CN116975987B - 基于声学特征的深水浅层岩土工程参数预测方法及装置 - Google Patents

基于声学特征的深水浅层岩土工程参数预测方法及装置 Download PDF

Info

Publication number
CN116975987B
CN116975987B CN202311214738.3A CN202311214738A CN116975987B CN 116975987 B CN116975987 B CN 116975987B CN 202311214738 A CN202311214738 A CN 202311214738A CN 116975987 B CN116975987 B CN 116975987B
Authority
CN
China
Prior art keywords
acoustic
parameters
deep water
model
parameter
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.)
Active
Application number
CN202311214738.3A
Other languages
English (en)
Other versions
CN116975987A (zh
Inventor
王欢欢
孙友宏
杨进
张东昱甫
李冰
张国彪
陈延
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN202311214738.3A priority Critical patent/CN116975987B/zh
Publication of CN116975987A publication Critical patent/CN116975987A/zh
Application granted granted Critical
Publication of CN116975987B publication Critical patent/CN116975987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Structural Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Architecture (AREA)
  • Mathematical Analysis (AREA)
  • Civil Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及工程安全技术领域，特别涉及一种基于声学特征的深水浅层岩土工程参数预测方法及装置，其中，方法包括：基于预设Biot‑Stoll理论模型，建立深水浅层岩土的所有工程参数中每个工程参数与声学参数之间的单因素理论模型计算所有工程参数条件下的声学参数数据集，结合实测数据集获取目标数据库，利用预设机器学习回归算法生成深水浅层岩土工程参数预测模型，以预测所有工程参数中任一工程参数。本申请实施例可以通过建立深水浅层岩土工程参数与声学参数之间的关系模型扩充建模数据库，并基于机器学习回归算法建立并训练深水浅层岩土工程参数预测模型，由此实现深水浅层岩土工程参数的预测结果精确度，提升了钻前预测深水浅层岩土参数的准确性。

Description

基于声学特征的深水浅层岩土工程参数预测方法及装置
技术领域
本申请涉及工程安全技术领域，特别涉及一种基于声学特征的深水浅层岩土工程参数预测方法及装置。
背景技术
深水浅层岩土是泥线以下 1000m 内的未成岩地层，具有土质松软、含水率高、强度低的特点，而深水浅层岩土工程参数的预测是深水钻井安全的重点研究领域。通过应用现场取样的土力学参数测试技术，通过重力取芯和钻井取芯对深水浅层岩土物理力学性质进行测量，或基于某个海域或者区块的经验公式利用声学特征对岩土的物理力学性质进行预测。
然而，相关技术中，重力取芯技术获取岩土力学性质的研究具有深度局限性，而利用钻井取芯技术在取样过程中容易造成土体扰动，且环境温度压力的改变导致实验室的样品测量结果存在误差，且根据现场地震数据预测的浅层岩土工程参数具有多解性，难以利用地震资料中纵波波速等声学特征实现针对土体工程性质的预测，影响了深水浅层岩土工程参数预测结果的准确性，导致深水浅层岩土工程参数的预测精度不足，亟待解决。
发明内容
本申请提供一种基于声学特征的深水浅层岩土工程参数预测方法及装置，以解决相关技术中，重力取芯技术获取岩土力学性质的研究具有深度局限性，而利用钻井取芯获取技术在取样过程中容易造成土体扰动，且环境温度压力的改变导致实验室的样品测量结果存在误差，且根据现场地震数据预测的浅层岩土工程参数具有多解性，难以利用地震资料中纵波波速等声学特征实现针对土体工程性质的预测，导致深水浅层岩土工程参数的预测精度不足等问题。
本申请第一方面实施例提供一种基于声学特征的深水浅层岩土工程参数预测方法，包括以下步骤：基于预设Biot-Stoll理论模型，建立深水浅层岩土的所有工程参数中每个工程参数与声学参数之间的单因素理论模型；利用所述单因素理论模型计算所有工程参数条件下的声学参数数据集，结合实测数据集获取目标数据库；根据所述目标数据库，利用预设机器学习回归算法生成深水浅层岩土工程参数预测模型，以利用所述深水浅层岩土工程参数预测模型预测所述所有工程参数中任一工程参数。
可选地，在本申请的一个实施例中，所述基于预设Biot-Stoll理论模型，建立深水浅层岩土的所有工程参数中每个工程参数与声学参数之间的单因素理论模型，包括：获取所述预设Biot-Stoll理论模型的输入参数，建立所述每个工程参数与所述输入参数的数学关系式；将所述数学关系式输入所述预设Biot-Stoll理论模型，获取所述所有工程参数条件下对应的声学参数，并拟合所述所有工程参数与所述声学参数之间的关系模型；评价所述关系模型的拟合效果，根据所述拟合效果选取满足预设评价要求的目标关系模型，以基于所述目标关系模型分别建立各工程参数与所述声学参数的单因素理论模型。
可选地，在本申请的一个实施例中，所述利用所述单因素理论模型计算所有工程参数条件下的声学参数数据集，结合实测数据集获取目标数据库，包括：基于所述单因素理论模型模拟室内实验，获取所述所有工程参数条件下深水浅层岩土的实验声学参数数据集；根据所述实验声学参数数据集修正所述单因素理论模型，并利用修正后的单因素理论模型计算所述所有工程参数条件下的所述声学参数数据集，基于所述实验声学参数数据集、所述实测数据集和所述声学参数数据集得到所述目标数据库，并将所述目标数据库分为训练集、验证集和测试集。
可选地，在本申请的一个实施例中，所述根据所述目标数据库，利用预设机器学习回归算法生成深水浅层岩土工程参数预测模型，包括：基于所述预设机器学习回归算法，生成所有初始预测模型，并根据所述训练集与所述验证集训练每个初始预测模型，得到所有训练后的初始预测模型；利用所述测试集评估所述所有训练后的初始预测模型，选取满足预设评估要求的所述训练后的初始预测模型作为所述深水浅层岩土工程参数预测模型。
可选地，在本申请的一个实施例中，所述选取满足预设评估要求的所述训练后的初始预测模型作为所述深水浅层岩土工程参数预测模型，包括：获取所述所有训练后的初始预测模型的性能评估指标；基于所述性能评估指标，生成所述所有训练后的初始预测模型预测精度的排序结果，根据所述排序结果得到所述满足预设评估要求的所述训练后的初始预测模型。
可选地，在本申请的一个实施例中，所述所有工程参数包括所述深水浅层岩土的粘土含量、密度、含水率和抗剪强度。
可选地，在本申请的一个实施例中，所述声学参数包括所述深水浅层岩土的声波速度和声衰减系数。
本申请第二方面实施例提供一种基于声学特征的深水浅层岩土工程参数预测装置，包括：建模模块，用于基于预设Biot-Stoll理论模型，建立深水浅层岩土的所有工程参数中每个工程参数与声学参数之间的单因素理论模型；计算模块，用于利用所述单因素理论模型计算所有工程参数条件下的声学参数数据集，结合实测数据集获取目标数据库；预测模块，用于根据所述目标数据库，利用预设机器学习回归算法生成深水浅层岩土工程参数预测模型，以利用所述深水浅层岩土工程参数预测模型预测所述所有工程参数中任一工程参数。
可选地，在本申请的一个实施例中，所述建模模块包括：第一获取单元，用于获取所述预设Biot-Stoll理论模型的输入参数，建立所述每个工程参数与所述输入参数的数学关系式；拟合单元，用于将所述数学关系式输入所述预设Biot-Stoll理论模型，获取所述所有工程参数条件下对应的声学参数，并拟合所述所有工程参数与所述声学参数之间的关系模型；选取单元，用于评价所述关系模型的拟合效果，根据所述拟合效果选取满足预设评价要求的目标关系模型，以基于所述目标关系模型分别建立各工程参数与所述声学参数的单因素理论模型。
可选地，在本申请的一个实施例中，所述计算模块包括：模拟单元，用于基于所述单因素理论模型模拟室内实验，获取所述所有工程参数条件下深水浅层岩土的实验声学参数数据集；修正单元，用于根据所述实验声学参数数据集修正所述单因素理论模型，并利用修正后的单因素理论模型计算所述所有工程参数条件下的所述声学参数数据集，基于所述实验声学参数数据集、所述实测数据集和计算所得的所述声学参数数据集得到所述目标数据库，并将所述目标数据库分为训练集、验证集和测试集。
可选地，在本申请的一个实施例中，所述预测模块包括：训练单元，用于基于所述预设机器学习回归算法，生成所有初始预测模型，并根据所述训练集与所述验证集训练每个初始预测模型，得到所有训练后的初始预测模型；评估单元，用于利用所述测试集评估所述所有训练后的初始预测模型，选取满足预设评估要求的所述训练后的初始预测模型作为所述深水浅层岩土工程参数预测模型。
可选地，在本申请的一个实施例中，所述预测模块还包括：第二获取单元，用于获取所述所有训练后的初始预测模型的性能评估指标；排序单元，用于基于所述性能评估指标，生成所述所有训练后的初始预测模型预测精度的排序结果，根据所述排序结果得到所述满足预设评估要求的所述训练后的初始预测模型。
可选地，在本申请的一个实施例中，所述所有工程参数包括所述深水浅层岩土的粘土含量、密度、含水率和抗剪强度。
可选地，在本申请的一个实施例中，所述声学参数包括所述深水浅层岩土的声波速度和声衰减系数。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于声学特征的深水浅层岩土工程参数预测方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的基于声学特征的深水浅层岩土工程参数预测方法。
本申请实施例可以通过建立深水浅层岩土工程参数与声学参数之间的关系模型扩充建模数据库，并基于机器学习回归算法建立并训练深水浅层岩土工程参数预测模型，由此实现深水浅层岩土工程参数的预测结果精确度，提升了钻前预测深水浅层岩土参数的准确性。由此，解决了相关技术中，重力取芯技术获取岩土力学性质的研究具有深度局限性，而利用钻井取芯获取技术在取样过程中容易造成土体扰动，且环境温度压力的改变导致实验室的样品测量结果存在误差，且根据现场地震数据预测的浅层岩土工程参数具有多解性，影响了深水浅层岩土工程参数预测结果的准确性，导致深水浅层岩土工程参数的预测精度不足等问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种基于声学特征的深水浅层岩土工程参数预测方法的流程图；
图2为本申请一个实施例的声学参数与工程参数之间的单因素理论模型构建的流程示意图；
图3为本申请一个实施例的目标数据库构建的流程示意图；
图4为本申请一个实施例的数据预处理的流程示意图；
图5为本申请一个实施例的随机森林模型超参数选取的负平均绝对误差曲线示意图；
图6为本申请一个实施例的LightGBM模型超参数选取的负平均绝对误差曲线示意图；
图7为本申请一个实施例的XGBoost模型超参数选取的负平均绝对误差曲线示意图；
图8为本申请一个实施例的深度神经网络模型结构示意图；
图9为本申请一个实施例的基于声学特征的深水浅层岩土工程参数预测流程的示意图；
图10为根据本申请实施例的基于声学特征的深水浅层岩土工程参数预测装置的结构示意图；
图11为根据本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于声学特征的深水浅层岩土工程参数预测方法及装置。针对上述背景技术中提到的相关技术中，重力取芯技术获取岩土力学性质的研究具有深度局限性，而利用钻井取芯获取技术在取样过程中容易造成土体扰动，且环境温度压力的改变导致实验室的样品测量结果存在误差，同时难以利用地震资料中纵波波速等声学特征实现针对土体工程性质的预测，且根据现场地震数据预测的浅层岩土工程参数具有多解性，影响了深水浅层岩土工程参数预测结果的准确性，导致深水浅层岩土工程参数的预测精度不足的问题，本申请提供了一种基于声学特征的深水浅层岩土工程参数预测方法，在该方法中，通过建立深水浅层岩土工程参数与声学参数之间的关系模型扩充建模数据库，并基于机器学习回归算法建立并训练深水浅层岩土工程参数预测模型，由此实现深水浅层岩土工程参数的预测结果精确度，提升了钻前预测深水浅层岩土参数的准确性。由此，解决了相关技术中，重力取芯技术获取岩土力学性质的研究具有深度局限性，而利用钻井取芯获取技术在取样过程中容易造成土体扰动，且环境温度压力的改变导致实验室的样品测量结果存在误差，同时难以利用地震资料中纵波波速等声学特征实现针对土体工程性质的预测，且根据现场地震数据预测的浅层岩土工程参数具有多解性，影响了深水浅层岩土工程参数预测结果的准确性，导致深水浅层岩土工程参数的预测精度不足等问题。
具体而言，图1为本申请实施例所提供的一种基于声学特征的深水浅层岩土工程参数预测方法的流程示意图。
如图1所示，该基于声学特征的深水浅层岩土工程参数预测方法包括以下步骤：
在步骤S101中，基于预设Biot-Stoll理论模型，建立深水浅层岩土的所有工程参数中每个工程参数与声学参数之间的单因素理论模型。
可以理解的是，在本申请的实施例中，可以通过基于Biot-Stoll理论模型，以及深水浅层岩土的工程参数与Biot-Stoll模型中系数的关系，分别构建声学参数与每个工程参数之间的单因素理论模型。
可选地，在本申请的一个实施例中，所有工程参数包括深水浅层岩土的粘土含量、密度、含水率和抗剪强度。
可以理解的是，在本申请的实施例中，所有工程参数包括深水浅层岩土的粘土含量、密度、含水率和抗剪强度的物理性质参数，可以基于上述步骤分别建立深水浅层岩土的所有工程参数中粘土含量、密度、含水率和抗剪强度与声学参数之间的单因素理论模型。
可选地，在本申请的一个实施例中，声学参数包括深水浅层岩土的声波速度和声衰减系数。
可以理解的是，在本申请的实施例中，声学参数包括深水浅层岩土的声波速度和声衰减系数，在实际数据采集过程中，可以通过地震资料中的纵波波速等参数获取深水浅层岩土的声学参数。
可选地，在本申请的一个实施例中，基于预设Biot-Stoll理论模型，建立深水浅层岩土的所有工程参数中每个工程参数与声学参数之间的单因素理论模型，包括：获取预设Biot-Stoll理论模型的输入参数，建立每个工程参数与输入参数的数学关系式；将数学关系式输入预设Biot-Stoll理论模型，获取所有工程参数条件下对应的声学参数，并拟合所有工程参数与声学参数之间的关系模型；评价关系模型的拟合效果，根据拟合效果选取满足预设评价要求的目标关系模型，以基于目标关系模型分别建立各工程参数与声学参数的单因素理论模型。
需要说明的是，预设Biot-Stoll理论模型和预设评价要求可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
如图2所示，为本申请一个实施例的声学参数与工程参数之间的单因素理论模型构建流程的示意图。
步骤S201：求取声波速度和声衰减系数的Biot-Stoll声学理论模型。
具体地，基于预设Biot-Stoll理论模型，Biot波动方程为：
其中，为弹性理论模量，/>为土体骨架体积应变，/>为附加弹性模量，/>为孔隙中流体进入或离开骨架的体积增量，/>为时间，/>为深水浅层岩土密度，/>流体密度/>为复弹性模量，/>为孔隙中流体有效密度，/>为黏滞系数校正因子，/>为黏滞系数，/>为渗透系数；而Biot弹性理论模量/>，附加弹性模量/>和复弹性模量/>可以用孔隙度，骨架体积模量，孔隙流体体积模量和土体颗粒体积模量表示为：
其中，为Biot系数，/>为骨架体积模量，/>为孔隙度，/>为孔隙流体体积模量，/>为土体颗粒体积模量，/>为土体颗粒剪切模量。纵波传播方程在频率域可表示为：
其中，为弹性理论模量，/>为复波数，/>为深水浅层岩土密度，/>为角频率，/>为孔隙中海水的密度，/>为附加弹性模量，/>为孔隙中流体有效密度，/>为复弹性模量，/>为虚数单位，/>为黏滞系数校正因子，/>为黏滞系数，/>为渗透系数；黏滞系数校正因子/>与频率有关，孔隙中流体有效密度/>可表示为：
其中，为孔隙弯曲因子、/>为孔隙中海水的密度、/>为孔隙度。利用行列式可以求得复波数/>，声速和声衰减系数的计算表达式为：
其中，为声速，/>为角频率，/>为声衰减系数，/>为复数/>的实部，/>为复数/>的虚部。
基于上述推演可知Biot-Stoll理论输入参数为颗粒密度、孔隙水密度/>、孔隙度、土体颗粒体积模量/>、骨架体积模量/>、孔隙水体积模量/>、土体颗粒剪切模量/>、流体黏滞系数/>、渗透率/>和孔隙弯曲因子/>，可通过实际地层土工测试等方式确定上述输入参数的数值。
步骤S202中：获取粘土含量、密度、含水率、抗剪强度与Biot-Stoll声学理论模型中输入参数之间的关系。
具体地，可以将粘土含量与Biot-Stoll理论模型输入参数中的孔隙度和渗透率建立联系，粘土含量与孔隙度的数学关系式为：
其中，为深水浅层岩土孔隙度，无量纲；/>为深水浅层土密度，单位为/>；/>为粘土含量，无量纲；/>为 砂土颗粒密度，单位为/>；/>为含水率，无量纲；/>为粘土颗粒密度，单位为/>。
粘土含量与渗透率之间的数学关系为：
其中，
其中，为渗透率，单位为/>；/>为土体颗粒平均半径，单位为/>；/>和/>为系数，无量纲量；/>、/>分别为Lubrication模型和Cell模型下的渗透率数值，单位为/>；/>为粘土含量；/>、/>分别为粘土和砂土的粒径，单位为/>；/>为孔隙率；/>为无量纲变量，且满足。
建立密度与孔隙度之间的联系，其数学关系为：
其中，为深水浅层土孔隙度，无量纲；/>为深水浅层土体密度，单位为/>；/>为粘土含量，无量纲；/>为砂土颗粒密度，单位为/>；/>为含水率，无量纲；/>为粘土颗粒密度，单位为/>。
建立含水率与土体剪切模量之间的关系，其数学关系式为：
其中，为土体的剪切模量，单位为/>；/>为土体含水率，无量纲。
建立抗剪强度与输入参数中剪切模量之间的关系，其数学关系式为：
其中，为土体骨架剪切模量，单位为/>；/>为孔隙比，可通过孔隙度换算；/>为骨架应力，单位为/>；/>为土体极限抗剪强度，单位为/>。
步骤S203：计算不同粘土含量、密度、含水率、抗剪强度条件下的岩土声波速度和声衰减系数。
具体地，可以将S202步骤中所得数学关系式带入至Biot-Stoll理论中，利用Matlab软件分别计算不同粘土含量、密度、含水率和抗剪强度条件下深水浅层岩土的声波速度和声衰减系数。
步骤S204：拟合粘土含量、密度、含水率和抗剪强度与声学参数之间的函数关系模型。
具体地，根据步骤S203的计算结果，选用4种模型，即二次函数模型、指数模型、幂函数模型和对数模型，采用数值分析方法，依据数理统计理论，分别针对粘土含量、密度、含水率和抗剪强度，基于上述4种函数模型拟合出工程参数与声学特征之间的关系模型。
步骤S205：对不同数学关系模型之间的拟合效果进行评价，选取最优关系模型，分别建立粘土含量、密度、含水率和抗剪强度与声学参数之间的理论模型。
具体地，对不同数学关系模型之间的拟合效果进行评价，分析其拟合误差的平方和SSE（Sum of Squared Error）、均方差RMSE（Root Mean Squared Error）、决定系数R2、按照误差自由度调整后的决定系数R2（adj）（Adjusted R-square），最终根据预设评价要求选取一种拟合效果最优的关系模型，分别建立粘土含量、密度、含水率和抗剪强度与声学参数之间的单因素理论模型。
在步骤S102中，利用单因素理论模型计算所有工程参数条件下的声学参数数据集，结合实测数据集获取目标数据库。
可以理解的是，在本申请的实施例中，可以通过室内模拟试验，利用上述步骤中所得单因素理论模型遍历不同粘土含量、密度、含水率和抗剪强度条件，得到所有工程参数条件下的声学参数数据集，由所得声学参数数据集结合模拟实验数据和现场实测数据得到目标数据库。
可选地，在本申请的一个实施例中，利用单因素理论模型计算所有工程参数条件下的声学参数数据集，结合实测数据集获取目标数据库，包括：基于单因素理论模型模拟室内实验，获取所有工程参数条件下深水浅层岩土的实验声学参数数据集；根据实验声学参数数据集修正单因素理论模型，并利用修正后的单因素理论模型计算所有工程参数条件下的声学参数数据集，基于实验声学参数数据集、实测数据集和声学参数数据集得到目标数据库，并将目标数据库分为训练集、验证集和测试集。
需要说明的是，预设验证条件可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
具体而言，如图3所示，为本申请一个实施例的目标数据库的构建流程的示意图。
步骤S301：利用单因素理论模型进行声波速度和声衰减系数的计算。
其中，利用上述在步骤中所得单因素理论模型计算得到深水浅层岩土的声波速度和声衰减系数。
步骤S302：进行室内小型模拟实验获取实验声学参数数据集。
其中，基于步骤S301计算的声波速度和声衰减系数进行室内小型模拟实验获取实验数据，即实验声学参数数据集。
步骤S303：判断实验声学参数数据集是否满足验证条件。
其中，若步骤S302所得实验声学参数数据集不符合验证条件，则回到步骤S301中利用实验声学参数数据集修正单因素理论模型，并重新利用修正后单因素理论模型进行声波速度和声衰减系数的计算，若符合验证条件则进入步骤S304。
步骤S304：将实验声学参数数据集纳入目标数据库。
其中，将步骤S303所得符合验证条件的实验声学参数数据集纳入目标数据库。
步骤S305：获取现场实测数据。
其中，可以获取目标深水浅层岩土的现场实测数据。
步骤S306：得到包括粘土含量、密度、含水率、抗剪强度、声波速度、声衰减系数的目标数据库。
其中，由步骤S301、步骤S304、步骤S305中所得参数集构成目标数据库，从而完善下述步骤中深水浅层岩土工程参数预测模型的数据库基础，以进一步提升所得预测模型的模型质量。
在步骤S103中，根据目标数据库，利用预设机器学习回归算法生成深水浅层岩土工程参数预测模型，以利用深水浅层岩土工程参数预测模型预测所有工程参数中任一工程参数。
需要说明的是，预设机器学习回归算法可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
可以理解的是，在本申请的实施例中，可以通过对目标数据库进行数据预处理，得到处理后的数据集，并利用处理后的数据集基于用预设机器学习回归算法得到最终的深水浅层岩土工程参数预测模型，并基于深水浅层岩土工程参数预测模型，根据目标深水浅层岩土临近区域的工程参数的粘土含量、密度、含水率和抗剪强度中的任三个工程参数，与声波速度和声衰减系数结合，预测工程参数中的未知参数。
具体而言，如图4所述，为本申请一个实施例的数据预处理的流程示意图。
步骤S401：获取包含粘土含量、密度、含水率、抗剪强度、声波速度、声衰减系数的目标数据库。
其中，获取上述步骤中所得包含粘土含量、密度、含水率、抗剪强度、声波速度、声衰减系数的目标数据库。
步骤S402：采用删除法对目标数据库进行空值剔除处理。
其中，采用删除数据法对目标数据库中不符合要求的数据进行空值剔除，以保证目标数据库的有效率。
步骤S403：对目标数据库进行矩阵构造。
其中，矩阵构造如下：
其中，为第/>组深水浅层岩土的粘土含量、/>为第/>组深水浅层岩土的颗粒密度、为第/>组纵波角频率，/>为第/>组声速，/>为第/>组声衰减系数，/>；/>分别为粘土含量、密度、含水率、声波速度和声衰减系数的系数。
步骤S404：采用min-max方法对样本数据进行归一化。
其中，采用min-max归一化方法对目标数据库构造的样本数据进行归一化处理，得到样品集。
步骤S405：样品集分割。
其中，可以将75%的理论计算数据和25%的实测数据划分到训练集，将5%的理论计算数据和5%的实测数据划分到验证集，将20%的理论计算数据和70%的实测数据划分到测试集，由此获取目标数据库得到的训练集、验证集和测试集。
可选地，在本申请的一个实施例中，根据目标数据库，利用预设机器学习回归算法生成深水浅层岩土工程参数预测模型，包括：基于预设机器学习回归算法，生成所有初始预测模型，并根据训练集与验证集训练每个初始预测模型，得到所有训练后的初始预测模型；利用测试集评估所有训练后的初始预测模型，选取满足预设评估要求的训练后的初始预测模型作为深水浅层岩土工程参数预测模型。
需要说明的是，预设评估要求可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
在实际执行过程中，可以基于训练集和验证集，分别利用集成树算法、支持向量机算法和人工神经网络的3类机器学习回归算法进行预测模型的建立及训练。
其中，集成树算法共采用三种算法建立预测模型，分别为随机森林算法、LightGBM算法和XGBoost算法。建立随机森林的过程中需要确定的参数为：评估器参数n_estimators、剪枝参数 max_depth、剪枝参数 min_samples_split、剪枝参数 min_sample_leaf。为了更好地分析评估器数量和最大树深度，应用matplotlib可视化不同参数条件下模型的负平均绝对误差曲线，负平均绝对误差越大，说明误差越小，如图5所示，图5中a为基本模型数量条件下模型的负平均绝对误差曲线，图5中b为最大树深度条件下模型的负平均绝对误差曲线。通过分析可以确定选用350为基本模型数量，16为最大树深度，采用GridSearch网格搜索进行其他两个参数的选取，经过分析确定参数最优选为'min_samples_leaf': 1、 'min_samples_split': 2。
LightGBM模型在准备时需要确定 4个超参数：评估器参数 n_estimators、学***均绝对误差曲线，负平均绝对误差越大说明误差越小，如图 6 所示，图6中a为基本模型数量条件下模型的负平均绝对误差曲线，图6中b为学***均绝对误差曲线。通过分析确定选用1200为基本模型数量，0.1为学习率，采用Grid Search网格搜索进行其他两个参数的选取，经过分析确定参数最优选为'max_depth': 13， 'num_leaves': 40。
XGBoost 模型在准备时需要确定4个超参数：评估器参数 n_estimators、学***均绝对误差曲线，负平均绝对误差越大说明误差越小，如图 7所示，图7中a为基本模型数量条件下模型的负平均绝对误差曲线，图7中b为最大树深度条件下模型的负平均绝对误差曲线。通过分析确定选用550为基本模型数量，0.05为学习率，采用GridSearch网格搜索进行其他两个参数的选取，经过分析确定参数最优选为'max_depth': 7，'min_child_weight': 0.5。
上述支持向量机算法特指利用支持向量回归SVR（Support Vector Regression）的方法进行数值拟合建立预测模型。SVR的超参数有容忍偏差、正则化参数和高斯核参数。通过贝叶斯优化确定SVR的容忍偏差为1*10-3，正则化参数为100，高斯核带宽为1*10-3。以此为超参数进行SVR模型的训练。
人工神经网络算法采用全连接DNN（Deep-Learning Neural Network）结构，具体结构示意图如图8所示。输入层参数为粘土含量、含水率、密度、声波速度、声衰减系数，输出参数为抗剪强度。采用DNN结构选用Adam优化算法，初始学习率设置为0.001，迭代次数定为350次，批处理量为512，隐含层为3层，节点个数为16个（6-6-4）。从而进行人工神经网络预测抗剪强度模型的建立与训练。
从而根据上述所生成的所有初始预测模型，根据目标数据库的训练集与验证集对每个初始预测模型进行进一步模型训练，得到所有训练后的初始预测模型，利用目标数据库的测试集对所有训练后的初始预测模型进行评估，选取满足预设评估要求的训练后的初始预测模型，得到深水浅层岩土工程参数预测模型进行工程参数预测。
可选地，在本申请的一个实施例中，选取满足预设评估要求的训练后的初始预测模型作为深水浅层岩土工程参数预测模型，包括：获取所有训练后的初始预测模型的性能评估指标；基于性能评估指标，生成所有训练后的初始预测模型预测精度的排序结果，根据排序结果得到满足预设评估要求的训练后的初始预测模型。
举例而言，可以基于测试集进行建立模型的性能评估，优选出最优模型，输入所需参数数据进行深水浅层岩土工程参数的预测。性能评估的指标可为：平均绝对值误差MAE、均方误差MSE、均方根误差RMSE、相关系数R2，将所建立的模型应用到测试集上，五种模型的性能评价指标数据如表1所示，分别为人工神经网络算DNN、支持向量机算法SVR、随机森林算法、LightGBM算法和XGBoost算法所得机器学习模型的性能评价指标。
表1
通过对比上述性能评估指标，生成所有训练后的初始预测模型预测精度的排序结果，根据排序结果发现，三种集成树的回归算法对于本实施例的抗剪强度预测都有较高的精度，其中随机森林的预测精度和回归拟合的效果最好，故可以采用随机森林模型进行后续目标井工程参数的预测。
此处利用上述拟合训练所得随机森林模型作为深水浅层岩土预测模型进行深水浅层岩土工程参数预测，模型输入数据包括：邻井已钻井的其他三种工程参数，如要预测抗剪强度，则需输入已钻井的含水率、密度、粘土含量；待预测井的声波速度、声衰减系数。对不同相邻井岩土参数数值根据与目标井的距离进行加权平均，得到一组不同深度下深水浅层岩土的工程参数，并对其采用简单插值法对缺失值进行填补；可通过地震勘探求取预测井不同地层深度下的层速度和声衰减系数。
将所需参数数据输入至优选的随机森林预测模型中，进行工程参数的预测，得到目标井不同深度下的抗剪强度数值，实例分析数据如表2，通过实际应用，发现本发明提出方法的预测精度较高。
表2
本申请实施例可以基于Biot-Stoll理论，通过建立粘土含量、含水率、密度和抗剪强度与理论输入参数之间的关系，计算并拟合得到声波速度、声衰减系数与工程参数的理论关系，从而解决常规经验拟合公式缺少理论依据的问题，并通过提出了一种利用声学特征进行工程参数预测的机器学习方法，改善了深水浅层岩土工程参数预测结果精确度不足的现象，为钻前预测深水浅层岩土参数提供了新的途径。
下面以一个具体实施例对本申请实施例的工作内容进行详细阐述。如图9所示，为本申请一个实施例的基于声学特征的深水浅层岩土工程参数预测流程的示意图。
步骤S901: 基于Biot-Stoll理论模型及物理力学参数与模型中系数的关系，构建声学特征与工程参数之间的理论模型。
其中，基于Biot-Stoll理论模型及物理力学参数与模型中系数的关系，构建声学特征与工程参数之间的理论模型，深水浅层岩土的声学特征包括声波速度和声衰减系数，工程参数包括深水浅层岩土的粘土含量、密度、含水率和抗剪强度。
步骤S902: 利用理论模型计算结果，结合实验数据和现场实测数据，形成深水浅层岩土参数与声学特征数据集。
其中，利用理论模型计算结果，进行室内模拟实验，获取不同粘土含量、密度、含水率和抗剪强度条件下浅层岩土的声波速度和声衰减系数，通过实验数据对理论模型进行修正。由于现场实测数据和模拟实验数据量少，不足以形成数据库，所以利用建立的理论模型计算结果对数据进行补充，形成深水浅层岩土参数与声学特征数据集。
步骤S903: 对数据集进行空置剔除、矩阵构造、数据归一化等预处理，将处理后的样本集分为训练集、验证集和测试集3个子集。
其中，采用删除数据法进行空值剔除，采用min-max归一化方法对样本数据进行归一化，样本集分割时将75%的理论计算数据和25%的实测数据划分到训练集，将5%的理论计算数据和5%的实测数据划分到验证集，将20%的理论计算数据和70%的实测数据划分到测试集。
步骤S904: 基于测训练集和验证集，分别利用集成树算法、支持向量机算法和人工神经网络3类机器学习回归算法进行预测模型的建立及训练。
其中，集成树算法采用三种算法建立预测模型，分别为随机森林算法、LightGBM算法和XGBoost算法。
步骤S905: 基于测试集进行建立模型的性能评估，优选出最优模型，输入所需参数数据进行深水浅层岩土工程参数的预测。
其中，性能评估的指标包括：平均绝对值误差、均方误差、均方根误差、相关系数，将步骤S904所建立的模型应用到测试集上，通过对比发现具有较高预测精度，即预测精度和回归拟合的效果最好的模型为最优模型，输入所需参数数据进行深水浅层岩土工程参数的预测。
根据本申请实施例提出的基于声学特征的深水浅层岩土工程参数预测方法，可以通过建立深水浅层岩土工程参数与声学参数之间的关系模型扩充建模数据库，并基于机器学习回归算法建立并训练深水浅层岩土工程参数预测模型，由此实现深水浅层岩土工程参数的预测结果精确度，提升了钻前预测深水浅层岩土参数的准确性。由此，解决了相关技术中，重力取芯技术获取岩土力学性质的研究具有深度局限性，而利用钻井取芯获取技术在取样过程中容易造成土体扰动，且环境温度压力的改变导致实验室的样品测量结果存在误差，同时根据现场地震数据预测的浅层岩土工程参数具有多解性，影响了深水浅层岩土工程参数预测结果的准确性，导致深水浅层岩土工程参数的预测精度不足等问题。
其次参照附图描述根据本申请实施例提出的基于声学特征的深水浅层岩土工程参数预测装置。
图10是本申请实施例的基于声学特征的深水浅层岩土工程参数预测装置的结构示意图。
如图10所示，该基于声学特征的深水浅层岩土工程参数预测装置10包括：建模模块100、计算模块200和预测模块300。
其中，建模模块100，用于基于预设Biot-Stoll理论模型，建立深水浅层岩土的所有工程参数中每个工程参数与声学参数之间的单因素理论模型。
计算模块200，用于利用单因素理论模型计算所有工程参数条件下的声学参数数据集，结合实测数据集获取目标数据库。
预测模块300，用于根据目标数据库，利用预设机器学习回归算法生成深水浅层岩土工程参数预测模型，以利用深水浅层岩土工程参数预测模型预测所有工程参数中任一工程参数。
可选地，在本申请的一个实施例中，建模模块100包括：拟合单元、第一获取单元和选取单元。
其中，第一获取单元，用于获取预设Biot-Stoll理论模型的输入参数，建立每个工程参数与输入参数的数学关系式。
拟合单元，用于将数学关系式输入预设Biot-Stoll理论模型，获取所有工程参数条件下对应的声学参数，并拟合所有工程参数与声学参数之间的关系模型。
选取单元，用于评价关系模型的拟合效果，根据拟合效果选取满足预设评价要求的目标关系模型，以基于目标关系模型分别建立各工程参数与声学参数的单因素理论模型。
可选地，在本申请的一个实施例中，计算模块200包括：模拟单元和修正单元。
其中，模拟单元，用于基于单因素理论模型模拟室内实验，获取所有工程参数条件下深水浅层岩土的实验声学参数数据集。
修正单元，用于根据实验声学参数数据集修正单因素理论模型，并利用修正后的单因素理论模型计算所有工程参数条件下的声学参数数据集，基于实验声学参数数据集、实测数据集和声学参数数据集得到目标数据库，并将目标数据库分为训练集、验证集和测试集。
可选地，在本申请的一个实施例中，预测模块300包括：训练单元和评估单元。
其中，训练单元，用于基于预设机器学习回归算法，生成所有初始预测模型，并根据训练集与验证集训练每个初始预测模型，得到所有训练后的初始预测模型。
评估单元，用于利用测试集评估所有训练后的初始预测模型，选取满足预设评估要求的训练后的初始预测模型作为深水浅层岩土工程参数预测模型。
可选地，在本申请的一个实施例中，预测模块300还包括：第二获取单元和排序单元。
其中，第二获取单元，用于获取所有训练后的初始预测模型的性能评估指标。
排序单元，用于基于性能评估指标，生成所有训练后的初始预测模型预测精度的排序结果，根据排序结果得到满足预设评估要求的训练后的初始预测模型。
可选地，在本申请的一个实施例中，所有工程参数包括深水浅层岩土的粘土含量、密度、含水率和抗剪强度。
可选地，在本申请的一个实施例中，声学参数包括深水浅层岩土的声波速度和声衰减系数。
需要说明的是，前述对基于声学特征的深水浅层岩土工程参数预测方法实施例的解释说明也适用于该实施例的基于声学特征的深水浅层岩土工程参数预测装置，此处不再赘述。
根据本申请实施例提出的基于声学特征的深水浅层岩土工程参数预测装置，通过建立深水浅层岩土工程参数与声学参数之间的关系模型扩充建模数据库，并基于机器学习回归算法建立并训练深水浅层岩土工程参数预测模型，由此实现深水浅层岩土工程参数的预测结果精确度，提升了钻前预测深水浅层岩土参数的准确性。由此，解决了相关技术中，重力取芯技术获取岩土力学性质的研究具有深度局限性，而利用钻井取芯获取技术在取样过程中容易造成土体扰动，且环境温度压力的改变导致实验室的样品测量结果存在误差，同时根据现场地震数据预测的浅层岩土工程参数具有多解性，影响了深水浅层岩土工程参数预测结果的准确性，导致深水浅层岩土工程参数的预测精度不足等问题。
图11为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器1101、处理器1102及存储在存储器1101上并可在处理器1102上运行的计算机程序。
处理器1102执行程序时实现上述实施例中提供的基于声学特征的深水浅层岩土工程参数预测方法。
进一步地，电子设备还包括：
通信接口1103，用于存储器1101和处理器1102之间的通信。
存储器1101，用于存放可在处理器1102上运行的计算机程序。
存储器1101可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
如果存储器1101、处理器1102和通信接口1103独立实现，则通信接口1103、存储器1101和处理器1102可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构（Industry Standard Architecture，简称为ISA）总线、外部设备互连（PeripheralComponent，简称为PCI）总线或扩展工业标准体系结构（Extended Industry StandardArchitecture，简称为EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器1101、处理器1102及通信接口1103，集成在一块芯片上实现，则存储器1101、处理器1102及通信接口1103可以通过内部接口完成相互间的通信。
处理器1102可能是一个中央处理器（Central Processing Unit，简称为CPU），或者是特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的基于声学特征的深水浅层岩土工程参数预测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备（如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***）使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或N个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种基于声学特征的深水浅层岩土工程参数预测方法，其特征在于，包括以下步骤：
基于预设Biot-Stoll理论模型，建立深水浅层岩土的所有工程参数中每个工程参数与声学参数之间的单因素理论模型，其中，获取所述预设Biot-Stoll理论模型的输入参数，建立所述每个工程参数与所述输入参数的数学关系式，将所述数学关系式输入所述预设Biot-Stoll理论模型，获取所述所有工程参数条件下对应的声学参数，并拟合所述所有工程参数与所述声学参数之间的关系模型，评价所述关系模型的拟合效果，根据所述拟合效果选取满足预设评价要求的目标关系模型，以基于所述目标关系模型分别建立各工程参数与所述声学参数的单因素理论模型；
利用所述单因素理论模型计算所有工程参数条件下的声学参数数据集，结合实测数据集获取目标数据库，其中，基于所述单因素理论模型模拟室内实验，获取所述所有工程参数条件下深水浅层岩土的实验声学参数数据集，根据所述实验声学参数数据集修正所述单因素理论模型，并利用修正后的单因素理论模型计算所述所有工程参数条件下的所述声学参数数据集，基于所述实验声学参数数据集、所述实测数据集和所述声学参数数据集得到所述目标数据库，并将所述目标数据库分为训练集、验证集和测试集；
根据所述目标数据库，利用预设机器学习回归算法生成深水浅层岩土工程参数预测模型，以利用所述深水浅层岩土工程参数预测模型预测所述所有工程参数中任一工程参数，其中，基于所述预设机器学习回归算法，生成所有初始预测模型，并根据所述训练集与所述验证集训练每个初始预测模型，得到所有训练后的初始预测模型，利用所述测试集评估所述所有训练后的初始预测模型，选取满足预设评估要求的所述训练后的初始预测模型作为所述深水浅层岩土工程参数预测模型；
其中，所述选取满足预设评估要求的所述训练后的初始预测模型作为所述深水浅层岩土工程参数预测模型，包括：获取所述所有训练后的初始预测模型的性能评估指标；基于所述性能评估指标，生成所述所有训练后的初始预测模型预测精度的排序结果，根据所述排序结果得到所述满足预设评估要求的所述训练后的初始预测模型。
2.根据权利要求1所述的方法，其特征在于，所述所有工程参数包括所述深水浅层岩土的粘土含量、密度、含水率和抗剪强度。
3.根据权利要求1所述的方法，其特征在于，所述声学参数包括所述深水浅层岩土的声波速度和声衰减系数。
4.一种基于声学特征的深水浅层岩土工程参数预测装置，其特征在于，包括：
建模模块，用于基于预设Biot-Stoll理论模型，建立深水浅层岩土的所有工程参数中每个工程参数与声学参数之间的单因素理论模型，其中，获取所述预设Biot-Stoll理论模型的输入参数，建立所述每个工程参数与所述输入参数的数学关系式，将所述数学关系式输入所述预设Biot-Stoll理论模型，获取所述所有工程参数条件下对应的声学参数，并拟合所述所有工程参数与所述声学参数之间的关系模型，评价所述关系模型的拟合效果，根据所述拟合效果选取满足预设评价要求的目标关系模型，以基于所述目标关系模型分别建立各工程参数与所述声学参数的单因素理论模型；
计算模块，用于利用所述单因素理论模型计算所有工程参数条件下的声学参数数据集，结合实测数据集获取目标数据库，其中，基于所述单因素理论模型模拟室内实验，获取所述所有工程参数条件下深水浅层岩土的实验声学参数数据集，根据所述实验声学参数数据集修正所述单因素理论模型，并利用修正后的单因素理论模型计算所述所有工程参数条件下的所述声学参数数据集，基于所述实验声学参数数据集、所述实测数据集和所述声学参数数据集得到所述目标数据库，并将所述目标数据库分为训练集、验证集和测试集；
预测模块，用于根据所述目标数据库，利用预设机器学习回归算法生成深水浅层岩土工程参数预测模型，以利用所述深水浅层岩土工程参数预测模型预测所述所有工程参数中任一工程参数，其中，基于所述预设机器学习回归算法，生成所有初始预测模型，并根据所述训练集与所述验证集训练每个初始预测模型，得到所有训练后的初始预测模型，利用所述测试集评估所述所有训练后的初始预测模型，选取满足预设评估要求的所述训练后的初始预测模型作为所述深水浅层岩土工程参数预测模型；
其中，所述选取满足预设评估要求的所述训练后的初始预测模型作为所述深水浅层岩土工程参数预测模型，包括：获取所述所有训练后的初始预测模型的性能评估指标；基于所述性能评估指标，生成所述所有训练后的初始预测模型预测精度的排序结果，根据所述排序结果得到所述满足预设评估要求的所述训练后的初始预测模型。
5.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-3任一项所述的基于声学特征的深水浅层岩土工程参数预测方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-3任一项所述的基于声学特征的深水浅层岩土工程参数预测方法。
CN202311214738.3A 2023-09-20 2023-09-20 基于声学特征的深水浅层岩土工程参数预测方法及装置 Active CN116975987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311214738.3A CN116975987B (zh) 2023-09-20 2023-09-20 基于声学特征的深水浅层岩土工程参数预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311214738.3A CN116975987B (zh) 2023-09-20 2023-09-20 基于声学特征的深水浅层岩土工程参数预测方法及装置

Publications (2)

Publication Number Publication Date
CN116975987A CN116975987A (zh) 2023-10-31
CN116975987B true CN116975987B (zh) 2024-03-08

Family

ID=88479895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311214738.3A Active CN116975987B (zh) 2023-09-20 2023-09-20 基于声学特征的深水浅层岩土工程参数预测方法及装置

Country Status (1)

Country Link
CN (1) CN116975987B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117741759A (zh) * 2023-12-18 2024-03-22 广州海洋地质调查局 一种富稀土层的圈划方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU22830U1 (ru) * 2001-07-26 2002-04-27 Миколаевский Эрнест Юлианович Автоматизированная система поиска, разведки и оценки эксплуатационных свойств залежей и месторождений полезных ископаемых и прогноза тектонических и литофизических свойств геологических сред
CN112836075A (zh) * 2021-03-02 2021-05-25 中国科学院武汉岩土力学研究所 基于深度学习和迁移学习的岩层结构智能检测分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113759424B (zh) * 2021-09-13 2022-03-08 中国科学院地质与地球物理研究所 基于频谱分解和机器学习的岩溶储层充填分析方法和***
US20230031116A1 (en) * 2022-09-27 2023-02-02 Chengdu University Of Technology Method of quantitative evaluation on structural disturbance characteristics of present in-situ geo-stress in deep shale gas reservoirs

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU22830U1 (ru) * 2001-07-26 2002-04-27 Миколаевский Эрнест Юлианович Автоматизированная система поиска, разведки и оценки эксплуатационных свойств залежей и месторождений полезных ископаемых и прогноза тектонических и литофизических свойств геологических сред
CN112836075A (zh) * 2021-03-02 2021-05-25 中国科学院武汉岩土力学研究所 基于深度学习和迁移学习的岩层结构智能检测分类方法

Also Published As

Publication number Publication date
CN116975987A (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
Kayadelen Soil liquefaction modeling by genetic expression programming and neuro-fuzzy
CN116975987B (zh) 基于声学特征的深水浅层岩土工程参数预测方法及装置
CN106683122A (zh) 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法
CN108563837B (zh) 一种冲积河流水沙模型的模型参数实时校正方法和***
CN111123354B (zh) 基于频变反射振幅衰减预测致密气层的方法及设备
CN112307536B (zh) 一种大坝渗流参数反演方法
CN113610945A (zh) 一种基于混合神经网络的地应力曲线预测方法
CN105044775A (zh) 一种地震流体反演识别方法和装置
CN110954950A (zh) 地下横波速度反演方法、装置、计算设备及存储介质
CN106568647A (zh) 一种基于神经网络的混凝土强度预测方法
Shokir et al. Permeability estimation from well log responses
Momeni et al. Evaluation of soil collapse potential in regional scale
Rani et al. Artificial neural networks (ANNS) for prediction of engineering properties of soils
Rodríguez Genó et al. Parameterization of the collision–coalescence process using series of basis functions: COLNETv1. 0.0 model development using a machine learning approach
CN115081067B (zh) 一种淤泥固化土的强度预测方法及***
CN113869350B (zh) 基于空间特征差异的海流预测方法以及***
CN115295098A (zh) 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及***
Yin et al. Deep learning-based design model for suction caissons on clay
CN114460639B (zh) 页岩油储层渗透率的预测方法及装置
CN111428420B (zh) 海表流流速预测方法、装置、计算机设备和存储介质
Azizzadeh Mehmandoust Olya et al. Hydrocarbon reservoir potential mapping through Permeability estimation by a CUDNNLSTM Deep Learning Algorithm
CN111830562B (zh) 一种油气储层渗透率预测方法及装置
CN110929377B (zh) 基于Morris法的洲滩水热运移影响敏感性分析方法
Ghiasi et al. An advanced binary slime mould algorithm for feature subset selection in structural health monitoring data
CN109765612B (zh) 基于等效横纵比的有机质岩石横纵波速度确定方法及设备

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
GR01 Patent grant
GR01 Patent grant