[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

说明书

本发明公开了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，识别对象为未知地层，利用弱监督机器学习与已知地层泥浆流变参数建立地层识别模型，再通过模型去识别未知地层；工作流程为读取大量已知地层的泥浆流变参数，提取已知地层泥浆流变参数的统计性特征，将特征作为属性，再使用KNN‑SVM算法建立模型，最后将泥浆流变参数导入模型识别未知地层；将未知地层的泥浆流变，输入模型进行识别，得出识别结果，即未知地层的类别。本发明主要针对于未知地层的识别，参与建模的数据全部由非开挖钻进时的返排泥浆流变参数检测系统取得，贴近工程实际实用性强，为非开挖施工的地层识别提供了新的解决方法。

技术领域

本发明涉及计算机辅助设计技术领域，特别涉及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。

背景技术

对非开挖掘进段地层岩性信息的精准掌控是能够保障安全施工的重要手段。

在非开挖施工时，施工位置常处于城区，难以进行精准工程勘察，在施工前获取掘进段地层岩性准确信息更是无从可知，导致非开挖掘进处于“摸黑”状态。与地层岩性配伍性差的钻具，更是难以高效掘进。与地层岩性配伍性差的非开挖泥浆，无法平衡地层压力，没有足够的润滑性，导致掘进效率低，孔壁失稳等问题。

钻遇不同地层，钻屑污染导致标准比对泥浆流变性产生变化。含盐地层钻屑会导致泥浆中膨润土水化颗粒双电层压缩，水土分层，粘度降低。水敏性地层钻屑包涵水敏性矿物会导致泥浆粘度有所上涨。卵砾石地层钻屑比重大，导致泥浆密度有所上涨。

非开挖施工难以知晓掘进段地层信息的问题在于两点：施工工期紧张，而且尚未有与之配套的前期勘探。

非开挖施工难以知晓掘进段地层信息的根本原因在于非开挖施工地点处于城区，为保持城市交通畅通与市容整洁，非开挖施工工期紧张，无法预留足够前期地质勘探时间，地层岩土信息难以获取。而非开挖在同种地层中掘进时，其泥浆流变参数具有一定的统计学特征，比如非开挖在硬岩地层掘进，在相同泥浆方案条件下其返浆密度较大、塑性粘度较高。

因此，如何解决非开挖施工缺乏地质信息保障问题，如何对泥浆流变参数进行识别，解析出数据采集处的地层信息成为本领域技术人员急需解决的技术问题。

发明内容

有鉴于现有技术的上述缺陷，本发明提供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，实现的目的是通过大量收集不同地层的泥浆流变参数，利用KNN-SVM算法进行分类分析，获得地层识别模型，再对泥浆流变参数使用弱监督机器学习解决地层识别问题，在地层识别模型识别正确率高的前提下进行地层识别，拥有着极高的识别率。

为实现上述目的，本发明公开了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。