[发明专利]基于机器学习的深部采空区CSAMT电性特征增强与分类方法

说明书

本发明公开了一种基于机器学习的深部采空区CSAMT电性特征增强与分类方法，其包括步骤：I.针对反演后的CSAMT电阻率异常特征，初始化能够去除浅部异常与增强深部采空区特征的卷积核；II.利用步骤I得到的卷积核进行卷积计算，以提取浅部异常信息和深部采空区电性异常信息；III.对步骤II获得的浅部卷积电阻率特征与深部采空区卷积电阻率特征进行计算，获得能量误差，若能量误差不满足精度要求，则返回步骤I修改初始化卷积核参数；若能量误差满足误差要求，则去除浅部异常干扰，增强深部采空区电性特征；IV.对步骤III获得的CSAMT电性特征进行基于核函数的模糊聚类分析；V.根据聚类结果，对采空区、巷道等地质特征进行识别与归类，并对采空区的基本情况进行预测。

技术领域

本发明涉及一种基于机器学习的深部采空区CSAMT电性特征增强与分类方法。

背景技术

采空区容易诱发矿震、突水、有毒有害气体泄漏等事故，严重威胁矿井人员和财产安全。目前，探测采空区的方法主要包括瞬变电磁法、高密度电法、探测雷达法、可控源音频大地电磁法(Controlled Source Audio-frequency Magnetotellurics，简称CSAMT)等。

以上方法均取得了良好的预测结果，其中，CSAMT具有勘探深度范围大、抗干扰能力强、高阻屏蔽作用小、分辨率高、工作效率高等优点，被广泛应用于地热资源探测、桥梁隧道工程、煤矿采空区预测、水文地质、溶洞预测、有色金属矿床、石油勘探开发等领域。

近年来，CSAMT在被应用于采空区探测时，虽然取得了较好的效果，然而，由于地表河流、池塘、近地表地下水汇集区域等可能会引起强低阻异常，这些低浅层低阻异常会影响CSAMT的反演精度，降低深部采空区的电性特征，因而无法准确的对采空区、巷道等进行识别与归类，从而无法对采空区的位置、分布范围、规模等基本情况进行预测。

发明内容

本发明的目的在于提出一种基于机器学习的深部采空区CSAMT电性特征增强与分类方法，以去除浅部异常信息，增强深部采空区电性特征，实现对采空区的准确预测。

本发明为了实现上述目的，采用如下技术方案：

基于机器学习的深部采空区CSAMT电性特征增强与分类方法，包括如下步骤：

I.针对反演获得的CSAMT电阻率特征，初始化浅部异常卷积核与深部采空区卷积核；

其中，浅部异常卷积核的初始化过程为：

首先从反演获得的CSAMT电阻率特征剖面中，确定某一浅部低阻异常数据的中心位置；再提取浅部低阻异常数据的中心位置周围的数据作为浅部异常卷积核；

深部采空区卷积核的初始化过程为：

首先从反演获得的CSAMT电阻率特征剖面中，确定某一深部采空区电性异常数据的中心位置；再提取深部采空区电性异常数据的中心位置周围的数据作为深部采空区卷积核；

II.以反演获得的CSAMT电阻率特征剖面作为输入，分别与各浅部异常卷积核进行卷积计算，然后将各卷积结果进行叠加求平均，得到浅部卷积电阻率特征；

再以反演获得的CSAMT电阻率特征剖面作为输入，分别与各深部采空区卷积核进行卷积计算，然后将各卷积结果进行叠加求平均，得到深部采空区卷积电阻率特征；

III.去除浅部异常信息，增强深部采空区电性特征，具体过程如下：

①首先将浅部卷积电阻率特征与深部采空区卷积电阻率特征相加；

②然后计算浅部卷积电阻率特征与深部采空区卷积电阻率特征相加得到的和与反演获得的CSAMT电阻率特征的能量误差；

③判断能量误差是否满足精度要求：