共查询到19条相似文献，搜索用时 121 毫秒
1.
《物探化探计算技术》2017,(5)
钻孔柱状图图件布局是否合理、清晰,是钻孔柱状图能否顺利表达具体钻孔信息的关键。钻孔柱状图是按比例绘制,地层厚度大小不一,岩性文字描述与对应的地层岩性花纹图案难以匹配布局,所以钻孔柱状图岩性文字描述布局问题一直是进行钻孔柱状图自动绘制的难点。通过对钻孔成图过程地分析,将岩性文字描述布局问题进行数学抽象,对柱状图中岩性花纹柱总高度大于或等于岩性文字描述总高度的一类问题,建立了非线性数学规划模型,并将其转化为线性规划问题求解。通过实例应用表明,该模型可以实现自动进行地层岩性花纹对应的岩性文字描述的合理布局,该方法对于绘制钻孔柱状图或开发钻孔柱状图自动成图软件提供借鉴。 相似文献
2.
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
3.
4.
人工神经网络技术在水文地质学中的应用潜力初探 总被引：2，自引：0，他引：2
在许多水文地质问题中,多因素且非线性的影响常使传统的集中参数随机模型或分布参数确定性数值模型的方法难以对其作出符合实际的评价与预测。本文从几个典型的水文地质问题入手,利用人工神经网络技术的高度自组织、自适应与自学习能力和分类计算能力,对这些问题的解决进行了系统的ＢＰ网分析。结果表明,人工神经网络的应用可有效减少人为的主观臆断性,其训练识别的结果更符合实际,效果令人满意,因此具有十分广阔的应用前景。 相似文献
5.
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
6.
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
7.
砂砾质松散沉积物粒径组成复杂,钻探取心率低,导致对沉积相和相界面的判别准确度不高。本文结合岩心和测井资料,建立了松散沉积层基于支持向量机的测井数据岩性识别模型,分析了训练集样本数量对模型识别准确率的影响,并与BP神经网络模型进行了对比。结果表明,支持向量机模型的岩性识别准确率高,且对训练样本需求量低,可以有效地弥补钻孔取心率不足的问题,并降低钻探施工成本。在松散沉积物调查中,利用基于支持向量机的测井岩性识别模型自动识别沉积序列具有可行性,是实现绿色勘查的有益尝试。 相似文献
8.
介绍采用人工神经网络（ＡＮＮ）模型，借助于误差逆转播算法，应用到煤田测井岩性自动识别中，效果较好。为提高该方法的实用性，通过对误差逆传播算法的改进，并经过验算，表明了其优越性；文中采用多层人工神经ＢＰ网络模型，对较大样本（４８组）进行学习，可以识别８种岩性，说明了该方法的实用性。 相似文献
9.
采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。以上模型可应用于不同环境和需求。文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。 相似文献
10.
11.
ＢＰ神经网络技术以其强大的学习能力已广泛应用于许多领域,取得了很好效果。但当不具备已知样本时,该技术很难应用。本文采用改进的自组织神经网络,对测井资料进行自动岩相识别,并在松辽盆地进行了实际应用。通过与已知资料对比,证实该方法是一种有效的岩相自动识别方法,具有良好的应用前景。 相似文献
12.
The determination of in situ stresses is very important in petroleum engineering. Hydraulic fracturing is a widely accepted technique for the determination of in situ stresses nowadays. Unfortunately, the hydraulic fracturing test is time-consuming and expensive. Taking advantage of the shape of borehole breakouts measured from widely available caliper and image logs to determine in situ stress in petroleum engineering is highly attractive. By finite element modeling of borehole breakouts considering thermoporoelasticity, the authors simulate the process of borehole breakouts in terms of initiation, development, and stabilization under Mogi-Coulomb criterion and end up with the shape of borehole breakouts. Artificial neural network provides such a tool to establish the relationship between in situ stress and shape of borehole breakouts, which can be used to determine in situ stress based on different shape of borehole breakouts by inverse analysis. In this paper, two steps are taken to determine in situ stress by inverse analysis. First, sets of finite element modeling provide sets of data on in situ stress and borehole breakout measures considering the influence of drilling fluid temperature and pore pressure, which will be used to train an artificial neural network that can eventually represent the relationship between the in situ stress and borehole breakout measures. Second, for a given measure of borehole breakouts in a certain drilling fluid temperature, the trained artificial neural network will be used to predict the corresponding in situ stress. Results of numerical experiments show that the inverse analysis based on finite element modeling of borehole breakouts and artificial neural network is a promising method to determine in situ stress. 相似文献
13.
14.
介绍了PNN方法原理及其算法训练学习过程,详细阐述了网络识别岩性参数的选取、岩性识别模型的建立过程.通过对比研究PNN与其他6种岩性识别方法,分析相同条件下预测结果,得到不同识别方法的优劣性.经研究发现,PNN概率神经网络方法在生产应用中效果更佳、训练识别用时最短.利用人工智能神经网络对测井数据进行自动解释分析,可满足随钻测井时效性及快速解释处理的地质导向需求. 相似文献
15.
Effective characterization of lithology is vital for the conceptualization of complex aquifer systems, which is a prerequisite for the development of reliable groundwater-flow and contaminant-transport models. However, such information is often limited for most groundwater basins. This study explores the usefulness and potential of a hybrid soft-computing framework; a traditional artificial neural network with gradient descent-momentum training (ANN-GDM) and a traditional genetic algorithm (GA) based ANN (ANN-GA) approach were developed and compared with a novel hybrid self-organizing map (SOM) based ANN (SOM-ANN-GA) method for the prediction of lithology at a basin scale. This framework is demonstrated through a case study involving a complex multi-layered aquifer system in India, where well-log sites were clustered on the basis of sand-layer frequencies; within each cluster, subsurface layers were reclassified into four depth classes based on the maximum drilling depth. ANN models for each depth class were developed using each of the three approaches. Of the three, the hybrid SOM-ANN-GA models were able to recognize incomplete geologic pattern more reasonably, followed by ANN-GA and ANN-GDM models. It is concluded that the hybrid soft-computing framework can serve as a promising tool for characterizing lithology in groundwater basins with missing lithologic patterns. 相似文献
16.
模糊神经网络在矿震预测中的应用 总被引：3，自引：0，他引：3
矿震同天然地震一样会给矿山生产及人身安全等带来重大灾难。也是目前尚不能准确预测的矿山灾害现象之一。根据现有的研究成果可知，矿震是一个多输入、多干扰、单输出的复杂系统。由于干扰项的存在，使利用建模、神经网络等手段对系统进行预测时会导致很大误差。模糊神经网络系统在建立对象输入、输出关系时与传统数学方法不同。即可以建立在无模型基础上，并利用其较强的学习训练特性，自动获取对象的输入、输出关系表达；可以将专家的评价语言作为系统的干扰项引入。这在一定程度上缓解了人为因素对预测结果的影响，且平滑了观测数据的随机性。文章利用改进的模糊神经网络及抚顺老虎台矿的矿震资料，对矿震最大震级的预测方法进行了探索。‘初步探讨了改进的模糊神经网络在矿震预测中的应用。得出在运用模糊神经网络进行预测时，为减小预测误差，应综合多种因素并提高专家评判语言的精确度的结论。指出在建立矿震系统预测模型时，利用干扰项将人为因素引入系统是必需的。通过实际应用证明其可行性。 相似文献
17.
SOFM储层综合评价方法及其在延吉盆地的应用 总被引：1，自引：0，他引：1
通过对已有储层评价方法优势与不足的分析,提出在空间数据库基础上应用自组织特征映射神经网络进行油气储层评价,并对延吉盆地大砬子组储层进行了评价。评价结果显示：Ⅰ级储集层主要发育于朝阳川凹陷中央-延D4井西缘、呈椭圆状分布,朝阳川凹陷西缘即延D6、延3之间呈月牙状分布;Ⅱ级储集层区块较大,分布集中在朝阳川凹陷周缘及帽儿山凸起,在清茶馆凹陷的东缘、南缘和德新凹陷的北缘呈不规则分布;Ⅲ级主要发育于朝阳川凹陷中央-朝阳川镇南部,清茶馆凹陷东缘,呈条带、小块状零星分布,德新凹陷大部呈不规则分布;Ⅳ级主要发育于西部隆起区、练花洞单斜一带,在茶清馆凹陷中央也有零星分布;其它地区是储层物性发育较差的Ⅴ级。 相似文献
18.
基于改进BP网络算法的隧洞围岩分类 总被引：14，自引：0，他引：14
围岩分类对指导地下工程的设计和施工具有非常重要的意义.引入人工神经网络的方法, 进行隧洞围岩分类, 在传统BP算法的基础上, 通过改进学习算法、优化传递函数和网络结构进行神经网络方法优化.采用附加动量法和学习速率自适应调整的策略改进学习算法, 使得当误差大于上临界值时, 则降低学习率, 当误差小于下临界值时, 则适当提高学习率, 这样可加快网络的训练速度, 确保网络的稳定性; 通过引入调整学习率参数, 使得传递过程更加敏感, 加快了传递函数的收敛速度, 提高了训练函数的计算精度; 通过给定隐含层节点模型的取值范围, 对网络结构进行优化, 提高了泛化精度.将改进的BP网络模型应用于广东省东深供水改造工程的隧洞围岩分类中, 分类结果与根据《水工隧洞设计规范(SL279-2002) 》的分类结果完全一致, 表明该方法具有良好的工程实用性. 相似文献
19.
基于像元基元、极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据和传统机器学习算法的岩性分类方法,易受SAR图像固有斑点噪声影响,精度不高.为了降低噪声的影响,本研究以大尺度像元邻域为基元,用于表征地表地质体的遥感图像特征和岩性语义信息;采用高分三号双极化SAR数据进行极化分解构建3通道假彩色合成影像;然后采用深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移学习的方法,提取有效的深度特征表示,分别实现5 m和15 m两种空间分辨率下岩性遥感自动分类.结果表明:基于不同分辨率数据和不同DCNN算法,岩性遥感自动分类的总精度均大于80%,最高精度达到91%.基于大尺度像元邻域和DCNN迁移学习方法,能够实现基于SAR数据的高精度岩性分类. 相似文献