[发明专利]一种基于高维钻进参数信息的地层岩性识别系统及其方法在审
申请号: | 201910898862.3 | 申请日: | 2019-09-23 |
公开(公告)号: | CN110674868A | 公开(公告)日: | 2020-01-10 |
发明(设计)人: | 张宁;张幼振;姚克;邵俊杰;孙道明;李旺年;钟自成 | 申请(专利权)人: | 中煤科工集团西安研究院有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62 |
代理公司: | 61216 西安恒泰知识产权代理事务所 | 代理人: | 王孝明 |
地址: | 710065 陕*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 训练样本 主元 成分数据 钻进参数 高维 样本 预测 识别系统 分类 地层岩性 判别准则 施工数据 数据降维 数据聚类 模糊核 试验台 归类 聚类 岩性 钻进 集聚 | ||
1.一种基于高维钻进参数信息的地层岩性识别系统,其特征在于,包括依次相连的钻进试验台、数据降维系统、数据聚类系统、预测识别系统;
所述的钻进试验台,用于施工数据孔,获得高维钻进参数,每组高维钻进参数分别组成对应的训练样本和预测样本;
所述的数据降维系统,用于对训练样本中的高维钻进参数进行计算,确定主元成分个数;得到初步训练样本的分类数和训练样本的主元成分数据集;进而得到预测样本的主元成分数据集;
所述的数据聚类系统,用于对训练样本的主元成分数据集进行模糊核聚类,得出训练样本的主元成分数据集聚类的最优个数K,得到确定分类的训练样本主元成分数据集;
所述的预测识别系统,用于对确定分类的训练样本主元成分数据集建立判别准则,对预测样本进行归类,得出预测样本所属的岩性类别。
2.如权利要求1所述的基于高维钻进参数信息的地层岩性识别系统,其特征在于,所述钻进试验台包括分别与主机相连的液压泵站、操作台、冲洗液循环单元和数据采集单元。
3.如权利要求1所述的基于高维钻进参数信息的地层岩性识别系统,其特征在于,所述的数据降维系统包括依次相连的输入端一、数据处理器一和输出端一。
4.如权利要求1所述的基于高维钻进参数信息的地层岩性识别系统,其特征在于,所述的数据聚类系统包括依次相连的输入端二、数据处理器二和输出端二。
5.如权利要求1所述的基于高维钻进参数信息的地层岩性识别系统,其特征在于,所述预测识别系统包括依次相连的输入端三,数据处理器三和输出端三。
6.一种基于高维钻进参数信息的地层岩性识别方法,其特征在于,该方法采用如上所述的基于高维钻进参数信息的地层岩性识别系统;所述的高维钻进参数包括机械钻速、回转扭矩、钻压、转速、回转压力和泥浆泵压力。
7.如权利要求6所述的基于高维钻进参数信息的地层岩性识别方法,其特征在于,该方法具体包括以下步骤:
步骤一,根据目标地层区域的生产资料,确定典型地层的岩层特性和预测范围,采用钻进试验台的主机施工数据孔,通过采用钻进试验台的数据采集单元获得高维钻进参数,每组高维钻进参数分别组成对应的训练样本和预测样本;
步骤二,采用数据降维系统对训练样本中的高维钻进参数进行计算,得到各高维钻进参数之间的相关系数,然后获得每个预设主元成分的贡献率,并从大到小进行排序,并得出每个预设主元成分的累计贡献率;当某个预设主元成分的累计贡献率大于90%时,则该预设主元成分之前的所有预设主元成分为主元成分,最终确定主元成分个数和对应特征向量;并以各主元成分的贡献率作为权数进行加权计算,获得每个训练样本的加权得分,依据每个训练样本的加权得分从高到低进行排序,根据每个训练样本的加权得分情况,初步对训练样本分类并得到初步训练样本的分类数,根据主元成分的特征向量得到训练样本的主元成分数据集和预测样本的主元成分数据集;
步骤三,采用数据聚类系统对步骤二得到的训练样本的主元成分数据集进行模糊核聚类,将步骤二得到的初步训练样本的分类数作为原始聚类个数,设定模糊度,并构造核函数,建立隶属度矩阵,通过不断迭代优化参数,最终完成训练样本的主元成分数据集的聚类,得出训练样本的主元成分数据集聚类的最优个数K,所述的最优个数K即为岩性分类个数,同时计算出每个岩性分类的聚类中心和每个岩性分类的对应数据集,得到确定分类的训练样本主元成分数据集;
步骤四,采用预测识别系统对步骤三得到的确定分类的训练样本主元成分数据集建立判别准则,通过马氏距离判断法计算步骤二得到的预测样本各主元成分数据集分别与确定分类的训练样本主元成分数据集的马氏距离,选择其中最小的马氏距离,对预测样本进行归类,得出预测样本所属的岩性类别。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中煤科工集团西安研究院有限公司,未经中煤科工集团西安研究院有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910898862.3/1.html,转载请声明来源钻瓜专利网。