[发明专利]一种含煤地层异常构造识别分类方法

说明书

本发明涉及一种含煤地层异常构造识别分类方法，涉及地质勘探技术领域，该方法包括：建立包含目标地质构造在内的地质构造仿真模型，并采集地质构造的仿真槽波数据；对采集的仿真槽波数据和待识别的真实槽波数据进行预处理，将预处理后的仿真槽波数据划分为训练集和测试集，并导入构建的POA‑ELM分类模型进行训练，得到训练好的POA‑ELM分类模型；将预处理后的待识别真实槽波数据作为测试集导入训练好的POA‑ELM分类模型，对真实槽波数据进行分类识别，得到分类识别结果。本发明利用鹈鹕优化算法对极限学习机进行优化，以提高分类模型的准确率和稳定性，适用于含煤地层异常构造识别分类。

技术领域

本发明涉及地质勘探技术领域，具体涉及一种含煤地层异常构造识别分类方法。

背景技术

煤层异常构造的存在会增加煤矿事故发生的概率，因此煤系地层构造识别研究对提高煤矿开采的安全性十分重要。槽波地震勘探是一种极具发展前景的地球物理勘探方法，槽波地震数据的处理与解释是槽波地震勘探的重要一环。

目前常用的方法有层析成像、偏移成像等成像法，通过成像能够直观的确定构造的种类和位置，但是数据处理与成像过程繁杂，耗时耗力，并且成像结果多依靠人工经验解释，易出现偏差。

此外，共中心点叠加法、速度分析法也常用于处理槽波数据，但多与成像技术相结合。如何将机器学习应用到地震勘探领域，通过对槽波回波数据的采集、训练、建模，即可实现地层构造的识别分类成为目前亟需解决的问题之一。

其中，极限学习机（Extreme Learning Machine, ELM）是由Huang等人于2004年提出的一种单隐层前馈神经网络，与传统训练算法相比，ELM具有设置参数少、学习速度快、训练误差小以及泛化性能好等优势，但由于ELM的输入权值与隐层偏置是随机产生的，导致分类性能不稳定。鹈鹕优化算法（Pelican Optimization Algorithm, POA）是2022年由PavelTrojovsky和Mohammad Dehghani提出的，是一种模拟鹈鹕群体狩猎的智能优化算法，其在逼近最优解方面具有较强的挖掘能力，并且不易陷入局部最优，能够为极限学习机寻到最优的输入权值与隐层偏置。

发明内容

有鉴于此，本发明的目的在于提出一种含煤地层异常构造识别分类方法，可以对小断层、冲刷带、陷落柱等多种构造进行识别分类。本发明中，经过鹈鹕优化算法优化后的极限学习机更加适合处理数量庞大、包含信息复杂的槽波数据，可以更好的完成多种煤层构造的识别分类任务。

为实现上述目的，本发明提供了以下技术方案：

第一方面，本发明实施例提供了一种含煤地层异常构造识别分类方法，包括以下步骤：

建立包含目标地质构造在内的地质构造仿真模型，并采集目标地质构造的仿真槽波数据；

对采集的仿真槽波数据和待识别的真实槽波数据进行预处理，将预处理后的仿真槽波数据划分为训练集和测试集，并导入构建的鹈鹕优化算法-极限学习机（PelicanOptimization Algorithm-Extreme Learning Machine，POA-ELM）分类模型进行训练，得到训练好的POA-ELM分类模型；

将预处理后的待识别真实槽波数据作为测试集导入训练好的POA-ELM分类模型，对真实槽波数据进行分类识别，得到分类识别结果。

作为本发明的进一步方案，所述POA-ELM分类模型的构建方法，包括以下步骤：

以雷克子波作为发射源，采用透射波法采集槽波信号，将震源和检波器放置于地质构造仿真模型的不同工作面，采用一个震源点、若干个检波器的布置方式，所述震源发射一次信号每类构造进行采集若干组槽波数据。

作为本发明的进一步方案，所述POA-ELM分类模型的构建方法，包括以下步骤：

确定极限学习机网络结构，进行初步训练与测试，确定待优化变量个数；