积分商城

最新搜索： iar cserialport 无人机 N76E616 goldwave注册机 差分放大器
您现在的位置是：首页 > 技术资料 > 基于机器学习的地层序列模拟
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于机器学习的地层序列模拟

更新时间：2020-01-02 13:14:34 大小：895K 上传用户：songhuahua查看TA发布的资源 标签：机器学习 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

地层结构及其分布的模拟是地质信息化研究与工程规划设计建造的迫切需求。现有的研究方法主要以钻孔数据为基础,选择插值方法进行二维剖面绘制和三维地层建模。插值方法是决定模拟结果准确程度的重要因素,但插值方法的选取受主观因素影响,缺乏科学合理性,难以推广应用。针对这一问题,本文提出一种基于钻孔数据进行机器学习的地层序列模拟方法,即将钻孔地层数据处理为地层类型序列与地层层厚序列,利用循环神经网络与序列-序列架构建立地层序列模拟模型。通过将模拟结果与实际钻孔数据对比分析,发现地层序列模型可以较准确地模拟地表到基岩面之间的地层类型与厚度范围。研究可为地层模拟提供新方法。


部分文件列表

文件名 大小
基于机器学习的地层序列模拟.pdf 895K

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
－
1004 9665 /2019 /27( 4) -0873-07  
Journal of Engineering Geology  
工程地质学报  
－
［J］． ，27( 4) : 873 879． doi: 10． 13544/j． cnki． jeg． 2018  
基于机器学习的地层序列模拟 工程地质学报  
－
， ，  
周翠英 张国豪 杜子纯  
，
等
． 2019．  
229  
［J］．  
Zhou Cuiying，Zhang Guohao，Du Zichun，et al． 2019． Stratigraphic sequence simulation based on machine learning  
Journal of Engineering  
－ －  
Geology，27( 4) : 873 879． doi: 10． 13544 /j． cnki． jeg． 2018 229  
*
基于机器学习的地层序列模拟  
①
②
①
①
周翠英  
张国豪  
杜子纯  
刘 镇  
(
(
510275)  
①中山大学土木工程学院 广州  
②中山大学工学院 广州  
510275)  
。
地层结构及其分布的模拟是地质信息化研究与工程规划设计建造的迫切需求 现有的研究方法主要以钻孔数据为  
摘
要
， 。 ，  
基础 选择插值方法进行二维剖面绘制和三维地层建模 插值方法是决定模拟结果准确程度的重要因素 但插值方法的选取  
， ， 。 ，  
受主观因素影响 缺乏科学合理性 难以推广应用 针对这一问题 本文提出一种基于钻孔数据进行机器学习的地层序列模  
－
，
拟方法 即将钻孔地层数据处理为地层类型序列与地层层厚序列 利用循环神经网络与序列 序列架构建立地层序列模拟模  
，
。
，
通过将模拟结果与实际钻孔数据对比分析 发现地层序列模型可以较准确地模拟地表到基岩面之间的地层类型与厚度  
型
。
范围 研究可为地层模拟提供新方法  
。
－
;
关键词 地层序列模拟 机器学习 循环神经网络 序列 序列学习  
;
;
－
: P628 : A doi: 10． 13544/j． cnki． jeg． 2018 229  
文献标识码  
中图分类号  
STRATIGRAPHIC SEQUENCE SIMULATION BASED ON MACHINE  
LEARNING  
①
②
①
①
ZHOU Cuiying  
ZHANG Guohao  
DU Zichun  
LIU Zhen  
(
School of Civil Engineering，Sun Yat-sen University，Guangzhou 510275)  
①
(
School of Engineering，Sun Yat-sen University，Guangzhou 510275)  
②
Abstract The structure and distribution simulation of strata is an urgent demand in geological informatization as  
well as engineering． Current study methods are mostly based on borehole data，drawing stratigraphic section or  
building three-dimensional geological model through interpolation． Interpolation is an important factor in accuracy．  
However，the determination of interpolation method is subjective，lacking of scientific consideration and therefore  
difficult to apply to other distinct． Therefore，this study proposes a stratigraphic sequence simulation method based  
on machine learning． The method considers the borehole data as type and thickness sequence，and presents the  
stratigraphic sequence simulation model based on recurrent neural network and sequence to sequence learning．  
Comparing the simulation sequence to the actual borehole data，the result indicates that the machine learning-based  
model are capable of describing the stratigraphic sequence above bedrock using coordinate information． This study  
provides a new method for stratigraphy study．  
Key words  
Stratigraphic sequence simulation; Machine learning; Recurrent neural network; Sequence to  
－ －  
: 2018 05 08;  
－ －  
: 2018 07 22．  
收到修改稿日期  
*
收稿日期  
:
基金项目 国家自然科学基金项目  
( 41530638，41030747，41227002，41372302，41472257) ， ( 2016B010124007) ，  
广东省重点应用专项 广  
( 201803030005)  
．
资助  
州市科技计划项目  
This research is supported by the National Natural Science Foundation of China ( Grant Nos． 41530638，41030747，41227002，41372302，  
41472257) ，Key Application Projects in Guangdong Province( Grant No． 2016B010124007) and Guangzhou Science and Technology Plan Projects  
( Grant No． 201803030005) ．  
－
( 1963 ) ， ， ， ， ． Email: ． sysu． edu． cn  
女 博士 教授 主要从事岩土工程的教学与研究工作  
:
第一作者简介 周翠英  
－
( 1981 ) ， ， ， ， ． Email: ． sysu． edu． cn  
男 博士 副教授 主要从事软岩力学与隧道边坡稳定性研究  
:
通讯作者简介 刘镇  
874  
Journal of Engineering Geology  
2019  
工程地质学报  
sequence learning  
。
优秀 的 表 现 在 地 质 学 与 工 程 领 域  
，Rodriguez-  
Galiano et al． ( 2015)  
在矿产勘查中应用决策树原  
( 2016) Wang et al． ( 2017)  
和
0
引 言  
;
理 段友祥等  
用卷积神经网络和极限学习机  
( PCA)  
分别利  
与主成分析  
( 2017)  
( ELM)  
，
地层结构是漫长的地质作用的结果 在时空分  
;
、 ，  
布上表现为不均匀 不规则性等 但在宏观上具有统  
进行了储层厚度的预测 季斌  
对比了  
多种机器学习算法进行了矿产预测 黄宏伟等  
( 2017)  
;
。
计上的规律性 弄清地层结构及其规律是地质信息  
;
，
化的基础 同时不良地层的分布也是工程建设的重  
基于深度学习进行了隧道渗漏水图像识别  
Bhattacharya et al． ( 2006) Yang et al． ( 2015)  
和
进
。
点关注对象 如何利用有限的钻孔资料进行地层结  
;
行了土壤分类的研究 张涛  
( 2016)  
利用多层感知器  
，
构及分布规律的研究 是地质学与工程地质领域中  
BP  
、
神经网络研究了化学元素与岩浆岩 沉积岩  
与
。
的重要课题  
;
( 2016) 、  
沙爱  
岩性及沉积岩矿物的关系 陈冠宇等  
( 2018) ( 2016)  
分别利用卷积神经  
，
地层结构与分布规律的研究 钻孔数据是基础  
，
民等  
网络判断不良地质体 地表病害与岩石种类 另外  
Zhang et al． ( 2011)  
和程国建等  
， ，  
它可以提供准确的地层结构信息 但是成本高 耗时  
、
。
，
， 。  
长 同时具有离散性 如何有效利用有限的钻孔数  
;
基于高斯过程预测岩溶塌陷  
据进行地层分布规律的研究成为了人们普遍关注和  
Korup et al． ( 2014)  
( 2016)  
和阙金声等  
进行了山体  
。
探索的问题 选择不同的插值方法连接钻孔数据  
，
。 ，  
滑坡的相关研究 然而 目前国内外基于钻孔数据  
绘制二维地质剖面或建立三维地质模型是模拟特定  
，
的地层分布机器学习研究正处于起步阶段 国内外  
。 ，  
区域的地层情况的主要方法 其中 三维地质建模  
。
相关研究少有报道  
，
在地层构建上有多种选择 主要分为面模型与体模  
，
针对上述问题 本文提出一种基于循环神经网  
。
型
面模型有以数字高程表征地形空间特征的  
( Song et al．，2018)  
，
络原理的地层序列机器学习模拟方法 它将钻孔数  
DEM  
模型  
格表示 地 层 分 界 面 的  
2015) 。  
和以不规则的三角网  
，
据处理为地层序列数据 建立地层类型序列与地层  
TIN  
( Watson et al．，  
模 型  
体模型通过体元进行三维地层实体的构  
( Zhang et al．，2015)  
， ，  
层厚序列模型 实现基于输入钻孔坐标 能够较为准  
。
确地判断相应位置的地层信息 该方法不依赖于数  
，
造 以三棱柱模型  
和四面体模  
，
据假设与专家经验等主观因素 通过与实际钻孔数  
，
型为主 还有周翠英等  
( 2006)  
。
无
提出的块体理论  
， ，  
据对比表明 上述模型具有较好的可行性 可应用于  
，
论二维剖面图或三维地质模型 钻孔连接的插值方  
、
地质信息化研究与工程规划 设计建造等方面  
。
， 、 、  
法有多种选择 如线性插值 多项式插值 反距离插  
， 。  
值与克里金插值等 模拟效果存在差异 模型建模  
1
地层序列模拟的机器学习理论基础  
，
与插值方法的选取受主观因素影响 具有局限性的  
， 。  
同时缺乏科学合理性 因而无法推广应用 如何规  
1. 1  
循环神经网络  
，
避主观因素 利用智能的方法对地层分布进行模拟  
是地质信息化研究与工程设计建设中值得探索的问  
， ，  
地质体一般呈层状分布 具有先后关系 在空间  
。
题
(
上构成地层序列 宋仁波等  
，2017) 。  
循环神经网络  
是用于处理序列  
，
机器学习近年来发展迅速 与传统的统计学观  
( Recurrent Neural Networks，RNN)  
，
念相比 虽然两者的目的都是挖掘数据中潜在的信  
。
1 RNN  
展示了  
， “  
的结构 在 输  
问题的神经网络  
图
，
息 但统计学手段在探索数据规律的过程中会基于  
－ －  
，
入层 隐藏层 输出层 前馈神经网络的基础上 其  
”
，
经验引入假设与建立模型 其结果具有较高的可解  
，
隐藏层具有循环链接 每一时刻的输出与该时刻之  
( Breiman，2001) 。  
释性  
机器学习手段则不对数据  
。
前的历史输入相关联  
， ，  
作假设 而是检验输出与数据标签的接近程度 通过  
，x  
t ; s  
为第 时刻输入的地层信息 为隐藏  
t
其中  
t
BP( Back Propagation， )  
误差反向传导 算法不断调整  
; o  
RNN  
; W  
输出的地层预测 为权  
层神经元状态  
为
t
( ss)  
( sx)  
。
参数以获得更高的准确率  
; W  
; W  
为不同时刻隐藏层之间的连接  
值矩阵  
( os)  
，
当前 机器学习被广泛应用于不同研究领域当  
W
、
则分别为输入层与隐藏层 隐藏层与输出层  
和
， 、 、  
中 在图像识别 语言翻译 无人驾驶等方面取得了  
。 ，  
之间的连接权值 用 表示隐藏层的激活函数 用  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号