一种海岸带咸水入侵智能监测识别方法及系统技术方案

本发明专利技术公开的地下海水模拟设备技术领域，具体为一种海岸带咸水入侵智能监测识别方法及系统，包括有工作台，所述工作台底端固定连接有支撑柱，且工作台底端固定连接有模拟箱，所述模拟箱一侧嵌合连接有排料槽，且排料槽内壁固定连接有第一滤网，所述工作台一侧固定连接有收纳槽，且收纳槽一侧嵌合连接有排水阀。本发明专利技术中通过取样机构的作用下，液压杆可以带动着取样管升降移动，将取样管插入模拟箱内，可以对模拟箱内的模拟岩层进行取样，便于工作人员对模拟岩层进行数据检测记录，且通过挤压T型杆，可以带动着顶块向下移动，顶块可以将取样管内的样本岩层快速顶出，便于取出，操作简单，省时省力，并能够防止取样馆内残留样。并能够防止取样馆内残留样。并能够防止取样馆内残留样。

【技术实现步骤摘要】
一种海岸带咸水入侵智能监测识别方法及系统


[0001]本专利技术涉及咸水模拟设备
，具体为一种海岸带咸水入侵智能监测识别方法及系统。

技术介绍

[0002]咸水入侵，是滨海地区地下水动力条件变化导致的咸、淡水界面向陆地方向移动的现象，是全球海岸带地区普遍面临的地质灾害。传统上咸水入侵的研究方法主要有两种：水文地球化学法和地球物理法。水文地球化学法是通过钻探、测井、采取水样直接分析各盐度参数以评价咸水入侵等级。水文地球化学法的优点是简单直接、结果准确，缺点是资源投入大、工作周期长，难以完整覆盖调查区；地球物理法是通过地球物理方法获取地下电阻率、极化率等电性参数，通过反演获得地下盐度场分布信息，从而对咸水入侵程度进行评价。地球物理法的优点是部署快速、成本低廉、可实现大纵深勘探，缺点是由于地球物理方法的多解性问题，导致反演结果准确度低、可靠性差，难以直接被用户所使用。
[0003]以往的工作中，对咸水入侵的识别研究，需依赖大量的钻孔数据支撑，这种直接钻井取样成本高、难度大、效率低，难以满足各级用户对于环境治理和新型城镇化建设的实际需求，现有的咸水入侵程度模拟监测装置，在其使用的过程中，不具备模拟岩层取样的功能，作业人员无法灵活的对不同岩层进行取样操作，使得模拟检测具有一定的局限性，且模拟过程中用到的砂石与海水无法二次使用，提高模拟作业成本。
[0004]本专利技术采用一种咸水入侵程度模拟监测装置通过人工智能方法对地下水咸水入侵体系进行数值模拟，融合地球物理勘探与水文地质测试两种方法长处，使用装置模拟钻孔、水井的水文地质参数，训练识别大范围综合物探剖面的咸水入侵识别模式，结合地质、地球物理、地球化学等多方面信息循环训练模型，从而提高传统方法的评价精度，更准确、更高效地对海岸带地区咸水入侵进行识别和评价。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施方式的一些方面以及简要介绍一些较佳实施方式，在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于现有的咸水入侵程度模拟监测装置，在其使用的过程中，不具备模拟岩层取样的功能，作业人员无法灵活的对不同岩层进行取样操作，使得模拟检测具有一定的局限性，且模拟过程中用到的砂石与海水无法二次使用，提高模拟作业成本的问题，提出了本专利技术。
[0007]为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：
[0008]一种海岸带咸水入侵智能监测识别方法，包括以下步骤：
[0009]步骤1，通过地球物理勘探方法，采集地下空间不同位置的电阻率信息。
[0010]步骤2，依据模拟钻孔、水井的水文地质参数进行海水入侵指数分析，计算海水入侵指数与测井数据之间的相关性，分析测井数据与海水入侵程度的关联性，计算相关系数公式为：
[0011][0012]这里，Y为海水入侵等级，X为测井数据。Cov()为协方差，Var()为方差。
[0013]步骤3，依据模拟的测井数据，采用机器学习方法中极限随机树进行海水入侵界限的标定，将获取的电阻率数据进行畸变点剔除、地形校正后，转化为二维稀疏矩阵，提取训练数据对应区域及邻域电阻率数据，按照以下方式构建原始数据矩阵：
[0014][0015]步骤4，结合双边滤波形式，对数据进行处理，其主要目的是在对数据进行降噪的同时，保持边界信息，这对于海水入侵界面具有较好的保持效果。定义如下：
[0016][0017]在这里，R
i，j
表示输入的某点电阻率数据，表示滤波后的某点电阻率数据，S代表空间域，代表空间高斯权重，代表灰度值高斯权重，||(m，n)
‑
(i，j)||代表位置(i，j)和位置(m，n)之间的欧式距离，|R
i，j
‑
R
m，n
|代表电阻率差值。W
i，j
为归一化函数，确保权重和为1。
[0018]步骤5，为保证不同电阻率剖面数据可以利用，进行较好的模型泛化，对经过双边滤波处理的稀疏矩阵进行归一化处理：
[0019][0020]在这里，r
i，j
代表滤波后某点电阻率，r
max
代表该稀疏矩阵最大值，r
min
代表该稀疏矩阵最小值。
[0021]步骤6，划分电阻率数据与海水入侵界限标定数据为训练集与验证集，其中，电阻率数据为输入数据，入侵界限为目标数据。
[0022]步骤7，使用神经网络对数据进行训练选用Tanh激活函数，定义为
[0023][0024]模型预测值与真实标签之间通过损失函数判断偏差，对预测误差进行叠加平均处理，获取总体误差loss，
[0025][0026]其中，y
i
为预测值，Y
i
为真值。
[0027]步骤8，采用随机梯度下降方式定义优化器。
[0028]步骤9，序列化模型创建如下：初始化网络，进行卷积操作，通过卷积操作，进行局部卷积特征变换，得到对应的卷积特征响应输出，定义为
[0029][0030]按照4*4大小的矩阵作为初始滤波器：
[0031]x＝(rand(4，4)
‑
0.5)*2*sqrt(6/f)
[0032]其中，x表示初始滤波器，通过产生随机矩阵操作，f表示滤波器参数，f＝144(1＝2)，f＝288(1＝4)，1表示神经网络的层序号，将初始滤波器通过Tanh函数进行处理，然后旋转不同的角度：
[0033][0034]其中，z表示方向滤波器，分别进行0度，90度，180度旋转；
[0035]I表示滤波器序号，将方向滤波器作为多尺度卷积神经网络的滤波器，得到初始化多尺度深度网络；
[0036]多尺度深度卷积神经网络由7层支撑：第一层为输入层，第二层和第四层为卷积层，卷积由多个方向滤波器组成，第三层、第五层为下采样层，第六层为全连接层，第七层为回归分类器，训练多尺度深度网络，将训练样本数据的28*28*1的特征向量输入到初始化多尺度深度数据网络中，训练过程包括：
[0037](a)将输入的特征向量作为网络输入层，经过前向传播，得到输出层的输出列标(class label)；
[0038](b)按照loss函数，将多尺度深度卷积神经网络输出层的输出类标(class label)和海水入侵界限进行误差计算；
[0039](c)采用反向传播算法，使得训练误差最小化，得到训练模型；
[0040]训练神经网络，输入主要数据包括训练数据、训练标签、训练轮数、学习率，每轮训练结束后，对模型进行评估，训练结束后输出训练集的预测结果以及训练集的真实标签。
[0041]步骤10，保存训练模型，保存模型权重文件。
[0042]步骤11，利用验证数据，调用生成的模型权重文件进行海水入侵位置预测，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海岸带咸水入侵智能监测识别方法，包括以下步骤：步骤1，通过地球物理勘探方法，采集地下空间不同位置的电阻率信息；步骤2，依据水文地质资料与浅层钻探测井数据模拟海岸带地区模型，进行海水入侵指数分析，计算海水入侵指数与测井数据之间的相关性，分析测井数据与海水入侵程度的关联性，计算相关系数公式为：这里，Y为海水入侵等级，X为测井数据，Cov()为协方差，Var()为方差；步骤3，依据测井数据，采用机器学习方法中极限随机树进行海水入侵界限的标定，将获取的电阻率信息数据进行畸变点剔除、地形校正后，转化为二维稀疏矩阵，提取训练数据对应区域及邻域电阻率数据，按照以下方式构建原始数据矩阵：步骤4，结合双边滤波形式，对数据进行处理，其主要目的是在对数据进行降噪的同时，保持边界信息，这对于海水入侵界面具有较好的保持效果。定义如下：在这里，R
i，j
表示输入的某点电阻率数据，表示滤波后的某点电阻率数据，S代表空间域，代表空间高斯权重，代表灰度值高斯权重，||(m，n)
‑
(i，j)||代表位置(i，j)和位置(m，n)之间的欧式距离，|R
i，j
‑
R
m，n
|代表电阻率差值，W
i，j
为归一化函数，确保权重和为1；步骤5，为保证不同电阻率剖面数据可以利用，进行较好的模型泛化，对经过双边滤波处理的稀疏矩阵进行归一化处理：在这里，r
i，j
代表滤波后某点电阻率，r
max
代表该稀疏矩阵最大值，r
min
代表该稀疏矩阵最小值；步骤6，划分电阻率数据与海水入侵界限标定数据为训练集与验证集，其中，电阻率数据为输入数据，入侵界限为目标数据；步骤7，使用神经网络对数据进行训练选用Tanh激活函数，定义为模型预测值与真实标签之间通过损失函数判断偏差，对预测误差进行叠加平均处理，获取总体误差loss，
其中，y
i
为预测值，Y
i
为真值；步骤8，采用随机梯度下降方式定义优化器；步骤9，序列化模型创建如下：初始化网络，进行卷积操作，通过卷积操作，进行局部卷积特征变换，得到对应的卷积特征响应输出，定义为按照4*4大小的矩阵作为初始滤波器：x＝(rand(4，4)
‑
0.5)*2*sqrt(6/f)其中，x表示初始滤波器，通过产生随机矩阵操作，f表示滤波器参数，f＝144(1＝2)，f＝288(1＝4)，1表示神经网络的层序号，将初始滤波器通过Tanh函数进行处理，然后旋转不同的角度：其中，z表示方向滤波器，分别进行0度，90度，180度旋转；I表示滤波器序号，将方向滤波器作为多尺度卷积神经网络的滤波器，得到初始化多尺度深度网络；多尺度深度卷积神经网络由7层支撑：第一层为输入层，第二层和第四层为卷积层，卷积由多个方向滤波器组成，第三层、第五层为下采样层，第六层为全连接层，第七层为回归分类器，训练多尺度深度网络，将训练样本数据的28*28*1的特征向量输入到初始化多尺度深度数据网络中，训练过程包括：(a)将输入的特征向量作为网络输入层，经过前向传播，得到输出层的输出列标(class label)；(b)按照loss函数，将多尺度深度卷积神经网络输出层的输出类标(class label)和海水入侵界限进行误差计算；(c)采用反向传播算法，使得训练误差最小化，得到训练模型；训练神经网络，输入主要数据包括训练数据、训练标签、训练轮数、学习率，每轮训练结束后，对模型进行评估，训练结束后输出训练集的预测结果以及训练集的真实标签；步骤10，保存训练模型，保存模型权重文件；步骤11，利用验证数据，调用生成的模型权重文件进行海水入侵位置预测，预测结果同验证数据进行比对，进行精度评价，计算验证精度，以混淆矩阵为基础，分别计算总体误差、kappa系数、召回率、iou值；步骤12，利用较高评价精度的预测模型进行其他区域的海水入侵位置预测。2.根据权利要求1所述的一种海岸带咸水入侵智能监测识别方法，其特征在于：所述步骤2中，相关性分析分别计算孔隙度与海水盐度、饱和度与海水盐度、渗透率与海水盐度之间的相关系数，选取具有相关系数高的测井数据为海水入侵指数的判断依据；利用极限随机树方法进行机器学习拟合中，相关性高的为第一层数据，其他数据按照
相关性大小依次叠加，作为界限标定输入数据，标定结果为2分类数据；定义类别编码转换为独热编码，以队列形式加载数据集，打乱数据集。3.一种海岸带咸水入侵智能监测...

【专利技术属性】
技术研发人员：王新华，孔令号，鲍宽乐，耿百利，韦星，张家浩，李亚超，韩祥才，顾松松，陈剑南，
申请(专利权)人：中国地质调查局烟台海岸带地质调查中心，
类型：发明
国别省市：