CN117805932B - 基于煤矿勘探数据的煤层确定方法 - Google Patents
基于煤矿勘探数据的煤层确定方法 Download PDFInfo
- Publication number
- CN117805932B CN117805932B CN202410231942.4A CN202410231942A CN117805932B CN 117805932 B CN117805932 B CN 117805932B CN 202410231942 A CN202410231942 A CN 202410231942A CN 117805932 B CN117805932 B CN 117805932B
- Authority
- CN
- China
- Prior art keywords
- data
- exploration
- exploration data
- target
- local
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 96
- 238000012937 correction Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000005764 inhibitory process Effects 0.000 claims description 36
- 230000005856 abnormality Effects 0.000 claims description 25
- 230000001629 suppression Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于煤矿勘探数据的煤层确定方法,包括:采集煤矿勘探煤层中的勘探数据,分别对每个勘探数据进行异常检测得到异常得分;根据每个测井与其他测井在相同深度下的勘探数据的局部范围内的数据分布之间的差异情况以及在对应勘探数据的局部范围内的数据波动情况得关联程度;根据每个测井在每个深度下的勘探数据的异常得分以及对应勘探数据的局部范围内勘探数据的异常得分的整体分布得到受抑制程度;根据所述受抑制程度和所述关联程度,对所述异常得分进行修正,得到每个勘探数据的修正得分;根据所述修正得分获得煤矿勘探结果。本发明获得的煤层确定结果更加准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于煤矿勘探数据的煤层确定方法。
背景技术
煤矿勘探是矿业领域至关重要的环节,直接关系到煤矿储量估算、煤矿开发规划等关键决策。传统的煤层确定方法主要依赖于地球物理勘探技术,如视电阻率、自然放射性等。异常检测可帮助确定煤矿勘探地下结构中存在的异常的勘探数据,这些异常可能与潜在的煤层相关。通过分析异常的勘探数据,可以更准确地确定煤层的位置。因此,对煤矿勘探数据进行异常检测对于煤层确定具有重要意义。现有常使用孤立森林算法分别获取每个勘探数据的异常得分,但是在面对勘探数据特征的响应较小或者多个煤层数据较为相近时,仅针对单个勘探数据进行异常分析导致本身存在异常的数据得分较小,从而产生误识别的情况,进而使得无法准确确定煤层。
发明内容
为了解决现有异常检测结果存在误识别的情况,进而使得煤层的确定结果较不准确的技术问题,本发明的目的在于提供一种基于煤矿勘探数据的煤层确定方法,所采用的技术方案具体如下:
采集煤矿勘探煤层中每个测井在不同深度下预设时间段内不同时刻的勘探数据,分别对每个测井在每个深度下的勘探数据进行异常检测得到每个所述勘探数据的异常得分;
根据每个测井与其他测井在相同深度下的勘探数据的局部范围内的数据分布之间的差异情况以及在对应勘探数据的局部范围内的数据波动情况,得到每个测井与其他测井在相同深度下勘探数据的关联程度;
根据每个测井在每个深度下的勘探数据的异常得分以及对应勘探数据的局部范围内勘探数据的异常得分的整体分布,得到每个测井在每个深度下的勘探数据的受抑制程度;
根据每个测井在每个深度下的勘探数据的受抑制程度和所述关联程度,对所述异常得分进行修正,得到每个勘探数据的修正得分;根据所述修正得分获得煤矿勘探结果。
优选地,所述根据每个测井与其他测井在相同深度下的勘探数据的局部范围内的数据分布之间的差异情况以及在对应勘探数据的局部范围内的数据波动情况,得到每个测井与其他测井在相同深度下勘探数据的关联程度,具体包括:
将任意一个测井记为目标测井,将任意一个深度记为目标深度,将目标测井在目标深度下的任意一个时刻的勘探数据记为目标勘探数据;获取以目标勘探数据为中心,预设长度的窗口内所有勘探数据构成目标勘探数据的局部数据段;
将除目标测井外的其他任意一个测井记为参考测井,将参考测井在目标深度下与目标勘探数据相同时刻下的勘探数据记为参考勘探数据;
根据目标勘探数据的局部数据段中勘探数据的分布情况以及参考勘探数据的局部数据段中勘探数据的分布情况,得到目标勘探数据和参考勘探数据之间的局部相似度;
根据目标勘探数据的局部数据段中每个勘探数据与目标勘探数据之间的差异、参考勘探数据的局部数据段中每个勘探数据与参考勘探数据之间的差异、以及所述局部相似度,得到目标勘探数据和参考勘探数据之间的关联程度。
优选地,所述目标勘探数据和参考勘探数据之间的局部相似度的获取方法具体为:
获取目标勘探数据与目标勘探数据的局部数据段中勘探数据的最大值之间的差异记为目标勘探数据的绝对数据差距;获取参考勘探数据与参考勘探数据的局部数据段中勘探数据的最大值之间的差异记为参考勘探数据的绝对数据差距;
将归一化的目标勘探数据与目标勘探数据的绝对数据差距之间的乘积作为第一系数,将归一化的参考勘探数据与参考勘探数据的绝对数据差距之间的乘积作为第二系数;根据所述第一系数和第二系数得到目标勘探数据和参考勘探数据之间的局部相似度;所述第一系数和第二系数均与所述局部相似度之间呈正相关关系。
优选地,所述目标勘探数据和参考勘探数据之间的关联程度的获取方法具体为:
;
其中,表示第i个测井与第k个测井在第d个深度下的第t个时刻的勘探数据的之间的关联程度,也表示目标勘探数据和参考勘探数据之间的关联程度;/>表示目标勘探数据的局部数据段中第r个勘探数据与参考勘探数据的局部数据段中第r个勘探数据之间的局部相似度,/>表示局部数据段中包含的数据数量,/>表示目标勘探数据的局部数据段中第r个勘探数据与目标勘探数据的局部数据段中所有勘探数据的均值之间的差值;/>表示参考勘探数据的局部数据段中第r个勘探数据与参考勘探数据的局部数据段中所有勘探数据的均值之间的差值;/>表示目标勘探数据的局部数据段中所有勘探数据的标准差,/>表示参考勘探数据的局部数据段中所有勘探数据的标准差,Norm( )表示线性归一化函数,exp( )表示以自然常数e为底的指数函数。
优选地,所述根据每个测井在每个深度下的勘探数据的异常得分以及对应勘探数据的局部范围内勘探数据的异常得分的整体分布,得到每个测井在每个深度下的勘探数据的受抑制程度,具体包括:
根据目标勘探数据的局部数据段中勘探数据的异常得分的最大值和目标勘探数据的异常得分、目标勘探数据的局部数据段中勘探数据的波动情况,得到目标勘探数据的抑制系数;
根据所述抑制系数、目标勘探数据的局部数据段中异常得分的最大值对应的勘探数据与目标勘探数据之间的距离、以及目标勘探数据的局部数据段中勘探数据的波动情况,得到目标勘探数据的受抑制程度。
优选地,所述目标勘探数据的抑制系数的获取方法具体为:
计算目标勘探数据的局部数据段中所有勘探数据的峭度,计算目标勘探数据的局部数据段中除目标勘探数据之外的异常得分的最大值与目标勘探数据的异常得分之间的差值,将该差值与所述峭度的比值,作为第一特征系数;
计算目标勘探数据的局部数据段中所有勘探数据的异常得分的均值,将目标勘探数据的异常得分与所述异常得分的均值之间的比值作为第二特征系数;
将第一特征系数和第二特征系数之间的乘积作为目标勘探数据的异常表现程度;
当所述异常表现程度小于或等于预设的程度阈值时,将目标勘探数据的抑制系数设置为第一预设数值;
当所述异常表现程度大于预设的程度阈值时,将所述异常表现程度作为目标勘探数据的抑制系数,第一预设数值小于此时的异常表现程度。
优选地,所述目标勘探数据的受抑制程度的获取方法具体为:
获取目标勘探数据的局部数据段中除目标勘探数据之外异常得分的最大值对应的勘探数据与目标勘探数据之间的时间间隔的倒数作为第三特征系数;
根据抑制系数、第一特征系数、第二特征系数和第三特征系数得到目标勘探数据的受抑制程度,所述抑制系数、第一特征系数、第二特征系数和第三特征系数均与所述受抑制程度呈正相关关系。
优选地,所述根据每个测井在每个深度下的勘探数据的受抑制程度和所述关联程度,对所述异常得分进行修正,得到每个勘探数据的修正得分,具体包括:
将任意一个测井在任意一个深度下任意一个时刻的勘探数据记为选定测井在选定深度下选定时刻的勘探数据,计算选定测井与选定测井周围设定数量个测井在选定深度下选定时刻的勘探数据之间关联程度的均值;
计算选定测井在选定深度下选定时刻的勘探数据的异常得分和受抑制程度、所述关联程度的均值之间的乘积的归一化值,得到选定测井在选定深度下选定时刻的勘探数据的修正得分。
优选地,所述分别对每个测井在每个深度下的勘探数据进行异常检测得到每个所述勘探数据的异常得分,具体包括:
利用孤立森林算法分别对每个测井在每个深度下的勘探数据进行异常检测得到每个勘探数据的异常得分。
优选地,所述根据所述修正得分获得煤矿勘探结果,具体包括:
将修正得分大于或等于预设的异常阈值对应的勘探数据作为异常数据,基于异常数据获得煤矿勘探结果。
本发明实施例至少具有如下有益效果:
本发明首先采集煤矿勘探过程中的勘探数据,并初步进行异常检测获得异常得分,为了后续进行异常特征分析提供数据基础。然后,对每个测井与其他测井在相同深度下的勘探数据的局部数据分布情况进行分析,获得的每个测井与其他测井在相同深度下勘探数据的关联程度能够表征测井与其他测井对应的勘探数据变化趋势方面的相似性情况,考虑到煤矿分布的复杂性,不同测井之间的数据存在关联的可能性。进一步的,对每个测井下的勘探数据的异常得分在局部范围内的分布情况进行分析,获得的受抑制程度能够反映勘探数据的异常特征表现程度,以及受到周围其他勘探数据的影响情况。最后,结合两个方面的数据特征,横向分析每个勘探数据的局部范围内的异常特征分布情况,纵向分析每个测井与其他测井在相同深度下对应勘探数据之间的相似情况,使得修正处理后的修正得分更能准确的反映数据异常情况,最终能够获得更加准确的异常检测结果,使得煤层的确定结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,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它附图。
图1是本发明实施例提供的一种基于煤矿勘探数据的煤层确定方法的步骤流程图;
图2是本发明实施例中勘探数据的局部分布示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于煤矿勘探数据的煤层确定方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于煤矿勘探数据的煤层确定方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于煤矿勘探数据的煤层确定方法的步骤流程图,该方法包括以下步骤:
步骤一,采集煤矿勘探煤层中每个测井在不同深度下预设时间段内不同时刻的勘探数据,分别对每个测井在每个深度下的勘探数据进行异常检测得到每个所述勘探数据的异常得分。
在对煤矿进行勘探时,在不同测井处采集到的数据不同,同样在不同深度采集到的数据可能也不同,在对煤矿的煤层进行勘探时,需要分析不同深度下数据特征情况,即采集每个测井在不同深度下预设时间段内不同时刻的勘探数据,其中,勘探数据包括视电阻率、自然放射性、人工放射性等参数,在本实施例中,以电阻率为例进行说明。
在每一个测井下每个深度下均采集一组时序勘探数据,在本实施例中,设置采集到的每组勘探数据的数量为256,即每个勘探数据均对应了一个时刻,实施者可根据具体实施场景进行设置。
需要说明的是,一般情况下是根据矿产资源条件、矿山建设规模、矿山服务年限、开采开拓方式和矿山投资收益等,确定矿床的勘查深度。当前,一般矿床的勘查深度,以500-1000米为宜。
孤立森林异常监测算法是一种基于无监督学习的异常检测方法。它通过构建随机的二叉树来分割数据集,进而判断样本点的异常程度。该算法通过测量样本点在树中的深度或路径长度,来评估其离群程度。
在本实施例中,采用孤立森林算法分别对每个测井在每个深度下的勘探数据进行异常检测得到每个所述勘探数据的异常得分。将孤立森林算法中的树的总数量设置为100,使用所有叶子结点的平均深度作为孤立森林树的最大深度,进而可以获得每个勘探数据的异常得分。
步骤二,根据每个测井与其他测井在相同深度下的勘探数据的局部范围内的数据分布之间的差异情况以及在对应勘探数据的局部范围内的数据波动情况,得到每个测井与其他测井在相同深度下勘探数据的关联程度。
在煤矿的勘探数据中,在某一个深度下的勘探数据的异常得分越高,说明在这个深度下勘探数据越容易被检测出存在异常情况,说明勘探数据的表现越离群,相关工作人员通过对异常数据进行分析,在该深度下越可能发现煤层分布情况。但是可能存在多个煤层位置分布较为相近,或者煤层对于勘探数据的响应较小时,对应的勘探数据越小,表现出的数据特征越小,进而导致异常得分偏低,可能会使得本身存在异常的勘探数据出现漏识别的情况。
如图2所示,为本发明实施例中勘探数据的局部分布示意图,特征点1为孤立森林算法正常识别的异常数据点,而特征点2与特征点1较为接近,受到了特征点1的数据分布的影响,导致特征点2的特征表现不明显,造成了最终漏识别的情况。
考虑到煤矿分布的复杂性,在对每个测井处采集到的勘探数据进行分析时,还需要考虑测井周围其他测井的相同指标数据表现情况。如果相同指标数据的表现情况越相似,说明在相同的深度下,其他地点也检测到了具有相同变化的数据响应结果。
基于此,横向分析每个勘探数据的局部范围内的数据分布情况,纵向分析每个测井与其他测井在相同深度下对应时刻的勘探数据之间的相似情况,分析是否存在具有影响的其他勘探数据。即根据每个测井与其他测井在相同深度下的勘探数据的局部范围内的数据分布之间的差异情况以及在对应勘探数据的局部范围内的数据波动情况,得到每个测井与其他测井在相同深度下勘探数据的关联程度。
具体地,将任意一个测井记为目标测井,将任意一个深度记为目标深度,将目标测井在目标深度下的任意一个时刻的勘探数据记为目标勘探数据;获取以目标勘探数据为中心,预设长度的窗口内所有勘探数据构成目标勘探数据的局部数据段。在本实施例中,预设长度的取值为21,也即是每个局部数据段中包括21个勘探数据。每个勘探数据的局部数据段表征了每个勘探数据的局部数据范围。
将除目标测井外的其他任意一个测井记为参考测井,将参考测井在目标深度下与目标勘探数据相同时刻下的勘探数据记为参考勘探数据;根据目标勘探数据的局部数据段中勘探数据的分布情况以及参考勘探数据的局部数据段中勘探数据的分布情况,得到目标勘探数据和参考勘探数据之间的局部相似度。
具体地,获取目标勘探数据与目标勘探数据的局部数据段中勘探数据的最大值之间的差异记为目标勘探数据的绝对数据差距;获取参考勘探数据与参考勘探数据的局部数据段中勘探数据的最大值之间的差异记为参考勘探数据的绝对数据差距;将归一化的目标勘探数据与目标勘探数据的绝对数据差距之间的乘积作为第一系数,将归一化的参考勘探数据与参考勘探数据的绝对数据差距之间的乘积作为第二系数;根据所述第一系数和第二系数得到目标勘探数据和参考勘探数据之间的局部相似度;所述第一系数和第二系数均与所述局部相似度之间呈正相关关系。
在本实施例中,将第i个测井作为目标测井,将第k个测井作为参考测井,将第d个深度作为目标深度,将目标测井在目标深度下的第t个时刻的勘探数据作为目标勘探数据,则第k个测井在第d个深度下的第t个时刻的勘探数据为参考勘探数据,则目标勘探数据和参考勘探数据之间的局部相似度的计算公式可以表示为:
;
其中,表示目标勘探数据和参考勘探数据之间的局部相似度,i表示第i个测井,k表示第k个测井,d表示第d个深度,t表示第t个时刻,/>表示第i个测井在第d个深度下的第t个时刻的勘探数据,也即是目标勘探数据;/>表示第i个测井在第d个深度下的第t个时刻的勘探数据的绝对数据差距,/>表示目标勘探数据的局部数据段中勘探数据的最大值;/>表示第k个测井在第d个深度下的第t个时刻的勘探数据,也即是参考勘探数据,/>表示第k个测井在第d个深度下的第t个时刻的勘探数据的绝对数据差距,/>表示参考勘探数据的局部数据段中勘探数据的最大值。
目标勘探数据的绝对数据差距反映了目标勘探数据与局部数据范围内最大值之间的差异情况,该差异越大,说明目标勘探数据与局部最大值之间的数据距离越远,受局部最大值的影响越小,对于局部相似度计算的权重越大,反映了目标勘探数据的局部占比情况其取值越大,说明数据表现越突出,越能表现局部的特征,利用权重对数据进行加权,进而对应的第一系数/>的取值越大。
同理,参考勘探数据的绝对数据差距反映了参考勘探数据与局部数据范围内最大值之间的差异情况,该差异越大,说明参考勘探数据与局部最大值之间的数据距离越远,受局部最大值的影响越小,对于局部相似度计算的权重越大,反映了参考勘探数据的局部占比情况其取值越大,说明数据表现越突出,越能表现局部的特征,利用权重对数据进行加权,进而对应的第二系数/>的取值越大。局部相似度反映了两个勘探数据在局部数据范围内的关联情况。
进一步的,根据目标勘探数据的局部数据段中每个勘探数据与目标勘探数据之间的差异、参考勘探数据的局部数据段中每个勘探数据与参考勘探数据之间的差异、以及所述局部相似度,得到目标勘探数据和参考勘探数据之间的关联程度。
具体地,目标勘探数据和参考勘探数据之间的关联程度的计算公式可以表示为:
;
其中,表示第i个测井与第k个测井在第d个深度下的第t个时刻的勘探数据的之间的关联程度,也表示目标勘探数据和参考勘探数据之间的关联程度;/>表示目标勘探数据的局部数据段中第r个勘探数据与参考勘探数据的局部数据段中第r个勘探数据之间的局部相似度,/>表示局部数据段中包含的数据数量,/>表示目标勘探数据的局部数据段中第r个勘探数据与目标勘探数据的局部数据段中所有勘探数据的均值之间的差值;/>表示参考勘探数据的局部数据段中第r个勘探数据与参考勘探数据的局部数据段中所有勘探数据的均值之间的差值;/>表示目标勘探数据的局部数据段中所有勘探数据的标准差,/>表示参考勘探数据的局部数据段中所有勘探数据的标准差,Norm( )表示线性归一化函数,exp( )表示以自然常数e为底的指数函数。
和/>均反映了勘探数据的局部数据范围内勘探数据与局部数据整体之间的差异,反映了勘探数据在局部的变化趋势,利用局部相似度作为联系两个不同测井中勘探数据之间的权重,权重越大,变化趋势之间的差异情况/>越大,对应的关联程度越小。
和/>均反映了勘探数据在局部数据范围内的波动情况,反映了两个不同测井下对应勘探数据的局部波动情况之间的差异,该差异越大,说明两个测井下的勘探数据的变化趋势越不相似,对应的关联程度的取值越小。
目标勘探数据与参考勘探数据的关联程度反映了两个不同的测井在相同深度下对应时刻勘探数据之间在变化趋势以及数据响应方面的相似情况。
步骤三,根据每个测井在每个深度下的勘探数据的异常得分以及对应勘探数据的局部范围内勘探数据的异常得分的整体分布,得到每个测井在每个深度下的勘探数据的受抑制程度。
当不同的煤层较为相近时,勘探数据中表现较为突出的勘探数据可能会基于数据分布影响其他煤层勘探数据的最终异常表现情况,从而导致其他煤层的勘探数据的异常特征表现被抑制,使得最终的异常得分偏低。因此,对每个勘探数据进行异常分析时,还需要考虑周围其他勘探数据对每个勘探数据的影响,当每个勘探数据的局部数据范围内其他勘探数据的异常得分越高,数据的峭度越小,对应的该勘探数据对周围其他数据的影响越大,进而对其他数据受该点的抑制程度越大,同时,结合每个勘探数据自身的异常特征表现情况,自身异常特征表现越突出,才越会受到抑制。
基于此,首先对勘探数据在局部数据范围内每个勘探数据的异常特征分布情况进行分析,确定数据抑制情况。即根据目标勘探数据的局部数据段中勘探数据的异常得分的最大值和目标勘探数据的异常得分、目标勘探数据的局部数据段中勘探数据的波动情况,得到目标勘探数据的抑制系数。
具体地,计算目标勘探数据的局部数据段中所有勘探数据的峭度,计算目标勘探数据的局部数据段中除目标勘探数据之外的异常得分的最大值与目标勘探数据的异常得分之间的差值,将该差值与所述峭度的比值,作为第一特征系数;计算目标勘探数据的局部数据段中所有勘探数据的异常得分的均值,将目标勘探数据的异常得分与所述异常得分的均值之间的比值作为第二特征系数;将第一特征系数和第二特征系数之间的乘积作为目标勘探数据的异常表现程度。
在本实施例中,所述异常表现程度的计算公式可以表示为:
;
其中,示目标勘探数据的异常表现程度,/>表示目标勘探数据的局部数据段中除了目标勘探数据之外异常得分的最大值,/>表示目标勘探数据的异常得分,/>表示目标勘探数据的局部数据段对应的峭度,/>表示目标勘探数据的局部数据段中所有勘探数据的均值。
为第一特征系数,表示了局部数据范围内异常得分的极大值对目标勘探数据的影响程度,/>反映了局部数据范围内极大值与目标勘探数据的异常特征表现之间的差异,进而也就反映了极大值对目标勘探数据的特征影响情况,反映了局部数据段内数据分布的故障隐患,第一特征系数的取值越大,说明目标勘探数据的异常特征受周围勘探数据的影响越大,即对应的异常表现程度取值越大,受到抑制程度越大。
为第二特征系数,反映了目标勘探数据对应的异常得分在局部数据范围内的异常特征表现程度,该取值越大,后面目标勘探数据的异常特征表现越突出,即对应的异常表现程度取值越大,受到的抑制程度应当越大。
进一步的,考虑到基于上述计算影响情况以及受到抑制程度可能存在负数的情况,这部分勘探数据受到抑制程度几乎不存在,故需要针对异常表现程度的取值设置抑制系数,对于受到抑制程度不存在的勘探数据设置极小的抑制系数,或者不设置抑制系数。
基于此,当所述异常表现程度小于或等于预设的程度阈值时,将目标勘探数据的抑制系数设置为第一预设数值;当所述异常表现程度大于预设的程度阈值时,将所述异常表现程度作为目标勘探数据的抑制系数,第一预设数值小于此时的异常表现程度。
在本实施例中,程度阈值的取值为0,也即是当异常表现程度小于或等于0时,对应的勘探数据受到抑制程度极小或者不存在,故需要自适应设置一个抑制系数,即第一预设数值的取值为0.1,实施者可根据具体实施场景进行设置,保证该取值为极小正数即可,抑制系数表征了此时目标勘探数据受到抑制的情况较低,不需要利用相关的特征系数对目标勘探数据的异常特征表现进行修正。
当异常表现程度大于0时,说明此时勘探数据会受到一定的抑制程度,故直接将勘探数据的异常表现程度设置为异常系数,此时异常系数表征了目标勘探数据可能受到的异常影响程度。
然后,根据所述抑制系数、目标勘探数据的局部数据段中异常得分的最大值对应的勘探数据与目标勘探数据之间的距离、以及目标勘探数据的局部数据段中勘探数据的波动情况,得到目标勘探数据的受抑制程度。
具体地,获取目标勘探数据的局部数据段中除目标勘探数据之外异常得分的最大值对应的勘探数据与目标勘探数据之间的时间间隔的倒数作为第三特征系数;根据抑制系数、第一特征系数、第二特征系数和第三特征系数得到目标勘探数据的受抑制程度,所述抑制系数、第一特征系数、第二特征系数和第三特征系数均与所述受抑制程度呈正相关关系。
在本实施例中,将抑制系数、第一特征系数、第二特征系数和第三特征系数的乘积的归一化值作为目标勘探数据的受抑制程度。第一特征系数反映了目标勘探数据在局部数据范围内受其他数据的影响情况,第二特征系数反映了目标勘探数据对应的异常得分在局部数据范围内的异常特征表现程度,第三特征系数表示目标勘探数据在其周围局部极大值与目标勘探数据之间时序上的距离,该距离越远反映了异常特征表现的极大值对目标勘探数据的异常特征抑制程度越小,对应的受抑制程度取值越小,目标勘探数据的抑制系数表示目标勘探数据的异常特征的表现情况,该取值越大,能够反映目标勘探数据受到抑制的程度越大,对应的受抑制程度也就越大。利用抑制系数作为系数权重,使得受到抑制的勘探数据进行受抑制程度量化的结果更大,更能明显的表征该特征。
目标勘探数据的受抑制程度表征了目标勘探数据在局部范围内受周围其他勘探数据的影响情况,能够反映目标勘探数据的异常特征表现程度。
步骤四,根据每个测井在每个深度下的勘探数据的受抑制程度和所述关联程度,对所述异常得分进行修正,得到每个勘探数据的修正得分;根据所述修正得分获得煤矿勘探结果。
每个测井在每个深度下的每个勘探数据对应的关联程度,反映了测井与其他测井在对应时刻勘探数据变化趋势方面的相似性情况,该相似性越大,即关联程度越大,进而勘探数据的异常情况越属于联合分布的相似情况,越不可能是属于数据波动,对应的修正后的异常得分越高。每个测井在每个深度下的勘探数据的受抑制程度反映了勘探数据的异常特征表现程度,以及受到周围其他勘探数据的影响情况,受到的抑制越多,对应修正后的异常得分越高。
基于此,根据每个测井在每个深度下的勘探数据的受抑制程度和所述关联程度,对所述异常得分进行修正,得到每个勘探数据的修正得分。
具体地,将任意一个测井在任意一个深度下任意一个时刻的勘探数据记为选定测井在选定深度下选定时刻的勘探数据,计算选定测井与选定测井周围设定数量个测井在选定深度下选定时刻的勘探数据之间关联程度的均值。在本实施例中,设定数据的取值为5,也即是通过计算选定测井周围5个测井在相同深度下相同时刻的勘探数据之间的关联程度的均值,反映周围其他测井与选定测井之间的数据关联情况。
计算选定测井在选定深度下选定时刻的勘探数据的异常得分和受抑制程度、所述关联程度的均值之间的乘积的归一化值,得到选定测井在选定深度下选定时刻的勘探数据的修正得分。基于勘探数据的受抑制程度和关联程度第一每个勘探数据的异常得分进行修正,获得的修正得分充分考虑了由于矿层分布复杂使得不同测井之间的数据存在关联性,以及局部范围内数据之间的影响情况,能够更加准确的反映数据异常情况。
最后,根据所述修正得分获得煤矿勘探结果。具体地,将修正得分大于或等于预设的异常阈值对应的勘探数据作为异常数据,在本实施例中异常阈值的取值为0.8,由于修正得分的取值为归一化的数值,故异常阈值的取值范围为(0,1)。获得异常数据后,通过专业人士结合他们的经验,识别异常数据是否与潜在的煤层相关,进而获得煤矿勘探结果。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种基于煤矿勘探数据的煤层确定方法,其特征在于,该方法包括以下步骤:
采集煤矿勘探煤层中每个测井在不同深度下预设时间段内不同时刻的勘探数据,分别对每个测井在每个深度下的勘探数据进行异常检测得到每个所述勘探数据的异常得分;
根据每个测井与其他测井在相同深度下的勘探数据的局部范围内的数据分布之间的差异情况以及在对应勘探数据的局部范围内的数据波动情况,得到每个测井与其他测井在相同深度下勘探数据的关联程度;
根据每个测井在每个深度下的勘探数据的异常得分以及对应勘探数据的局部范围内勘探数据的异常得分的整体分布,得到每个测井在每个深度下的勘探数据的受抑制程度;
根据每个测井在每个深度下的勘探数据的受抑制程度和所述关联程度,对所述异常得分进行修正,得到每个勘探数据的修正得分;根据所述修正得分获得煤矿勘探结果;
所述根据每个测井与其他测井在相同深度下的勘探数据的局部范围内的数据分布之间的差异情况以及在对应勘探数据的局部范围内的数据波动情况,得到每个测井与其他测井在相同深度下勘探数据的关联程度,具体包括:
将任意一个测井记为目标测井,将任意一个深度记为目标深度,将目标测井在目标深度下的任意一个时刻的勘探数据记为目标勘探数据;获取以目标勘探数据为中心,预设长度的窗口内所有勘探数据构成目标勘探数据的局部数据段;
将除目标测井外的其他任意一个测井记为参考测井,将参考测井在目标深度下与目标勘探数据相同时刻下的勘探数据记为参考勘探数据;
根据目标勘探数据的局部数据段中勘探数据的分布情况以及参考勘探数据的局部数据段中勘探数据的分布情况,得到目标勘探数据和参考勘探数据之间的局部相似度;
根据目标勘探数据的局部数据段中每个勘探数据与目标勘探数据之间的差异、参考勘探数据的局部数据段中每个勘探数据与参考勘探数据之间的差异、以及所述局部相似度,得到目标勘探数据和参考勘探数据之间的关联程度;
所述根据每个测井在每个深度下的勘探数据的异常得分以及对应勘探数据的局部范围内勘探数据的异常得分的整体分布,得到每个测井在每个深度下的勘探数据的受抑制程度,具体包括:
根据目标勘探数据的局部数据段中勘探数据的异常得分的最大值和目标勘探数据的异常得分、目标勘探数据的局部数据段中勘探数据的波动情况,得到目标勘探数据的抑制系数;
根据所述抑制系数、目标勘探数据的局部数据段中异常得分的最大值对应的勘探数据与目标勘探数据之间的距离、以及目标勘探数据的局部数据段中勘探数据的波动情况,得到目标勘探数据的受抑制程度;
所述目标勘探数据的抑制系数的获取方法具体为:
计算目标勘探数据的局部数据段中所有勘探数据的峭度,计算目标勘探数据的局部数据段中除目标勘探数据之外的异常得分的最大值与目标勘探数据的异常得分之间的差值,将该差值与所述峭度的比值,作为第一特征系数;
计算目标勘探数据的局部数据段中所有勘探数据的异常得分的均值,将目标勘探数据的异常得分与所述异常得分的均值之间的比值作为第二特征系数;
将第一特征系数和第二特征系数之间的乘积作为目标勘探数据的异常表现程度;
当所述异常表现程度小于或等于预设的程度阈值时,将目标勘探数据的抑制系数设置为第一预设数值;
当所述异常表现程度大于预设的程度阈值时,将所述异常表现程度作为目标勘探数据的抑制系数,第一预设数值小于此时的异常表现程度;
所述目标勘探数据的受抑制程度的获取方法具体为:
获取目标勘探数据的局部数据段中除目标勘探数据之外异常得分的最大值对应的勘探数据与目标勘探数据之间的时间间隔的倒数作为第三特征系数;
根据抑制系数、第一特征系数、第二特征系数和第三特征系数得到目标勘探数据的受抑制程度,所述抑制系数、第一特征系数、第二特征系数和第三特征系数均与所述受抑制程度呈正相关关系。
2.根据权利要求1所述的一种基于煤矿勘探数据的煤层确定方法,其特征在于,所述目标勘探数据和参考勘探数据之间的局部相似度的获取方法具体为:
获取目标勘探数据与目标勘探数据的局部数据段中勘探数据的最大值之间的差异记为目标勘探数据的绝对数据差距;获取参考勘探数据与参考勘探数据的局部数据段中勘探数据的最大值之间的差异记为参考勘探数据的绝对数据差距;
将归一化的目标勘探数据与目标勘探数据的绝对数据差距之间的乘积作为第一系数,将归一化的参考勘探数据与参考勘探数据的绝对数据差距之间的乘积作为第二系数;根据所述第一系数和第二系数得到目标勘探数据和参考勘探数据之间的局部相似度;所述第一系数和第二系数均与所述局部相似度之间呈正相关关系。
3.根据权利要求1所述的一种基于煤矿勘探数据的煤层确定方法,其特征在于,所述目标勘探数据和参考勘探数据之间的关联程度的获取方法具体为:
;
其中,表示第i个测井与第k个测井在第d个深度下的第t个时刻的勘探数据的之间的关联程度,也表示目标勘探数据和参考勘探数据之间的关联程度;/>表示目标勘探数据的局部数据段中第r个勘探数据与参考勘探数据的局部数据段中第r个勘探数据之间的局部相似度,/>表示局部数据段中包含的数据数量,/>表示目标勘探数据的局部数据段中第r个勘探数据与目标勘探数据的局部数据段中所有勘探数据的均值之间的差值;/>表示参考勘探数据的局部数据段中第r个勘探数据与参考勘探数据的局部数据段中所有勘探数据的均值之间的差值;/>表示目标勘探数据的局部数据段中所有勘探数据的标准差,/>表示参考勘探数据的局部数据段中所有勘探数据的标准差,Norm( )表示线性归一化函数,exp( )表示以自然常数e为底的指数函数。
4.根据权利要求1所述的一种基于煤矿勘探数据的煤层确定方法,其特征在于,所述根据每个测井在每个深度下的勘探数据的受抑制程度和所述关联程度,对所述异常得分进行修正,得到每个勘探数据的修正得分,具体包括:
将任意一个测井在任意一个深度下任意一个时刻的勘探数据记为选定测井在选定深度下选定时刻的勘探数据,计算选定测井与选定测井周围设定数量个测井在选定深度下选定时刻的勘探数据之间关联程度的均值;
计算选定测井在选定深度下选定时刻的勘探数据的异常得分和受抑制程度、所述关联程度的均值之间的乘积的归一化值,得到选定测井在选定深度下选定时刻的勘探数据的修正得分。
5.根据权利要求1所述的一种基于煤矿勘探数据的煤层确定方法,其特征在于,所述分别对每个测井在每个深度下的勘探数据进行异常检测得到每个所述勘探数据的异常得分,具体包括:
利用孤立森林算法分别对每个测井在每个深度下的勘探数据进行异常检测得到每个勘探数据的异常得分。
6.根据权利要求1所述的一种基于煤矿勘探数据的煤层确定方法,其特征在于,所述根据所述修正得分获得煤矿勘探结果,具体包括:
将修正得分大于或等于预设的异常阈值对应的勘探数据作为异常数据,基于异常数据获得煤矿勘探结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231942.4A CN117805932B (zh) | 2024-03-01 | 2024-03-01 | 基于煤矿勘探数据的煤层确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231942.4A CN117805932B (zh) | 2024-03-01 | 2024-03-01 | 基于煤矿勘探数据的煤层确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117805932A CN117805932A (zh) | 2024-04-02 |
CN117805932B true CN117805932B (zh) | 2024-05-28 |
Family
ID=90422199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410231942.4A Active CN117805932B (zh) | 2024-03-01 | 2024-03-01 | 基于煤矿勘探数据的煤层确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117805932B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496163A (zh) * | 2022-10-14 | 2022-12-20 | 浙江理工大学 | 基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法 |
TW202311961A (zh) * | 2021-09-02 | 2023-03-16 | 遠傳電信股份有限公司 | 應用程式異常偵測方法及其系統 |
CN116413831A (zh) * | 2021-12-29 | 2023-07-11 | 中国石油天然气集团有限公司 | 多井合成地震记录自动标定及构造解释和储层预测方法 |
CN117386350A (zh) * | 2023-11-27 | 2024-01-12 | 长江大学 | 一种油气井射孔智能监测的方法 |
CN117574270A (zh) * | 2024-01-19 | 2024-02-20 | 东营鸿德新能源有限公司 | 一种勘探数据采集及测井数据异常检测方法 |
CN117605539A (zh) * | 2023-12-13 | 2024-02-27 | 济南福深兴安科技有限公司 | 一种煤矿水害监测智能预警系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463333B (zh) * | 2022-04-13 | 2022-09-02 | 中国科学院地质与地球物理研究所 | 随钻地质导向实时地层格架智能更新方法与系统 |
-
2024
- 2024-03-01 CN CN202410231942.4A patent/CN117805932B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202311961A (zh) * | 2021-09-02 | 2023-03-16 | 遠傳電信股份有限公司 | 應用程式異常偵測方法及其系統 |
CN116413831A (zh) * | 2021-12-29 | 2023-07-11 | 中国石油天然气集团有限公司 | 多井合成地震记录自动标定及构造解释和储层预测方法 |
CN115496163A (zh) * | 2022-10-14 | 2022-12-20 | 浙江理工大学 | 基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法 |
CN117386350A (zh) * | 2023-11-27 | 2024-01-12 | 长江大学 | 一种油气井射孔智能监测的方法 |
CN117605539A (zh) * | 2023-12-13 | 2024-02-27 | 济南福深兴安科技有限公司 | 一种煤矿水害监测智能预警系统及方法 |
CN117574270A (zh) * | 2024-01-19 | 2024-02-20 | 东营鸿德新能源有限公司 | 一种勘探数据采集及测井数据异常检测方法 |
Non-Patent Citations (1)
Title |
---|
新疆汉水泉地区水系沉积物测量地球 化学特征及找矿方向;孙社良 等;物探与化探;20181231;第42卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117805932A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11105948B2 (en) | Downhole tool analysis using anomaly detection of measurement data | |
CN115097526B (zh) | 地震采集资料质量评价方法 | |
CN112541480B (zh) | 一种隧道异物入侵事件在线识别方法及系统 | |
RU2745136C1 (ru) | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин | |
Xu et al. | An automatic P-wave onset time picking method for mining-induced microseismic data based on long short-term memory deep neural network | |
CN117574270B (zh) | 一种勘探数据采集及测井数据异常检测方法 | |
CN117805932B (zh) | 基于煤矿勘探数据的煤层确定方法 | |
Xie et al. | A novel quality control method of time-series ocean wave observation data combining deep-learning prediction and statistical analysis | |
CN113189672B (zh) | 一种基于多属性反演的隧道超前地质预报方法 | |
CN110991363B (zh) | 不同采煤工序下煤矿安全监控系统co涌出特征提取方法 | |
CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 | |
RU2745137C1 (ru) | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин | |
CN112987091B (zh) | 储层检测方法、装置、电子设备和存储介质 | |
US20220222239A1 (en) | Method to improve the accuracy of formation top picks | |
Velis | Statistical segmentation of geophysical log data | |
CN110674868A (zh) | 一种基于高维钻进参数信息的地层岩性识别系统及其方法 | |
US20230313665A1 (en) | Detection of potential geological control points with logging-while-drilling sensors | |
CN115511001B (zh) | 一种基于空地井综合勘探资料的隧道围岩分级方法及设备 | |
CN115220100B (zh) | 一种碳酸盐岩水窜通道的分析方法及系统 | |
US11668851B2 (en) | Systems and methods for determining tubing deviations | |
Desouky et al. | Decision Tree Ensembles for Automatic Identification of Lithology | |
CN116628535B (zh) | 一种小直径随钻伽马能谱数据处理方法 | |
Pan et al. | Reducing the Uncertainty of Multi-Well Petrophysical Interpretation from Well Logs via Machine-Learning and Statistical Models | |
CN117214962A (zh) | 基于井-地电磁多参数的页岩气有利区识别方法及系统 | |
Perrier et al. | Enhanced AI-Driven Automatic Dip Picking in Horizontal Wells Through Deep Learning, Clustering and Interpolation, in Real Time |
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 |