CN116166988A - 一种含煤地层异常构造识别分类方法 - Google Patents

一种含煤地层异常构造识别分类方法 Download PDF

Info

Publication number
CN116166988A
CN116166988A CN202310455588.9A CN202310455588A CN116166988A CN 116166988 A CN116166988 A CN 116166988A CN 202310455588 A CN202310455588 A CN 202310455588A CN 116166988 A CN116166988 A CN 116166988A
Authority
CN
China
Prior art keywords
coal
pelican
wave data
identifying
fitness function
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
CN202310455588.9A
Other languages
English (en)
Other versions
CN116166988B (zh
Inventor
高洁
伊雨
王亮
张雅婷
王子楠
杨金鑫
王以军
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202310455588.9A priority Critical patent/CN116166988B/zh
Publication of CN116166988A publication Critical patent/CN116166988A/zh
Application granted granted Critical
Publication of CN116166988B publication Critical patent/CN116166988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Computer Graphics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及一种含煤地层异常构造识别分类方法，涉及地质勘探技术领域，该方法包括：建立包含目标地质构造在内的地质构造仿真模型，并采集地质构造的仿真槽波数据；对采集的仿真槽波数据和待识别的真实槽波数据进行预处理，将预处理后的仿真槽波数据划分为训练集和测试集，并导入构建的POA‑ELM分类模型进行训练，得到训练好的POA‑ELM分类模型；将预处理后的待识别真实槽波数据作为测试集导入训练好的POA‑ELM分类模型，对真实槽波数据进行分类识别，得到分类识别结果。本发明利用鹈鹕优化算法对极限学习机进行优化，以提高分类模型的准确率和稳定性，适用于含煤地层异常构造识别分类。

Description

一种含煤地层异常构造识别分类方法
技术领域
本发明涉及地质勘探技术领域，具体涉及一种含煤地层异常构造识别分类方法。
背景技术
煤层异常构造的存在会增加煤矿事故发生的概率，因此煤系地层构造识别研究对提高煤矿开采的安全性十分重要。槽波地震勘探是一种极具发展前景的地球物理勘探方法，槽波地震数据的处理与解释是槽波地震勘探的重要一环。
目前常用的方法有层析成像、偏移成像等成像法，通过成像能够直观的确定构造的种类和位置，但是数据处理与成像过程繁杂，耗时耗力，并且成像结果多依靠人工经验解释，易出现偏差。
此外，共中心点叠加法、速度分析法也常用于处理槽波数据，但多与成像技术相结合。如何将机器学习应用到地震勘探领域，通过对槽波回波数据的采集、训练、建模，即可实现地层构造的识别分类成为目前亟需解决的问题之一。
其中，极限学习机（Extreme Learning Machine, ELM）是由Huang等人于2004年提出的一种单隐层前馈神经网络，与传统训练算法相比，ELM具有设置参数少、学习速度快、训练误差小以及泛化性能好等优势，但由于ELM的输入权值与隐层偏置是随机产生的，导致分类性能不稳定。鹈鹕优化算法（Pelican Optimization Algorithm, POA）是2022年由PavelTrojovsky和Mohammad Dehghani提出的，是一种模拟鹈鹕群体狩猎的智能优化算法，其在逼近最优解方面具有较强的挖掘能力，并且不易陷入局部最优，能够为极限学习机寻到最优的输入权值与隐层偏置。
发明内容
有鉴于此，本发明的目的在于提出一种含煤地层异常构造识别分类方法，可以对小断层、冲刷带、陷落柱等多种构造进行识别分类。本发明中，经过鹈鹕优化算法优化后的极限学习机更加适合处理数量庞大、包含信息复杂的槽波数据，可以更好的完成多种煤层构造的识别分类任务。
为实现上述目的，本发明提供了以下技术方案：
第一方面，本发明实施例提供了一种含煤地层异常构造识别分类方法，包括以下步骤：
建立包含目标地质构造在内的地质构造仿真模型，并采集目标地质构造的仿真槽波数据；
对采集的仿真槽波数据和待识别的真实槽波数据进行预处理，将预处理后的仿真槽波数据划分为训练集和测试集，并导入构建的鹈鹕优化算法-极限学习机（PelicanOptimization Algorithm-Extreme Learning Machine，POA-ELM）分类模型进行训练，得到训练好的POA-ELM分类模型；
将预处理后的待识别真实槽波数据作为测试集导入训练好的POA-ELM分类模型，对真实槽波数据进行分类识别，得到分类识别结果。
作为本发明的进一步方案，所述POA-ELM分类模型的构建方法，包括以下步骤：
以雷克子波作为发射源，采用透射波法采集槽波信号，将震源和检波器放置于地质构造仿真模型的不同工作面，采用一个震源点、若干个检波器的布置方式，所述震源发射一次信号每类构造进行采集若干组槽波数据。
作为本发明的进一步方案，所述POA-ELM分类模型的构建方法，包括以下步骤：
确定极限学习机网络结构，进行初步训练与测试，确定待优化变量个数；
确定鹈鹕种群大小，迭代次数等参数，生成初始种群，计算适应度函数
Figure SMS_1
，假设ELM分类准确率为
Figure SMS_2
，以
Figure SMS_3
作为适应度值；
在预设的迭代次数内，进行鹈鹕算法的勘探阶段和开发阶段，不断更新鹈鹕位置，并保存目前最优适应度函数值及其对应的输入权值和隐含层偏置；
达到最大迭代次数后，获得全局最优适应度函数值和ELM网络最优输入权值与隐含层偏置，至此完成对极限学习机的优化，建立POA-ELM分类模型。
作为本发明的进一步方案，确定极限学习机网络结构，进行初步训练与测试，确定待优化变量个数，包括：
根据样本数据的输入特征数与输出类别数，确定输入、输出节点数，设置隐含层节 点数及激活函数，随机生成隐层偏置和输入权值，计算输出权值个数
Figure SMS_4
，以及待 优化变量个数
Figure SMS_5
，
Figure SMS_6
、
Figure SMS_7
为输入、输出权值个数，
Figure SMS_8
、
Figure SMS_9
分别 为输出、隐含层节点数，
Figure SMS_10
为待优化变量个数。
作为本发明的进一步方案，确定鹈鹕种群大小时，鹈鹕种群初始化公式为：
Figure SMS_11
；
式中，
Figure SMS_13
为第
Figure SMS_15
个鹈鹕的第
Figure SMS_17
维位置，
Figure SMS_18
为鹈鹕的种群数量，
Figure SMS_19
为求解问题 的维度，即待优化变量的个数，
Figure SMS_20
是
Figure SMS_21
范围内的随机数，
Figure SMS_12
和
Figure SMS_14
分别为求解问 题的第
Figure SMS_16
维的上下边界。
作为本发明的进一步方案，鹈鹕种群采用种群矩阵表示为：
Figure SMS_22
;
式中，
Figure SMS_23
为鹈鹕的种群矩阵，
Figure SMS_24
为第
Figure SMS_25
个鹈鹕的位置，
Figure SMS_26
为鹈鹕的种群数量，
Figure SMS_27
为求解问题的维度。
作为本发明的进一步方案，鹈鹕的适应度函数值采用适应度函数向量表示为：
Figure SMS_28
；
式中，
Figure SMS_29
为鹈鹕种群的适应度函数向量，
Figure SMS_30
为第
Figure SMS_31
个鹈鹕的适应度函数值，或使 用
Figure SMS_32
表示。
作为本发明的进一步方案，以极限学习机分类准确率与1的差值
Figure SMS_33
作为适应 度函数值：
Figure SMS_34
。
作为本发明的进一步方案，进行鹈鹕算法的勘探阶段为逼近猎物，勘探阶段：
Figure SMS_35
；
其中，
Figure SMS_37
是基于勘探阶段更新后第
Figure SMS_38
个鹈鹕的第
Figure SMS_39
维的位置，
Figure SMS_41
是
Figure SMS_42
范围内的随机数，
Figure SMS_43
为猎物的第
Figure SMS_44
维的位置，
Figure SMS_36
为猎物的适应度函数值，
Figure SMS_40
为1或2的随 机整数；
若适应度函数值在第
Figure SMS_45
维的位置得到改善，则更新鹈鹕位置；
Figure SMS_46
；
其中，
Figure SMS_47
为第
Figure SMS_48
个鹈鹕的新位置，
Figure SMS_49
为基于勘探阶段更新后的第
Figure SMS_50
个鹈鹕 的新位置的适应度函数值。
作为本发明的进一步方案，进行鹈鹕算法的开发阶段为水面飞行，开发阶段：
Figure SMS_51
；
其中，
Figure SMS_53
为基于开发阶段更新后第
Figure SMS_54
个鹈鹕的第
Figure SMS_56
维的位置，
Figure SMS_58
是
Figure SMS_59
范围内的随机数，
Figure SMS_60
为常数0.2，
Figure SMS_61
为
Figure SMS_52
的邻域半径，
Figure SMS_55
为当前迭代次 数，
Figure SMS_57
为最大迭代次数。
作为本发明的进一步方案，在开发阶段，再一次对鹈鹕的位置进行更新：
、
Figure SMS_62
；
其中，
Figure SMS_63
为第
Figure SMS_64
个鹈鹕的新位置，
Figure SMS_65
为基于开发阶段的适应度函数值；
保存目前最优适应度函数值及对应的输入权值和隐含层偏置。
与现有技术相比，本发明提出了含煤地层异常构造识别分类方法具有以下有益技术效果：
本发明利用鹈鹕优化算法对极限学习机进行优化，以提高分类模型的准确率和稳定性。在有限的迭代次数里，找到使得极限学习机分类效果最佳的输入权值和隐层偏置，从而弥补极限学习机因随机生成输入权值和隐层偏置导致分类效果不稳定的缺点，提高分类模型性能，并将POA-ELM分类模型应用于含煤地层异常构造识别分类。
相比极限学习机、支持向量机(SVM)、BP神经网络三种机器学习方法，本发明的POA-ELM分类模型能够更准确率地识别分类煤系地层异常构造。本发明构建的POA-ELM分类模型对于含煤地层异常构造识别分类具有稳定的分类性能。在将POA-ELM分类模型应用于含煤地层异常构造识别分类研究时，POA-ELM分类模型能够以更高更稳定的准确率识别分类煤系地层异常构造，效果优于支持向量机(SVM)和BP神经网络的机器学习方法。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例。在附图中：
图1为本发明实施例中一种含煤地层异常构造识别分类方法的流程图；
图2为本发明的一种含煤地层异常构造识别分类方法中利用鹈鹕优化算法对极限学习机进行优化的示意图；
图3为根据本发明的含煤地层异常构造识别分类方法中建立模型基本结构时围岩-煤层-围岩三层结构的示意图；
图4为根据本发明的含煤地层异常构造识别分类方法中建立模型基本结构时上下盘破碎带的示意图；
图5为根据本发明实现含煤地层异常构造识别分类方法中煤层划分网格的示意图；
图6为根据本发明的实现含煤地层异常构造识别分类方法中陷落柱的模型示意图；
图7为根据本发明的实现含煤地层异常构造识别分类方法中冲刷带的模型示意图；
图8为根据本发明的实现含煤地层异常构造识别分类方法中雷克子波的示意图；
图9为根据本发明的实现含煤地层异常构造识别分类方法中x-y平面震源位置示意图；
图10为根据本发明的实现含煤地层异常构造识别分类方法中y-z平面震源位置示意图；
图11为根据本发明的实现含煤地层异常构造识别分类方法中x-y平面震源位置示意图；
图12为根据本发明的实现含煤地层异常构造识别分类方法中y-z平面检波器包含303个检波器的排列示意图；
图13为根据本发明的实现含煤地层异常构造识别分类方法中y-z平面检波器排列示意图；
图14为根据本发明的实现含煤地层异常构造识别分类方法中槽波信号样本数据图，其中(a)为小断层回波信号，(b)为冲刷带回波信号，(c)为陷落柱回波信号；
图15为根据本发明的实现含煤地层异常构造识别分类方法中数据预处理过程示意图；
图16为根据本发明的实现含煤地层异常构造识别分类方法中分类结果对比示意图；
图17为根据本发明的实现含煤地层异常构造识别分类方法中十折交叉验证结果示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面，结合附图以及具体实施方式，对本申请做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称的非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备固有的其他步骤或单元。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
由于目前常用的方法有层析成像、偏移成像等成像法，通过成像能够直观的确定构造的种类和位置，但是数据处理与成像过程繁杂，耗时耗力，并且成像结果多依靠人工经验解释，易出现偏差。此外，共中心点叠加法、速度分析法也常用于处理槽波数据，但多与成像技术相结合。因此，本发明提出一种含煤地层异常构造识别分类方法，利用鹈鹕优化算法对极限学习机进行优化，以提高分类模型的准确率和稳定性。在有限的迭代次数里，找到使得极限学习机分类效果最佳的输入权值和隐层偏置，从而弥补极限学习机因随机生成输入权值和隐层偏置导致分类效果不稳定的缺点，提高分类模型性能，并将POA-ELM分类模型应用于含煤地层异常构造识别分类。
本发明的实施例提供了一种含煤地层异常构造识别分类方法，其中该方法包括以下步骤:
建立包含目标地质构造在内的地质构造仿真模型，并采集目标地质构造的仿真槽波数据；
对采集的仿真槽波数据和待识别的真实槽波数据进行预处理，将预处理后的仿真槽波数据进行划分为训练集和测试集，并导入构建的POA-ELM分类模型进行训练，得到训练好的POA-ELM分类模型；
将预处理后的待识别真实槽波数据作为测试集导入训练好的POA-ELM分类模型，对真实槽波数据进行分类识别，得到分类识别结果。
其中，采集目标地质构造的仿真槽波数据为：
以雷克子波作为发射源，采用透射波法采集槽波信号，将震源和检波器放置于地质构造仿真模型的不同工作面，采用一个震源点、若干个检波器的布置方式，所述震源发射一次信号,对每类构造采集若干组槽波数据。
下面结合图1，本发明的一种含煤地层异常构造识别分类方法，以识别真实断层构造为例介绍基于POA-ELM的含煤地层异常构造识别分类方法，包括如下步骤：
步骤1、利用COMSOL（COMSOL Multiphysics5.5是一个有限元分析仿真软件）建立包含断层在内的几种地质构造仿真模型，以建立断层、冲刷带和陷落柱三种地质构造仿真模型为例，模型建立过程以断层模型为例。
(1)建立模型基本结构。模型外观尺寸为
Figure SMS_66
，为围岩-煤层-围 岩三层结构，上下两层均为厚度6m的围岩，中间为厚度2m的煤层，如图3所示，其中，图3中x 轴方向上的0、50、100分别表示围岩在x轴方向上的尺寸大小，单位为：米。例如：50为围岩在 x轴方向上距离0位置的长度为50米;同理，图3中y轴及z轴方向上的坐标值相同，分别表示y 轴或z轴方向上尺寸大小，单位均为米，同理，图3至图7中的数字均表示尺寸大小，在此不再 赘述。断层构造位于模型正中央，断层断距为1m，包裹断层的圆柱部分为收到破坏的岩层， 即上下盘破碎带，半径4m，高14m，如图4所示。
(2)设置模型各介质材料参数，包括压力波速度、剪切波速度及密度。具体如表1:
表1 断层模型参数
Figure SMS_67
。
(3)设置低反射边界。将模型各个边界设置为低反射边界。
(4)划分网格。模型网格选择自由四面体网格，煤层与破碎带最大网格尺寸设为0.8m、围岩最大网格尺寸设为4.8m，一般为煤层的6倍，如图5所示。
陷落柱和冲刷带模型如图6和图7所示，具体建立过程参照断层模型。
步骤2、采集断层、冲刷带和陷落柱三种地质构造的仿真槽波数据。
（1）以雷克子波作为发射源，如图8所示。雷克子波表达式为
Figure SMS_68
, 振幅
Figure SMS_69
设为10^8m，时间t设为0.005s，主频率
Figure SMS_70
设为200Hz。
（2）采用透射波法采集槽波信号。将震源和检波器放置于不同工作面，采用一个震源点、606个检波器，其布置情况如下：雷克子波震源点放置于坐标为x=0.5、y=7、z=7的点，如图9、图10所示；检波器放置于x=140m平面处，其位置如图11、图12和图13所示，表2中说明了检波器的位置坐标，其中(4,3,10)表示在y方向检波器位于从4m到10m以3m为步长取点处，图12和图13中每条线包含101个检波器，6条线共放置606个检波器。如此震源发射一次信号每类构造便可采集606组槽波数据。采集槽波数据时，COMSOL对模型进行研究计算，进而将各检波器的槽波数据导出即可，采集的槽波信号如图14所示。
表2 检波器位置坐标
Figure SMS_71
。
步骤3、对采集的槽波数据和待识别的真实槽波数据进行预处理，参见图15所示，包括小波去噪、数据z-score标准化和主成分分析法（Principal Component Analysis,PCA）对数据进行降维处理。
步骤4、将预处理后的数据进行划分，随机取70%仿真数据作为训练集，剩余30%作为测试集，将训练集和测试集数据导入POA-ELM分类模型，根据初步分类结果，对模型的迭代次数、隐含层节点数和激活函数进行调整，训练好分类模型。
步骤5、将预处理后的待识别真实槽波数据作为测试集导入训练好的POA-ELM分类模型，对真实槽波数据进行分类识别。
步骤6、分析评价识别分类结果。可通过建立混淆矩阵，计算分类准确率、精确率和召回率等进行评价，一般它们的值越接近于1，识别分类结果越准确。
步骤7、识别出为断层对应槽波数据，说明煤系地层中包含断层构造。
在本实施例中，所述POA-ELM分类模型的构建方法，包括以下步骤：
确定极限学习机网络结构，进行初步训练与测试，确定待优化变量个数；
确定鹈鹕种群大小、迭代次数，生成初始种群，计算适应度函数
Figure SMS_72
，假设 ELM分类准确率为
Figure SMS_73
，以
Figure SMS_74
作为适应度值；
在预设的迭代次数内，进行鹈鹕算法的勘探阶段和开发阶段，不断更新鹈鹕位置，并保存目前最优适应度函数值及其对应的输入权值和隐含层偏置；
达到最大迭代次数后，获得全局最优适应度函数值和ELM网络最优输入权值与隐含层偏置，至此完成对极限学习机的优化，建立POA-ELM分类模型。
本发明的含煤地层异常构造识别分类方法主要是利用鹈鹕优化算法对极限学习机进行优化，以提高分类模型的准确率和稳定性。在有限的迭代次数里，找到使得ELM分类效果最佳的输入权值和隐层偏置，从而弥补ELM因随机生成输入权值和隐层偏置导致分类效果不稳定的缺点，提高分类模型性能，并将POA-ELM应用于含煤地层异常构造识别分类，优化过程如图2，具体过程如下：
第一步，确定极限学习机网络结构，进行初步训练与测试，确定待优化变量个数。 根据样本数据的输入特征数与输出类别数，确定输入、输出节点数，设置隐含层节点数及激 活函数，随机生成隐层偏置和输入权值，计算输出权值个数
Figure SMS_75
，以及待优化变量个 数
Figure SMS_76
，
Figure SMS_77
、
Figure SMS_78
为输入、输出权值个数，
Figure SMS_79
、
Figure SMS_80
分别为输出、隐含层 节点数，
Figure SMS_81
为待优化变量个数。
第二步，确定鹈鹕种群大小，迭代次数等参数，生成初始种群，计算适应度函数
Figure SMS_82
，假设ELM分类准确率为
Figure SMS_83
，以
Figure SMS_84
作为适应度值。鹈鹕种群初始化数学描述 如下：
Figure SMS_85
；
式中
Figure SMS_86
为第
Figure SMS_87
个鹈鹕的第
Figure SMS_88
维位置，
Figure SMS_89
为鹈鹕的种群数量，
Figure SMS_90
为求解问题的 维度，即待优化变量的个数，
Figure SMS_91
是
Figure SMS_95
范围内的随机数，
Figure SMS_92
和
Figure SMS_93
分别为求解问题 的第
Figure SMS_94
维的上下边界。鹈鹕种群可用种群矩阵表示：
Figure SMS_96
;
式中
Figure SMS_97
为鹈鹕的种群矩阵，
Figure SMS_98
为第
Figure SMS_99
个鹈鹕的位置，
Figure SMS_100
为鹈鹕的种群数量，
Figure SMS_101
为求解问题的维度。鹈鹕的适应度函数值可用适应度函数向量表示为：
Figure SMS_102
；
式中，
Figure SMS_103
为鹈鹕种群的适应度函数向量，
Figure SMS_104
为第
Figure SMS_105
个鹈鹕的适应度函数值，或使 用
Figure SMS_106
表示。
本发明中以极限学习机分类准确率与1的差值
Figure SMS_107
作为适应度函数值：
Figure SMS_108
。
第三步，在预设的迭代次数内，进行鹈鹕算法的勘探阶段和开发阶段，不断更新鹈鹕位置，并保存目前最优适应度函数值及其对应的输入权值和隐含层偏置。
第一阶段为逼近猎物，勘探阶段：
Figure SMS_109
；
其中，
Figure SMS_110
是基于勘探阶段更新后第
Figure SMS_112
个鹈鹕的第
Figure SMS_113
维的位置，
Figure SMS_115
是
Figure SMS_116
范 围内的随机数，
Figure SMS_117
为猎物的第
Figure SMS_118
维的位置，
Figure SMS_111
为猎物的适应度函数值，
Figure SMS_114
为1或2的随机 整数。若适应度函数值在该位置得到改善，则更新鹈鹕位置：
Figure SMS_119
；
其中，
Figure SMS_120
为第
Figure SMS_121
个鹈鹕的新位置，
Figure SMS_122
为基于勘探阶段更新后的第
Figure SMS_123
个鹈鹕的 新位置的适应度函数值。
第二阶段为水面飞行，开发阶段：
Figure SMS_124
；
其中，
Figure SMS_126
为基于开发阶段更新后第
Figure SMS_128
个鹈鹕的第
Figure SMS_130
维的位置，
Figure SMS_131
是
Figure SMS_132
范围 内的随机数，
Figure SMS_133
为常数0.2，
Figure SMS_134
为
Figure SMS_125
的邻域半径，
Figure SMS_127
为当前迭代次数，
Figure SMS_129
为 最大迭代次数。在这一阶段，再一次对鹈鹕的位置进行更新：
Figure SMS_135
；
其中，
Figure SMS_136
为第
Figure SMS_137
个鹈鹕的新位置，
Figure SMS_138
为基于开发阶段的适应度函数值。保存目 前最优适应度函数值及其对应的输入权值和隐含层偏置。
第四步，达到最大迭代次数后，获得全局最优适应度函数值和ELM网络最优输入权值与隐含层偏置，至此完成对极限学习机的优化，建立POA-ELM分类模型。
(1)相比极限学习机、支持向量机(SVM)、BP神经网络三种机器学习方法，本发明的POA-ELM分类模型能够更准确率地识别分类煤系地层异常构造。
首先利用COMSOL建立小断层、冲刷带和陷落柱三种煤系地层构造仿真模型，以雷克子波作为发射源，采用透射波法采集槽波信号，建立槽波信号数据集，然后通过MATLAB构建鹈鹕优化算法优化的极限学习机分类模型POA-ELM。随机选取槽波信号数据集中70%的样本数据作为训练集，剩余30%个样本数据作为测试集。分别利用ELM 、支持向量机(SVM)、BP神经网络和POA-ELM四种分类模型对测试集数据进行分类，得到的分类结果如图16中仿真数据所示。
为验证POA-ELM在实际应用中的分类性能，将真实断层槽波数据作为测试集导入POA-ELM模型进行分类，并基于同样的数据集与ELM、支持向量机(SVM)和BP神经网络进行分类效果对比，分类结果如图16中含真实断层数据所示。
从图中可见，对于仿真数据四种方法的分类准确率都达到了90%以上，其中POA-ELM和SVM的准确率都达到了97%以上；对于含真实断层的数据POA-ELM的分类准确率达97.44%，高于其他三种方法。综合分析，无论是仿真槽波数据还是含真实断层槽波数据，本文提出的POA-ELM分类模型都更具优势。
(2)本发明构建的POA-ELM分类模型对于含煤地层异常构造识别分类具有稳定的分类性能。
采用十折交叉验证的方法评估POA-ELM分类模型的性能。将1818×30的样本数据集和1818×1的标签数据集打乱顺序并均匀分为10份，依次选取其中1份作为测试集，其余9份作为训练集，每份数据均作为测试集后，完成十折交叉验证。结果如图17所示，可以看出传统ELM分类准确率波动较大，而POA-ELM基本保持平稳状态，且分类准确率均保持在99%左右。
在将POA-ELM分类模型应用于含煤地层异常构造识别分类研究时，实验结果表明，POA-ELM分类模型能够以更高更稳定的准确率识别分类煤系地层异常构造，效果优于传统ELM、支持向量机(SVM)和BP神经网络的机器学习方法。
本发明实施例的第二个方面，还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该计算机程序被该处理器执行时实现上述任意一项实施例的方法。在该计算机设备中包括一个处理器以及一个存储器，并还可以包括：输入装置和输出装置。处理器、存储器、输入装置和输出装置可以通过总线或者其他方式连接，输入装置可接收输入的数字或字符信息，以及产生与含煤地层异常构造识别分类有关的信号输入。输出装置可包括显示屏等显示设备。
处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据。本实施例计算机设备的多个计算机设备的处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的含煤地层异常构造识别分类方法，包括以下步骤：
建立包含目标地质构造在内的地质构造仿真模型，并采集目标地质构造的仿真槽波数据；
对采集的仿真槽波数据和待识别的真实槽波数据进行预处理，将预处理后的仿真槽波数据进行划分为训练集和测试集，并导入构建的POA-ELM分类模型进行训练，得到训练好的POA-ELM分类模型；
将预处理后的待识别真实槽波数据作为测试集导入训练好的POA-ELM分类模型，对真实槽波数据进行分类识别，得到分类识别结果。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成。
本发明实施例的第三个方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序指令，该计算机程序指令可以被处理器执行。该计算机程序指令被执行时实现上述任意一项实施例的方法，即实现上述方法实施例的含煤地层异常构造识别分类方法，包括以下步骤：
建立包含目标地质构造在内的地质构造仿真模型，并采集目标地质构造的仿真槽波数据；
对采集的仿真槽波数据和待识别的真实槽波数据进行预处理，将预处理后的仿真槽波数据进行划分为训练集和测试集，并导入构建的POA-ELM分类模型进行训练，得到训练好的POA-ELM分类模型；
将预处理后的待识别真实槽波数据作为测试集导入训练好的POA-ELM分类模型，对真实槽波数据进行分类识别，得到分类识别结果。
以上是本发明公开的示例性实施例，但是应当注意，在不背离本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种含煤地层异常构造识别分类方法，其特征在于，包括如下步骤：
建立包含目标地质构造在内的地质构造仿真模型，并采集目标地质构造的仿真槽波数据；
对采集的仿真槽波数据和待识别的真实槽波数据进行预处理，将预处理后的仿真槽波数据进行划分为训练集和测试集，并导入构建的POA-ELM分类模型进行训练，得到训练好的POA-ELM分类模型；
将预处理后的待识别真实槽波数据作为测试集导入训练好的POA-ELM分类模型，对真实槽波数据进行分类识别，得到分类识别结果。
2.根据权利要求1所述的含煤地层异常构造识别分类方法，其特征在于，采集目标地质构造的仿真槽波数据为：
以雷克子波作为发射源，采用透射波法采集槽波信号，将震源和检波器放置于地质构造仿真模型的不同工作面，采用一个震源点、若干个检波器的布置方式，所述震源发射一次信号每类构造进行采集若干组槽波数据。
3.根据权利要求2所述的含煤地层异常构造识别分类方法，其特征在于，所述POA-ELM分类模型的构建方法，包括以下步骤：
确定极限学习机网络结构，进行初步训练与测试，确定待优化变量个数；
确定鹈鹕种群大小、迭代次数，生成初始种群，计算适应度函数
Figure QLYQS_1
，假设ELM分 类准确率为
Figure QLYQS_2
，以
Figure QLYQS_3
作为适应度值；
在预设的迭代次数内，进行鹈鹕算法的勘探阶段和开发阶段，不断更新鹈鹕位置，并保存目前最优适应度函数值及其对应的输入权值和隐含层偏置；
达到最大迭代次数后，获得全局最优适应度函数值和ELM网络最优输入权值与隐含层偏置，至此完成对极限学习机的优化，建立POA-ELM分类模型。
4.根据权利要求3所述的含煤地层异常构造识别分类方法，其特征在于，确定极限学习机网络结构，进行初步训练与测试，确定待优化变量个数，包括：
根据样本数据的输入特征数与输出类别数，确定输入、输出节点数，设置隐含层节点数 及激活函数，随机生成隐层偏置和输入权值，计算输出权值个数
Figure QLYQS_4
，以及待优化 变量个数
Figure QLYQS_5
，
Figure QLYQS_6
、
Figure QLYQS_7
为输入、输出权值个数，
Figure QLYQS_8
、
Figure QLYQS_9
分别为输 出、隐含层节点数，
Figure QLYQS_10
为待优化变量个数。
5.根据权利要求4所述的含煤地层异常构造识别分类方法，其特征在于，确定鹈鹕种群大小时，鹈鹕种群初始化公式为：
Figure QLYQS_11
；
式中，
Figure QLYQS_12
为第i个鹈鹕的第j维位置，
Figure QLYQS_14
为鹈鹕的种群数量，
Figure QLYQS_15
为求解问题的维度， 即待优化变量的个数，
Figure QLYQS_16
是
Figure QLYQS_17
范围内的随机数，
Figure QLYQS_18
和
Figure QLYQS_19
分别为求解问题的第
Figure QLYQS_13
维的上下边界。
6.根据权利要求5所述的含煤地层异常构造识别分类方法，其特征在于，鹈鹕种群采用种群矩阵表示为：
Figure QLYQS_20
；
式中，
Figure QLYQS_21
为鹈鹕的种群矩阵，
Figure QLYQS_22
为第
Figure QLYQS_23
个鹈鹕的位置，
Figure QLYQS_24
为鹈鹕的种群数量，
Figure QLYQS_25
为 求解问题的维度。
7.根据权利要求6所述的含煤地层异常构造识别分类方法，其特征在于，鹈鹕的适应度函数值采用适应度函数向量表示为：
Figure QLYQS_26
;
式中，
Figure QLYQS_27
为鹈鹕种群的适应度函数向量，
Figure QLYQS_28
为第
Figure QLYQS_29
个鹈鹕的适应度函数值,或使用
Figure QLYQS_30
表示。
8.根据权利要求7所述的含煤地层异常构造识别分类方法，其特征在于，以极限学习机 分类准确率与1的差值
Figure QLYQS_31
作为适应度函数值：
Figure QLYQS_32
。
9.根据权利要求8所述的含煤地层异常构造识别分类方法，其特征在于，进行鹈鹕算法的勘探阶段为逼近猎物，勘探阶段：
Figure QLYQS_33
;
其中，
Figure QLYQS_35
是基于勘探阶段更新后第
Figure QLYQS_36
个鹈鹕的第
Figure QLYQS_37
维的位置，
Figure QLYQS_39
是
Figure QLYQS_40
范围 内的随机数，
Figure QLYQS_41
为猎物的第
Figure QLYQS_42
维的位置，
Figure QLYQS_34
为猎物的适应度函数值，
Figure QLYQS_38
为1或2的随机整 数；
若适应度函数值在第
Figure QLYQS_43
维的位置得到改善，则更新鹈鹕位置:
Figure QLYQS_44
；
其中，
Figure QLYQS_45
为第
Figure QLYQS_46
个鹈鹕的新位置，
Figure QLYQS_47
为基于勘探阶段更新后的第
Figure QLYQS_48
个鹈鹕的新 位置的适应度函数值。
10.根据权利要求9所述的含煤地层异常构造识别分类方法，其特征在于，进行鹈鹕算法的开发阶段为水面飞行，开发阶段：
Figure QLYQS_49
；
其中，
Figure QLYQS_50
为基于开发阶段更新后第
Figure QLYQS_52
个鹈鹕的第
Figure QLYQS_54
维的位置，
Figure QLYQS_55
是
Figure QLYQS_56
范围 内的随机数，
Figure QLYQS_57
为常数0.2，
Figure QLYQS_59
为
Figure QLYQS_51
的邻域半径，
Figure QLYQS_53
为当前迭代次数，
Figure QLYQS_58
为最大迭代次数；
在开发阶段，再一次对鹈鹕的位置进行更新：
Figure QLYQS_60
；
其中，
Figure QLYQS_61
为第
Figure QLYQS_62
个鹈鹕的新位置，
Figure QLYQS_63
为基于开发阶段的适应度函数值；
保存目前最优适应度函数值及对应的输入权值和隐含层偏置。
CN202310455588.9A 2023-04-25 2023-04-25 一种含煤地层异常构造识别分类方法 Active CN116166988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310455588.9A CN116166988B (zh) 2023-04-25 2023-04-25 一种含煤地层异常构造识别分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310455588.9A CN116166988B (zh) 2023-04-25 2023-04-25 一种含煤地层异常构造识别分类方法

Publications (2)

Publication Number Publication Date
CN116166988A true CN116166988A (zh) 2023-05-26
CN116166988B CN116166988B (zh) 2024-02-02

Family

ID=86418653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310455588.9A Active CN116166988B (zh) 2023-04-25 2023-04-25 一种含煤地层异常构造识别分类方法

Country Status (1)

Country Link
CN (1) CN116166988B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0250986A2 (en) * 1986-06-16 1988-01-07 Stolar, Inc. Method for constructing vertical images of anomalies in geological formations
CN112346120A (zh) * 2020-11-02 2021-02-09 中国科学院地理科学与资源研究所 一种槽波频散曲线的变异度计算方法及异常体的识别方法
CN115186729A (zh) * 2022-05-30 2022-10-14 西安石油大学 一种基于布谷鸟算法优化弹性bp神经网络的地层识别分类方法
CN115908917A (zh) * 2022-11-18 2023-04-04 东北大学 一种基于煤炭光谱数据的煤炭种类识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0250986A2 (en) * 1986-06-16 1988-01-07 Stolar, Inc. Method for constructing vertical images of anomalies in geological formations
CN112346120A (zh) * 2020-11-02 2021-02-09 中国科学院地理科学与资源研究所 一种槽波频散曲线的变异度计算方法及异常体的识别方法
CN115186729A (zh) * 2022-05-30 2022-10-14 西安石油大学 一种基于布谷鸟算法优化弹性bp神经网络的地层识别分类方法
CN115908917A (zh) * 2022-11-18 2023-04-04 东北大学 一种基于煤炭光谱数据的煤炭种类识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DANJIE SHENG ET AL: "Rock mass quality classification based on deep learning: A feasibility study for stacked autoencoders", 《 JOURNAL OF ROCK MECHANICS AND GEOTECHNICAL ENGINEERING》, pages 1 - 10 *
巨媛媛: "基于深度学习的槽波地质构造识别研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》, vol. 2021, no. 06, pages 3 *

Also Published As

Publication number Publication date
CN116166988B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
US11668853B2 (en) Petrophysical inversion with machine learning-based geologic priors
US11704748B2 (en) System and method for automatically correlating geologic tops
RU2594372C1 (ru) Распространяющиеся обновления плоскости разрыва
US9494711B2 (en) Adaptive weighting of geophysical data types in joint inversion
CN102176052B (zh) 一种面向三维层面网格生成的层序分析方法
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和系统
US20220178228A1 (en) Systems and methods for determining grid cell count for reservoir simulation
CN116774292B (zh) 一种地震波走时确定方法、系统、电子设备及存储介质
US9581707B2 (en) System for automated identification of surfaces for building of geologic hydrodynamic model of oil and gas deposit by seismic data
CN115983505A (zh) 一种固体矿产三维立体成矿预测方法及装置
Liang et al. Uncertainty quantification of geologic model parameters in 3D gravity inversion by Hessian-informed Markov chain Monte Carlo
CA2807026A1 (en) Feature detection in seismic volumes
CN116166988B (zh) 一种含煤地层异常构造识别分类方法
CN115130529A (zh) 一种叠前地震反演方法和装置
CN104111476B (zh) 构建地层速度场的方法及装置
US20230141334A1 (en) Systems and methods of modeling geological facies for well development
CN105893674B (zh) 采用全局协方差进行地质属性预测的方法
CN115880455A (zh) 基于深度学习的三维智能插值方法
CN106405638A (zh) 一种含气饱和度确定方法和装置
CN111815769A (zh) 逆冲推覆构造带构造的建模方法、计算设备及存储介质
RU2815465C1 (ru) Система полудетерминированного моделирования трещиноватости на основе беспорядочной матрицы
CN112346117A (zh) 一种基于地震属性融合的储层特征预测方法和装置
CN118096703A (zh) 一种基于重磁电三维模型的找矿靶区优选方法及相关装置
Kikuchi Reduction in the Geometric Complexity of the Ground Observed Before the 2011 Mw 9 East Japan Earthquake through Data Mining Assisted by Cellular Automata.
WO2023076211A1 (en) Field equipment data system

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