共查询到18条相似文献，搜索用时 125 毫秒
1.
岩性识别是地质工作中一项基础而又重要的工作。传统的岩性识别方法过于依赖经验和地质专业知识积累,不仅耗时长、专业性强,还易受主观因素影响,导致准确率不理想。笔者等首先回顾了传统的岩性识别方法,之后总结了最新涌现的智能化识别方法,最后详细介绍了基于岩石图像、镜下图像、图像与元素信息融合等的智能识别方法。基于岩石图像的识别方法对于文中的岩石识别准确率可达90%以上,基于图像与元素融合的岩性识别方法可以降低图像相似度高、风化破坏表观特征等因素对识别准确度的影响。笔者等认为当前岩性智能化识别研究仍处于初级阶段。综合各类数据源的优势,利用机器学习深度挖掘岩石元素、矿物、光谱和表观特征间的内在关联性,有利于突破单源信息的局限性,实现岩性快速准确识别。 相似文献
2.
随着隧道施工对于不良地质识别精度要求的不断提高以及人工智能技术的发展, 融合多源信息的不良地质智能化识别已成为发展趋势。本文首先阐述了常见的6种隧道不良地质类型及其地质成因, 回顾分析了隧道主要的不良地质识别方法及现状, 详细介绍了笔者在不良地质智能化识别方面的探索性研究: 基于机器学习利用图像识别技术对隧道围岩岩性与裂隙特征进行智能识别; 融合图像和光谱特征进行不良地质识别; 将地化分析融入到传统的超前钻探中, 融合随钻参数和地化信息进行不良地质随钻识别, 既可以发挥超前钻探在感知岩体质量和地层信息变化方面的优势, 又可以发挥地化分析在岩性和不良地质异常识别方面的优势; 基于地质与物探联合反演进行不良地质识别, 旨在实现掌子面前方不良地质体“形”(位置、形态、规模)和“性”(性质和类型)的精确识别。最后, 对隧道不良地质智能化识别的发展趋势进行了展望。 相似文献
3.
岩性识别是一项重要的地质工作,为固体矿产勘探与油气勘探奠定了坚实的地质基础。岩石物性是连接岩性和地球物理场的桥梁,可以通过物性之间的差异进行岩性识别,但不同岩石的物性数据往往存在一定重合,仅靠交会图无法准确地识别岩性。KNN(K近邻)模型是一种简单、直接的机器学习方法,准确度和灵敏度都很高,适用于多分类问题。基于此,本文将基于特征加权的KNN模型引入岩性识别中,该方法将传统KNN模型与属性特征的信息增益相结合,对不同特征赋予不同权重,可以直观地反映属性特征对分类的重要程度。实验证明,相比于传统KNN方法,基于特征加权的KNN模型对岩性交界处的识别能力有大幅提升,整体提高了岩性识别的准确性和稳定性。 相似文献
4.
岩石岩性识别在油气田探测开发、研究地球成因及演化发展、地质灾害分析预测等众多方面起着不可替代的导向作用,因此岩石的识别分类对于地质勘探分析来说至关重要。为了提高岩石的分类准确率,提出了一种基于激光诱导击穿光谱技术(LIBS)的岩石表面指纹图谱分析及分类方法。通过LIBS对岩石表面不同位置进行激发,获取原始光谱数据。对收集到的光谱数据进行去除异常点、归一化等预处理操作,根据岩石矿物成分确定五种含量差异较大元素(硅、铝、钾、钠、镁)的特征谱线并得到元素指纹图谱。然后选择支持向量机(SVM)作为分类器进行分类,分别建立利用光谱均值的分类模型和多维指纹图谱融合的分类模型,并对两种分类结果进行比较。利用光谱均值的分类模型准确率为59. 4%,多维指纹图谱融合的模型分类准确率为96. 5%。实验结果表明,元素指纹图谱展示了岩石表面元素分布,可以充分利用不同种类岩石本身的不均匀性结构信息,极大地提高了岩石的分类准确率。 相似文献
5.
岩性识别是致密砂砾岩测井评价的重要工作。砂砾岩岩性多样、成分复杂,导致测井识别岩性准确率低、测井解释孔隙度不准确。以东营凹陷北部陡坡带沙四下亚段致密砂砾岩为例,在对其岩石学特征分析的基础上,按照岩石类型和骨架矿物差异给砂砾岩分类,利用铸体薄片资料对测井曲线进行岩性标定,提取各种岩性的测井响应特征,在此基础上建立了基于主成分分析的测井岩性识别方法,并分岩性建立了孔隙度测井评价模型,提高了砂砾岩测井岩性识别和测井孔隙度计算的准确率。 相似文献
6.
近些年来,随着大数据、深度学习等技术的飞速发展,大数据的开发与利用为众多行业带来了显著经济与社会效益。借助大数据手段,开展地质文本、图像和序列数据挖掘与应用研究,具有极其重要的理论与社会意义。本文在归纳总结前人工作的基础上,重点针对地质大数据中的图像数据,基于深度学习理论,构建网络学习模型,通过基于网络搜索的数据采集、数据预处理、网络搭建、网络训练及结果/评价等步骤,实现基于地质图像的大数据岩性识别。结果表明,图像识别岩性的测试准确率约为90%;有限的图像数据数,可能是产生识别误差的一个原因;机器对岩石图片所呈现的某些特征相似性,如宏观的形状、颜色等,也会给出正相关评分,从而产生误判。理论上,采用BCNN(Bilinear Convolutional Neural Network)等能够捕捉更精细细节的网络模型,解决计算机视觉中的细粒度识别问题,从而从根本上提升图像识别效率,应该是今后一个研究方向。 相似文献
7.
传统的岩性识别方法如岩屑录井、钻井取心及测井资料解释等技术,对录井质量的依赖程度较高,识别精度与效率低,泛化能力差。随着计算机技术的迅速发展,将测井资料与计算机技术相结合开展岩性研究已成为岩性识别的有效手段。本文提出了一种基于梯度提升算法XGBoost和LightGBM的岩性识别方法。以苏里格气田苏东41-33区块下碳酸盐岩储层为例进行测试验证,采用该方法结合测井资料中的声波时差、自然伽马、光电吸收截面指数、密度、深侧向电阻率和补偿中子等6种参数进行岩性识别,并与KNN （K近邻分类器）、朴素贝叶斯和支持向量机等传统算法进行对比,结果表明,3种传统算法的岩性识别准确率分别为78.45%、74.43%和78.72%,基于梯度提升算法XGBoost和LightGBM的识别准确率分别达到了98.90%和98.72%,远高于传统算法。 相似文献
8.
基于岩石图像深度学习的岩性自动识别与分类方法 总被引：8，自引：3，他引：5
岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。 相似文献
9.
渤海海域中生界火山岩岩石类型复杂多样,且同一岩性受岩石成分、结构差异的影响,因此岩石物理响应特征存在较大差异,为岩性识别增加了难度。本文通过对研究区大量取心资料、壁心资料以及薄片资料的岩电分析,优选出对岩性响应敏感的自然伽马(GR)、补偿中子(CNL)、密度(DEN)、声波时差(AC)以及原状地层电阻率(Rd)等5条曲线。基于主成分分析法,构建了F_1—F_5共5个综合变量,其中F_1和F_2方差贡献率占总贡献率的81.4%,可作为两个主成分有效地反映5个变量的信息。针对主成分信息,利用Bayes判别法,构建了不同岩性的定量解释模型,对研究区9种火山岩进行了岩性识别。对取心井段的回判结果显示,基于主成分分析与Bayes判别的联合识别方法较常规交会图法在岩石成分及结构的识别精度方面均有较大程度的提高。该方法的提出对研究区成像测井、元素测井资料缺少井段的火山岩岩性识别具有重要借鉴作用。 相似文献
10.
遥感岩性识别研究的发展趋势--遥感与航空放射性信息集成 总被引：5，自引：0，他引：5
张万良 《矿物岩石地球化学通报》2005,24(1):88-91
岩石的吸收光谱主要是由杂质、包体、蚀变及替代成分产生的,每种岩石都难以形成象它的组成成分那样具有可分辨的很清晰的光谱特征;不同类型的岩石放射性元素的含量和分布特征是不同的,岩石放射性信息是岩性识别研究的重要判据。遥感与航空放射性信息的集成．既能提取光谱图像中的光语信息和空间纹理信息。又可利用航空放射性信息常常具有的甚至是诊断性的岩性识别能谱标志。能明显提高识别岩性的精度,更重要的是能谱不受值被的影响,有利于识别植被覆盖区的岩性。因此,这可能是遥感岩性识别研究的发展趋势之一。 相似文献
11.
文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。 相似文献
12.
在油气勘探、评价及开发中,岩性识别和薄片鉴定是十分重要的基础工作,准确的薄片识别结果可以为勘探和开发提供可靠的依据。传统的人工判定方法或实验室分析方法具有主观性强、效率低、自动化程度低等问题。目前基于内容的智能图像识别技术在准确性和具体应用方面还面临着许多难题。论文基于国内外相关研究成果与油气勘探与开发中岩芯薄片图像的特点及要求,设计并研制成功薄片图像自动识别系统和薄片智能鉴定系统。利用图像梯度分布和色彩分析进行火成岩岩石薄片智能分类,对所有像素进行类别划分进而得到整体的鉴定结果,实现了省时、高效、高精度的薄片智能鉴定成果。 相似文献
13.
在油气勘探、评价及开发中,岩性识别和薄片鉴定是十分重要的基础工作,准确的薄片识别结果可以为勘探和开发提供可靠的依据。传统的人工判定方法或实验室分析方法具有主观性强、效率低、自动化程度低等问题。目前基于内容的智能图像识别技术在准确性和具体应用方面还面临着许多难题。论文基于国内外相关研究成果与油气勘探与开发中岩芯薄片图像的特点及要求,设计并研制成功薄片图像自动识别系统和薄片智能鉴定系统。利用图像梯度分布和色彩分析进行火成岩岩石薄片智能分类,对所有像素进行类别划分进而得到整体的鉴定结果,实现了省时、高效、高精度的薄片智能鉴定成果。 相似文献
14.
在现阶段的岩土工程中,通常采用人工识别的方法来判别岩样种类,不仅耗时长、专业性强,还易受主观因素影响,准确率不理想。随着计算机技术的发展,机器学习逐渐被应用于岩性的自动识别,开启了岩样分类的新路径。本文以重庆市主城区4种典型岩样（泥岩、砂质泥岩、泥质砂岩和砂岩）的细观图像为研究对象,基于Inception V3卷积网络模型和迁移学习算法,建立了岩样细观图像深度学习模型,并完成了训练学习。结果显示：模型在训练1 000次后,训练集中的分类准确率达到92.77%,验证集中的分类准确率为76.31%。其中,验证集中的砂岩识别准确率为97.28%,泥岩识别准确率为81.85%,泥质砂岩识别准确率为72.59%,砂质泥岩识别准确率为72.35%。与现有的机器学习方法相比,本识别模型不仅可以自动识别岩性极为相近的岩样,而且具有较好的识别准确率、鲁棒性和泛化能力。 相似文献
15.
Landsat8 OLI图像增强与岩性识别方法 总被引：2，自引：0，他引：2
新疆维吾尔自治区阿克陶县布伦口地区海拔高、穿越条件差、岩性复杂,因而研究Landsat8 OLI数据信息增强与岩性识别在该区有强大的应用需求,也有遥感岩性识别的理论意义。区内不同岩性单元光谱较为相似,仅利用最佳波段组合(OIF)指数、主成分分析(PCA)和独立主成分分析(ICA)等图像增强方法均不能最大限度地区分各岩性单元。通过分析独立主成分变换之后各岩性单元的特征向量,发现不同岩性单元特征向量差异比原图像光谱差异增大,为扩大差异,依据特征向量统计结果构建比值运算,再联合PCA特征向量进行彩色合成,各岩性单元可识别性显著增加。研究表明:(1)采用联合多种图像增强的方法能将研究区不同岩性单元进行分离;(2)国道314南北两侧地层均划归布伦阔勒岩群的结论有误,其北侧仍属布伦阔岩石,南侧实为片麻状二长花岗岩;(3)沙湖南东原划归志留纪的岩石单元可进一步分解为志留纪地层和元古代布伦阔勒岩群岩石单元。该方法有推广应用价值和深化研究的前景。 相似文献
16.
岩性是表征储油物性、建立各类地质模型的重要参数,其与测井参数的函数关系很复杂。基于支持向量机一类对一类法对岩性识别分类精度不高的现状,结合二叉树法初始分类精度较高、分类速度快等优点,提出了一种新的组合方法——一类对一类法与二叉树法的结合应用。该方法对样本数据较少的类别设置权重系数,减少样本不平衡的影响,并利用几何平均准确率作为评价岩心识别效果的指标,其对岩性的分类效果远优于单一方法。具体步骤为:首先对不均衡的样本设置相应的权重系数,然后利用二叉树法将易于与砂泥岩区分的灰岩区分开来,再利用一对一分类法将剩下的砂泥岩样本进行分类。运用此方法对某油田测井数据进行岩性分类,分类的整体准确率以及几何平均准确率均有很大的提高。 相似文献
17.
遥感技术广泛应用于地质基础调查、矿产资源勘探、环境评估和地质灾害调查等方面。它已从多光谱发展到高光谱阶段,Landsat- 8是目前最具有代表性和最常用的多光谱数据,ASTER具有高的分辨率和多波段特征,资源一号02D(ZY1- 02D)卫星是我国2019年发射的高光谱业务卫星。为了更好地了解多源遥感数据在岩矿识别中的作用,在新疆东天山卡拉麦里地区进行了相关研究。结果表明：Landsat- 8 OLI的PCA变换结果清晰识别了研究区不同的岩性和地层;使用Landsat- 8 OLI、ASTER和ZY1- 02D高光谱数据,分别采取不同的图像端元提取方法,在进行光谱分析的基础上,利用光谱角填图（SAM）即可得到研究区的主要矿物分类图件。通过野外验证,应用GIS技术进行集成和分析,修正相关图件后,便得到了精准的矿物分类综合图。研究表明：多源遥感数据的集成在岩矿识别方面效果良好、前景巨大。 相似文献
18.
DENG Song PAN Haoyu LI Chaowei YAN Xiaopeng WANG Jiangshuai SHI Lin PEI Chunyu CAI Meng 《《地质学报》英文版》2024,98(2):518-530
In petroleum engineering, real-time lithology identification is very important for reservoir evaluation, drilling decisions and petroleum geological exploration. A lithology identification method while drilling based on machine learning and mud logging data is studied in this paper. This method can effectively utilize downhole parameters collected in real-time during drilling, to identify lithology in real-time and provide a reference for optimization of drilling parameters. Given the imbalance of lithology samples, the synthetic minority over-sampling technique (SMOTE) and Tomek link were used to balance the sample number of five lithologies. Meanwhile, this paper introduces Tent map, random opposition-based learning and dynamic perceived probability to the original crow search algorithm (CSA), and establishes an improved crow search algorithm (ICSA). In this paper, ICSA is used to optimize the hyperparameter combination of random forest (RF), extremely random trees (ET), extreme gradient boosting (XGB), and light gradient boosting machine (LGBM) models. In addition, this study combines the recognition advantages of the four models. The accuracy of lithology identification by the weighted average probability model reaches 0.877. The study of this paper realizes high-precision real-time lithology identification method, which can provide lithology reference for the drilling process. 相似文献