一种基于LIBS光谱的火山岩岩性识别方法与装置制造方法及图纸

本发明专利技术提供一种基于LIBS光谱的火山岩岩性识别方法与装置。该方法包括：步骤一：获取待识别的火山岩LIBS谱图数据；步骤二：将所述待识别的火山岩LIBS谱图数据输入火山岩岩性识别模型进行识别，得到火山岩岩性的识别结果；所述火山岩岩性识别模型根据S3VM分类模型和KNN模型协作训练得到，所述S3VM分类模型的参数采用鲸鱼优化算法来优化得到。本发明专利技术通过S3VM分类模型和KNN模型协作训练得到火山岩岩性识别模型，利用该火山岩岩性识别模型对火山岩的岩性进行识别，能够提高火山岩岩性的识别精度。精度。精度。

【技术实现步骤摘要】
一种基于LIBS光谱的火山岩岩性识别方法与装置


[0001]本专利技术涉及石油勘探
，尤其涉及一种基于LIBS光谱的火山岩岩性识别方法与装置。

技术介绍

[0002]随着世界范围内碎屑岩、碳酸盐岩油气勘探开发形势的日益严峻和伴随社会经济高速发展而来的油气消费量的急剧增加，火山岩油气藏的勘探开发逐渐引起了研究者的兴趣。准确识别火山岩岩性特征是研究火山油气藏的重要基础。但火山岩岩性复杂，矿物成分多变，测井响应特征不明显，岩性识别难度极大。
[0003]现有的火山岩岩性识别方法中存在准确率低的问题。

技术实现思路

[0004]本专利技术提供一种基于LIBS光谱的火山岩岩性识别方法与装置，用以解决现有技术中火山岩岩性识别准确度低的缺陷，实现火山岩岩性的高精度识别。
[0005]本专利技术提供一种基于LIBS光谱的火山岩岩性识别方法，包括：
[0006]步骤一：获取待识别的火山岩LIBS谱图数据；
[0007]步骤二：将所述待识别的火山岩LIBS谱图数据输入火山岩岩性识别模型进行识别，得到火山岩岩性的识别结果；
[0008]所述火山岩岩性识别模型根据S3VM分类模型和KNN模型协作训练得到，所述S3VM分类模型的参数采用鲸鱼优化算法来优化得到。
[0009]根据本专利技术提供的一种基于LIBS光谱的火山岩岩性识别方法，步骤一中所述待识别的火山岩LIBS谱图数据根据以下方法获取得到：
[0010]采集待测火山岩样本，用激光诱导击穿光谱仪采集所述采集待测火山岩样本的LIBS谱图，得到所述待识别的火山岩LIBS谱图数据。
[0011]根据本专利技术提供的一种基于LIBS光谱的火山岩岩性识别方法，所述S3VM分类模型的参数包括：RBF核参数γ和正则化参数c；参数的范围为0
‑
1。
[0012]根据本专利技术提供的一种基于LIBS光谱的火山岩岩性识别方法，步骤二中所述火山岩岩性识别模型根据S3VM分类模型和KNN模型协作训练得到包括：
[0013]步骤21：获取火山岩的第一标记样本、未标记样本；
[0014]步骤22：根据所述第一标记样本训练所述S3VM分类模型，得到初始S3VM分类模型；
[0015]步骤23：利用所述KNN模型对所述未标记样本进行验证，根据验证结果迭代更新所述S3VM分类模型，以得到最终的S3VM分类模型；
[0016]步骤24：以所述最终的S3VM分类模型作为所述火山岩岩性识别模型。
[0017]根据本专利技术提供的一种基于LIBS光谱的火山岩岩性识别方法，所述步骤23包括：
[0018]将所述未标记样本分别输入S3VM分类模型和KNN模型进行识别，以获取识别结果；
[0019]如果S3VM分类模型的识别结果与KNN模型的识别结果一致，则根据识别结果对所
述未标记样本进行标记，以得到第二标记样本，并将所述第二标记样本加入所述所述第一标记样本；如果S3VM分类模型的识别结果与KNN模型的识别结不果一致，则分别S3VM置信度和KNN置信度；
[0020]比较所述S3VM置信度和KNN置信度的大小，根据置信度较高对应的模型对所述未标记样本进行标记，以得到第三标记样本，并将所述第三标记样本加入所述第一标记样本。
[0021]根据本专利技术提供的一种基于LIBS光谱的火山岩岩性识别方法，获取所述步骤21火山岩的第一标记样本的方法包括：
[0022]步骤211：采集不同火山岩样本，用激光诱导击穿光谱仪采集所述不同火山岩样本的火山岩谱图，得到原始火山岩LIBS谱图数据；
[0023]步骤212：采用Hermite三次插值基线校正方法对所述原始火山岩LIBS谱图数据进行基线校正，得到基线校正后的光谱信号；
[0024]步骤213：采用小波模极大值法对所述基线校正后的光谱信号进行降噪处理，得到去噪后的光谱信号；
[0025]步骤214：对所述去噪后的光谱信号进行总强度归一化光谱处理，归一化处理后的光谱数据；
[0026]步骤215：，采用主成分分析法对所述归一化处理后的光谱数据进行特征提取，得到火山岩的特征参数集；
[0027]步骤216：对所述火山岩的特征参数集中的一部分数据进行标记，得到所述第一标记样本。
[0028]本专利技术还提供一种基于LIBS光谱的火山岩岩性识别装置，包括：
[0029]获取单元：获取待识别的火山岩LIBS谱图数据；
[0030]识别单元：将所述待识别的火山岩LIBS谱图数据输入火山岩岩性识别模型进行识别，得到火山岩岩性的识别结果；
[0031]所述火山岩岩性识别模型根据S3VM分类模型和KNN模型协作训练得到，所述半监督支持向量机的参数采用鲸鱼优化算法来优化得到。
[0032]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于LIBS光谱的火山岩岩性识别方法。
[0033]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于LIBS光谱的火山岩岩性识别方法。
[0034]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于LIBS光谱的火山岩岩性识别方法。
[0035]本专利技术提供一种LIBS光谱的火山岩岩性识别方法与装置。该方法通过S3VM分类模型和KNN模型协作训练得到火山岩岩性识别模型，利用该火山岩岩性识别模型对火山岩的岩性进行识别，能够提高火山岩岩性的识别精度。
附图说明
[0036]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一
些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本专利技术提供的基于LIBS光谱的火山岩岩性识别方法流程图之一；
[0038]图2为本专利技术提供的基于LIBS光谱的火山岩岩性识别方法流程图之二；
[0039]图3为本专利技术火山岩岩性识别模型模型与其他模型对火山岩岩性识别结果对比图；
[0040]图4为本专利技术提供的火山岩岩性识别装置结构框图；
[0041]图5是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0042]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0043]目前，测井岩性识别主要是通过建立测井参数与岩石类型之间的映射关系，并利用该映射去本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LIBS光谱的火山岩岩性识别方法，其特征在于，包括以下步骤：步骤一：获取待识别的火山岩LIBS谱图数据；步骤二：将所述待识别的火山岩LIBS谱图数据输入火山岩岩性识别模型进行识别，得到火山岩岩性的识别结果；所述火山岩岩性识别模型根据S3VM分类模型和KNN模型协作训练得到，所述S3VM分类模型的参数采用鲸鱼优化算法来优化得到。2.根据权利要求1所述的基于LIBS光谱的火山岩岩性识别方法，其特征在于，步骤一中所述待识别的火山岩LIBS谱图数据根据以下方法获取得到：采集待测火山岩样本，用激光诱导击穿光谱仪采集所述采集待测火山岩样本的LIBS谱图，得到所述待识别的火山岩LIBS谱图数据。3.根据权利要求1所述的基于LIBS光谱的火山岩岩性识别方法，其特征在于，所述S3VM分类模型的参数包括：RBF核参数γ和正则化参数c；参数的范围为0
‑
1。4.根据权利要求1
‑
3任一所述的基于LIBS光谱的火山岩岩性识别方法，其特征在于，步骤二中所述火山岩岩性识别模型根据S3VM分类模型和KNN模型协作训练得到包括：步骤21：获取火山岩的第一标记样本、未标记样本；步骤22：根据所述第一标记样本训练所述S3VM分类模型，得到初始S3VM分类模型；步骤23：利用所述KNN模型对所述未标记样本进行验证，根据验证结果迭代更新所述S3VM分类模型，以得到最终的S3VM分类模型；步骤24：以所述最终的S3VM分类模型作为所述火山岩岩性识别模型。5.根据权利要求4所述的基于LIBS光谱的火山岩岩性识别方法，其特征在于，所述步骤23包括：将所述未标记样本分别输入S3VM分类模型和KNN模型进行识别，以获取识别结果；如果S3VM分类模型的识别结果与KNN模型的识别结果一致，则根据识别结果对所述未标记样本进行标记，以得到第二标记样本，并将所述第二标记样本加入所述所述第一标记样本；如果S3VM分类模型的识别结果与KNN模型的识别结不果一致，则分别S3VM置信度和KNN置信度；比较所述S...

【专利技术属性】
技术研发人员：李忠兵，刘雅杰，梁海波，张毅，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：