CN116662786A - 一种用于地下建筑的数字化地质分析方法 - Google Patents
一种用于地下建筑的数字化地质分析方法 Download PDFInfo
- Publication number
- CN116662786A CN116662786A CN202310858490.8A CN202310858490A CN116662786A CN 116662786 A CN116662786 A CN 116662786A CN 202310858490 A CN202310858490 A CN 202310858490A CN 116662786 A CN116662786 A CN 116662786A
- Authority
- CN
- China
- Prior art keywords
- sub
- data
- geological
- shortage
- building supply
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 239000002689 soil Substances 0.000 claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 239000011435 rock Substances 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims abstract description 5
- 244000005700 microbiome Species 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 19
- 239000000523 sample Substances 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 229910052729 chemical element Inorganic materials 0.000 claims description 5
- 230000005389 magnetism Effects 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 5
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000813 microbial effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- 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
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提出一种用于地下建筑的数字化地质分析方法,具体涉及于地质数字处理技术领域,通过获取地质探测棒插入土壤和/或触碰岩石所得到的地质源数据,所述地质源数据包括但不限于岩石类型数据、图像数据、地层分布数据、地貌数据、土壤数据、电学物理数据以及矿物学数据;将所述地质源数据导入至预设的MP模型中,并获取所述MP模型输出的期望建筑供缺表;输出所述期望建筑供缺表,所述期望建筑供缺表包括预期目标建筑所缺失地质特征,以实现微生物‑图片电数字处理模型(MP模型)对地质条件进行综合性评估,提升勘探识别精准度与速度,同时也能减少人力及专家资源的投入。
Description
技术领域
本发明涉及地质数字处理技术领域,尤其涉及一种用于地下建筑的数字化地质分析方法。
背景技术
地下建筑是指在地下或半地下的位置建造的建筑物。它们在城市规划和建筑设计中扮演着重要的角色,可以应用于不同的领域和用途;地下建筑应用广泛,包括地下停车场、地下商场、地下车站、地下仓库、地下图书馆、地下医院等。在城市规划中,地下建筑被视为城市发展的一种创新解决方案,可以为人们提供更多便利和舒适的生活空间。然而,地下建筑的建设和维护也面临一些挑战,如地质条件评估、排水、通风和安全等方面的问题需要得到妥善处理。
而针对于“地质条件评估”,是对地下建筑的地质状况进行调查和评估的过程。它是地下建筑设计和施工的重要环节,旨在确保地下结构的稳定和安全,现在的技术方案有地质勘探、遥感技术、地球物理方法等;
但这些技术也存在以下问题:
(1)技术复杂性:地质条件评估通常需要采用多种技术方案,并由专业的地质工程师进行分析和解读。这需要专业知识和先进设备的支持,可能增加成本和复杂性。
(2)不确定性:地下地质状况的评估通常存在一定的不确定性。地质条件可能在不同深度或不同位置有所变化,因此评估结果可能具有一定的风险和误差。
(3)时间和成本:地质条件评估可能需要消耗较长的时间和大量的人力、物力资源。此外,先进的地质调查和测量技术也可能增加项目的成本。
发明内容
为了解决上述问题,本发明提出一种用于地下建筑的数字化地质分析方法,通过微生物-图片电数字处理模型(MP模型)对地质条件进行综合性评估,提升勘探识别精准度与速度,同时也能减少人力及专家资源的投入。
本发明提出一种用于地下建筑的数字化地质分析方法,包括:
获取地质探测棒插入土壤和/或触碰岩石所得到的地质源数据,所述地质源数据包括但不限于岩石类型数据、图像数据、地层分布数据、地貌数据、土壤数据、电学物理数据以及矿物学数据;
将所述地质源数据导入至预设的MP模型中,并获取所述MP模型输出的期望建筑供缺表,所述MP模型处理地质源数据的步骤包括采用输入层获取地质源数据;将所述地质源数据采用线性映射区分为微生物子数据和图片子数据,并分别将微生物子数据和图片子数据分别加载至对应的第一卷积层和第二卷积层中;采用第一卷积层对微生物子数据进行预设特征提取,生成第一子特征;采用第二卷积层对图片子数据进行预设特征提取,生成第二子特征;将所述第一子特征和第二子特征进行池化,并分别将所述第一子特征和第二子特征对应的载入至第一建筑供缺子表和第二建筑供缺子表中,再将第一建筑供缺子表和第二建筑供缺子表导入至全连接层中;通过所述全连接层对第一建筑供缺子表和第二建筑供缺子表进行特征权值计算,将高于预设阈值的子特征分别从第一建筑供缺子表和/或第二建筑供缺子表中进行提取,并添加于期望建筑供缺表中;
输出所述期望建筑供缺表,所述期望建筑供缺表包括预期目标建筑所缺失地质特征。
进一步地,获取地质探测棒插入土壤和/或触碰岩石所得到的地质源数据的步骤中:
采用设置于所述地质探测棒底部的土壤识别单元,获取土壤数据和地层分布数据,其中所述土壤识别单元包括有土壤的湿度、密度、微生物和化合元素的识别模组;
采用设置于所述地质探测棒侧面的摄像单元,旋转插入土壤时获取探点外围的图像数据和地貌数据;
采用设置于所述地质探测棒底部的岩层射线单元,识别获取岩石类型数据和矿物学数据;
采用设置于所述地质探测棒底部的物理识别探头,识别获取电学物理数据,其中所述物理识别探头包括有土壤的密度、电阻率、磁性和声波速度的识别模组。
进一步地,所述采用输入层获取地质源数据的步骤,包括:
对所述地质源数据按照预设规则进行区分,所述预设规则为所述地质源数据中各个细项的获取方式;
将区分后的细项进行识别得到源数据类型,按照所述源数据类型生成对应数量的数据通路;
将各个所述数据通路分别与输入层接通,所述输入层通过各个数据通路分别获取对应的地质源数据。
进一步地,所述将所述地质源数据采用线性映射区分为微生物子数据和图片子数据,并分别将微生物子数据和图片子数据分别加载至对应的第一卷积层和第二卷积层中的步骤中,包括:
;
;
采用HNN模型中的RBF神经网络作为线性映射方式,其中,对所述地质源数据的参数矩阵C中的微生物子数据和图片子数据/>进行向量化映射,得到向量/>,作为输出的第/>条神经元的值为/>输入至第一卷积层m和第二卷积层p中,其中i与j为大于等于1的正整数。
进一步地,所述采用第一卷积层对微生物子数据进行预设特征提取,生成第一子特征;采用第二卷积层对图片子数据进行预设特征提取,生成第二子特征的步骤,包括:
;
;
;
采用网络学习算法首先对第一卷积层W与第二卷积层进行初始化,且进行初始化与线性映射后输出的值/>所对应适配,而第一卷积层W与第二卷积层/>均有t层,且神经节点分别有k层和i个,取出第一卷积层W的第一层/>与第二卷积层/>的第一层/>进行初始化后其余等比重叠复制即可;
在复制有各个层的第一卷积层W和第二卷积层上设置有可变系数/>,以使第一卷积层W和第二卷积层/>适应映射后的值/>,而值/>通过对应通道映射至对应的层中,最终形成n个第一子特征/>和第二子特征/>。
进一步地,所述将所述第一子特征和第二子特征进行池化,并分别将所述第一子特征和第二子特征对应的载入至第一建筑供缺子表和第二建筑供缺子表中,再将第一建筑供缺子表和第二建筑供缺子表导入至全连接层中的步骤,包括:
;
;
对第一子特征和第二子特征/>进行池化以分别压缩第一卷积层W和第二卷积层/>,使两个卷积层的数据量/>小于池化前数据量/>,其具体是减少卷积层的层数/>和神经网络节点/>对应的数据量;
将池化后的第一子特征和第二子特征/>输入至对应的第一建筑供缺子表/>和第二建筑供缺子表/>中,在建筑供缺子表中具有与第一子特征/>和第二子特征/>对应的向量提取要素/>,以通过所述向量提取要素/>分别向第一卷积层W和第二卷积层/>中进行层和神经网络节点的提取,即/>和/>中提取向量输入至第一建筑供缺子表/>和第二建筑供缺子表/>中,式中/>为神经K层i个的向量提取要素对应提取第一卷积核/>和第二卷积核/>。
进一步地,所述通过所述全连接层对第一建筑供缺子表和第二建筑供缺子表进行特征权值计算,将高于预设阈值的子特征分别从第一建筑供缺子表和/或第二建筑供缺子表中进行提取,并添加于期望建筑供缺表中的步骤,包括:
;
通过将所述第一建筑供缺子表和第二建筑供缺子表中/>的特征与目标建筑的刚需特征参数/>进行逐一比对;
以将第一建筑供缺子表和第二建筑供缺子表/>中高于预设阈值/>的子特征进行提取,去除所述地质源数据符合阈值的数据/>。
进一步地,所述MP模型包括LSTM、RBF神经网络、HNN子模型的混合模型。
进一步地,获取地质探测棒插入土壤和/或触碰岩石所得到的地质源数据的步骤中,包括:
采用一个或多个所述地质探测棒进行地质源数据的获取。
本发明的有益效果:
(1)检测灵敏度:通过使用地质探测棒获取地质源数据,可以更准确地捕捉到地下土壤和岩石的特征。特别是通过使用土壤识别单元、摄像单元、岩层射线单元和物理识别探头等设备,可以获取土壤数据、地层分布数据、地貌数据、岩石类型数据、矿物学数据和电学物理数据等丰富的地质信息。
(2)建筑供缺分析:通过导入地质源数据到预设的MP模型中,可以获取期望建筑供缺表,即预期目标建筑所缺失的地质特征。这可以帮助地下建筑的规划和设计,提前预测并解决可能存在的地质问题,以确保建筑的稳定性和安全性。
(3)多通道输入:通过采用输入层和线性映射方式,将地质源数据区分为微生物子数据和图片子数据,并分别加载到第一卷积层和第二卷积层中。这种多通道输入方式可以更全面地利用不同数据类型的地质信息,提高模型对地质特征的感知和建筑供缺分析的准确性。
(4)特征提取和池化:通过使用卷积神经网络对微生物子数据和图片子数据进行特征提取,可以生成第一子特征和第二子特征。然后使用池化操作对特征进行压缩和整合,从而减少数据量并提高模型的计算效率。
(5)全连接层和特征权值计算:通过全连接层将第一建筑供缺子表和第二建筑供缺子表导入,并计算特征的权值。高于预设阈值的子特征将从建筑供缺子表中提取,并添加到期望建筑供缺表中。这样可以提供对建筑所缺失地质特征的详细说明,有助于针对性地进行地质改造和工程设计。
(6)混合模型结构:该方法将LSTM、RBF神经网络和HNN子模型相结合,充分利用不同模型的优势和特点,提高地质分析的综合能力和预测准确性。
附图说明
图1为本发明的用于地下建筑的数字化地质分析方法的流程图;
本申请为目的的实现、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
为了更加清楚完整的说明本发明的技术方案,下面结合附图对本发明作进一步说明。
请参考图1,本发明提出一种用于地下建筑的数字化地质分析方法的流程示意图,包括:
S1,获取地质探测棒插入土壤和/或触碰岩石所得到的地质源数据,所述地质源数据包括但不限于岩石类型数据、图像数据、地层分布数据、地貌数据、土壤数据、电学物理数据以及矿物学数据;
S2,将所述地质源数据导入至预设的MP模型中,并获取所述MP模型输出的期望建筑供缺表;
S3,输出所述期望建筑供缺表,所述期望建筑供缺表包括预期目标建筑所缺失地质特征。
使用地质探测棒插入土壤或接触岩石,采集各种地质数据,包括但不限于岩石类型、图像、地层分布、地貌、土壤、电学物理和矿物学数据。然后将这些地质数据输入到事先设定的MP模型中,该模型会输出一个期望建筑供缺表。这个表会显示预期目标建筑所缺失的地质特征,以便规划和设计地下建筑时提前解决可能存在的地质问题,并确保建筑的稳定性和安全性。最后,输出的期望建筑供缺表可以提供对建筑所缺失地质特征的详细说明
在一个实施例中,获取地质探测棒插入土壤和/或触碰岩石所得到的地质源数据的步骤中:
采用设置于所述地质探测棒底部的土壤识别单元,获取土壤数据和地层分布数据,其中所述土壤识别单元包括有土壤的湿度、密度、微生物和化合元素的识别模组;
采用设置于所述地质探测棒侧面的摄像单元,旋转插入土壤时获取探点外围的图像数据和地貌数据;
采用设置于所述地质探测棒底部的岩层射线单元,识别获取岩石类型数据和矿物学数据;
采用设置于所述地质探测棒底部的物理识别探头,识别获取电学物理数据,其中所述物理识别探头包括有土壤的密度、电阻率、磁性和声波速度的识别模组。
土壤识别单元:设置于地质探测棒底部,用于获取土壤数据和地层分布数据。土壤识别单元包括有识别土壤湿度、密度、微生物和化合元素的模组。通过这个单元,可以获取土壤的相关特征数据,比如湿度、密度以及微生物和化合元素的信息。
摄像单元:设置于地质探测棒侧面,用于旋转插入土壤时获取探点外围的图像数据和地貌数据。通过这个单元,可以获得土壤表面和周围地貌的图像数据,有助于了解地下环境的情况。
岩层射线单元:设置于地质探测棒底部,用于识别获取岩石类型数据和矿物学数据。通过这个单元,可以识别岩层的类型以及其组成的矿物学特征。
物理识别探头:设置于地质探测棒底部,用于识别获取电学物理数据。物理识别探头包括有识别土壤密度、电阻率、磁性和声波速度的模组。通过这个单元,可以获取土壤的密度、电阻率、磁性和声波速度等电学物理特征的数据。
在一个实施例中,所述MP模型处理所述地质源数据以输出期望建筑供缺表的步骤,包括:
采用输入层获取地质源数据;
将所述地质源数据采用线性映射区分为微生物子数据和图片子数据,并分别将微生物子数据和图片子数据分别加载至对应的第一卷积层和第二卷积层中;
采用第一卷积层对微生物子数据进行预设特征提取,生成第一子特征;采用第二卷积层对图片子数据进行预设特征提取,生成第二子特征;
将所述第一子特征和第二子特征进行池化,并分别将所述第一子特征和第二子特征对应的载入至第一建筑供缺子表和第二建筑供缺子表中,再将第一建筑供缺子表和第二建筑供缺子表导入至全连接层中;
通过所述全连接层对第一建筑供缺子表和第二建筑供缺子表进行特征权值计算,将高于预设阈值的子特征分别从第一建筑供缺子表和/或第二建筑供缺子表中进行提取,并添加于期望建筑供缺表中。
进一步地,所述采用输入层获取地质源数据的步骤,包括:
对所述地质源数据按照预设规则进行区分,所述预设规则为所述地质源数据中各个细项的获取方式;
将区分后的细项进行识别得到源数据类型,按照所述源数据类型生成对应数量的数据通路;
将各个所述数据通路分别与输入层接通,所述输入层通过各个数据通路分别获取对应的地质源数据。
优选的,所述将所述地质源数据采用线性映射区分为微生物子数据和图片子数据,并分别将微生物子数据和图片子数据分别加载至对应的第一卷积层和第二卷积层中的步骤中,包括:
;
;
采用HNN模型中的RBF神经网络作为线性映射方式,其中,对所述地质源数据的参数矩阵C中的微生物子数据和图片子数据/>进行向量化映射,得到向量/>,作为输出的第/>条神经元的值/>为输入至第一卷积层m和第二卷积层p中,其中i与j为大于等于1的正整数。
优选的,所述采用第一卷积层对微生物子数据进行预设特征提取,生成第一子特征;采用第二卷积层对图片子数据进行预设特征提取,生成第二子特征的步骤,包括:
;
;
;
采用网络学习算法首先对第一卷积层W与第二卷积层进行初始化,且进行初始化与线性映射后输出的值/>所对应适配,而第一卷积层W与第二卷积层/>均有t层,且神经节点分别有k层和i个,取出第一卷积层W的第一层/>与第二卷积层/>的第一层/>进行初始化后其余等比重叠复制即可;
在复制有各个层的第一卷积层W和第二卷积层上设置有可变系数/>,以使第一卷积层W和第二卷积层/>适应映射后的值/>,而值/>通过对应通道映射至对应的层中,最终形成/>个第一子特征/>和第二子特征/>。
优选的,所述将所述第一子特征和第二子特征进行池化,并分别将所述第一子特征和第二子特征对应的载入至第一建筑供缺子表和第二建筑供缺子表中,再将第一建筑供缺子表和第二建筑供缺子表导入至全连接层中的步骤,包括:
;
;
对第一子特征和第二子特征/>进行池化以分别压缩第一卷积层/>和第二卷积层/>使两个卷积层的数据量/>小于池化前数据量/>,其具体是减少卷积层的层数/>和神经网络节点/>对应的数据量;
将池化后的第一子特征和第二子特征/>输入至对应的第一建筑供缺子表/>和第二建筑供缺子表/>中,在建筑供缺子表中具有与第一子特征/>和第二子特征/>对应的向量提取要素/>,以通过所述向量提取要素/>分别向第一卷积层W和第二卷积层/>中进行层和神经网络节点,即/>和/>中提取向量输入至第一建筑供缺子表/>和第二建筑缺子表中/>中。
优选的,所述通过所述全连接层对第一建筑供缺子表和第二建筑供缺子表进行特征权值计算,将高于预设阈值的子特征分别从第一建筑供缺子表和/或第二建筑供缺子表中进行提取,并添加于期望建筑供缺表中的步骤,包括:
;
通过将所述第一建筑供缺子表和第二建筑缺子表中/>中的特征与目标建筑的刚需特征参数/>进行逐一比对;
以将第一建筑供缺子表和第二建筑缺子表中/>中高于预设阈值/>的子特征/>进行提取,去除所述地质源数据符合阈值的数据/>。
优选的,所述MP模型包括LSTM、RBF神经网络、HNN子模型的混合模型。
优选的,获取地质探测棒插入土壤和/或触碰岩石所得到的地质源数据的步骤中,包括:
采用一个或多个所述地质探测棒进行地质源数据的获取
综上所述,通过获取地质探测棒插入土壤和/或触碰岩石所得到的地质源数据,所述地质源数据包括但不限于岩石类型数据、图像数据、地层分布数据、地貌数据、土壤数据、电学物理数据以及矿物学数据;将所述地质源数据导入至预设的MP模型中,并获取所述MP模型输出的期望建筑供缺表;输出所述期望建筑供缺表,所述期望建筑供缺表包括预期目标建筑所缺失地质特征,以实现微生物-图片电数字处理模型(MP模型)对地质条件进行综合性评估,提升勘探识别精准度与速度,同时也能减少人力及专家资源的投入。
当然,本发明还可有其它多种实施方式,基于本实施方式,本领域的普通技术人员在没有做出任何创造性劳动的前提下所获得其他实施方式,都属于本发明所保护的范围。
Claims (9)
1.一种用于地下建筑的数字化地质分析方法,其特征在于,包括:
获取地质探测棒插入土壤和/或触碰岩石所得到的地质源数据,所述地质源数据包括但不限于岩石类型数据、图像数据、地层分布数据、地貌数据、土壤数据、电学物理数据以及矿物学数据;
将所述地质源数据导入至预设的MP模型中,并获取所述MP模型输出的期望建筑供缺表,所述MP模型处理地质源数据的步骤包括采用输入层获取地质源数据;将所述地质源数据采用线性映射区分为微生物子数据和图片子数据,并分别将微生物子数据和图片子数据分别加载至对应的第一卷积层和第二卷积层中;采用第一卷积层对微生物子数据进行预设特征提取,生成第一子特征;采用第二卷积层对图片子数据进行预设特征提取,生成第二子特征;将所述第一子特征和第二子特征进行池化,并分别将所述第一子特征和第二子特征对应的载入至第一建筑供缺子表和第二建筑供缺子表中,再将第一建筑供缺子表和第二建筑供缺子表导入至全连接层中;通过所述全连接层对第一建筑供缺子表和第二建筑供缺子表进行特征权值计算,将高于预设阈值的子特征分别从第一建筑供缺子表和/或第二建筑供缺子表中进行提取,并添加于期望建筑供缺表中;
输出所述期望建筑供缺表,所述期望建筑供缺表包括预期目标建筑所缺失地质特征。
2.根据权利要求1所述的用于地下建筑的数字化地质分析方法,其特征在于,获取地质探测棒插入土壤和/或触碰岩石所得到的地质源数据的步骤中:
采用设置于所述地质探测棒底部的土壤识别单元,获取土壤数据和地层分布数据,其中所述土壤识别单元包括有土壤的湿度、密度、微生物和化合元素的识别模组;
采用设置于所述地质探测棒侧面的摄像单元,旋转插入土壤时获取探点外围的图像数据和地貌数据;
采用设置于所述地质探测棒底部的岩层射线单元,识别获取岩石类型数据和矿物学数据;
采用设置于所述地质探测棒底部的物理识别探头,识别获取电学物理数据,其中所述物理识别探头包括有土壤的密度、电阻率、磁性和声波速度的识别模组。
3.根据权利要求1所述的用于地下建筑的数字化地质分析方法,其特征在于,所述采用输入层获取地质源数据的步骤,包括:
对所述地质源数据按照预设规则进行区分,所述预设规则为所述地质源数据中各个细项的获取方式;
将区分后的细项进行识别得到源数据类型,按照所述源数据类型生成对应数量的数据通路;
将各个所述数据通路分别与输入层接通,所述输入层通过各个数据通路分别获取对应的地质源数据。
4.根据权利要求1所述的用于地下建筑的数字化地质分析方法,其特征在于,所述将所述地质源数据采用线性映射区分为微生物子数据和图片子数据,并分别将微生物子数据和图片子数据分别加载至对应的第一卷积层和第二卷积层中的步骤中,包括:
;
;
采用HNN模型中的RBF神经网络作为线性映射方式,其中,对所述地质源数据的参数矩阵C中的微生物子数据和图片子数据/>进行向量化映射,得到向量/>,作为输出的第条神经元的值/>为输入至第一卷积层m和第二卷积层p中,其中i与j为大于等于1的正整数。
5.根据权利要求4所述的用于地下建筑的数字化地质分析方法,其特征在于,所述采用第一卷积层对微生物子数据进行预设特征提取,生成第一子特征;采用第二卷积层对图片子数据进行预设特征提取,生成第二子特征的步骤,包括:
;
;
;
采用网络学习算法首先对第一卷积层W与第二卷积层进行初始化,且进行初始化与线性映射后输出的值/>所对应适配,而第一卷积层W与第二卷积层/>均有t层,且神经节点分别有k层和i个,取出第一卷积层W的第一层/>与第二卷积层/>的第一层/>进行初始化后其余等比重叠复制即可;
在复制有各个层的第一卷积层W和第二卷积层上设置有可变系数/>,以使第一卷积层W和第二卷积层/>适应映射后的值/>,而值/>通过对应通道映射至对应的层中,最终形成n个第一子特征/>和第二子特征/>。
6.根据权利要求5所述的用于地下建筑的数字化地质分析方法,其特征在于,所述将所述第一子特征和第二子特征进行池化,并分别将所述第一子特征和第二子特征对应的载入至第一建筑供缺子表和第二建筑供缺子表中,再将第一建筑供缺子表和第二建筑供缺子表导入至全连接层中的步骤,包括:
;
;
对第一子特征和第二子特征/>进行池化以分别压缩第一卷积层W和第二卷积层,使两个卷积层的数据量/>小于池化前数据量/>,其具体是减少卷积层的层数/>和神经网络节点/>对应的数据量;
将池化后的第一子特征和第二子特征/>输入至对应的第一建筑供缺子表/>和第二建筑供缺子表中/>中,在建筑供缺子表中具有与第一子特征/>和第二子特征/>对应的向量提取要素/>,以通过所述向量提取要素/>分别向第一卷积层W和第二卷积层中进行层和神经网络节点的提取,即/>和/>中提取向量输入至第一建筑供缺子表和第二建筑供缺子表中/>中,式中/>为神经K层i个的向量提取要素对应提取第一卷积核/>和第二卷积核/>。
7.根据权利要求6所述的用于地下建筑的数字化地质分析方法,其特征在于,所述通过所述全连接层对第一建筑供缺子表和第二建筑供缺子表进行特征权值计算,将高于预设阈值的子特征分别从第一建筑供缺子表和/或第二建筑供缺子表中进行提取,并添加于期望建筑供缺表中的步骤,包括:
;
通过将所述第一建筑供缺子表和第二建筑供缺子表/>中的特征与目标建筑的刚需特征参数/>进行逐一比对;
以将第一建筑供缺子表和第二建筑供缺子表/>中高于预设阈值/>的子特征/>进行提取,去除所述地质源数据符合阈值的数据/>。
8.根据权利要求1-7任一项所述的用于地下建筑的数字化地质分析方法,其特征在于,所述MP模型包括LSTM、RBF神经网络、HNN子模型的混合模型。
9.根据权利要求1-7任一项所述的用于地下建筑的数字化地质分析方法,其特征在于,获取地质探测棒插入土壤和/或触碰岩石所得到的地质源数据的步骤中,包括:
采用一个或多个所述地质探测棒进行地质源数据的获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858490.8A CN116662786A (zh) | 2023-07-13 | 2023-07-13 | 一种用于地下建筑的数字化地质分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858490.8A CN116662786A (zh) | 2023-07-13 | 2023-07-13 | 一种用于地下建筑的数字化地质分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116662786A true CN116662786A (zh) | 2023-08-29 |
Family
ID=87720826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310858490.8A Pending CN116662786A (zh) | 2023-07-13 | 2023-07-13 | 一种用于地下建筑的数字化地质分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662786A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200225177A1 (en) * | 2019-01-10 | 2020-07-16 | Halliburton Energy Services, Inc. | Method and system to analyze geologic formation properties |
CN113065664A (zh) * | 2021-02-20 | 2021-07-02 | 北京三一智造科技有限公司 | 一种地质层识别模型构建方法和地质层识别方法 |
CN114076738A (zh) * | 2021-11-22 | 2022-02-22 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
CN114282730A (zh) * | 2021-12-29 | 2022-04-05 | 天津大学 | 一种用于建筑负荷预测的数据完备性检验与特征学习方法 |
KR20220151777A (ko) * | 2021-05-07 | 2022-11-15 | 연세대학교 산학협력단 | 다중 작업 채널 어텐션을 이용한 건물 하자 분류 방법 및 장치 |
-
2023
- 2023-07-13 CN CN202310858490.8A patent/CN116662786A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200225177A1 (en) * | 2019-01-10 | 2020-07-16 | Halliburton Energy Services, Inc. | Method and system to analyze geologic formation properties |
CN113065664A (zh) * | 2021-02-20 | 2021-07-02 | 北京三一智造科技有限公司 | 一种地质层识别模型构建方法和地质层识别方法 |
KR20220151777A (ko) * | 2021-05-07 | 2022-11-15 | 연세대학교 산학협력단 | 다중 작업 채널 어텐션을 이용한 건물 하자 분류 방법 및 장치 |
CN114076738A (zh) * | 2021-11-22 | 2022-02-22 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
CN114282730A (zh) * | 2021-12-29 | 2022-04-05 | 天津大学 | 一种用于建筑负荷预测的数据完备性检验与特征学习方法 |
Non-Patent Citations (2)
Title |
---|
JONGKOOK KIM: ""Lithofacies classification integrating conventional approaches and machine learning technique"", 《JOURNAL OF NATURAL GAS SCIENCE AND ENGINEERING》, vol. 100 * |
郭小阳;吴恒;田相林;韩福利;陈书军;曹田健;: "基于优势高模型分析多源数据对立地质量评价的影响", 西北林学院学报, no. 06 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Development of subsurface geological cross-section from limited site-specific boreholes and prior geological knowledge using iterative convolution XGBoost | |
Caers | Geostatistical reservoir modelling using statistical pattern recognition | |
Jeong et al. | A learning-based data-driven forecast approach for predicting future reservoir performance | |
US8775142B2 (en) | Stochastic downscaling algorithm and applications to geological model downscaling | |
Li et al. | Groundwater flow inverse modeling in non-MultiGaussian media: performance assessment of the normal-score Ensemble Kalman Filter | |
He et al. | Assessing hydrological model predictive uncertainty using stochastically generated geological models | |
WO2015101058A1 (zh) | 平面地表环境中地下建筑的红外成像探测定位方法 | |
Cui et al. | Multiple-point geostatistical simulation based on conditional conduction probability | |
Xu et al. | Inverse sequential simulation: A new approach for the characterization of hydraulic conductivities demonstrated on a non‐G aussian field | |
CN115719036A (zh) | 基于堆叠时空记忆单元的时空过程模拟方法及系统 | |
Xiao et al. | Surrogate-assisted inversion for large-scale history matching: Comparative study between projection-based reduced-order modeling and deep neural network | |
Başokur et al. | Object-based model verification by a genetic algorithm approach: Application in archeological targets | |
Ishola et al. | Combining multiple electrode arrays for two-dimensional electrical resistivity imaging using the unsupervised classification technique | |
Sahni et al. | Generating multiple history-matched reservoir model realizations using wavelets | |
Li et al. | Updating categorical soil maps using limited survey data by Bayesian Markov chain cosimulation | |
Lin et al. | PRO‐GRADE: GIS toolkits for ground water recharge and discharge estimation | |
CN116662786A (zh) | 一种用于地下建筑的数字化地质分析方法 | |
CN116127314A (zh) | 基于自适应多尺度深度学习网络预测地下密度的方法 | |
CN115563791A (zh) | 基于压缩感知重构的大地电磁数据反演方法 | |
CN115758792A (zh) | 一种基于数字数值一体化的地质灾害评估方法及装置 | |
Zhang et al. | Stochastic simulation of geological data using isometric mapping and multiple-point geostatistics with data incorporation | |
CN113962133A (zh) | 可控源音频大地电磁法三维有限差分正演模拟方法及系统 | |
Hou et al. | Entropy-based weighting in one-dimensional multiple errors analysis of geological contacts to model geological structure | |
CN110794469B (zh) | 基于最小地质特征单元约束的重力反演方法 | |
Xu et al. | A novel deep learning-based automatic search workflow for CO2 sequestration surrogate flow models |
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 |