隧道不良地质识别:方法、现状及智能化发展方向

随着隧道施工对于不良地质识别精度要求的不断提高以及人工智能技术的发展,融合多源信息的不良地质智能化识别已成为发展趋势。本文首先阐述了常见的6种隧道不良地质类型及其地质成因,回顾分析了隧道主要的不良地质识别方法及现状,详细介绍了笔者在不良地质智能化识别方面的探索性研究:基于机器学习利用图像识别技术对隧道围岩岩性与裂隙特征进行智能识别;融合图像和光谱特征进行不良地质识别;将地化分析融入到传统的超前钻探中,融合随钻参数和地化信息进行不良地质随钻识别,既可以发挥超前钻探在感知岩体质量和地层信息变化方面的优势,又可以发挥地化分析在岩性和不良地质异常识别方面的优势;基于地质与物探联合反演进行不良地质识别,旨在实现掌子面前方不良地质体“形”(位置、形态、规模)和“性”(性质和类型)的精确识别。最后,对隧道不良地质智能化识别的发展趋势进行了展望。

CNN-ERI地质识别模型的研究与应用

基建工程对地质勘探精度的要求不断提高,研究人工智能技术在地质勘探数据分析处理中的应用具有重要意义。基于卷积神经网络技术的数据降维处理功能,提出一种改进的CNN-ERI地质识别模型,分析了该模型在地质识别方面的优越性,探讨了数据量和环境因素对模型识别精度的影响,并结合某隧洞工程,探析了模型的具体应用问题。

基于探地雷达属性分析的典型岩溶不良地质识别方法

采用探地雷达进行岩溶隧道超前地质预报时,受现场探测环境、岩溶地质的复杂性以及解译技术制约,多解性问题一直未能得到很好解决。从依托工程中选取代表性的案例,分析总结隧道建设中常见的几种典型岩溶不良地质的属性特征,结果表明岩溶不良地质类型与探地雷达属性参数有很好相关性,其中:空腔型溶洞、干燥松散黏土夹碎石充填型溶洞和无水破碎带雷达反射波中心频率随时间衰减较慢,分布范围分别为90~105、85~100、70~110MHz;软塑状黏土充填型溶洞和富水破碎带雷达反射波中心频率随时间衰减较快,分布范围分别为60~80MHz和40~70MHz。研究属性特征定量表示方法,提出基于广义S变换及子波谱模拟的雷达波吸收衰减参数计算方法。实际数据分析结果表明:每种属性都能从某些角度反映岩溶不良地质体雷达反射波的特征,在综合多个特征参数后,可以较好地区分不同的岩溶不良地质类型,从而提高探地雷达目标识别精度。

基于不良地质识别的分类方法研究与分析

中国西部的沙漠、冻土和盐渍土等典型的不良地质现象日益显现,基于遥感影像的不良地质识别已经成为遥感处理研究领域的一个热点和难点。以新疆尉犁县罗布人村寨为研究区域,针对当地典型的不良地质体遥感影像特征,主要探讨SVM分类、K均值分类以及基于因果关系的贝叶斯网络分类3种分类方法,初步尝试不同分类方法的融合,并通过实验对比分析了3种方法的分类效果和精度。结果表明:SVM分类结果为块状分布,K均值分类结果为点状分布,基于因果关系的贝叶斯网络分类取得了更好的分类精度,3种方法取得的影像融合更好地表达了多种不良地质体的识别效果。

区域地质调查文本中文命名实体识别

作为我国地质调查领域最重要的数据源之一,地质调查报告中蕴含着丰富的地学知识及地质体描述等关键信息,准确高质量地抽取地质命名实体为地学知识图谱构建、知识推理及知识演化提供基础。笔者等在阐述地质命名实体识别任务基础上,分析地质实体不仅包含大量专业术语,还存在实体嵌套、大量长实体等领域特性,进一步增加了地质命名实体识别难度。笔者等提出一种基于轻量级预训练模型(ALBERT)—双向长短时记忆网络(BiLSTM)—条件随机场(CRF)模型的地质命名实体识别方法。首先利用ALBERT对输入字符上下文特征进行建模,并采用BiLSTM对其进行进一步上下文特征表征,最后采用CRF实现标注序列预测。实验结果表明,在构建的地质命名实体识别数据集上,相比于主流的命名实体识别模型算法,本文所提出的方法具有更好的抽取性能,提出的命名实体识别模型能为领域实体识别提供借鉴,同时为地学领域实体关系抽取和地学知识图谱构建提供有力方法支撑。

基于GeoERNIE-BiLSTM-Attention-CRF模型的地质命名实体识别

构建地质知识图谱对深化现有地质数据分析和推进地质大数据的构建至关重要。地质命名实体识别作为构建地质知识图谱的核心技术,仍然面临着地质命名实体不断被引入、符号分隔的命名实体、同一实体表达形式不同等挑战。针对上述问题,本文提出了GeoERNIE-BiLSTM-Attention-CRF的地质领域命名实体识别模型,其中预训练模型GeoERNIE学习了地质领域的先验语义知识,并结合自定义地质领域主体词表对复杂命名实体进行准确分词,能够提升模型整体性能和地质命名实体未登录词以及复杂实体的识别效果。然后通过BiLSTM充分学习地质实体上下文语义信息来帮助对命名形式多样的地质命名实体进行识别,接着引入Attention机制对地质实体相关语义增加特征权重,最后由CRF层输出最佳实体标注结果。本文以测试集数据对模型性能进行了评估,模型的准确率、精确率、召回率和F1值分别达到了96.35%、96.90%、96.87%和96.95%。实验表明相比其他模型,本文模型在地质命名实体识别方面效果更优,能有效识别符号分隔和同一实体表达形式不同等复杂地质命名实体。

典型黄土丘陵区地质灾害隐患识别与时序监测

宁厦南部地区以黄土丘陵地貌为主,区内沟壑纵横,小型滑坡较为发育,地表形变监测难度大。为探索黄土丘陵区的地质灾害隐患识别方法,以宁夏回族自治区固原市泾源县为研究区,应用SBAS-InSAR技术对采集到的2016年7月—2021年5月的11期升轨L波段ALOS-2数据进行处理,得到形变速率结果。联合高分光学影像,根据形变速率、形变规模、坡度、形变区到承灾体的距离等因素进行综合分析,在泾源县共识别疑似隐患27处。经实地验证,其中22处形变迹象较明显、而且有明确的承灾体,确定为地质灾害隐患。对其中典型隐患点进行时序形变分析,发现这些区域在监测时间段内有持续显著的地表形变,最大沉降速率达到91.53 mm/a。结果表明:在黄土丘陵区,应用L波段SAR数据,采用SBASInSAR技术的地质灾害形变监测效果显著,联合高分辨率的光学影像数据、应用综合遥感识别的方法,在该地区地质灾害隐患识别的正确率较高,具有很好的适用性。未来可编程采集升、降轨结合的L波段数据、结合无人机LiDAR数据做更深入的研究,以进一步提高地质灾害隐患识别的准确率,为地质灾害精准防治做好技术支撑。

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。

基于综合遥感识别方法的藏南错那地区地质灾害识别研究

以藏南错那地区为研究区,利用光学遥感影像解译与PS-InSAR识别技术等综合遥感识别方法获取研究区地质灾害隐患区数量及分布特征,分析典型隐患区在其时间序列上的形变特征。结果表明:(1)光学遥感影像识别地质灾害隐患区共135处,整体识别率76.3%,识别正确率93.1%;PS-InSAR技术识别地质灾害隐患区共47处,整体识别率26.6%,识别正确率97.9%;综合遥感识别方法共识别地质灾害隐患区137处,其中崩塌76处、滑坡30处、泥石流18处、冰湖溃决13处,整体识别率为77.4%;(2)光学遥感影像和PS-InSAR技术在识别地质灾害方面都有各自的优势,二者均能较好地识别出崩塌与滑坡灾害;对于泥石流与错那地区典型的冰湖溃决地质灾害,基于光学遥感影像识别比基于PS-InSAR技术识别具有更好的效果;(3)通过综合利用光学遥感影像与InSAR技术识别地质灾害,分析典型地质灾害隐患区发育规律,可为藏南错那地区防灾减灾工作提供理论参考与技术支持。

遥感技术在水电站地质灾害识别与监测预警中的应用与展望

我国是水电大国,水电站地质灾害早期识别与监测预警一直是水电站正常运行的重中之重。当前光学遥感、InSAR、LiDAR等现代遥感技术已经广泛应用于地质灾害识别与监测预警中,成为重要的技术支撑手段。总结分析了不同遥感技术特点及在地质灾害领域的应用,提出了构建“天-空-地”一体化的水电站滑坡灾害早期识别与监测体系,以及开展水电站库区大坝形变动态监测的遥感技术方法,为水电站地质灾害防治提供参考与借鉴。

浅谈SAOCOM雷达在广西北部山区地质灾害识别中的应用

尽管近年来国家大力开展地质灾害详查、群防群测等工作,且取得一定成效,但面对地形复杂、植被覆盖度高的广西北部山区,规模小、影响范围大的地质灾害隐患的识别难度依旧不减。本文以广西北部山区九万大山南麓作为研究区,基于SBAS-InSAR技术,采用L波段的SAOCOM雷达数据,结合地质相关专业知识,综合讨论SAOCOM数据在该地区地质灾害隐患识别的应用,为提升同类地区地质灾害隐患识别提供一定参考。

机载激光雷达测量在北方山区高速公路不良地质体识别中的应用

高速公路工程常常要穿越各种不同的地形、地貌单元,尤其是山岭重丘区的高速公路,采空区、滑坡、崩塌、危岩体等不良地质现象众多且高位分布,机载激光雷达测量技术能对不良地质体进行有效的识别,详细介绍了机载激光雷达测量在北方山区高速公路不良地质体识别中的应用。

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。

基于深度学习U—Net网络的地质目标识别——以铁矿为例

地质大数据时代到来,大量地质数据为更准确的地质目标识别提供了可能,也为地质数据处理带来了巨大压力。深度学习技术可以对大批量地质数据进行特征学习,用概率预测结果表示地质目标的分布,为地质目标识别提供了新的思路和方法。本文采用深度学习方法,以铁矿识别为例,探索利用U-Net网络学习区域物性特征、构造条件等与地质目标的空间耦合关系,从而实现多源物性数据中铁矿地质目标的识别。经过多轮基于U-Net网络的地质目标识别测试,发现U-Net模型在铁矿识别任务中表现良好,能够从多源物性数据提取地质目标信息,实现高效的地质目标识别;U-Net模型从地质数据中识别地质目标的效果依赖于地质数据本身对地质目标与地质背景的区分能力。

多源数据融合技术在地质灾害识别的应用研究

新型测绘遥感技术获得的多源数据为地质灾害、传统测绘等领域带来了基本的数据支撑。在我国西部地区地质灾害隐患识别中,结合光学遥感分辨率高与合成孔径雷达的全天时全天候的特点、激光雷达与无人机摄影测量的主动测量特点以及地面调查和监测融合的核验特点,采用“普查”、“详查”、“核查”相结合的“三查”体系,解决地质灾害中的隐患识别问题。

TGS360pro超前地质预报在不良地质体识别中的应用

TGS360pro超前地质预报系统能够采集隧道掌子面前方的相对应力、含水可能性、泊松比、杨氏模量和危险等级等参数,预报隧道掌子面前方的地质情况。文章简要描述了TGS360pro在实际工程中的地质预报应用原理和方法,并依据采集处理后的泊松比、含水概率、相对应力等物理参数,准确地预报出了隧道掌子面前的地质情况。证明了TGS360pro对地质构造有很强的识别能力。

基于深度信念网络的地质实体识别方法

地质实体作为地质信息表达的核心要素,对其准确识别是地质文本数据挖掘和应用的重要基础。本文通过分析各种类型文本数据中地质实体信息的描述特点,构建了地质实体信息的标注规范和语料库,设计了基于深度信念网络(Deep Belief Networks)的地质实体识别模型,解决了文本数据中地质实体信息的结构化、规范化处理问题。以矿产资源地质调查报告为实验数据,对本文的地质实体识别方法性能进行了评估分析。结果表明,深度学习模型能够在较小规模语料库的基础上,达到较好的地质实体识别性能。

青藏高原鲜水河活动断裂带蠕变斜坡地质灾害InSAR识别研究

断裂带附近往往是蠕变斜坡地质灾害的多发区,微小变形是指示蠕变斜坡地质灾害的一项重要标志。本文以青藏高原鲜水河活动断裂带为研究区,选用多期ALOS/PALSAR合成孔径雷达数据进行时序干涉(InSAR)观测,获得了毫米级的地表变形量,结合现场调查、遥感解译和地质条件综合分析,揭示了该区域蠕变斜坡地质灾害的类别、变形特征和空间发育规律:(1)断裂沿线主要发育了蠕变滑坡、蠕变泥石流物源和冰碛物流动3种类型蠕变斜坡地质灾害;(2)蠕滑滑坡具有"错乱的等高线状台阶",凸凹不平的主滑方向地形剖面,舌状地貌,无基岩裸露滑床等特征;(3)鲜水河断裂北段古滑坡、历史地震滑坡和震裂斜坡发育,与断裂带直接相交的,大部分存在蠕滑变形,未相交的往往无蠕滑变形,体现了活动断裂对地质灾害发育的控制作用;(4)发育"土石林型"和"坡面松散堆积物型"两种泥石流,识别特征是物源区有分散的缓慢变形体,流域范围内变形体的数量和速率是重要标志;(5)鲜水河断裂带附近4200m高程以上区域广泛存在现代冰碛物沿冰川槽谷滑动变形,其分布范围广、单体规模大、运动速率高,是现今研究区最主要的地表剥蚀形式之一。研究结果也表明,InSAR技术结合地质条件能有效地识别蠕变斜坡地质灾害,适于山区地质灾害众多、调查不便的工作环境,是地质灾害调查技术未来重要发展方向。

海底浅层地质灾害的高分辨率地震识别技术

将渤海某油田最新采集的二维高分辨率资料处理解释后,结合区域地球物理及地质概况,利用地震相分析、波阻抗反演、井(孔)震标定等深层油气勘探的成熟技术,系统研究了各类海底浅层地质灾害因素的成因、特征、危害及展布规律,总结了一套完整的利用高分辨率地震识别海底浅层地质灾害的技术方法。结果表明,浅层断裂、浅层气和埋藏古河道是研究区海底浅层发育的主要地质灾害因素,通过刻画不同期次地质灾害因素的类型及其分布范围,为今后该油田海上施工提供了可靠的工程地质调查成果。因此,高分辨率地震技术能够很好地应用于海底浅层地质灾害的识别。

基于地质体智能识别的剖面图自动绘制研究

剖面建模是三维建模中常用的建模方法,但因剖面数据不足,存在过多依赖领域专家、必须通过人工交互方式才能完成等诸多不足。为解决由此带来的软件效力削弱、自动化程度降低等问题。遵循地质基本规律,分析研究专家判定思路、方法,提出一种基于知识的地质体智能识别框架,实现任意基于钻井的地质剖面图自动生成。利用面向对象技术,采用具有层次结构的知识表示和嵌入式的推理机制,以某煤矿为例,实现了剖面图的自动生成与显示,有效地解决了剖面建模中地质剖面图不足带来的弊端,对提高三维建模自动化程度有重要的实际意义。