基于多节点关联性的地质勘测预测方法及系统与流程

本发明涉及的地质预测，尤其涉及基于多节点关联性的地质勘测预测方法及系统。

背景技术：

1、近年来，数字化技术和人工智能在地质预测中的应用逐渐增多，地质预测技术在数据获取、分析和解释能力上不断进步，结合现代科技的发展，已经成为资源勘探、环境保护和灾害防范的重要工具之一。

2、目前，在公开号为cn 103498670 b的中国发明专利中，公开了一种水平井地质预测方法和装置，该方法通过水平井所在工区内已完钻的直井位置和所述水平井的水平段位置，确定用于水平井地质预测的虚拟井位置，根据所述已完钻的直井的油藏剖面，确定所述虚拟井的油藏剖面，根据所述虚拟井的油藏剖面，确定所述水平井的水平段的油藏剖面，根据所述水平井的水平段的油藏剖面进行地质预测，但是相关技术中，没有根据多个影响因素对地质进行分析，缺乏分析的综合性，没有对地质进行预测，缺少评估的先见性。

技术实现思路

1、本发明解决的技术问题是：相关技术中，没有根据多个影响因素对地质进行分析，缺乏分析的综合性，没有对地质进行预测，缺少评估的先见性。

2、为解决上述技术问题，本发明提供如下技术方案：第一方面，基于多节点关联性的地质勘测预测方法，包括以下步骤：

3、步骤s1，将各个采样点定义为节点，分别获取待测对象自身参数、待测对象自身图像、待测对象关联图像和待测对象关联参数；

4、步骤s2，将所述待测对象自身图像和待测对象关联图像进行第一预处理，分别提取预处理后的待测对象自身图像和待测对象关联图像的特征量，将待测对象自身参数和待测对象关联参数进行第二预处理，分别提取预处理后的待测对象自身参数和待测对象关联参数的特征量；

5、步骤s3，将所述预处理后的待测对象自身图像、待测对象关联图像的特征量、预处理后的待测对象自身参数和预处理后的待测对象关联参数的特征量进行特征融合，构造第一特征量、第二特征量和第三特征量与围岩等级的对应关系；

6、步骤s4，将所述第一特征量、第二特征量和第三特征量按照一定比例划分为训练集和测试集，训练用于反馈围岩级别的深度学习模型，并对所述深度学习模型进行测试；

7、步骤s5，遍历各个节点，获取预测的围岩级别，根据预测的围岩级别计算待测对象的综合稳定度。

8、作为本发明所述的基于多节点关联性的地质勘测预测方法的一种优选方案，其中：所述步骤s1包括如下子步骤：

9、步骤s11，以第一取值为间隔距离，在作业区域中选取若干个采样点，将各个采样点定义为节点；

10、步骤s12，分别获取待测对象自身参数、待测对象自身图像、待测对象关联图像和待测对象关联参数，所述待测对象自身图像包括岩芯二维图像、掌子面二维图像和掌子面三维图像，所述待测对象关联图像包括物探剖面二维图像和物探剖面三维图像，所述待测对象自身参数包括孔隙度、容重、密度、含水率、渗透率、抗压强度、抗拉强度、抗剪强度、泊松比和黏聚力，所述待测对象相关参数包括地应力值、地应力方向、地下渗水量、地下水压、地下温度、钻孔速度、钻孔压力、钻孔连续性和反液量。

11、作为本发明所述的基于多节点关联性的地质勘测预测方法的一种优选方案，其中：所述步骤s2包括如下子步骤：

12、步骤s21，将所述待测对象自身参数和待测对象关联参数进行第二预处理，所述第二预处理包括归一化处理和剔除异常值处理，将所述待测对象自身参数和待测对象关联参数归于0~1区间内；

13、步骤s22，获取所述待测对象自身图像和待测对象关联图像，将所述待测对象自身图像和待测对象关联图像进行第一预处理，所述第一预处理包括滤波处理和灰度化处理，提取预处理后的待测对象自身图像的特征量，岩芯二维图像的特征量为岩石类型，掌子面二维图像的特征量为岩石裂缝和岩石微裂隙，掌子面三维图像的特征量为岩石断层；

14、提取待测对象关联图像的特征量，物探剖面二维图像的特征量为地下温度梯度和地质类型，物探剖面三维图像的特征量为地质规模；

15、步骤s23，分别提取预处理后的待测对象自身参数和待测对象关联参数的特征量。

16、作为本发明所述的基于多节点关联性的地质勘测预测方法的一种优选方案，其中：所述剔除异常值处理通过标准差公式分别计算所述待测对象自身参数的第一波动区间和待测对象关联参数的第二波动区间，将待测对象自身参数不分布于第一波动区间的数据剔除，将待测对象关联参数不分布于第二波动区间的数据剔除；

17、所述待测对象自身参数的波动区间的计算逻辑为：计算待测对象自身参数的平均值，计算待测对象自身参数的标准差，计算待测对象自身参数的平均值与待测对象自身参数的标准差的和，将所述待测对象自身参数的平均值与待测对象自身参数的标准差的和设定为第一取值，计算待测对象自身参数的平均值与待测对象自身参数的标准差的差，将所述待测对象自身参数的平均值与待测对象自身参数的标准差的差设定为第二取值，以第一取值为上限，以第二取值为下限，构造第一波动区间；

18、所述待测对象关联参数的波动区间的计算逻辑为：计算待测对象关联参数的平均值，计算待测对象关联参数的标准差，计算待测对象关联参数的平均值与待测对象关联参数的标准差的和，将所述待测对象关联参数的平均值与待测对象关联参数的标准差的和设定为第三取值，计算待测对象关联参数的平均值与待测对象关联参数的标准差的差，将所述待测对象关联参数的平均值与待测对象关联参数的标准差的差设定为第四取值，以第三取值为上限，以第四取值为下限，构造第二波动区间。

19、作为本发明所述的基于多节点关联性的地质勘测预测方法的一种优选方案，其中：所述步骤s3包括以下子步骤：

20、步骤s31，获取岩石类型、岩石裂缝、岩石微裂隙、岩石断层、地质类型、地下温度梯度和地质规模，获取孔隙度、容重、密度、含水率、渗透率、抗压强度、抗拉强度、抗剪强度、泊松比、黏聚力、地应力值、地应力方向、地下渗水量、地下水压、地下温度、钻孔速度、钻孔压力、钻孔连续性和反液量；

21、步骤s32，分别通过一维卷积神经网络提取孔隙度、容重、密度、含水率、渗透率、抗压强度、抗拉强度、抗剪强度、泊松比、黏聚力、地应力值、地应力方向、地下渗水量、地下水压、地下温度、钻孔速度、钻孔压力、钻孔连续性和反液量的特征量，记为第一特征量，分别通过二维卷积神经网络提取岩石类型、岩石裂缝、岩石微裂隙、地下温度梯度和地质类型的特征量，记为第二特征量，分别通过三维卷积神经网络提取岩石断层和地质规模的特征量，记为第三特征量；

22、步骤s33，将所述第一特征量、第二特征量和第三特征量进行特征融合，构造第一特征量、第二特征量和第三特征量与围岩等级的对应关系。

23、作为本发明所述的基于多节点关联性的地质勘测预测方法的一种优选方案，其中：所述对应关系的构造逻辑为：获取所述第一特征量、第二特征量和第三特征量，构造特征矩阵，获取围岩等级，构造等级矩阵，建立特征矩阵与等级矩阵的对应关系。

24、作为本发明所述的基于多节点关联性的地质勘测预测方法的一种优选方案，其中：所述特征矩阵与等级矩阵的对应关系的计算表达式为：

25、；

26、其中，为等级矩阵，为特征矩阵，为特征矩阵与等级矩阵的对应关系。

27、作为本发明所述的基于多节点关联性的地质勘测预测方法的一种优选方案，其中：所述步骤s4包括如下子步骤：

28、步骤s41，将第一特征量、第二特征量和第三特征量按照一定比例划分为训练集和测试集；

29、步骤s42，训练用于反馈围岩级别的深度学习模型，所述深度学习模型以第一特征量、第二特征量和第三特征量为输入量，以预测的围岩等级为输出量，以实际的围岩等级为训练目标，并对所述深度学习模型测试，直到准确度达到第一准确度阈值时停止。

30、作为本发明所述的基于多节点关联性的地质勘测预测方法的一种优选方案，其中：所述步骤s5包括如下子步骤：

31、步骤s51，遍历各个节点，获取各个节点对应的预测的围岩级别；

32、步骤s52，根据预测的围岩级别计算待测对象的综合稳定度；

33、所述综合稳定度根据多元线性回归分析计算得到，所述综合稳定度的计算表达式为：

34、；

35、其中，为综合稳定度，为常数，为第1个节点到第个节点的围岩级别。

36、第二方面，基于多节点关联性的地质勘测预测系统，包括采集模块、处理模块、训练模块和计算模块；

37、所述采集模块用于采集待测对象自身参数、待测对象自身图像、待测对象相关参数和待测对象相关图像；

38、所述处理模块用于对所述待测对象自身参数和待测对象相关参数进行第一预处理，对待测对象相关图像和待测对象自身图像进行第二预处理，并分别提取预处理后的待测对象自身参数的特征量、预处理后的待测对象相关参数的特征量、预处理后的待测对象相关图像的特征量和预处理后的待测对象自身图像的特征量；

39、所述训练模块用于预测围岩等级；

40、所述计算模块用于计算待测对象的综合稳定度。

41、本发明的有益效果：通过采集多方面的参数，使得对地质的分析更具有综合性，将采集的数据进行预处理，有利于后续对数据进行计算，减少了计算的工作量，构造第一特征量、第二特征量和第三特征量与围岩等级的对应关系，将特征量进行融合，减少深度学习模型的工作时间，有利于深度学习模型的稳定性，对所述深度学习模型进行测试，提高了深度学习模型的精确性，根据预测的围岩级别计算待测对象的综合稳定度，增强了评估的整体性和科学性。