基于改进残差网络的陷落柱识别方法

矿区地质条件复杂,高效、准确的陷落柱识别至关重要。在传统方法中,解释陷落柱最常采用的是人机交互解释方法,但随着勘探规模的扩大、生成数据的不断积累,传统的人工解释陷落柱已满足不了实际生产需要。为了提高陷落柱的识别精度,提出了CINet(Collapse Column Identification Network)网络模型,把自动识别陷落柱的方法看作二分类问题,在深度学习算法残差网络的基础上对残差模块进行改进,构建出新的网络模型CINet,引入平衡交叉熵损失,解决数据中陷落柱与非陷落柱比例高度不平衡问题,使模型朝着正确的方向收敛。通过模型的预测结果与实际数据比对表明,相比于传统的机器学习和残差网络模型,CINet网络模型可以从原始数据中学习到更加详细的特征信息,提高陷落柱的识别精度,F1评分可以达到91.10%,实现了陷落柱快速精准识别,对预防地质灾害的发生具有较好的指导作用。

基于K-means SMOTE和随机森林算法的陷落柱识别模型

为了克服单一地震属性在对陷落柱进行识别时出现多解性和不确定性问题以及样本数据不平衡带来的识别准确率偏移问题,构建了基于K-means SMOTE和随机森林二分类陷落柱识别模型,通过对多个地震属性进行联合分析以达到识别陷落柱的目的。以山西新元煤炭责任有限公司首采区东翼南部矿区作为研究区域,将前方解释人员通过三维地震勘探技术提取到的12种地震属性作为样本特征,并将实际揭露的陷落柱信息作为样本标签,构建地震多属性数据集;通过相关性分析和聚类分析评估以及随机森林重要性分析进行地震属性优选,最终优选相对独立的6种地震属性作为样本特征;利用K-means SMOTE算法对数据集进行平衡处理,补充得到8 992个数据,选取其中6 294个数据作为训练集,2 698个数据作为测试集;基于python语言平台搭建随机森林二分类模型,最终预测陷落柱的准确率可达到87%。通过对比3种常见机器学习分类算法,该模型识别陷落柱的准确率更高。