砂岩铀矿岩性识别方法、装置、设备、存储介质和产品

本申请涉及砂岩铀矿地质识别领域，尤其涉及一种砂岩铀矿岩性识别方法、装置、设备、存储介质和产品。

背景技术：

1、随着能源结构的调整，以核电为代表的清洁能源新能源的比重越来越大，对铀资源的需求越来越大，其中砂岩铀矿的占比最大。岩性识别与预测是开采砂岩铀矿的一项重要工作，也是影响砂岩铀矿浸出开采的关键因素。

2、通过钻井获取岩芯样本依靠人力直接进行识别是最准确的岩性识别方法，但其成本较高，主观上依赖于经验判断且难以直接应对大范围的地层识别。相较于直接获取岩芯样本进行识别，测井地球物理勘探技术在获取相关数据方面具有更快、更经济、更高效的优势。该测井地球物理勘探(简称物探方法)是指利用地球物理方法，如电阻率法、电磁法、地震法等，对砂岩铀矿区域进行探测，通过测量岩石的物理性质，如电阻率、密度、磁性等，推断其岩性特性。物探方法的侧重点各有不同，自然伽马响应与铀矿含量成正比，可用自然伽马辐射来快速获取铀矿含量的信息；密度测井可以提供间接信息，帮助判断铀矿含量，依据不同类型的岩石具有不同的电阻率，通过电法测井可以获取地下岩石的电阻率信息，进而推断岩性类型和构造特征。

3、然而，通常获得的电阻率数据非常庞大，由于岩石电阻率的多解性和地质环境的复杂性，传统的计算机软件也难以识别，依靠人力需要耗费大量时间和精力对数据进行处理和解释，影响砂岩铀矿岩性识别的准确性和效率。

技术实现思路

1、有鉴于此，本申请实施例提供了一种砂岩铀矿岩性识别方法、装置、设备、存储介质和产品，旨在提高砂岩铀矿岩性识别的准确性和效率。

2、本申请实施例的技术方案是这样实现的：

3、第一方面，本申请实施例提供了一种砂岩铀矿岩性识别方法，包括：

4、获取待预测的第一样本数据，所述第一样本数据包括砂岩铀矿取样的空间坐标数据和岩石电阻率；

5、将所述第一样本数据输入至预先训练好的砂岩铀矿岩性识别模型中，得到所述第一样本数据对应的岩性识别结果；

6、其中，所述砂岩铀矿岩性识别模型包括由训练好的多个基学习器构成的第一分类模型和位于所述第一分类模型之后的第二分类模型，所述第二分类模型基于所述训练好的多个基学习器中训练精度最优的基学习器生成。

7、上述方案中，所述方法还包括：

8、获取第二样本集，所述第二样本集包括多个第二样本数据，各所述第二样本数据包括：砂岩铀矿取样的空间坐标数据、岩石电阻率和表征实际岩性类型的样本标签；

9、基于所述第二样本集构建并训练所述砂岩铀矿岩性识别模型。

10、上述方案中，所述基于所述第二样本集构建并训练所述砂岩铀矿岩性识别模型，包括：

11、将所述第二样本集划分为训练样本集和测试样本集；

12、构建多个基学习器；

13、基于所述测试数据集和所述测试样本集对所述多个基学习器进行训练，得到由训练好的多个基学习器构成的第一分类模型；

14、对各训练好的基学习器进行训练精度评估，选取训练精度最优的基学习器作为待优化的第二分类模型；

15、基于所述第一分类模型相应于所述训练样本集和/或所述测试样本集的输出结果构建第三样本集，所述第三样本集中的样本数据包括各基学习器的初始岩性识别结果和表征实际岩性类型的样本标签；

16、基于所述第三样本集训练所述待优化的第二分类模型，得到训练好的第二分类模型。

17、上述方案中，所述对各训练好的基学习器进行训练精度评估，选取训练精度最优的基学习器作为待优化的第二分类模型，包括：

18、对各训练好的基学习器进行训练精度评估，得到各训练好的基学习器的训练精度参数，所述训练精度参数包括以下中的一种或者多种：分类准确率、召回率和精确率；

19、基于各训练好的基学习器的训练精度参数，选取训练精度最优的基学习器作为待优化的第二分类模型。

20、上述方案中，所述构建多个基学习器，包括：

21、构建随机森林算法对应的第一基学习器、支持向量机算法对应的第二基学习器、k-近邻算法对应的第三基学习器和梯度提升树算法对应的第四基学习器。

22、上述方案中，基于所述测试数据集和所述测试样本集对所述多个基学习器进行训练，得到由训练好的多个基学习器构成的第一分类模型，包括：

23、基于所述测试数据集和所述测试样本集，采用网格搜索和嵌套交叉验证方式确定各基学习器的模型参数，得到由训练好的多个基学习器构成的第一分类模型。

24、第二方面，本申请实施例提供了一种砂岩铀矿岩性识别装置，包括：

25、获取模块，用于获取待预测的第一样本数据，所述第一样本数据包括砂岩铀矿取样的空间坐标数据和岩石电阻率；

26、预测模块，用于将所述第一样本数据输入至预先训练好的砂岩铀矿岩性识别模型中，得到所述第一样本数据对应的岩性识别结果；

27、其中，所述砂岩铀矿岩性识别模型包括由训练好的多个基学习器构成的第一分类模型和位于所述第一分类模型之后的第二分类模型，所述第二分类模型基于所述训练好的多个基学习器中训练精度最优的基学习器生成。

28、第三方面，本申请实施例提供了一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行计算机程序时，执行本申请实施例第一方面所述方法的步骤。

29、第四方面，本申请实施例提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本申请实施例第一方面所述方法的步骤。

30、第五方面，本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现本申请实施例第一方面所述方法的步骤。

31、本申请实施例提供的技术方案，获取待预测的第一样本数据，所述第一样本数据包括砂岩铀矿取样的空间坐标数据和岩石电阻率；将所述第一样本数据输入至预先训练好的砂岩铀矿岩性识别模型中，得到所述第一样本数据对应的岩性识别结果；其中，所述砂岩铀矿岩性识别模型包括由训练好的多个基学习器构成的第一分类模型和位于所述第一分类模型之后的第二分类模型，所述第二分类模型基于所述训练好的多个基学习器中训练精度最优的基学习器生成。如此，基于由训练好的多个基学习器构成的第一分类模型和位于第一分类模型之后的第二分类模型的配合，可以对待预测的第一样本数据进行砂岩铀矿岩性识别，得到岩性识别结果，实现了基于测井数据的砂岩铀矿岩性识的自动识别，且准确性和识别效率高。

技术特征：

1.一种砂岩铀矿岩性识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，所述基于所述第二样本集构建并训练所述砂岩铀矿岩性识别模型，包括：

4.根据权利要求3所述的方法，其特征在于，所述对各训练好的基学习器进行训练精度评估，选取训练精度最优的基学习器作为待优化的第二分类模型，包括：

5.根据权利要求3所述的方法，其特征在于，所述构建多个基学习器，包括：

6.根据权利要求3所述的方法，其特征在于，基于所述测试数据集和所述测试样本集对所述多个基学习器进行训练，得到由训练好的多个基学习器构成的第一分类模型，包括：

7.一种砂岩铀矿岩性识别装置，其特征在于，包括：

8.一种电子设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，

9.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至6任一项所述方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至6任一项所述方法的步骤。

技术总结本申请公开了一种砂岩铀矿岩性识别方法、装置、设备、存储介质和产品。该方法包括：获取待预测的第一样本数据，第一样本数据包括砂岩铀矿取样的空间坐标数据和岩石电阻率；将第一样本数据输入至预先训练好的砂岩铀矿岩性识别模型中，得到第一样本数据对应的岩性识别结果；其中，砂岩铀矿岩性识别模型包括由训练好的多个基学习器构成的第一分类模型和位于第一分类模型之后的第二分类模型，第二分类模型基于训练好的多个基学习器中训练精度最优的基学习器生成。如此，第一分类模型和第二分类模型的配合，可以对待预测的第一样本数据进行岩性识别，得到岩性识别结果，实现了基于测井数据的砂岩铀矿岩性识的自动识别，且准确性和识别效率高。技术研发人员：张瑾,阳奕汉,贾明滔,张传飞,张祥雪受保护的技术使用者：中南大学技术研发日：技术公布日：2024/7/29