一种基于X射线荧光光谱的岩性智能判识方法及装置制造方法及图纸

本发明专利技术公开了一种基于X射线荧光光谱的岩性智能判识方法及装置，方法包括以下步骤：S1.使用基于X射线荧光光谱的岩体岩性采集设备采集岩体岩性数据，并将数据导出；S2.对导出的数据进行抽取、转换和加载；S3.对转换后的数据进行降维处理；S4.向最优岩体岩性判识模型输入岩体岩性数据，确定岩体类别，最优岩体岩性判识模型的确定过程为：根据步骤S1、S2、S3以及随机森林方法构建岩体岩性判识模型，并对构建的岩体岩性判识模型进行训练，保留判识效果最优的岩体岩性判识模型。解决了对岩性判识依赖于地质人员的现场工作，人工判断识别误差大、效率低下的不足。率低下的不足。率低下的不足。

【技术实现步骤摘要】
一种基于X射线荧光光谱的岩性智能判识方法及装置


[0001]本专利技术涉及地质领域，尤其涉及一种基于X射线荧光光谱的岩性智能判识方法及装置。

技术介绍

[0002]传统的岩性判识，依赖于地质人员的现场工作，有时可以借助回弹仪、XRF等设备加强判识的正确性，但是在缺少设备情况下，正确性完全取决于地质人员专业知识和经验，主观性强，并且整个判识流程自动化水平低，难以融入超前地质预报、施工设计变更等信息化程度越来越高的系统或平台。
[0003]XRF目前在工程隧道施工过程中已经得到部分应用，主要应用于前方岩性的辅助判识。借助现场技术人员采集XRF的元素数据，再根据元素组合，并结合现场具体情况，包括岩体图像等其他辅助数据，判断出对应的矿物，该过程检测判断周期长，中间的矿物判识过程耗时大，错误率高，需要人的大量知识，且最终结果还无法直接对应到岩体岩性上。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中对岩性判识依赖于地质人员的现场工作，人工判断识别误差大、效率低下的不足，提供一种基于X射线荧光光谱的岩性智能判识方法及装置。
[0005]为了实现上述专利技术目的，本专利技术提供了以下技术方案：
[0006]一种基于X射线荧光光谱的岩性智能判识方法，包括以下步骤：
[0007]S1.使用基于X射线荧光光谱的岩体岩性采集设备采集岩体岩性数据，并将数据导出；
[0008]S2.对导出的数据进行抽取、转换和加载；
[0009]S3.对转换后的数据进行降维处理；<br/>[0010]S4.向最优岩体岩性判识模型输入岩体岩性数据，确定岩体类别，最优岩体岩性判识模型的确定过程为：根据步骤S1、S2、S3以及随机森林方法构建岩体岩性判识模型，并对构建的岩体岩性判识模型进行训练，保留判识效果最优的岩体岩性判识模型。
[0011]优选地，在步骤S1中，导出的数据为Excel的xlsx数据格式，并通过Excel单元格展示。
[0012]优选地，在步骤S2中，对导出的数据进行抽取是遍历所有Excel单元格，获取Excel单元格中的数据；对导出的数据进行转换包括对数据进行预处理和对数据进行结构化，对数据进行预处理包括空值预处理和数值预处理，对数据进行结构化是将预处理后的数据结构以包括必填字段和非必填字段的形式表示，必填字段和非必填字段是不同的化学元素；对导出的数据进行加载是将预处理后的数据按照其对应的数据结构插入到关系型数据库中进行预处理后数据的展示。
[0013]优选地，在步骤S3中，降维处理的方法包括自动化降维方法和半自动化降维方法；
自动化降维方法使用主成分分析法对转换后的数据进行降维；半自动化降维方法是仅截取转换后数据中的必填字段作为降维结果。
[0014]优选地，在步骤S4中，构建的岩体岩性判识模型输出结果为数量最多的类别，使用平均绝对误差函数计算输出结果与使用的岩体岩性数据对应的岩体岩性结果的差值作为模型的评估得分。
[0015]优选地，在使用自动化降维方法对转换后的数据进行降维时，通过调整目标维度k的值或者使用更多的岩体岩性数据进行岩体岩性判识模型的重复构建，记录下每次评估得分，选择评估得分最高的作为最优岩体岩性判识模型；在使用半自动化降维方法对转换后的数据进行降维时，通过使用更多的岩体岩性数据进行岩体岩性判识模型的重复构建，记录下每次评估得分，选择评估得分最高的作为最优岩体岩性判识模型。
[0016]优选地，使用Python Pickle包对最优岩体岩性判别模型进行持久化，并将最优岩体岩性判别模型转存为lithology_forest.pkl文件。
[0017]优选地，在步骤S4中，最优岩体岩性识别模型输出的岩体类别为Json字符串。
[0018]一种基于X射线荧光光谱的岩性智能判识装置，包含至少一个处理器和至少一个与处理器通信连接的存储器，所述存储器存储有被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行所述方法的任意步骤。
[0019]与现有技术相比，本专利技术的有益效果：
[0020]通过构建岩体岩性判识模型，实现了对于岩体岩性的自动化判识，缩短了判识周期，节约了人工工作量，降低了对于现场工作人员的依赖，进一步提高了判识准确率。
附图说明
[0021]图1为实施例总体流程图；
[0022]图2为数据提取、转换和加载的流程图；
[0023]图3为数据降维的流程图；
[0024]图4为岩体岩性判识的流程图。
具体实施方式
[0025]下面结合试验例及具体实施方式对本专利技术作进一步的详细描述。但不应将此理解为本专利技术上述主题的范围仅限于以下的实施例，凡基于本
技术实现思路
所实现的技术均属于本专利技术的范围。
[0026]实施例
[0027]如图1所示，一种基于X射线荧光光谱的岩性智能判识方法，包括以下步骤：
[0028]S1.使用基于X射线荧光光谱的岩体岩性采集设备采集岩体岩性数据，并将数据导出；
[0029]S2.对导出的数据进行抽取、转换和加载；
[0030]S3.对转换后的数据进行降维处理；
[0031]S4.向最优岩体岩性判识模型输入岩体岩性数据，确定岩体类别，最优岩体岩性判识模型的确定过程为：根据步骤S1、S2、S3以及随机森林方法构建岩体岩性判识模型，并对构建的岩体岩性判识模型进行训练，保留判识效果最优的岩体岩性判识模型。
[0032]在步骤S1中，基于X射线荧光光谱的岩体岩性采集设备为XRF，即便携式X射线荧光分析仪，数据采集及数据导出的具体过程为：打开XRF并选择其矿土全能模式，手持XRF在矿土全能模式下对岩体样品进行分析测试，分析时每次测量时间设定不得低于为90s，每件样品重复测量2
‑
3次，以改善元素含量分析结果的稳定性，最后连接工作站电脑，使用专用软件，导出为Excel的xlsx数据格式，采集的数据通过Excel展示。
[0033]如图2所示，在步骤S2中，对导出的数据进行抽取、转换和加载具体处理内容如下：
[0034]S21.对导出的数据进行抽取是通过遍历步骤S1中的Excel单元格获取XRF采集的岩体数据；
[0035]S22.对导出的数据进行转换包括对导出的数据进行预处理和数据结构化，预处理包括空值预处理和数值预处理，二者和数据结构化的具体内容如下：
[0036](1)空值预处理：同的设备空值的表示方式不同，例如有表示为空字符串或字符串“LOD”的，影响最终数值计算，因此需要在进入数据库之前，将这类数据处理为0。预处理程序读入xlsx文件后，轮循所有格式为文本的单元格，匹配正则表达式，找到为空、空白、“LOD”或其他空值表示字符串后，将该单元格改为浮点数0.0f；
[0037](2)数值预处理：对于数值型单元格而言，设备导出的数据存在小数位数不统一的问题，在预处理阶段，利用四舍五入函数对这类数据统一处理为小数点后一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于X射线荧光光谱的岩性智能判识方法，其特征在于，包括以下步骤：S1.使用基于X射线荧光光谱的岩体岩性采集设备采集岩体岩性数据，并将数据导出；S2.对导出的数据进行抽取、转换和加载；S3.对转换后的数据进行降维处理；S4.向最优岩体岩性判识模型输入岩体岩性数据，确定岩体类别，最优岩体岩性判识模型的确定过程为：根据步骤S1、S2、S3以及随机森林方法构建岩体岩性判识模型，并对构建的岩体岩性判识模型进行训练，保留判识效果最优的岩体岩性判识模型。2.根据权利要求1所述的一种基于X射线荧光光谱的岩性智能判识方法，其特征在于，在步骤S1中，导出的数据为Excel的xlsx数据格式，并通过Excel单元格展示。3.根据权利要求2所述的一种基于X射线荧光光谱的岩性智能判识方法，其特征在于，在步骤S2中，对导出的数据进行抽取是遍历所有Excel单元格，获取Excel单元格中的数据；对导出的数据进行转换包括对数据进行预处理和对数据进行结构化，对数据进行预处理包括空值预处理和数值预处理，对数据进行结构化是将预处理后的数据结构以包括必填字段和非必填字段的形式表示，必填字段和非必填字段是不同的化学元素；对导出的数据进行加载是将预处理后的数据按照其对应的数据结构插入到关系型数据库中进行预处理后数据的展示。4.根据权利要求3所述的一种基于X射线荧光光谱的岩性智能判识方法，其特征在于，在步骤S3中，降维处理的方法包括自动化降维方法和半自动化降维方法；自动化降维方法使用主成分分析法对转换后的数据进行降维；半自动化降维方法是仅截取转换后数据...

【专利技术属性】
技术研发人员：冯涛，杨科，方振华，王世明，于振江，袁东，刘会娟，林之恒，宋章，孟少伟，赵景锋，刘园园，
申请(专利权)人：中铁二院工程集团有限责任公司，
类型：发明
国别省市：