CN113902861A - 一种基于机器学习的三维地质建模方法 - Google Patents
一种基于机器学习的三维地质建模方法 Download PDFInfo
- Publication number
- CN113902861A CN113902861A CN202111183967.4A CN202111183967A CN113902861A CN 113902861 A CN113902861 A CN 113902861A CN 202111183967 A CN202111183967 A CN 202111183967A CN 113902861 A CN113902861 A CN 113902861A
- Authority
- CN
- China
- Prior art keywords
- geological
- data
- dimensional
- machine learning
- modeling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于机器学习算法应用于沉积地层的三维地质体构建方法,该方法可以避免有限稀疏地质数据导致建模结果不准确,质量不高,模型出现棱角、不光滑的情况,将地层三维建模问题转换为地下空间栅格单元的属性分类问题,利用机器学习算法对已有真实地质数据进行训练,决策出最佳分类器以及控制分类器的最优超参数,通过训练过的最佳分类器预测出没有探测区域的地质信息,进行沉积地层三维模型构建,该方法可以提高地质三维模型对实际地层结构的还原度以及准确度,获得的三维模型也较为光滑、合理,同时过程简单、节约成本、建模速度快,具有实际的工程应用价值。
Description
技术领域
本发明涉及三维地质建模领域,具体是一种基于机器学习算法应用于沉积地层的三维地质体构建方法。
背景技术
三维地质建模是实现地质数据可视化、地质空间分析、透明地质以及数字地球的关键技术,随着经济与社会的发展,资源、生态、环境相互关联程度日益增强,建立三维地质模型,为灾害防治、资源开发、生态改善提供科学与决策依据,已经变得刻不容缓。
三维地质模型以各种原始数据,包括钻孔、剖面、地震数据、等深图、地质图、地形图、物探数据、化探数据、工程勘察数据、水文监测数据等为基础,建立能够反映地质构造形态、构造关系及地质体内部属性变化规律的数字化模型。但由于获取这些数据成本较高,在研究区域内往往只能获得有限、稀疏的地质资料,建模过程繁琐,建模质量难以保证。近些年迅速发展的机器学习方法在计算机视觉、自然语言处理等领域已取得了突破性进展,在某些方面其效果甚至已经超过了人类的表现,如何将机器学习的方法引入到地质问题中来已成为近期地学建模领域的研究热点。
发明内容
本发明的目的是提供一种基于机器学习的三维地质建模方法。该方法可以避免有限稀疏地质数据导致建模结果不准确,质量不高,模型出现棱角、不光滑的情况,将地层三维建模问题转换为地下空间栅格单元的属性分类问题,利用机器学习算法根据已有真实地质数据预测出没有探测区域的地质信息,可以提高地质三维模型对实际地层结构的还原度以及准确度,并提高地质建模工作的效率。
本发明实现发明目的采用如下技术方案:
一种基于机器学习的三维地质建模方法,具体实现包括以下步骤:
步骤1,提取地质信息,数据预处理;
步骤2,通过人为地质特征分类数据,对地质信息进行分类标记,以得到初始地质特征信息;
步骤3,采用基于机器学习算法对初始地质特征信息进行训练,并进行超参数寻优,获取最佳训练分类器;
步骤4,建立地质体空间栅格单元;
步骤5,由训练好的分类器对地质体建模区域进行预测分类,将预测结果与真实地质数据进行比较,检验其准确率;
步骤6,构建三维地质模型。
作为优选,本发明提供的一种基于机器学***面坐标、高程、各地层分界点的深度和地层类别,然后将地质信息导入到识别模型中,生成并发送地质构造信息。
作为优选,本发明提供的一种基于机器学习的三维地质建模方法,通过人为地质特征分类数据,对地质信息进行分类标记,以得到初始地质特征信息,是将得到的地质构造信息,对其进行重采样,并按一定步长进行精细处理,使得地质数据成为一系列具有空间位置和地层属性的点,建立特征类别数据集。
作为优选,本发明提供的一种基于机器学习的三维地质建模方法,训练分类器可以选用不同算法的分类器,包括支持向量机(svm),决策树,k-最近邻,神经网络等。为了避免高维空间中的“维数灾难”问题而引入核函数,是支持向量机算法中对分类效果影响最为显著的参数,核函数包括线性核函数、多项式核函数、径向核函数以及Sigmoid核函数。超参数寻优可通过贝叶斯、网格搜索、随机搜索三种优化方式进行,得到分类误差最小的超参数。
作为优选,本发明提供的一种基于机器学习的三维地质建模方法,所述建立地质体空间栅格单元,将待构建三维地质模型作为一个大的立方体,通过输入立方体各顶点坐标以及将要建立栅格单元的步长,获得由大小相等栅格单元组成的地质体,并得到每个栅格单元中心位置的坐标数据,同时可以对该地质体添加类别属性来存放各栅格单元分类数据。
作为优选,本发明提供的一种基于机器学习的三维地质建模方法,所述由训练好的分类器对地质体建模区域进行预测分类,是将上述获得的地质体栅格单元坐标数据通过训练好的分类器进行预测,得到各栅格单元类别并存储到地质体类别属性中。所述将预测结果与真实地质数据进行比较,检验其准确率,可以通过计算分类器准确率、Kappa值,或者绘制混淆矩阵图以及ROC曲线图来对分类器分类效果进行评价,同时还可以将预测结果与未参与训练的钻孔数据进行比较验证,检验分类结果准确率。
作为优选,本发明提供的一种基于机器学习的三维地质建模方法,所述构建三维地质模型,是对预测结果赋值到建立好的地质体类别属性特征中,并对不同类别单元用不同颜色可视化,最终获得地质界限清晰的三维地质模型。
本发明与现有技术相比,其有益效果体现在:
本发明提供的一种基于机器学习的三维地质建模方法,在地质勘探数据有限、稀疏的情况下,可以根据已有实测数据预测未进行探测区域的地质属性类别,通过选择合适的机器学习算法获取最佳训练分类器,能够保证较高的分类精度,获得的三维模型也较为光滑、合理,同时过程简单、节约成本、建模速度快,具有实际的工程应用价值。
附图说明
图1是本发明公开的三维地质模型构建方法的流程图;
图2是本发明实施例中地质数据预处理示意图;
图3是本发明实施例地质体栅格单元示意图:
图4是本发明实施例三维地质模型图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供了一种基于机器学习的三维地质建模方法,如图1所示,该方法包括以下步骤:
步骤1,提取地质信息,数据预处理;
具体地,从钻孔数据或者二维剖面数据中提取勘探点的平面坐标、高程、各地层分界点的深度和地层类别,生成地质构造信息,并随机抽取出一些勘探数据(约占总量的10%)不参与下面的训练,以便后续对预测结果进行检验。
步骤2,通过人为地质特征分类数据,对地质信息进行分类标记,以得到初始地质特征信息;
具体地,一般情况下,我们获得的钻孔数据包含钻孔孔口坐标,孔口标高,各地层分界点的深度以及地层类别,基于此,对这些数据进行预处理,使地质数据成为一系列具有空间位置和地层属性的点,如附图2所示,本发明以一米为步长对其进行预处理,得到初始地质特征信息,以便训练数据精度更高。
步骤3,采用基于机器学习算法对初始地质特征信息进行训练,并进行超参数寻优,获取最佳训练分类器;
机器学习算法的基本前提是算法训练,提供特定的输入数据时预测某一概率区间内的输出值,本发明的输入数据即为已经经过预处理的初始地质特征信息,该数据包含x、y、z坐标以及该点的地层类别,然后通过不同的分类器对其进行依次训练,如支持向量机、K近邻、朴素贝叶斯和神经网络等等,每个分类器的算法不同也导致预测结果不同,因此分类器的选择会从根本上影响建模的效果,选择一种合适且高效的分类器也是本发明的重要内容。同时为避免数据出现过拟合现象以及使用相同的验证方案比较会话中的所有模型,在训练分类器之前,对样本数据进行折数为5的交叉验证。利用各类分类器对预处理过的数据逐一训练,并在训练过程中对分类器进行优化以及搜索最佳超参数,通过比较训练准确度、验证误差及经验分析分类效果,同时绘制混淆矩阵图和ROC曲线图来判断分类器分类结果是否可信,获取最佳的分类训练器进行后续工作。
步骤4,建立地质体空间栅格单元;
具体地,确定待构建地质模型的边界点,通过各边界点对地质体模型长宽高均匀划分,得到由大小相同的栅格单元组成的三维地质体,并建立类别属性,这时将各栅格单元该属性值全都赋为0,提取各栅格单元中心点坐标以及类别属性值。
步骤5,由训练好的分类器对地质体建模区域进行预测分类,将预测结果与真实地质数据进行比较,检验其准确率;
具体地,用已经经过训练的最佳分类器对地质体栅格单元坐标进行预测分类,即输入栅格单元中心点x,y,z坐标到分类器中,分类器输出各点地层类别。将预测结果与未经训练的真实地质数据进行对比,比较同一坐标地层类别是否相同,相同说明分类效果良好,可以进行模型构建。
步骤6,构建三维地质模型。
具体地,将预测分类结果赋值到地质体栅格单元类别属性中,不同地层类别用不同颜色进行可视化,得到由不同颜色栅格单元构成的三维地质体,颜色分界处即为地层分界处,沉积地层三维模型构建完成。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于机器学习的三维地质建模方法,其特征在于,包括:
步骤1,提取地质信息,数据预处理;
步骤2,通过人为地质特征分类数据,对地质信息进行分类标记,以得到初始地质特征信息;
步骤3,采用基于机器学习算法对初始地质特征信息进行训练,得到训练分类器;
步骤4,建立地质体空间栅格单元;
步骤5,由训练好的分类器对地质体建模区域进行预测分类,将预测结果与真实地质数据进行比较,检验其准确率;
步骤6,构建三维地质模型。
2.根据权利要求1所述的一种基于机器学***面坐标、高程、各地层分界点的深度和地层类别,生成地质构造信息。
3.根据权利要求1所述的一种基于机器学习的三维地质建模方法,其特征在于,所述通过人为地质特征分类数据,对地质信息进行分类标记,以得到初始地质特征信息,是将得到的地质构造信息,对其进行重采样,并按一定步长进行精细处理,使得地质数据成为一系列具有空间位置和地层属性的点,建立特征类别数据集。
4.根据权利要求1所述的一种基于机器学习的三维地质建模方法,其特征在于,所述采用基于机器学习算法对初始地质特征信息进行训练,得到训练分类器,是将地质特征类别数据集作为训练数据,分析该训练数据,根据地质特征数据和类别数据,产生一个具有推断的功能并可以用于映射出地质类别的训练分类器。
5.根据权利要求4所述的一种基于机器学习的三维地质建模方法,其特征在于,训练分类器可以选用不同算法的分类器,包括支持向量机(svm),决策树,k-最近邻,神经网络等。
6.根据权利要求5所述的一种基于机器学习的三维地质建模方法,其特征在于,为了避免高维空间中的“维数灾难”问题而引入核函数,是支持向量机算法中对分类效果影响最为显著的参数,核函数包括线性核函数、多项式核函数、径向核函数以及Sigmoid核函数。
7.根据权利要求1所述的一种基于机器学习的三维地质建模方法,其特征在于,所述建立地质体空间栅格单元,将待构建三维地质模型作为一个大的立方体,输入立方体各顶点坐标以及将要建立栅格单元的步长,获得由大小相等栅格单元组成的地质体,并得到每个栅格单元中心位置的坐标数据,同时对立方体添加地质类别的属性,用来存放各栅格单元的分类。
8.根据权利要求1所述的一种基于机器学习的三维地质建模方法,其特征在于,所述由训练好的分类器对地质体建模区域进行预测分类,是将接收到的地质体空间栅格单元坐标数据通过训练好的分类器进行预测分类,得到各栅格单元的地质类别。
9.根据权利要求1所述的一种基于机器学习的三维地质建模方法,其特征在于,所述将预测结果与真实地质数据进行比较,检验其准确率,是随机选择几个钻孔的数据(约占全部钻孔的10%)作为验证集进行预处理,不参与建模。用剩余的钻孔数据进行建模后,检查验证集的建模总体精度用来评判建模效果。
10.根据权利要求1所述的一种基于机器学习的三维地质建模方法,其特征在于,所述构建三维地质模型,是将预测得到的各栅格单元类别存放到之前建立好的立方体类别属性中,最终获得地质界限清晰的三维地质模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183967.4A CN113902861A (zh) | 2021-10-11 | 2021-10-11 | 一种基于机器学习的三维地质建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183967.4A CN113902861A (zh) | 2021-10-11 | 2021-10-11 | 一种基于机器学习的三维地质建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902861A true CN113902861A (zh) | 2022-01-07 |
Family
ID=79191547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111183967.4A Pending CN113902861A (zh) | 2021-10-11 | 2021-10-11 | 一种基于机器学习的三维地质建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902861A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619950A (zh) * | 2022-10-13 | 2023-01-17 | 中国地质大学(武汉) | 一种基于深度学习的三维地质建模方法 |
CN116720288A (zh) * | 2023-04-23 | 2023-09-08 | 华南理工大学 | 一种基于机器学习的微热管自动化设计*** |
CN117541741A (zh) * | 2024-01-10 | 2024-02-09 | 自然资源部第三地理信息制图院 | 一种地质体三维模型的构建方法及电子设备 |
-
2021
- 2021-10-11 CN CN202111183967.4A patent/CN113902861A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619950A (zh) * | 2022-10-13 | 2023-01-17 | 中国地质大学(武汉) | 一种基于深度学习的三维地质建模方法 |
CN115619950B (zh) * | 2022-10-13 | 2024-01-19 | 中国地质大学(武汉) | 一种基于深度学习的三维地质建模方法 |
CN116720288A (zh) * | 2023-04-23 | 2023-09-08 | 华南理工大学 | 一种基于机器学习的微热管自动化设计*** |
CN116720288B (zh) * | 2023-04-23 | 2023-12-05 | 华南理工大学 | 一种基于机器学习的微热管自动化设计*** |
CN117541741A (zh) * | 2024-01-10 | 2024-02-09 | 自然资源部第三地理信息制图院 | 一种地质体三维模型的构建方法及电子设备 |
CN117541741B (zh) * | 2024-01-10 | 2024-03-19 | 自然资源部第三地理信息制图院 | 一种地质体三维模型的构建方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Seismic facies classification using supervised convolutional neural networks and semisupervised generative adversarial networks | |
US11320551B2 (en) | Training machine learning systems for seismic interpretation | |
Xu et al. | Deep learning of rock images for intelligent lithology identification | |
CN109709603B (zh) | 地震层位识别与追踪方法、*** | |
Gao et al. | Recognition and mapping of landslide using a fully convolutional DenseNet and influencing factors | |
CN113902861A (zh) | 一种基于机器学习的三维地质建模方法 | |
US20230316137A1 (en) | Data analytics methods for spatial data, and related systems and devices | |
Chang et al. | Lithofacies identification using multiple adaptive resonance theory neural networks and group decision expert system | |
Wang et al. | Two parameter optimization methods of multi-point geostatistics | |
CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
CN109829065B (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
CN109272029B (zh) | 井控稀疏表征大规模谱聚类地震相划分方法 | |
CN116665067B (zh) | 基于图神经网络的找矿靶区优选***及其方法 | |
Niu et al. | Susceptibility assessment of landslides triggered by the Lushan earthquake, April 20, 2013, China | |
CN112652066B (zh) | 一种基于三维地质模型的地质表征情况的评价方法及*** | |
CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
US20230161061A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
Eskandari et al. | Reservoir Modelling of Complex Geological Systems--A Multiple-Point Perspective | |
Hajihosseinlou et al. | A novel scheme for mapping of MVT-type Pb–Zn prospectivity: LightGBM, a highly efficient gradient boosting decision tree machine learning algorithm | |
CN108561127A (zh) | 一种基于随机模拟的地层压力预测方法 | |
CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
Qiu et al. | Geological profile-text information association model of mineral exploration reports for fast analysis of geological content | |
CN110554429A (zh) | 一种基于变邻域滑动窗口机器学习的地震断层识别方法 | |
CN114565730A (zh) | 地图矢量样本的处理方法、设备和计算机可读存储介质 | |
CN113688901A (zh) | 一种基于膨胀卷积神经网络的储层不连续界线识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |