【技术实现步骤摘要】
本专利技术属于岩土工程数据处理，具体涉及一种基于梯度提升决策树和随钻参数的岩体完整性识别方法。
技术介绍
1、在采矿与岩体工程领域，借助勘测技术识别地下岩体信息是安全施工的重要保障。对于信息模糊的地下赋存岩体，若不能合理掌握岩层分布、基本结构构造、关键软弱夹层位置等信息，尤其是岩体完整性情况，将难以保证设计方案与决策判断的可靠性。借助地球物理勘探、钻孔取芯及随钻测井等是识别这类地质信息的常规技术，尤其通过钻孔取芯并开展编录实验工作，在地下开采、隧道建设以及大型建构筑物施工中应用广泛。然而，这类技术尽管能提供完整保真的地质信息，但往往流程复杂、耗时耗力，需要注入大量的生产工期与经济成本，且依赖勘察人员的专业技能经验。另外，在许多工程实践中，会存在岩芯获取困难或只需定性掌握研究区域岩性的情况，这对于传统的识别技术提出极大的挑战。众多研究表明，钻孔过程中的钻进速率、转速、扭矩压力等随钻运行参数与岩石强度及岩体结构面参数之间具有良好的相关性。大量学者也已通过统计分析、经验准则和数值模拟等手段展开随钻参数与岩体性质间的关联性分析，并提出了相应的预测模型与方案，但是依然避免不了主观经验干扰、预测精度不佳和适应性有限等局限，仍需深入研究并开发更可靠的预测模型开发工作。为此，亟需提供一种能够突破传统方法的弊端，并能基于随钻参数实现岩体完整性识别的方法。
技术实现思路
1、针对上述现有技术存在的问题，本专利技术提供一种基于梯度提升决策树和随钻参数的岩体完整性识别方法，该方法能通过一体化的流程科学合理
2、为了实现上述目的，本专利技术提供一种基于梯度提升决策树和随钻参数的岩体完整性识别方法，具体包括以下步骤：
3、步骤一：样本采集与数据库搭建；
4、s11：确定钻孔点位，采用随钻仪记录并采集钻进过程中的多种关键随钻参数；
5、s12：应用成像仪采集整个钻孔的孔壁图像数据；
6、s13：结合岩芯样本开展编录工作，分析随钻参数数据与孔壁图像数据，掌握全孔的随钻参数变化规律，完成岩芯完整性分级，构建随钻数据库；
7、s14：对所构建的数据库进行相关性分析，探究各参数间的关联程度；
8、步骤二：构建岩体完整性预测的gbdt基础模型；
9、选用梯度提升决策树gbdt算法作为岩体完整性识别的基础分类器，完成岩体完整性预测的gbdt基础模型的建模；
10、步骤三：混合分类模型gwo-gbdt的建模及优选；
11、采用gwo的迭代寻优机制，在设定的搜索空间内广泛搜索可能的候选解，寻求出最优的gbdt参数配置；将优化策略gwo与分类算法gbdt相结合，并利用不同数量的种群规模构建不同的混合分类模型gwo-gbdt，再通过对比分析的方式筛选出最佳的混合分类模型gwo-gbdt；
12、步骤四：进行岩体完整性的识别，获取反映岩体完整性分级的预测分析图；
13、将步骤一所构建的随钻数据库输入至最佳的混合分类模型gwo-gbdt中，并捕捉输入、输出参数间的复杂非线性关系，以在仅参考随钻参数的条件下，实现岩体完整性的无接触式识别；结合最佳的混合分类模型gwo-gbdt进行参数重要性分析，筛选出对于完整性预测贡献度排名靠前的二个随钻参数；在步骤一所构建的随钻数据库中仅保留贡献度排名靠前的二个随钻参数，并剔除明显异常值，得到新的随钻数据库；基于新的随钻数据库再次进行混合分类模型gwo-gbdt的建模；利用排名靠前的二个随钻参数和完整性构建三分类数据库，作为图解输出的数据基础，再将其输入至新的混合分类模型gwo-gbdt中，获得并显示相应的岩体完整性分区结果的预测分析图。
14、作为一种优选，在s11中的多种关键随钻参数包括深度、推进速度、推力压力、泵压、扭矩压力和转速。
15、作为一种优选，在s12中采用智能钻孔三维电视成像仪采集整个钻孔的孔壁图像数据。
16、进一步，为了获得识别精度高的混合分类模型gwo-gbdt，在步骤三中混合分类模型gwo-gbdt的建模及优选的过程如下：
17、s31：数据预处理与参数初始化；
18、根据4：1的比例分割所构建的随钻数据库，利用其中80％的样本组建成训练集用以训练模型，使其在自主学习数据信息后获取预测能力，利用其中20％的样本组建成测试集，用以验证所建模型的泛化能力是否达标；并设定gwo-gbdt模型的内置参数；
19、s32：适应度评价与迭代寻优；
20、基于交叉验证策略设置适应度函数，用以评价模型在每轮迭代中产生的所有候选解的质量；基于gwo策略设定的优化规则进行迭代循环，使得混合模型给出的候选解质量不断提升，促使解集向更优良的方向发展，寻求最优的gbdt参数配置；
21、s33：模型优选与性能评价；
22、选取10、20、30、40、50和100的种群规模构建不同的gwo-gbdt模型，并进行充分的对比分析；通过准确率、精准率、召回率、f1分数、混淆矩阵和受试者工作特征曲线衡量模型的训练测试结果，对各个gwo-gbdt模型进行指标评分并筛选最佳模型，综合分析最佳模型的泛化性能，确保其在结合随钻参数预测岩体完整性方面具有高精度、高稳定性的优势。
23、作为一种优选，在s31中的内置参数包括循环迭代次数、种群规模、待优化参数取值范围。
24、本专利技术结合钻探实验、孔内电视图像测定和岩芯编录操作，获取真实足量的随钻参数与孔壁图像数据，并结合已有信息进行数据处理，判别不同岩芯段的完整性级别，构建数据源可靠的随钻数据库，可以形成良好的数据支持。采用梯度提升决策树gbdt作为岩体完整性识别的基础，并借助优化性能可观的灰狼优化算法gwo，自主配置gbdt的核心超参数，实现预测模型的性能改善，确保了混合分类模型在随钻数据库上有更优良的分类表现，进而有利于获得高精度、高稳定性的混合分类模型gwo-gbdt。基于多组混合模型的对比分析，筛选最佳的混合分类模型，作为基于随钻参数进行岩体完整性预测的依据，可以确保随钻参数与岩体完整性的智能转化精度能够达到工程应用标准，在相关领域具备十足的应用潜力。最后结合参数重要性分析手段，确定对于预测过程最重要的两类随钻参数，并导出相应的预测分析图，给予完整性类别的直观分级，为工程勘察领域提供了使用便捷、直观准确的可视化工具。考虑到现有勘察及预测技术所存在的流程复杂、成本较高、精度有限和难于拓展等现状，本方法结合新兴的数字钻探测试与智能预测技术提出了一种基于梯度提升决策树和随钻参数的岩体完整性识别方法，其能通过一体化的流程科学合理地实现岩体的完整性识别，有利于大幅降低生产成本，经济效益好，同时，其能显著精简勘察流程、缩短勘察周期，并能极大地提升预测精度，有助于提前预知岩体完整性信息，为相关领本文档来自技高网...
【技术保护点】
1.一种基于梯度提升决策树和随钻参数的岩体完整性识别方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于梯度提升决策树和随钻参数的岩体完整性识别方法，其特征在于，在S11中的多种关键随钻参数包括深度、推进速度、推力压力、泵压、扭矩压力和转速。
3.根据权利要求1或2所述的一种基于梯度提升决策树和随钻参数的岩体完整性识别方法，其特征在于，在S12中采用智能钻孔三维电视成像仪采集整个钻孔的孔壁图像数据。
4.根据权利要求3所述的一种基于梯度提升决策树和随钻参数的岩体完整性识别方法，其特征在于，在步骤三中混合分类模型GWO-GBDT的建模及优选的过程如下：
5.根据权利要求4所述的一种基于梯度提升决策树和随钻参数的岩体完整性识别方法，其特征在于，在S31中的内置参数包括循环迭代次数、种群规模、待优化参数取值范围。
【技术特征摘要】
1.一种基于梯度提升决策树和随钻参数的岩体完整性识别方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于梯度提升决策树和随钻参数的岩体完整性识别方法，其特征在于，在s11中的多种关键随钻参数包括深度、推进速度、推力压力、泵压、扭矩压力和转速。
3.根据权利要求1或2所述的一种基于梯度提升决策树和随钻参数的岩体完整性识别方法，其特征在于，在s12中采...
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。