基于改进随机森林算法的地质构造识别模型

地震属性常常用来进行构造解释以及预测。为克服单一地震属性预测带来的多解性和不确定性的问题，采用地震多属性融合技术对地质构造进行解释以及预测。基于经典的机器学习随机森林算法模型，提出了一种改进的随机森林算法对多种地震属性进行融合分类，将地震多属性融合技术与改进的随机森林算法结合，建立了基于改进随机森林算法的地质构造识别模型。以山西新元煤炭责任有限公司二条带二采区作为研究区域，基于三维地震勘探成果提取到的12种地震属性，通过对12种属性进行属性相关性分析以及特征重要性分析，依据结果保留了全部12种属性进行后续的属性融合。利用揭露验证后的地质构造-断层和陷落柱作为样本标签，提出一种改进网格搜索的优化算法，将分类器数目与单棵决策树的最大特征数组成参数对进行网格搜索，基于Python语言平台建立算法模型，实验结果表明改进后的算法模型预测准确率达到97%，经过后续的模型验证，证明了相比于逻辑回归、梯度提升与决策树等几种算法，改进后的随机森林算法能够更加有效地识别地质构造中的断层与陷落柱等异常体，且识别准确率更高，算法适用性更加广泛。     

地震多属性优选技术的研究与应用

随着地震属性种类的增加,地震属性优选技术在地震勘探中越加重要.文章阐述了基于模型正演的属性优选、基于数理统计的属性优选、基于人工智能的属性优选方法；重点阐述了基于支持向量机(SVM)的属性优选,并将SVM方法用于煤层气预测中.实际结果表明,针对地震勘探中已知钻孔较少时,基于SVM的属性优选是一种有效的方法.     

地震属性技术在处理解释一体化中的应用

随着地震勘探技术的发展,三维地震勘探精度不断提高,但在收集分析后期钻探对地震成果验证情况时,发现实际勘探过程中小断层时有遗漏。综合诸多实例,分析了传统地震资料处理解释流程的不足,在模型正演和模拟结果的属性分析的基础上,结合勘探实例,得出属性技术可以直观反映小断层但并不绝对的结论,且属性成果难以全面解释断层要素,提出将属性异常作为处理改善的目标体,进行处理解释一体化,提高地震数据解释小构造的准确性及精度。     

基于支持向量机的测井岩性识别在松散沉积物调查中的应用研究

砂砾质松散沉积物粒径组成复杂,钻探取心率低,导致对沉积相和相界面的判别准确度不高。本文结合岩心和测井资料,建立了松散沉积层基于支持向量机的测井数据岩性识别模型,分析了训练集样本数量对模型识别准确率的影响,并与BP神经网络模型进行了对比。结果表明,支持向量机模型的岩性识别准确率高,且对训练样本需求量低,可以有效地弥补钻孔取心率不足的问题,并降低钻探施工成本。在松散沉积物调查中,利用基于支持向量机的测井岩性识别模型自动识别沉积序列具有可行性,是实现绿色勘查的有益尝试。     

煤田小构造精细解释方法研究及应用

常规三维地震勘探方法对小断层进行精细解释是很困难的,但通过小断层正演模拟和属性分析认为属性技术可以解决此问题。介绍了利用常规解释方法结合相干体技术、方差体技术、属性技术、曲率体技术等多种方法对小构造进行精细解释,该方法在勘探小断层方面取得了较好效果。     

地震属性技术在解释小断层中的应用

落差2～5 m的小断层现成为影响煤矿生产效率和安全的一个重要因素。通过实例,探讨了三维地震对小的断层解释。建立了一个断层落差为2 m的地质模型进行数值模拟,并在正演生成的时间剖面上提取了属性,结果显示,虽然断层在时间剖面上看不出来,但在属性上有明显反映,因此利用地震属性技术可解释小断层。对一个实例利用地震属性技术进行了解释,解释出了一个落差2.5 m的断层,与煤矿实际揭露吻合。     

基于构造导向滤波下的蚂蚁追踪技术的应用与实践

常规滤波方法在一定程度上提高了地震资料的信噪比,地震信号也变得较为平滑,虽有利于煤层赋存形态的解释,但小断层处的反射也可能产生平滑,不利于对小断层的精细识别与解释;通过构造导向滤波对地震信号进行滤波去噪,既可以提高地震信号的信噪比,还能保持原始地震信号基本不变,突出地层不连续性,有利于小断层识别与解释。以实际采区三维地震数据为例,阐述了基于构造导向滤波后蚂蚁追踪识别属性分析技术,经采区验证,获得了较好的效果。     

基于SVR和地震属性的构造煤厚度定量预测

为了提高谱分解和甜面属性组合预测构造煤厚度的精度和可靠性,利用回归型支持向量机(SVR)的非线性处理能力,将SVR和地震属性相结合,研究采区构造煤厚度定量预测方法。在SVR预测模型建立时,以正演模型数据为基础,通过训练和测试获得SVR预测模型的主要参数;结合井旁道数据,建立了采区构造煤厚度SVR预测模型。通过输入实际谱分解属性和甜面属性,定量预测了构造煤厚度。相对于传统地震属性预测来说,本次所预测的构造煤厚度精度较高、误差较小。当核函数类型为径向基核函数、输入为谱分解属性和甜面属性时,预测模型的预测效果最好。由于模型建立时未考虑地震资料信噪比的影响,预测模型不能克服其造成的不确定性。     

三维地震的精细构造解释方法及应用

论述了几种三维地震资料精细解释小断层的应用方法,为了确保解释的精度,利用数值模拟进行正演模拟试验,为做好三维地震资料精细构造解释提供了物质基础.并结合一个具体实例,从多方位观测、方差切片、相干切片及地震属性提取等方面对小断层做了精细构造解释,结果表明:以上几种解释技术有机结合,能够提高三维地震资料的构造解释精度和准确性,为矿井的安全生产提供了更可靠更丰富的勘探成果.     

深度卷积神经网络目标检测算法在煤矿断层检测上的应用

断层解释技术在煤矿安全开采领域起着至关重要的作用。随着神经网络技术的发展,许多基于神经网络算法的智能化地震资料解释处理方案被提出。首先通过对比不同的深度卷积神经网络目标检测算法,选择适合于识别断层的Faster R-CNN目标检测算法;其次建立具有多种地质特征的地震正演模型,分别对AlexNet、残差网络ResNet50和ResNet101三种特征提取网络进行测试,优选得出ResNet101特征提取网络在断层检测方面具有更加优异的表现;最后基于优选的ResNet101特征提取网络和Faster R-CNN目标检测算法构建断层检测模型,对实际地震数据进行断层检测。结果表明：基于深度卷积神经网络的目标检测算法在断层检测上具有很好的泛化能力,提高了断层的解释效率,在实际应用上具有巨大潜力。     

南方典型煤田不同埋深小断层识别规律研究

小断层是影响煤矿安全高效开采的重要因素。近年来有关小断层的地震波识别方法取得了长足的进步,但对煤田落差5 m以内小断层的识别仍是一大难点。南方煤田一般地形复杂、断裂发育,为推进南方煤田小断层的地震勘探研究,本文选取南方典型煤田——贵州省六盘水煤田作为研究区,通过建立煤系地层地震物理模型进行地震数据采集、处理与解释,从地震波运动学和动力学的角度对不同埋深落差分别为5 m、3 m和1 m的小断层进行识别。研究结果表明:由于煤层处于地表低速层,对于落差1~5 m的小断层采用地震波运动学方法难以识别,而应用动力学方法提取多种地震属性进行分析,发现振幅类属性对于识别小断层较为敏感,分辨能力较强。通过模型试验,在震源频率为60 kHz的条件下,成功解释出落差5 m以内的小断层,结果与煤系地层地震物理模型实际小断层相吻合。     

基于迁移学习的采煤机摇臂传动故障研究

针对传统故障诊断方法无法有效识别并自动分类实际工况中采煤机摇臂传动故障多的非线性、非平稳信号,提出一种基于迁移学习的采煤机摇臂传动故障诊断模型。基于迁移学习思想,构建基于深度迁移学习的采煤机摇臂传动故障诊断模型;采用多标签分类及sigmoid函数,对模型进行改进,实现对采煤机摇臂传动复合故障的识别与分类;最后,通过仿真实验验证了改进模型性能,并对比了提出模型与传统智能故障诊断模型DCNN、SVM、LSTM、CNN在迁移任务中的分类准确率。结果表明,相较于传统智能故障诊断模型,基于深度迁移学习的采煤机摇臂传动故障诊断模型具有更高的诊断精度,且收敛速度更快,可提高采煤机摇臂传动系统的工作可靠性。     

基于SVM增量学习算法的煤矿高压断路器故障模式识别方法

高压断路器故障模式的准确识别是矿井电网智能化发展过程中的重要支撑环节。针对高压断路器故障数据不易获取且故障样本较少的问题,提出了一种支持向量机与增量学习算法相结合的故障识别方法,确定了以断路器控制回路电流信号、电压信号以及分合闸振动信号为状态监测量,模拟了弹簧松动、铁芯卡涩、供电异常与线圈老化4种常见故障,提取了故障特征量并建立了故障数据样本与增量学习数据样本,采用支持向量机增量学习算法训练得到了故障识别模型,并利用新增数据样本对其进行了验证。结果表明:支持向量机增量学习算法可准确识别上述4种常见故障,并可以通过对新增样本的不断学习进一步提高识别精度。     

基于支持向量机的矿用电机故障诊断

提出一种基于电流信号频谱分析和支持向量机(SVM)的矿用感应电机早期故障诊断方法。对定子电流采样后,经FFT变换后提取故障特征量作为支持向量机的输入,基于1对1算法和混合矩阵组合策略构造了多故障SVM分类,对不同类型的故障进行诊断和分类。实验结果表明,该方法能够有效解决电机故障诊断中小样本集、非线性、高维数时的故障分类问题,提高电机故障诊断的准确性。     

长宁地区五峰组底界微断裂识别及对页岩气开发工程的影响

四川盆地长宁页岩气田是中国页岩气勘探的先导靶区之一。受地震分辨率的限制,前人主要识别断距大于20m的断层,会忽略断距小于20m的微小断裂,然而长宁地区普遍发育断距小于20m的微小断裂,容易造成其长水平井开发中出层、卡钻、压窜、套变等复杂工程情况,因此,如何进行长宁页岩气储层微小裂缝的识别,并进一步细化断裂分级成为了当前工作的重中之重。本研究在前人的断裂解释认识上,通过井震结合,综合运用相干、蚂蚁体等多种方法,提高了微小断层的识别和刻画精度,总结了继承型、伴生型、走滑型三种微裂缝成因分类,并在原有的四级分类基础上增加了第五级断裂（微断裂）的分类原则和识别方法。结果显示,该区发育大量走向北东向、北西向的微断裂,与I-IV级断裂的方位一致,符合成因规律,且能够匹配解释前期钻井、压裂过程中出现的工程问题,证实了微断裂识别方法的可靠性和微断裂对页岩气开发工程的不利影响。通过对微裂缝的有效识别,可以为轨迹优化、钻井及压裂施工提供预警处理依据,并为地质甜点分析、页岩气产量提升提供技术支持和保障。     

煤炭运输设备故障自动识别系统研究

为了提高煤炭运输设备故障自动识别系统的智能化程度,利用传感器感知信息技术,对煤炭运输设备故障自动识别系统进行研究。采用传感器建立信号采集数学模型,感知设备运行信息,并消除运行信息中的干扰信号;采用抗干扰能力强的排列熵空间重构信号,提取煤炭运输设备故障信号特征;将设备故障信号特征作为SVM特征空间上的训练数据集,计算最优分类函数划分设备故障信号特征类别,根据划分的信号特征类别,自动识别输送机设备故障,确定煤炭运输设备技术参数和故障信号。测试结果表明,此次研究的故障自动识别方法提取的故障信号排列熵特征值具有明显的区分度,故障平均识别精度高达96.86%。     

刮板输送机故障诊断方法研究

为了提高刮板输送机故障诊断准确度,降低事故发生率,分析了刮板输送机常见的故障,研究了基于支持向量机的刮板输送机故障分类,介绍了刮板输送机故障数据处理方法以及基于SVM的故障诊断流程,并对支持向量机参数进行了选择,采用网格搜索交叉法得到模型的最佳参数模型,使用该模型对刮板输送机故障数据进行预测。研究表明,采用支持向量机和网格搜索交叉法相结合的方法,可以对刮板输送机故障进行有效诊断。     

SVM在煤矿机电设备故障诊断中的应用

针对煤矿大型机电设备故障诊断与维修过程中存在故障数据少、干扰大的非线性特征,提出了采用支持向量机进行故障诊断的方法。建立了系统故障诊断分类模型,采用拉格朗日函数得到了最优解。通过对刮板输送机传动部温度故障数据的参数估计与分类研究,结果表明支持向量机故障诊断效果较好。