基于决策树算法的海底土类型识别方法技术

本发明专利技术公开了一种基于决策树算法的海底土类型识别方法，包括在线实时识别土质类型和离线构建决策树两个部分，在线实时识别土质类型的步骤如下：1)基于CPT数据计算归一化特征和修正特征；2)特征参数滤波；3)利用决策树识别海底土类型；离线构建决策树的步骤如下：1)构建训练集；2)计算训练集中数据分类的信息熵；3)计算特征参数的信息增益及信息增益率，确定根节点及其阈值；4)依据根节点特征参数的不同取值建立决策树分枝；5)设置决策树终止条件。本发明专利技术具有方法简单、实时性好、节约人力、易于实现等优点。适用于海底土类型识别。适用于海底土类型识别。适用于海底土类型识别。

【技术实现步骤摘要】
基于决策树算法的海底土类型识别方法


[0001]本专利技术涉及海洋工程、海洋资源勘探与开发、海洋调查等
，具体涉及一种基于决策树算法的海底土类型识别方法。

技术介绍

[0002]海底土质类型及特征是海洋普查与勘探的重要内容之一，是海洋石油开采、海上风电施工的重要参考指标。充分了解海底土类型及特征是开采海洋资源的前提。
[0003]通过静力触探设备(简称CPT)，可获取海底土质特征信息，包括锥端阻力、侧摩阻力、孔隙水压力等。现阶段已开展了利用聚类算法、小波分析、机器学习等方法识别陆地土质类型方面的研究，在海底土类型识别方面的研究较少。
[0004]目前，海底土类型判别及分析主要通过人工完成，操作人员基于静力触探设备采集的原始测量数据及其特征，根据采集的土样描述确定土质类型。人工识别海底土质类型对操作人员的知识储备、经验丰富程度等具有较高要求，且工作效率较低，因此，这一传统方法亟需改进。

技术实现思路

[0005]本专利技术的目的是根据CPT数据自动识别海底土类型。本专利技术具有方法简单、实时性好、节约人力、易于实现等优点。适用于海底土类型识别。
[0006]本专利技术包括在线实时识别土质类型和离线构建决策树两个部分。
[0007]在线实时识别土质类型的步骤如下：
[0008](1)基于CPT数据计算归一化特征和修正特征：
[0009]应用CPT测量海底以下一定深度内的锥端阻力q
c
、侧摩阻力f
s
、孔隙水压力u2；计算修正锥端阻力q
t
＝q
c
+(1
‑
α)u2，其中，α为锥端有效面积比，由CPT设备确定；根据计算归一化锥端阻力Q
t
，其中，σ'
v0
为有效上覆压力，σ'
v0
＝γ'
×
d，γ'为上覆土层平均有效容重，单位为MN/m3；摩阻比R
f
根据计算得到；孔压参数比B
q
根据计算得到，其中，d为海底以下探测位置的深度，u0＝γ
w
×
d，γ
w
为海水或泥浆容重，单位为KN/m3；归一化摩阻比F
r
根据计算得到，γ'和γ
w
为参数，在测试中由人工给定；
[0010](2)特征参数滤波：
[0011]对特征参数B
q
、R
f
、Q
t
、F
r
进行中值滤波，得到滤波后的特征参数；
[0012](3)利用决策树识别海底土类型：
[0013]将滤波后的特征参数输入决策树，根据决策树给出的决策规则，判定该特征参数
对应的海底土类型，其中，决策树根据训练数据集离线构建。
[0014]离线构建决策树的步骤如下：
[0015](1)构建训练集：
[0016]中值滤波后的B
q
、R
f
、Q
t
、F
r
及其对应的参考海底土质类型构成训练数据集，其中，参考海底土质类型由人工根据采集的土样确定；
[0017](2)计算训练集中数据分类的信息熵：
[0018]设S为含有n个训练样本的数据集，训练集中参考海底土质类型数为m，海底土质类型集合为{S1，S2，
…
，S
i
，
…
，S
m
}，第i种土质类型含有的样本数为n
i
，土质类型S
i
出现的概率p
i
根据计算，将S划分为m个土质类型的信息熵I根据计算，i＝1，2，
…
，m；
[0019](3)计算特征参数的信息增益及信息增益率，确定根节点及其阈值：
[0020]选取训练数据集的某一特征参数A，寻找该属性的最小值min和最大值max；将特征参数A从小到大排列，根据特征参数A的两个区间[min,λ]和[λ,max]，将数据集S对应划分为两个子集D
j
(j＝1，2)，λ为二分断点，D
j
的样本数为d
j
，D
j
中属于子集S
i
的样本数为d
ij
，D
j
中第i类的概率为p
ij
，根据计算，D
j
的信息熵I
j
根据计算，A的熵Entropy(A)根据计算，根据特征参数A划分D
j
的信息增益Gain(A)根据Gain(A)＝I
‑
Entropy(A)计算；将λ从特征参数A的min到max依次滑动取值，计算不同λ取值下的Gain(A)，并记Gain(A)的最大值为Gain(A)
max
，Gain(A)
max
对应的λ值为特征参数A的阈值；特征参数A的信息增益率GainRatio(A)根据计算；依次计算所有特征参数的信息增益率，最大信息增益率对应的特征参数作为根节点；
[0021](4)依据根节点特征参数的不同取值建立决策树分枝：
[0022]采用递归的方法，以选择信息增益率最大的特征参数作为当前节点的确定标准，对分支节点不断进行划分，直到所有的分枝节点中的子集中的数据的土质类别相同，由此构造完成一棵决策树；
[0023](5)设置决策树终止条件：
[0024]当实际准确率大于或等于期望准确率时，构建的决策树即为海底土类型识别的决策树，其中，期望准确率由人工设定。
附图说明
[0025]图1为CPT18井CPT测量参数q
c
、f
s
、u2随深度变化曲线图；
[0026]图2为CPT18井特征参数B
q
、R
f
、Q
t
、F
r
随深度变化曲线图；
[0027]图3为CPT18井特征参数B
q
、R
f
、Q
t
、F
r
滤波后随深度变化曲线图；
[0028]图4为CPT18测试集分类结果与参考土质类型对比图；
[0029]图5为CPT数据集整体分类结果与参考土质类型对比图；
[0030]图6为训练集中不同土质类型出现的概率图；
[0031]图7为期望准确率为80％时基于CPT18训练集生成的决策树；
[0032]图8为期望准确率为75％时基于CPT训练集生成的决策树；
[0033]图9为期望准确率为80％时基于CPT训练集生成的决策树；
[0034]图10为期望准确率为85％时基于CPT训练集生成的决策树；
[0035]图11为期望准确率为90％时基于CPT训练集生成的决策树。
具体实施方式<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于决策树算法的海底土类型识别方法，其特征在于能够根据CPT数据自动识别海底土类型，包括如下步骤：(1)基于CPT数据计算归一化特征和修正特征：应用CPT测量海底以下一定深度内的锥端阻力q
c
、侧摩阻力f
s
、孔隙水压力u2；计算修正锥端阻力q
t
＝q
c
+(1
‑
α)u2，其中，α为锥端有效面积比，由CPT设备确定；根据计算归一化锥端阻力Q
t
，其中，σ'
v0
为有效上覆压力，σ'
v0
＝γ'
×
d，γ'为上覆土层平均有效容重，单位为MN/m3；摩阻比R
f
根据计算得到；孔压参数比B
q
根据计算得到，其中，d为海底以下探测位置的深度，u0＝γ
w
×
d，γ
w
为海水或泥浆容重，单位为KN/m3；归一化摩阻比F
r
根据计算得到，γ'和γ
w
为参数，在测试中由人工给定；(2)特征参数滤波：对特征参数B
q
、R
f
、Q
t
、F
r
进行中值滤波，得到滤波后的特征参数；(3)利用决策树识别海底土类型：将滤波后的特征参数输入决策树，根据决策树给出的决策规则，判定该特征参数对应的海底土类型，其中，决策树根据训练数据集离线构建。2.权利要求1所述的决策树离线构建方法，包括如下步骤：(1)构建训练集：中值滤波后的B
q
、R
f
、Q
t
、F
r
及其对应的参考海底土质类型构成训练数据集，其中，参考海底土质类型由人工根据采集的土样确定；(2)计算训练集中数据分类的信息熵：设S为含有n个训练样本的数据集，训练集中参考海底土质类型数为m，海底土质类型集合为{S1，S2，
…
，S
i<...

【专利技术属性】
技术研发人员：王微微，史文怡，韩梦璇，乔文洵，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：