一种基于Stacking算法的岩性识别预测方法技术

本发明专利技术公开了一种基于Stacking算法的岩性识别预测方法，涉及岩土工程数据处理技术领域，解决了复杂地质岩石岩性识别预测问题。方法包括以下步骤：1)获取训练用数据，包括随钻测量参数、地质报告，构建学习样本；2)对数据进行异常值处理和归一化处理，并划分出训练集与测试集；3)将处理后的训练集放入Stacking算法建立的模型进行岩性识别的训练；4)使用训练好的模型对测试集的数据进行岩性预测；5)通过F1‑Score评价训练的模型性能，如未达到预期效果，调整Stacking中的超参数重新进行步骤3)、4)，直到获得预期模型。与现有技术相比，基于Stacking算法构建的岩性识别模型对非线性关系的拟合更为出色，拥有良好的表达能力与泛化能力。

【技术实现步骤摘要】

本专利技术涉及岩土工程数据处理，尤其是一种基于stacking算法的岩性识别预测方法。

技术介绍

1、测定煤巷岩性是实现煤炭安全、高效、智能化开采的前提，岩性识别是根据钻进过程中的钻进参数，获取岩土体结构特征参数，并反演地层结构信息的过程。但是目前的传统识别方法，如钻孔窥视法、钻井取心鉴定等，工作成本高，耗时长，且获取岩体信息数据有限。因此，利用机器学习算法分析钻进数据，提高岩性识别的准确性，并降低岩性信息获取成本，无疑对煤矿的安全生产具有重要的意义，也是对传统地层岩性识别方法的补充。

2、应用机器学习算法进行岩性识别的本质是建立模型对已有随钻测量数据(推进力、扭矩、钻进距离、时间等)和对应地质报告进行学习，建立随钻测量数据与岩性间的隐藏关系，最后实现对其他地层进行岩性识别。目前常用的机器学习算法有支持向量机、神经网络、k-最近邻、随机森林、梯度提升决策树等，这些方法在岩性识别的精度提升上有着显著的表现。

3、以上均为单一岩性识别算法，实际上每种算法均存在一定的缺点和应用局限性，可以通过组合各算法来解决该问题。传统的组合预测方法只是本文档来自技高网...

【技术保护点】

1.一种基于Stacking算法的岩性识别预测方法，其特征在于，包括以下步骤：1)获取训练用数据，包括随钻测量参数(时间、位移、扭矩、马达油压差、推进油压差、推进力)、地质报告，构建样本数据集；2)对样本数据集进行异常值处理，包括数据清洗和归一化处理，并划分出训练集与测试集；3)将处理后的训练集放入Stacking算法建立的模型进行岩性识别的训练；4)使用训练好的模型对测试集的数据进行岩性预测；5)通过F1-Score评价训练的模型性能，如未达到预期效果，调整Stacking中的超参数重新进行步骤3)、4)，直到获得预期模型。

2.根据权利要求1所述的一种基于Stacking...

【技术特征摘要】

1.一种基于stacking算法的岩性识别预测方法，其特征在于，包括以下步骤：1)获取训练用数据，包括随钻测量参数(时间、位移、扭矩、马达油压差、推进油压差、推进力)、地质报告，构建样本数据集；2)对样本数据集进行异常值处理，包括数据清洗和归一化处理，并划分出训练集与测试集；3)将处理后的训练集放入stacking算法建立的模型进行岩性识别的训练；4)使用训练好的模型对测试集的数据进行岩性预测；5)通过f1-score评价训练的模型性能，如未达到预期效果，调整stacking中的超参数重新进行步骤3)、4)，直到获得预期模型。

2.根据权利要求1所述的一种基于stacking算法的岩性识别预测方法，所述步骤1)特征在于，样本数据集记为χ＝{{x1,y1},{x2,y2},···,{xi,yi}}，其中xi代表第i组特征向量，其中xi＝[xi1,xi1,···,xi6]t，xi1,xi2,···,xi6分别代表第i组特征向量的时间、位移、扭矩、马达油压差、推进油压差、推进力。

3.根据权利要求1所述的一种基于stacking算法的岩性识别预测方法，所述步骤2)特征在于，对样本数据集使用隔离森林方法进行数据清洗，清洗5％的异常值，将清洗后的数据集进行归一化处理，所述的归一化处理方法为：其中x为待处理样本，x′为归一化处理后的数据，x为样本的平均值，max(x)为样本中最大值，min(x)为样本中最小值，将经过异常值处理和归一化处理后的数据划分训练集χ...

【专利技术属性】
技术研发人员：岳中文，薛克军，闫逸飞，金庆雨，马文彪，周星源，龙思晨，胡昊，薛力玮，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：