一种基于机器学习的岩性识别方法技术

本发明专利技术属于岩性识别技术领域，公开了一种基于机器学习的岩性识别方法，包括如下步骤：获取钻机历史运行数据集，并对钻机历史运行数据集进行归一化处理，得到处理后历史运行数据集；根据处理后历史运行数据集，基于机器学习建立工程爆破岩性识别模型；获取钻机实时运行数据，并对钻机实时运行数据进行行归一化处理，得到处理后实时运行数据；将处理后实时运行数据输入工程爆破岩性识别模型进行岩性识别，得到对应的岩性识别结果。本发明专利技术解决了现有技术存在的识别精度不高，样本数据缺乏，步骤复杂，工作量大，硬件成本投入大以及实用性低问题。低问题。低问题。

【技术实现步骤摘要】
一种基于机器学习的岩性识别方法


[0001]本专利技术属于岩性识别
，具体涉及一种基于机器学习的岩性识别方法。

技术介绍

[0002]岩性是指岩石颜色、成分、结构、构造等特征的总和，岩性识别是指通过一些特定的方法来认识和区别岩性的过程，如何刻画、认识地下岩性分布历来都是地质学中的重要问题。尤其是在矿山爆破工程中，需要对岩石性质进行识别，避免发生安全事故。
[0003]爆破岩层岩性识别，目前有实验室方法、现场测试方法，还有一部分是利用微测井方法测出地震波反演获得岩性数据，使用的人工智能算法需要大量的样本支撑学习，且对关键核心参数未做优化处理，出现识别精度不高、样本数据缺乏的问题，并且上述方法步骤复杂，工作量大，并且硬件成本投入大，导致在实际工程中实用性低。

技术实现思路

[0004]为了解决现有技术存在的识别精度不高，样本数据缺乏，步骤复杂，工作量大，硬件成本投入大以及实用性低问题，本专利技术目的在于提供一种基于机器学习的岩性识别方法。
[0005]本专利技术所采用的技术方案为：
[0006]一种基于机器学习的岩性识别方法，包括如下步骤：
[0007]获取钻机历史运行数据集，并对钻机历史运行数据集进行归一化处理，得到处理后历史运行数据集；
[0008]根据处理后历史运行数据集，基于机器学习建立工程爆破岩性识别模型；
[0009]获取钻机实时运行数据，并对钻机实时运行数据进行行归一化处理，得到处理后实时运行数据；
[0010]将处理后实时运行数据输入工程爆破岩性识别模型进行岩性识别，得到对应的岩性识别结果。
[0011]进一步地，钻机的运行数据包括钻进速度、回转速度、风压、加压压力以及回转压力差。
[0012]进一步地，归一化处理的公式为：
[0013]Y＝a+q(X
‑
X
min
)
[0014]式中，Y为归一化处理后的数据；a为归一化区间下限值；X为归一化处理前的数据；X
min
为样本数据中的最小值；q为归一化系数。
[0015]进一步地，根据处理后历史运行数据集，基于机器学习建立工程爆破岩性识别模型，包括如下步骤：
[0016]将处理后历史运行数据集分为训练数据集和测试数据集；
[0017]将训练数据集输入SSA算法优化SVR模型进行训练，得到初始的工程爆破岩性识别模型；
[0018]将测试数据集输入初始的工程爆破岩性识别模型进行优化，得到最优的工程爆破岩性识别模型。
[0019]进一步地，SSA算法优化SVR模型，包括如下步骤：
[0020]初始化SSA算法的种群参数，得到初始化种群；
[0021]根据初始化种群，获取SSA算法的最优适应度函数值；
[0022]基于最优适应度函数值的SSA算法进行训练，得到SVR模型的最优惩罚系数和最优高斯核函数宽度；
[0023]将训练数据集输入设置有最优惩罚系数和最优高斯核函数宽度的SVR模型进行训练，得到初始的工程爆破岩性识别模型。
[0024]进一步地，初始化SSA算法的种群参数，包括如下步骤：
[0025]设定搜索空间；
[0026]确定搜索空间食物和麻雀位置；
[0027]确定搜索空间上、下限；
[0028]根据搜索空间、搜索空间食物、麻雀位置以及搜索空间上下限，得到初始化种群。
[0029]进一步地，初始化种群的公式为：
[0030]X
N
×
D
＝rand(N
×
D)
×
(ub
‑
lb)+lb
[0031]式中，X
N
×
D
为初始化种群的位子；rand(*)为随机函数；N
×
D为搜索空间范围；N为种群规模；D为优化问题的维度；ub、lb分别为搜索空间上、下限。
[0032]进一步地，获取SSA算法的最优适应度函数值，包括如下步骤：
[0033]根据适应度对当前种群进行排序，得到初始的发现者、加入者以及捕食者及其对应的位置信息；
[0034]更新发现者、加入者以及捕食者的位置信息及其对应的适应度；
[0035]若当前迭代次数大于次数阈值，则将当前的最佳适应度作为最优适应度函数值进行输出并结果当前获取方法，否则返回上一步骤。
[0036]进一步地，工程爆破岩性识别模型的公式为：
[0037][0038]式中，f(x)为工程爆破岩性识别模型输出值；K(x
i
,x
j
)为高斯函数；x
i
,x
j
分别为第i，j个特征值；为分别位于边界下、边界上的拉格朗日系数；b为偏置值；i为样本指示量；n为特征维度总数。
[0039]本专利技术的有益效果为：
[0040]本专利技术提供一种基于机器学习的岩性识别方法，根据钻机参数和人工智能方法相结合实时获取钻进过程中岩性参数，简化了识别步骤，减少了工作量，并且无需其它昂贵的硬件设备，降低了成本投入，并且机器学习的算法不仅提高了识别效率，也提高了识别的准确率，实现精细化钻孔装药、精细化爆破，还可以将岩性识别结果反馈给钻机，实现高效作业。
[0041]本专利技术的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
[0042]图1是本专利技术中基于机器学习的岩性识别方法的方法流程图。
具体实施方式
[0043]下面结合附图及具体实施例对本专利技术做进一步阐释。
[0044]实施例1：
[0045]如图1所示，本实施例提供一种基于机器学习的岩性识别方法，包括如下步骤：
[0046]获取钻机历史运行数据集，并对钻机历史运行数据集进行归一化处理，得到处理后历史运行数据集；
[0047]钻机的运行数据包括钻进速度、回转速度、风压、加压压力以及回转压力差，如表1的钻机历史运行数据表所示：
[0048]表1
[0049][0050]归一化处理的公式为：
[0051]Y＝a+q(X
‑
X
min
)
[0052]式中，Y为归一化处理后的数据；a为归一化区间下限值；X为归一化处理前的数据；X
min
为样本数据中的最小值；q为归一化系数；
[0053]归一化系数的公式为：
[0054]q＝(b
‑
a)/(X
max
‑
X
min
)
[0055]式中，q为归一化系数；b、a分别为归一化区间上、下限值；X
max
、X
min
分别为样本数据中的最大、小值；
[0056]根据处理后历史运行数据集，基于机器学习建立工程爆破岩性识别模型，包括如下步骤：
[0057]将处理后历史本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的岩性识别方法，其特征在于：包括如下步骤：获取钻机历史运行数据集，并对钻机历史运行数据集进行归一化处理，得到处理后历史运行数据集；根据处理后历史运行数据集，基于机器学习建立工程爆破岩性识别模型；获取钻机实时运行数据，并对钻机实时运行数据进行行归一化处理，得到处理后实时运行数据；将处理后实时运行数据输入工程爆破岩性识别模型进行岩性识别，得到对应的岩性识别结果。2.根据权利要求1所述的基于机器学习的岩性识别方法，其特征在于：钻机的运行数据包括钻进速度、回转速度、风压、加压压力以及回转压力差。3.根据权利要求1所述的基于机器学习的岩性识别方法，其特征在于：所述的归一化处理的公式为：Y＝a+q(X
‑
X
min
)式中，Y为归一化处理后的数据；a为归一化区间下限值；X为归一化处理前的数据；X
min
为样本数据中的最小值；q为归一化系数。4.根据权利要求1所述的基于机器学习的岩性识别方法，其特征在于：根据处理后历史运行数据集，基于机器学习建立工程爆破岩性识别模型，包括如下步骤：将处理后历史运行数据集分为训练数据集和测试数据集；将训练数据集输入SSA算法优化SVR模型进行训练，得到初始的工程爆破岩性识别模型；将测试数据集输入初始的工程爆破岩性识别模型进行优化，得到最优的工程爆破岩性识别模型。5.根据权利要求4所述的基于机器学习的岩性识别方法，其特征在于：SSA算法优化SVR模型，包括如下步骤：初始化SSA算法的种群参数，得到初始化种群；根据初始化种群，获取SSA算法的最优适应度函数值；基于最优适应度函数值的SSA算法进行训练，得到SVR模型的最优惩罚系数和最优高斯核函数宽度；将训练数据集输入设置有最优惩罚系数和最优高斯核函数宽度的SVR模型进行训练，得到初始的工程爆破岩性识别模型...

【专利技术属性】
技术研发人员：余德运，李泽华，王洪强，王仲琦，杨恩，徐谦，王旭耀，杨威，王金海，郝成磊，
申请(专利权)人：北方爆破科技有限公司，
类型：发明
国别省市：