[发明专利]基于深度学习和迁移学习的岩层结构智能检测分类方法

说明书

本发明属于岩层检测技术领域，公开了一种基于深度学习和迁移学习的岩层结构智能检测分类方法，获取现有的钻孔图像数据和声波测井资料，对获取的相应资料进行处理，构建带标签特征数据库；并根据特征数据库，分类整理成可用于进行深层神经网络模型的训练集和测试集；基于获取的钻孔图像数据、声波测井资料，分别构建感知网络；通过现场钻孔测试，验证训练好的感知网络的可靠性，并进行模型反馈优化；基于优化后感知网络进行岩层结构的智能检测分类。本发明实现了岩层结构特征的智能检测与实时分类统计，为现场钻孔勘察中深部岩层结构的智能识别与实时分类方法的实践应用奠定基础条件。

技术领域

本发明属于岩层检测技术领域，尤其涉及一种基于深度学习和迁移学习的岩层结构智能检测分类方法。

背景技术

目前，复杂应力环境下岩层地质构造与岩体结构特征的智能检测与识别分类是岩土力学与工程中进行地质勘察的重要目标，也是进行数值分析与模拟及其工程应用的前提条件。

深度学习是机器学习的一个子学科，同时也是一个以数据为核心的方法。从20世纪80年代中期神经网络反向传播算法的提出开始，多层训练神经网络模型开始大量涌现。近十年来，随着数据以爆炸式的规模积累以及计算能力的突飞猛进，在大量数据训练下的深度神经网络可以表现得很好，而且计算能力的进步也让训练时间可以被人们接受，深度学习也逐渐应用到了岩性分类统计中。

在基于多源探测数据的岩性识别分类方面，现有技术1针对石油工程测井中的超声成像和电阻率成像数据，提出了一种基于ResNet100模型的岩性自动识别分类方法，实现了基于孔内声学图像的地层结构精准识别分类。然而，由于光学钻孔图像的缺失，未免能够很好地描述孔壁的岩体结构特征。于是，现有技术2采用Inception-v3和支持向量机模型来分析岩石图像和锤击音频波形，并提出了一种耦合岩石图像与锤击音频的智能岩性分类识别分析方法，但无法在孔内实时实现孔壁岩体结构特征和孔壁岩性的智能检测分类。

由此可见，该领域的分析热点和焦点均已集中在结合光学图像和声波测井资料的岩层结构特征智能识别分类中。因此，继续深入分析深度学习方法，得出一种更优更适合的深层神经网络模型，并用来解决测井图像数据的实际工程应用问题具有重要的现实意义和紧迫性，也是解决有效分析处理多源钻孔图像数据的关键。

随着人工智能、大数据、物联网等科学技术的蓬勃发展，基于深层神经网络的SSD、Inception-ResNet和YOLO模型能够实时检测跟踪目标，实现了基于单源岩石图像数据的岩体结构检测和岩相判别分类；基于孪生卷积神经网络(Siamese Convolutional NeuralNetwork,SCNN)和生成式对抗网络(Generative Adversarial Networks,GAN)的多输入输出深度感知网络模型，已经广泛应用在人脸识别、数字认证、目标跟踪等前沿科学领域中，并取得了很好的应用效果。因此，基于SCNN和GAN的深度感知网络模型也能够应用到岩土工程领域图像数据的目标检测分类中，并推动该领域前沿科学技术的发展进步。

通过上述分析，现有技术存在的问题及缺陷为：现有技术无法实现在孔内实时实现岩层结构智能检测分类，无法实现对地质勘探中的多源钻孔数据进行特征数据处理，无法实现针对多源测井数据进行实时智能分析，无法提供针对性的软硬一体化解决方案。

解决以上问题及缺陷的难度为：当前现有技术尚不能基于勘探钻孔测井数据进行针对性的智能特征分析。为解决以上问题及缺陷，需要一种岩层结构智能检测分类方法，从而实现多源测井资料的数据处理、特征数据库的构造、深层神经网络数据集的构建、特性化感知网络的设计、模型的反馈优化。为解决以上的问题和缺陷，还需要一种配套系统、处理终端及存储介质，从而实现一种完整的岩层结构智能检测分类软硬一体化解决方案。因此解决以上问题及缺陷具有一定的难度。

解决以上问题及缺陷的意义为：