【技术实现步骤摘要】
本专利技术属于地层结构识别，更具体地，涉及一种基于k-means无监督学习的地层结构识别方法及系统。
技术介绍
1、准确地识别地层结构对于采矿工程、隧道工程、石油工程及边坡工程等岩土工程至关重要。传统地层结构识别主要依靠钻探取芯后的地质分析，这一过程通常需要人工解释，不仅耗时且会耗费大量财力和人力，并且在复杂地层条件下准确性有限。随钻测试技术作为一种创新的原位测试技术，可以通过监测钻机的钻进参数来反演地层结构，为现场快速、准确的地层识别提供了基础。然而，目前该技术通常依赖于单一钻进参数或简单的力学模型进行反演，由于受到多种外部因素的干扰，难以保证结果的准确性，这限制了基于随钻测试技术的地层识别方法的精确度提升。
2、机器学习致力于研究如何使计算机系统通过经验自动提升性能，通过算法自动识别数据中的模式和规律进行学习，并据此做出决策或预测。近年来，计算机科学的迅速发展使得利用随钻测试数据作为机器学习数据集，基于随钻测试准确自动智能识别地层结构成为可能。例如，专利202111338652.2公开了一种基于多层感知机的随钻智能识别方法，基于监督学习通过给地层贴标签的方式，让算法学习钻进参数与岩土体性质之间的关系，构建岩石结构智能识别模型。同样基于监督学习的专利202110784665.6，公开了一种隧道超前岩性随钻识别方法，该方法根据隧道掌子面的超前钻孔数据，通过确定钻孔地区岩层的岩性后，构建钻孔数据与岩性间的关系模型，进而进行岩性识别。这些方法一旦模型构建完成，便能智能地识别地层。然而，专利202111338652.2和专
技术实现思路
1、为解决以上技术问题，本专利技术提出一种基于k-means无监督学习的地层结构识别方法，包括：
2、步骤s100，通过随钻测试设备获取钻机钻进时各类随钻参数的数据，构建初始数据集；
3、步骤s200，将所述初始数据集进行归一化处理，得到用于k-means无监督学习的归一化数据集；
4、步骤s300，设置预测结果的类别k，最大迭代次数以及偏差；
5、步骤s400，随机选择k个数据点作为初始的聚类中心；
6、步骤s500，分别计算所述归一化数据集中各个数据点到所述初始的聚类中心的距离，并将距离小于等于预设距离阈值的点归为一类；
7、步骤s600，重新选择k个数据点作为更新的聚类中心；
8、步骤s700，重复步骤s500进行迭代；
9、步骤s800，达到步骤s300中最大迭代次数后输出分类结果，从而完成地层结构识别。
10、进一步的，在所述步骤s100之前还包括：在第一次作业前对随钻测试设备的传感器进行标定。
11、进一步的，还包括：步骤s900，如果需要识别的地层结构在同一地层中，仅某一深度地层发生改变或连续改变的各类随钻参数的数据的序列数小于决策阈值时，则将所述地层视为与原地层一致。
12、进一步的，还包括：步骤s1000，根据分类结果对随钻参数的数据进行加权平均处理。
13、进一步的，还包括：计算分类结果中数据点的异常度量值，将所述异常度量值大于预设异常度量阈值的数据点，从与其对应的类别中删除。
14、本专利技术还提出一种基于k-means无监督学习的地层结构识别系统，包括：
15、归一化模块，用于通过随钻测试设备获取钻机钻进时各类随钻参数的数据，构建初始数据集，将所述初始数据集进行归一化处理，得到用于k-means无监督学习的归一化数据集
16、聚类模块，用于设置预测结果的类别k，最大迭代次数以及偏差，随机选择k个数据点作为初始的聚类中心，分别计算所述归一化数据集中各个数据点到所述初始的聚类中心的距离，并将距离小于等于预设距离阈值的点归为一类，重新选择k个数据点作为更新的聚类中心，重复进行迭代，直到达到最大迭代次数后输出分类结果，从而完成地层结构识别。
17、进一步的，还包括标定模块，用于在第一次作业前对随钻测试设备的传感器进行标定。
18、进一步的，还包括：如果需要识别的地层结构在同一地层中，仅某一深度地层发生改变或连续改变的各类随钻参数的数据的序列数小于决策阈值时，则将所述地层视为与原地层一致。
19、进一步的，还包括：根据分类结果对随钻参数的数据进行加权平均处理。
20、进一步的，还包括：计算分类结果中数据点的异常度量值，将所述异常度量值大于预设异常度量阈值的数据点，从与其对应的类别中删除。
21、通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：
22、1.本专利技术方法首先通过高精度随钻测试设备收集的数据构建数据集，并对该数据集进行归一化处理。高精度随钻设备所获得的数据为准确识别提供了可靠保证。归一化处理旨在避免由于某些特征的值域较大而在模型训练过程中占据主导地位。此外，由于随钻参数的量纲各异，归一化能够确保不同参数在相同尺度上进行比较和评估。归一化也有助于避免数据集中不可避免的极端最大值和最小值可能引起的数值计算问题，如溢出或下溢，从而为后续分析结果的准确性奠定基础。
23、2.本专利技术方法引入了k-means无监督学习算法，以有效应对监督学习中需要大量标注数据的挑战。鉴于地质数据的标注成本高且耗时，且在复杂或未知的地层环境中准确标注数据难以获得，本方法能显著降低成本，并依据随钻数据快速、经济地识别地层结构。
24、3.本专利技术的方法通过自主设计的决策模块，有效减少分类误差，以及由微观地质条件变化或其他随机因素引起的影响。该决策模块能够在分类结果中过滤掉可能由随机因素引起的噪音或误差，从而提高地层分类的质量和实用性，确保结果的准确性和可靠性。
25、4.本专利技术的方法能够在大尺度与地质剖面结果一致的前提下，精准地识别出地质剖面未曾表现的关键层位。这一特性为破碎软弱岩层及其强度参数的识别、以及地质模型的精准构建提供了有力保障。
本文档来自技高网...【技术保护点】
1.一种基于K-means无监督学习的地层结构识别方法，其特征在于，包括：
2.如权利要求1所述的一种基于K-means无监督学习的地层结构识别方法，其特征在于，在所述步骤S100之前还包括：在第一次作业前对随钻测试设备的传感器进行标定。
3.如权利要求1所述的一种基于K-means无监督学习的地层结构识别方法，其特征在于，还包括：步骤S900，如果需要识别的地层结构在同一地层中，仅某一深度地层发生改变或连续改变的各类随钻参数的数据的序列数小于决策阈值时，则将所述地层视为与原地层一致。
4.如权利要求1所述的一种基于K-means无监督学习的地层结构识别方法，其特征在于，还包括：步骤S1000，根据分类结果对随钻参数的数据进行加权平均处理。
5.一种基于K-means无监督学习的地层结构识别系统，其特征在于，包括：
6.如权利要求5所述的一种基于K-means无监督学习的地层结构识别系统，其特征在于，还包括标定模块，用于在第一次作业前对随钻测试设备的传感器进行标定。
7.如权利要求5所述的一种基于K-mean
8.如权利要求5所述的一种基于K-means无监督学习的地层结构识别系统，其特征在于，还包括：根据分类结果对随钻参数的数据进行加权平均处理。
...【技术特征摘要】
1.一种基于k-means无监督学习的地层结构识别方法，其特征在于，包括：
2.如权利要求1所述的一种基于k-means无监督学习的地层结构识别方法，其特征在于，在所述步骤s100之前还包括：在第一次作业前对随钻测试设备的传感器进行标定。
3.如权利要求1所述的一种基于k-means无监督学习的地层结构识别方法，其特征在于，还包括：步骤s900，如果需要识别的地层结构在同一地层中，仅某一深度地层发生改变或连续改变的各类随钻参数的数据的序列数小于决策阈值时，则将所述地层视为与原地层一致。
4.如权利要求1所述的一种基于k-means无监督学习的地层结构识别方法，其特征在于，还包括：步骤s1000，根据分类结果对随钻参数的数据进行加...
【专利技术属性】
技术研发人员：杨锦，陈自强，汤华，陈骏，程谞，唐廷柱，吴振君，高成明，张勇慧，
申请(专利权)人：云南省交通发展投资有限责任公司，
类型：发明
国别省市：
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。