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。

基于改进XGBoost的地震多属性地质构造识别方法

地震属性可以用来解释与预测地质构造,因此地震属性被广泛地运用在煤矿地质构造的识别。但一般情况下,勘探区中无构造区域与有构造区域分布不均衡,无构造区域远远多于有构造区域。机器学习中,传统的分类器更习惯于偏向多数类,这使得如何有效地识别出构造体成为一个难题。为了解决这一问题,提出了一种针对不平衡数据集的改进极限梯度提升(extreme gradient boosting,XGBoost)构造识别方法。该方法的原理是,首先,以基于三维地震勘探成果数据体提取的12种地震属性为数据集特征,以实际揭露后的地质构造为数据集标签构建多属性数据集,然后以特征对标签的相关性为标准,过滤掉冗余的特征;其次,将边界样本分类算法(boundary sample classification,BSC)与合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)相结合形成BSC-SMOTE算法。用BSC-SMOTE算法对原始数据集进行平衡,再利用平衡后的数据集训练XGBoost分类器,并用贝叶斯优化(Bayesian optimization,BO)对该分类器进行超参数寻优,最后用此分类器预测构造。以山西新元煤矿责任有限公司东翼矿区为研究区域,实验结果显示,改进XGBoost算法模型的预测精确度为0.95,比未改进的XGBoost算法提高了0.16,比K-近邻(K-nearest neighbor,KNN)、随机森林和支持向量机(support vector machine,SVM)等传统算法提高了0.15以上。改进XGBoost模型的预测结果经可视化后与实际揭露构造对比基本吻合,说明该模型能够有效地识别出地质构造体。

基于Google-earth的地质分析技术在南方某隧道工程地质灾害探测中的应用研究

该文以南方某隧道工程地质预报项目为依托,基于Google-earth全方位、多角度的地貌影像数据,利用岩石地貌学与地质构造学理论,在识别区域构造次级构造的基础上,完善并建立了隧址区构造格架体系。研究表明,可为地貌影像识别的次级构造(文中定义为中观层面构造),可以构成隧道施工的大型风险源。对其进行准确识别,可有效防控地质灾害,同时,在此基础上指导洞内探测,能够进一步寻找更次一级构造(文中定义为微观层面构造,该构造在地貌上没有显现,但可以为物探设备所识别)。事实证明,中观与微观层面构造对于隧道施工灾害控制而言更具有隐蔽性与危害性,应该成为地质预报探测的首要目标。而作为二者有效探测手段的基于Google-earth的影像识别技术将发挥至关重要的作用。

复杂地质条件下巷道顶板淋水综合治理技术

针对巷道揭露的地质构造及顶板淋水、渗水影响工程施工这一技术难题,根据巷道揭露的地质构造及顶板含水层综合治理方案进行慎重研究与论证,得出了通过识别地质构造来决定施工方法,即通过采取超前释放钻孔与锚索滞后相结合防水技术、WG抗腐蚀抗裂防水剂锚喷工艺、全长锚固锚杆及注浆锚索防止支护钻孔涌水技术及化学浆液应用于巷道注浆及加固技术,有效地解决了巷道顶板淋水对施工进度的影响,提高了巷道施工进度,实现了快速、安全、优质、高效施工,为类似围岩条件下的井巷施工积累了经验.

成像雷达技术在铀矿勘查中的应用

综合评述了成像雷达技术的发展历史、技术优势及其在地质构造、岩性识别等地学应用领域的研究现状,指出成像雷达技术作为当前遥感对地观测前沿技术之一,在新时期铀矿地质勘查中发展前景广阔。