基于机器学习的钻孔数据隐式三维地质建模方法

doi:10.12068/j.issn.1005-3026.2019.09.021

东北大学学报:自然科学版 ›› 2019, Vol. 40 ›› Issue (9): 1337-1342.DOI: 10.12068/j.issn.1005-3026.2019.09.021

基于机器学习的钻孔数据隐式三维地质建模方法

郭甲腾，刘寅贺，韩英夫，王徐磊

(东北大学资源与土木工程学院，辽宁沈阳110819)

收稿日期:2018-09-19 修回日期:2018-09-19 出版日期:2019-09-15 发布日期:2019-09-17
通讯作者: 郭甲腾
作者简介:郭甲腾(1980-)，男，安徽桐城人，东北大学副教授.
基金资助:
国家自然科学基金资助项目(41671404)；国家级大学生创新创业训练计划资助项目(201810145060)；中央高校基本科研业务费专项资金资助项目(N170104019)；中国地质调查局智能地质调查支撑平台建设项目(DD20160355).

Implicit 3D Geological Modeling Method for Borehole Data Based on Machine Learning

GUO Jia-teng， LIU Yin-he， HAN Ying-fu， WANG Xu-lei

School of Resources & Civil Engineering， Northeastern University， Shenyang 110819， China.

Received:2018-09-19 Revised:2018-09-19 Online:2019-09-15 Published:2019-09-17
Contact: GUO Jia-teng
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对基于钻孔数据的传统显式三维地质建模方法存在过程繁琐、模型质量难以保证等缺点，本文提出了一种基于机器学习的隐式三维地质建模方法，将地层三维建模问题转换为地下空间栅格单元的属性分类问题.分别基于支持向量机、BP神经网络等分类算法，实现了钻孔数据的自动三维地质建模.实际建模结果表明，对于有限、稀疏的钻孔数据，支持向量机方法建模准确率较高，建模效率、效果优于显式建模方法.最后通过敏感性分析研究了超参数对建模结果准确率、模型形态的影响，为可控的自动三维地质建模提供了一种新的解决思路.

关键词: 机器学习, 支持向量机, 三维地质建模, 隐式建模, 钻孔数据

Abstract: Considering the complex modeling process and difficulty in guaranteeing the model quality of traditional explicit 3D modeling methods， an implicit 3D geological modeling method for borehole data based on machine learning was proposed， which transformed the strata 3D modeling problem into a process of geological attribute classification of the underground spatial grid units. Based on the classification algorithms of support vector machine and BP neural network， automatic 3D geological modeling from borehole data was realized. The results demonstrate that for sparse and limited borehole data， support vector machine can generally perform better than explicit methods. Finally， the influence of hyper-parameter on modeling accuracy and model shape is studied through sensitivity analysis， which provides a new solution for controllable 3D geological modeling.

Key words: machine learning;support vector machine, 3D geological modeling;implicit modeling, borehole data

中图分类号:

TD67

郭甲腾，刘寅贺，韩英夫，王徐磊. 基于机器学习的钻孔数据隐式三维地质建模方法[J]. 东北大学学报:自然科学版, 2019, 40(9): 1337-1342.

GUO Jia-teng， LIU Yin-he， HAN Ying-fu， WANG Xu-lei. Implicit 3D Geological Modeling Method for Borehole Data Based on Machine Learning[J]. Journal of Northeastern University Natural Science, 2019, 40(9): 1337-1342.

参考文献

[1]朱良峰，吴信才，刘修国，等.基于钻孔数据的三维地层模型的构建［J］.地理与地理信息科学，2004，20(3):26-30.(Zhu Liang-feng，Wu Xin-cai，Liu Xiu-guo，et al.Reconstruction of 3D strata model based on borehole data［J］.Geography and Geo-information Science，2004，20(3):26-30.)
[2]Wu L X.Topological relations embodied in a generalized tri-prism(GTP)model for a 3D geoscience modeling system［J］.Computers & Geosciences，2004，30(4):405-418.
[3]车德福，吴立新，殷作如，等.基于GTP的断层三维交互建模方法［J］.东北大学学报(自然科学版)，2008，29(3):395-398.(Che De-fu， Wu Li-xin，Yin Zuo-ru，et al.On the GTP-based 3D interactive modeling method for geological faults ［J］.Journal of Northeastern University(Natural Science)，2008，29(3):395-398.)
[4]郭甲腾，吴立新，杨宜舟，等.岩土工程勘察场地立体空间建模与可视化信息管理［J］.东北大学学报(自然科学版)，2014，35(1):122-125.(Guo Jia-teng，Wu Li-xin，Yang Yi-zhou，et al.Three-dimensional modeling and visualization information management of geotechnical engineering investigation sites［J］.Journal of Northeastern University(Natural Science)，2014，35(1):122-125.)
[5]Calcagno P，Chilès J P，Courrioux G，et al.Geological modelling from field data and geological knowledge:part I.modelling method coupling 3D potential-field interpolation and geological rules［J］.Physics of the Earth & Planetary Interiors，2011，171(1):147-157.
[6]Caumon G，Gray G，Antoine C，et al.Three-dimensional implicit stratigraphic model building from remote sensing data on tetrahedral meshes:theory and application to a regional model of La Popa Basin，NE Mexico［J］.IEEE Transactions on Geoscience & Remote Sensing，2013，51(3):1613-1621.
[7]Hillier M J，Schetselaar E M，Kemp E A D，et al.Three-dimensional modelling of geological surfaces using generalized interpolation with radial basis functions［J］.Mathematical Geosciences，2014，46(8):931-953.
[8]邢延涛，李利军.三维地质体重构中空间数据插值方法的研究［J］.计算机与数字工程，2006，34(12):45-47.(Xing Yan-tao，Li Li-jun.Research of spatial interpolation methods about the 3D-reconstruction of geological models［J］.Computer & Digital Engineering，2006，34(12):45-47.)
[9]Smirnoff A，Boisvert E，Paradis S J.Support vector machine for 3D modelling from sparse geological information of various origins［J］.Computers & Geosciences，2008，34(2):127-143.
[10]He K，Zhang X，Ren S，et al.Delving deep into rectifiers:surpassing human-level performance on imagenet classification［C］//Proceedings of the IEEE International Conference on Computer Vision.Santiago，2015:1026-1034.
[11]ítalo G G，Kumaira S，Guadagnin F.A machine learning approach to the potential-field method for implicit modeling of geological structures［J］.Computers & Geosciences，2017，103:173-182.
[12]Abedi M，Norouzi G H，Bahroudi A.Support vector machine for multi-classification of mineral prospectivity areas［J］.Computers & Geosciences，2012，46:272-283.
[13]Edwards J，Lallier F，Caumon G，et al.Uncertainty management in stratigraphic well correlation and stratigraphic architectures:a training-based method［J］.Computers & Geosciences，2017，111(2):1-17.
[14]Cracknell M J，Reading A M.Geological mapping using remote sensing data:a comparison of five machine learning algorithms，their response to variations in the spatial distribution of training data and the use of explicit spatial information［J］.Computers & Geosciences，2014，63(1):22-33.
[15]谷琼.面向非均衡数据集的机器学习及在地学数据处理中的应用［D］.武汉:中国地质大学，2009.(Gu Qiong.Research of machine learning on imbalanced data sets and its application in geoscienes data processing［D］.Wuhan:China University of Geosciences， 2009.)
[16]Pedregosa F，Gramfort A，Michel V，et al.Scikit-learn:machine learning in Python［J］.Journal of Machine Learning Research，2011，12(10):2825-2830.
[17]Chaudhuri A，De K，Chatterjee D.A comparative study of kernels for the multi-class support vector machine［C］// International Conference on Natural Computation.Jinan，2008:3-7.

基于机器学习的钻孔数据隐式三维地质建模方法

Implicit 3D Geological Modeling Method for Borehole Data Based on Machine Learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王宏民，禅亮. 基于频谱相关性分析的齿轮早期磨损诊断[J]. 东北大学学报（自然科学版）, 2023, 44(1): 18-25.
[2]	赵海，陈佳伟，施瀚，王相. 一种应用于人体活动识别的迁移学习算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 776-782.
[3]	陈兵，韩烬阳，唐晓垒，夏搏然. 基于机器学习的拉矫延伸率预测模型及数值分析[J]. 东北大学学报（自然科学版）, 2022, 43(2): 236-242.
[4]	马海涛，路家蕊，于文鑫，于长永. 线性区域数量与PLNN表达能力的相关性[J]. 东北大学学报（自然科学版）, 2021, 42(2): 201-207.
[5]	李壮年，储满生，柳政根，李宝峰. 基于机器学习和遗传算法的高炉参数预测与优化[J]. 东北大学学报:自然科学版, 2020, 41(9): 1262-1267.
[6]	杨望，江咏涵，张三峰. 基于网页结构与语言特征的垃圾网页链接检测方法[J]. 东北大学学报:自然科学版, 2020, 41(8): 1091-1096.
[7]	李鸿儒，王奕文，邓靖川. 基于信息融合的电熔镁炉熔炼异常工况等级识别[J]. 东北大学学报:自然科学版, 2020, 41(2): 153-157.
[8]	曹德芳，刘柏池. SVM财务欺诈识别模型[J]. 东北大学学报:自然科学版, 2019, 40(2): 295-300.
[9]	王蒙湘，李芳芳，于戈. 交互式数据探索框架的特征自适应技术[J]. 东北大学学报:自然科学版, 2018, 39(12): 1685-1690.
[10]	朱继召，乔建忠，林树宽. 表示学习知识图谱的实体对齐算法[J]. 东北大学学报:自然科学版, 2018, 39(11): 1535-1539.
[11]	姜慧研，刘若楠，高菲菲，苗宇. 基于张量子空间的半脑对称度特征与癫痫识别[J]. 东北大学学报:自然科学版, 2017, 38(7): 923-927.
[12]	曹凯，潘懋，孙鹏. 一种三维结构建模中的地层厚度控制算法[J]. 东北大学学报:自然科学版, 2017, 38(5): 730-735.
[13]	马跃，王洪福，孙伟，黄余彬. 数控机床多变量关联热误差组合模型及其实验验证[J]. 东北大学学报:自然科学版, 2017, 38(5): 700-705.
[14]	李召，王大志. 基于改进支持向量机的永磁驱动器设计[J]. 东北大学学报:自然科学版, 2017, 38(2): 158-163.
[15]	刘宇，王迁，刘阔，张义民. 基于小波奇异性和支持向量机微铣刀破损检测[J]. 东北大学学报:自然科学版, 2017, 38(10): 1426-1430.