【技术实现步骤摘要】
地质构造智能检测方法、装置与电子设备
本专利技术涉及人工智能识别
，更具体地，涉及一种地质构造智能检测方法、装置与电子设备。
技术介绍
当前，煤炭资源仍然是能源的重要组成部分，随着经济的发展，对煤炭的需求量也是逐年增长。但随着煤炭产量的增加，煤炭开采过程中潜在的安全问题也不容忽视。在现代化高产高效矿井的建设和生产过程中，综采工作面的合理布置、综采机组高产高效的发挥、矿工的生命安全以至整个矿井的安全，均依赖于矿井地下地质条件的查明程度。现有的地质条件保障是以物探技术为先导，在查明井下地质条件时，采用煤矿采区三维地震勘探来详细查明井下可采煤层中小断层、小褶曲、陷落柱、采空区、冲刷带等影响煤矿安全生产的地质构造，并积累了大量影响煤矿安全生产的井下地质构造数据。但是，地震勘探技术毕竟是间接的勘查手段，受施工时设备、技术水平的限制，导致解释的结果准确度不高，与实际的探采结果之间有较大的差距。为了提高煤矿采区三维地震勘探的勘探精度，特别是对影响煤炭安全开采的地质构造的检测精度，急需一种快速准确的智能检测方法。
【技术保护点】
1.一种地质构造智能检测方法，其特征在于，包括：/n获取目标煤矿采区三维地震勘探数据，并对地震勘探数据进行处理；/n将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出；其中，所述地质构造智能检测系统为经过训练达到预设精度要求的深度学习神经网络。/n
【技术特征摘要】
1.一种地质构造智能检测方法，其特征在于，包括：
获取目标煤矿采区三维地震勘探数据，并对地震勘探数据进行处理；
将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出；其中，所述地质构造智能检测系统为经过训练达到预设精度要求的深度学习神经网络。
2.根据权利要求1所述的地质构造智能检测方法，其特征在于，在将处理后的所述地震勘探数据输入地质构造智能检测系统，识别影响煤矿安全生产的地质构造并输出的步骤之前，还包括：
收集煤矿采掘过程中验证的影响煤炭安全开采的地质构造，并根据验证的结果，在预先获取的地震勘探数据上标注出相应类型的地质构造，形成深度学习样本数据库；
基于深度学习样本数据库中的训练样本数据对所述深度学习神经网络进行训练，在训练过程中通过不断调整所述深度学习神经网络的参数，使得所述深度学习神经网络趋于稳定；
经所述深度学习样本数据库中的测试样本数据对所述深度学习神经网络进行测试达到预设精度要求后，获取所述地质构造智能检测系统。
3.根据权利要求1所述的地质构造智能检测方法，其特征在于，所述地质构造智能检测系统的深度学习神经网络包括输入层、输出层和多层卷积层；
其中，所述卷积层位于所述输入层和输出层之间；
所述输入层用于输入所述地震勘探数据；
所述输出层用于输出影响煤炭生产的地质构造；
每个所述卷积层用于识别一种所述地震勘探数据的预设规模的特征；
紧邻每个所述卷积层后面的一层卷积层用于在每个所述卷积层的识别结果的基础上进行识别。
4.根据权利要求2所述的地质构造智能检测方法，其特征在于，所述深度学习样本数据库中的数据包括训练样本数据和测试样本数据；
其中，所述训练样本数据用于训练深度学习神经网络；
所述测试样本数据用于将所述测试样本数据输入训练后的深度学习神经网络中，检测智能识别的准确率，判断所述准确率是否达到预设精度要求；
相应地，在训练过程中通过不断调整所述深度学习神经网络的参数，使得所述深度学习神经网络趋于稳定的步骤包括：
当每次向所述深度学习神经网络输入新的训练样本数据时，基于误差反向传播的方法对所述深度学习神经网络的参数进行调整；
其中，所述误差反向传播的方法的调整策略为根据所述深度学习神经网络的参数对识别结果的影响，调整相应的权重，所述影响越大，所述权重越大，使得所述深度学习神经网络输出的识别结果更接近正确的识别结果；
重复对所述深度学习神经网络的参数进行调整的过程，每个所述训练样本数据被反复使用多次，使得所述深度学习神经网络的参数进行多次调整，最终使得所述深度学习神经网络达到稳定。
5.一种地质构造智能检测装置，其特征在于，包括：
数据获取模块，用于获取目标煤矿采区三维地震勘探数据，并对地震勘探数据进行处理；...
【专利技术属性】
技术研发人员：王秀荣，赵镨，张燕生，李世念，宋宏，王铮，田力，
申请(专利权)人：中国煤炭地质总局勘查研究总院，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。