[发明专利]基于非开挖泥浆流变参数弱监督机器学习的地层识别方法

权利要求书

1.基于非开挖泥浆流变参数弱监督机器学习的地层识别方法；步骤如下：

步骤1、在数据采集层，采集已知地层的大量泥浆流变参数样本，然后提取出具有优秀品质的若干所述泥浆流变参数样本作为样本参数；

步骤2、利用KNN算法，将所述已知地层的带有标签的泥浆流变数据传递给未知地层，扩大带有所述标签的所述泥浆流变数据的数量；

步骤3、在统计性特征提取层，从扩大后的带有所述标签的所述泥浆流变数据中获取所述已知地层的泥浆流变参数，提取出所述已知地层的所述泥浆流变参数的统计性特征；

步骤4、在建模数据备份层，将所述已知地层的所述泥浆流变参数的所述统计性特征作为建模数据进行备份，形成备份数据；

步骤5、在弱监督机器学习模型层，通过所述统计性特征提取层的所述统计性特征和所述建模数据备份层的所述备份数据，使用SVM算法进行地层识别模型，即KNN-SVM模型的建立，然后对所述KNN-SVM模型的识别正确率进行验证；

步骤6、提取所需识别地层的所述统计性特征，使用所述KNN-SVM模型，对所需识别地层进行识别。

2.根据权利要求1所述的基于非开挖泥浆流变参数弱监督机器学习的地层识别方法，其特征在于，具有优秀品质的每一所述泥浆流变参数样本的提取方法如下：

首先，对相应的所述泥浆流变参数样本进行数据清洗及标准化；

然后，将被数据清洗及标准化后的每一所述泥浆流变参数样本经过皮尔逊相关系数处理；

再，筛选相关系数大于0.5的每一所述泥浆流变参数样本即为具有优秀品质的所述泥浆流变参数样本；

所述泥浆流变参数样本的标准化方法为z-score标准化，转化函数为：新的泥浆流变数据＝(原始泥浆流变数据-均值)/标准差。

3.根据权利要求1所述的基于非开挖泥浆流变参数弱监督机器学习的地层识别方法，其特征在于，所述已知地层的带有所述标签的每一所述泥浆流变数据的所述标签均来源于勘察资料中地层岩性描述。

4.根据权利要求1所述的基于非开挖泥浆流变参数弱监督机器学习的地层识别方法，其特征在于，所述统计性特征为非开挖泥浆信息统计性特征。

5.根据权利要求4所述的基于非开挖泥浆流变参数弱监督机器学习的地层识别方法，其特征在于，所述统计性特征包括泥浆塑性粘度PV、泥浆密度和泥浆表观粘度。

6.根据权利要求1所述的基于非开挖泥浆流变参数弱监督机器学习的地层识别方法，其特征在于，使用SVM算法进行地层识别模型，即KNN-SVM模型的建立步骤如下：

步骤5.1、从所述统计性特征提取层和所述建模数据备份层获取建模数据；

步骤5.2、设置KNN算法的K值，K从1取值到15，K值的最终确认采用交叉验证法，即将训练数据拆分成6:4两份；其中，前6份进行标签传递模型的建立，后4份进行准确率验证，对所述标签传递模型的准确率进行验证，取所述准确率最高的所述标签传递模型对应的K值；

步骤5.3、建立KNN标签传递模型，输入未知标签泥浆流变数据，获得全标签泥浆流变数据集；

步骤5.4、将所述全标签泥浆流变数据集导入SVM算法，进行地层识别模型的训练，地层识别结果包括杂填土类、粘土类、粉细砂类、砾石类和淤泥类；

步骤5.5、将建模备份数据外的已知地层泥浆流变参数导入SVM地层识别模型，对SVM地层识别模型的识别正确率进行判断，当SVM地层识别模型的识别正确率低于90％时，重新执行步骤5.4至步骤5.5，直至SVM地层识别模型正确率达到90％。

7.根据权利要求1所述的基于非开挖泥浆流变参数弱监督机器学习的地层识别方法，其特征在于，所述步骤6，提取所需识别地层的所述统计性特征，使用所述KNN-SVM模型，对所需识别地层进行识别的步骤如下：

步骤6.1、提取所需识别地层的所述统计性特征；

步骤6.2、将提取出的所述统计性特征，即泥浆流变参数作为输入数据传递给所述KNN-SVM模型；

步骤6.3、返回识别结果。

8.根据权利要求1所述的基于非开挖泥浆流变参数弱监督机器学习的地层识别方法，其特征在于，所述未知地层包括杂填土、粘土、粉细砂、砾石和淤泥。