本发明专利技术提供一种基于机器学习的岩体风化识别方法，涉及岩体风化识别技术领域，该方法为通过数据异常值和标准化处理，去除岩体采集数据的异常值，得到岩体风化样本数据；利用特征提取层和识别层，构建岩体风化预测模型；将训练集输入岩体风化预测模型，利用随机搜索和交叉验证方法进行训练，得到训练好的岩体风化预测模型；利用训练好的岩体风化预测模型用于对随钻数据进行分析，得到岩体风化识别结果，完成对岩体风化的识别。本发明专利技术解决了岩体风化程度难以准确识别的问题。
【技术实现步骤摘要】
本说明书涉及岩体风化识别，特别涉及一种基于机器学习的岩体风化识别方法。
技术介绍
1、岩体风化是岩体受物理、化学、生物作用破碎和分解的过程，影响其力学特性。风化程度的划分可通过定性(如外观特征)和定量方法(如波速比等)实现。传统的判定依赖人工判别、实验室分析和现场测量。诸如回弹仪等，虽然精度高，但往往费时且难以实时监测。随钻测量(mwd)技术通过传感器实时获取钻压、转速等关键数据，为岩体力学特性分析提供了关键信息，具有高精度、多信息、集成化等特点，可显著提高识别效率。近年来，随钻测试技术已广泛应用于岩体开挖过程中的特征表征，包括岩性类别、施工区域稳定性、支护设计以及单轴抗压强度、抗剪强度等岩体强度参数。因此，利用随钻数据进行岩体风化程度的实时预测已成为现实。机器学习的广泛应用推动了数据驱动型岩体特征评估的发展。然而，关于mwd数据与岩体风化程的直接关联研究仍较少，快速、准确评估风化程度的数据驱动智能模型尚未广泛建立。亟需深入探讨如何利用机器学习技术实现岩体风化程度的智能预测。
技术实现思路
>1、针对现有技术中本文档来自技高网...
【技术保护点】
1.一种基于机器学习的岩体风化识别方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的岩体风化识别方法，其特征在于，所述S1包括：
3.根据权利要求2所述的基于机器学习的岩体风化识别方法，其特征在于，所述每个数据点的平均路径长度的表达式为：
4.根据权利要求1所述的基于机器学习的岩体风化识别方法，其特征在于，所述岩体风化预测模型包括：
5.根据权利要求1所述的基于机器学习的岩体风化识别方法，其特征在于，所述S3包括：
6.根据权利要求5所述的基于机器学习的岩体风化识别方法，其特征在于，所述性能评估结果的表达式为：...
【技术特征摘要】
1.一种基于机器学习的岩体风化识别方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的岩体风化识别方法，其特征在于，所述s1包括：
3.根据权利要求2所述的基于机器学习的岩体风化识别方法，其特征在于，所述每个数据点的平均路径长度的表达式为：
4.根...
【专利技术属性】
技术研发人员：陈佳耀，李阳，牛晓凯，房倩，谢治天，沈一凡，许睿智，刘孝天，肖腾，辛昊泽，徐羚焱，韦杨晨，
申请(专利权)人：北京交通大学，
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。