基于机器学习算法的空巢用户用电异常检测方法 |
-
2022
- 2022-02-21 CN CN202210154804.1A patent/CN114241229B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113281812A (zh) * | 2021-05-25 | 2021-08-20 | 国能宝日希勒能源有限公司 | 一种小窖采空区瞬变电磁探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114241229A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101950359A (zh) | 一种岩石种类的识别方法 | |
CN114241229B (zh) | 一种电性成像结果中异常体边界智能识别方法 | |
CN106777707B (zh) | 一种利用改进的蜘蛛网图进行测井岩性定量识别的方法 | |
CN108830140A (zh) | 一种基于电成像测井分形维数的火山岩岩性识别方法 | |
CN112800590B (zh) | 一种机器学习辅助的两相流油藏随机建模的网格粗化方法 | |
CN108983296A (zh) | 一种瞬变电磁和激发极化效应解耦方法 | |
CN113341467A (zh) | 基于多插值方法的矿井瞬变电磁三维显示方法 | |
CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
CN110552693A (zh) | 一种基于深度神经网络的感应测井曲线的层界面识别方法 | |
CN108376204B (zh) | 一种基于地下粗糙介质模型的电磁广义趋肤深度计算方法 | |
Taiebi et al. | Detection of reservoir fractures in imaging logs using directional filtering | |
CN105549101A (zh) | 一种瞬变电磁数据微分电导解释方法 | |
CN109707378A (zh) | 一种基于泥浆侵入特性及纵向对比的低阻油层识别方法 | |
CN114580115A (zh) | 一种盾构机刀具状态分析与诊断方法 | |
CN112906242B (zh) | 一种基于朴素贝叶斯法与邻近分类法相结合的地球物理建模方法 | |
Yang et al. | An automatic method for discontinuity recognition in coal-measure strata borehole images | |
Xu et al. | Point cloud segmentation of gully based on characteristic difference using airborne lidar data | |
Zhang et al. | A knowledge-based system controlled by an iterative quadtree splitting scheme for segmentation of seismic sections | |
CN113960694B (zh) | 一种沉积相识别方法及装置 | |
Ozkaya et al. | Region analysis of buried object based on fully automated image processing | |
CN117689900B (zh) | 基于机器学习和小波变换的纹层特征提取与识别方法 | |
CN117828379B (zh) | 基于多源数据融合的地下资源探测方法 | |
ALTIN et al. | Buried Objects Segmentation and Detection in GPR B Scan Images | |
Zhang et al. | FZC: An unsupervised method for 3D fracture representation and recognition in well logging | |
CN111158058B (zh) | 一种基于地磁记忆的金属废弃井探测方法 |
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 |