【技术实现步骤摘要】
本专利技术属于走滑断层的智能识别领域，尤其涉及一种走滑断层的智能识别方法与系统。
技术介绍
1、走滑断层在地球上类型多，分布范围广，例如圣安德列斯断层、郯庐断层等都是著名的走滑断层。bates等人在1987年正式提出走滑断层，断层两盘的运动方向大部分平行或近平行于断层走向的一类断层。现在地质学家将走滑断层定义为任何规模的断层，只要断层两盘运动方向与断层走向近于平行都统一称为走滑断层。但自然界中很少存在只有走向活动的走滑断层或只有倾向活动的正断层，还有很多断层两盘相对运动介于纯走滑与纯倾滑之间。走滑断层通常具有规模大、断裂深度大、封闭性差等特点，是一把双刃剑。在地质封存方面不利于二氧化碳安全封存，在油气勘探领域有利于油气运移。受走滑断层类型难以准确识别的影响，给二氧化碳地质封存、石油勘探、隧道桥梁工程、大型工程项目的地质选址等方面的基础地质认识带来了巨大挑战。
2、实际地质中的走滑断层的断点大多数难以识别，走滑断层的构造样式较为多变，难以套用原有的构造样式且套用方式很大程度上受到研究人员的经验的主观影响。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种走滑断层的智能识别方法，包括：
2、获取历史地质数据，针对历史地质数据的特点对所述地质数据进行分布式储存，获得储存数据集；
3、对所述储存数据集进行预处理和特征工程处理，获得断层特征数据集；
4、构建基于支持向量机和卷积神经网络的多模态神经网络模型，将所述断层特征数据集输入至所
5、获取实时地质数据，将所述实时地质数据输入至所述走滑断层识别模型中进行计算，获得走滑断层的识别结果；
6、对所述走滑断层的识别结果进行时空数据分析挖掘，生成断层在时间和空间上的演化规律和关联模式，将所述断层在时间和空间上的演化规律和关联模式与所述走滑断层的识别结果进行结合，获得智能识别结果。
7、优选地，所述获得储存数据集的过程还包括：采用分布式文件系统和nosql数据库相结合的方式对所述历史地质数据进行进行统一存储和管理，获得所述储存数据集。
8、优选地，对所述储存数据集进行预处理和特征工程处理，获得断层特征数据集的过程包括：
9、对所述储存数据集进行去噪和归一化处理，获得预处理数据集；
10、提取所述预处理数据集中反映断层特征的关键信息，生成特征向量；所述关键信息包括地震波形和地层结构；
11、基于深度学习的特征提取子网络将所述特征向量转化为残差映射特征；
12、提取所述残差映射特征的边界结构信息，得到断层解释结果；
13、基于多层输出融合模型对不同层次的所述断层解释结果进行融合，生成所述断层特征数据集。
14、优选地，所述基于深度学习的特征提取子网络将所述特征向量转化为残差映射特征的过程包括：基于所述特征提取子网络将所述特征向量通过多个卷积层和全连接层进行处理，然后将输入特征向量与通过网络变换得到的特征进行比较，基于比较结果的输入进行调整，将调整后的特征映射至目标特征空间，获得所述残差映射特征。
15、优选地，所述获得走滑断层识别模型的过程包括：
16、构建支持向量机模型和卷积神经网络模型，通过所述断层特征数据集对所述支持向量机模型进行训练，获得支持向量机断层识别模型；
17、将所述断层特征数据集输入至所述支持向量机断层识别模型中进行计算，获得初步识别数据集；
18、将所述初步识别数据集输入至所述卷积神经网络模型中进行训练，获得卷积断层识别模型；
19、将所述支持向量机断层识别模型的输出端与所述卷积断层识别模型的输入端进行连接，获得所述走滑断层识别模型。
20、优选地，获取实时地质数据，将所述实时地质数据输入至所述走滑断层识别模型中进行计算，获得走滑断层的识别结果的过程包括：
21、将所述实时数据进行预处理后输入至所述走滑断层识别模型中向前传播，基于所述走滑断层识别模型的计算识别走滑断层的存在和活动特征；
22、将所述走滑断层的存在和活动特征迁移至三维地图数据中，获得最终的走滑断层识别结果，基于所述最终的走滑断层识别结果构建走滑断层的三维可视化模型。
23、优选地，所述获得智能识别结果的过程包括：
24、基于所述走滑断层的三维可视化模型获取断层的时空演化特征，基于所述断层的时空演化特征构建时空数据分析模型；
25、将所述走滑断层的识别结果输入至所述时空数据分析模型中，将生成不同尺度的断层解释结果；
26、基于多层输出融合技术将不同尺度下的断层解释结果进行融合，获得时空数据分析结果；
27、根据所述时空数据分析结果对断层的发育趋势进行预测，生成所述智能识别结果。
28、另一方面，本专利技术还提供了一种走滑断层的智能识别系统，包括：
29、数据获取模块，用于获取历史地质数据，针对历史地质数据的特点对所述地质数据进行分布式储存，获得储存数据集；
30、数据处理模块，用于对所述储存数据集进行预处理和特征工程处理，获得断层特征数据集；
31、模型构建模块，用于构建基于支持向量机和卷积神经网络的多模态神经网络模型，将所述断层特征数据集输入至所述多模态神经网络模型中进行训练，获得走滑断层识别模型；
32、识别结果计算模块，用于获取实时地质数据，将所述实时地质数据输入至所述走滑断层识别模型中进行计算，获得走滑断层的识别结果；
33、预测结果计算模块，用于对所述走滑断层的识别结果进行时空数据分析挖掘，生成断层在时间和空间上的演化规律和关联模式，将所述断层在时间和空间上的演化规律和关联模式与所述走滑断层的识别结果进行结合，获得智能识别结果。
34、另一方面，本专利技术还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算程序，其特征在于，所述处理器执行所述计算机程序时实现所述走滑断层的智能识别方法。
35、另一方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述走滑断层的智能识别方法。
36、与现有技术相比，本专利技术具有如下优点和技术效果：
37、本专利技术通过结合支持向量机(svm)和卷积神经网络(cnn)来构建多模态神经网络模型，可以更好地融合来自不同模态(如历史数据与实时数据)的信息。这种多模态融合可以有效提高模型的鲁棒性和准确性，尤其是在面对复杂的地质数据时，模型能够综合多个特征源，从而减少单一模态的局限性。svm擅长处理高维特征数据(如断层特征)，而cnn擅长从图像或空间数据中提取特征，结合这两者能够充分发挥各自的优势，获得更精确的模型预测。通过将实时地质数据输入到已经训练好的走滑断层识别模型中，本文档来自技高网...
【技术保护点】
1.一种走滑断层的智能识别方法，其特征在于，包括：
2.根据权利要求1所述的一种走滑断层的智能识别方法，其特征在于，所述获得储存数据集的过程还包括：采用分布式文件系统和NoSQL数据库相结合的方式对所述历史地质数据进行进行统一存储和管理，获得所述储存数据集。
3.根据权利要求1所述的一种走滑断层的智能识别方法，其特征在于，对所述储存数据集进行预处理和特征工程处理，获得断层特征数据集的过程包括：
4.根据权利要求3所述的一种走滑断层的智能识别方法，其特征在于，所述基于深度学习的特征提取子网络将所述特征向量转化为残差映射特征的过程包括：基于所述特征提取子网络将所述特征向量通过多个卷积层和全连接层进行处理，然后将输入特征向量与通过网络变换得到的特征进行比较，基于比较结果的输入进行调整，将调整后的特征映射至目标特征空间，获得所述残差映射特征。
5.根据权利要求1所述的一种走滑断层的智能识别方法，其特征在于，所述获得走滑断层识别模型的过程包括：
6.根据权利要求1所述的一种走滑断层的智能识别方法，其特征在于，获取实时地质数据，将所
7.根据权利要求6所述的一种走滑断层的智能识别方法，其特征在于，所述获得智能识别结果的过程包括：
8.一种走滑断层的智能识别系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算程序，其特征在于，所述处理器执行所述计算机程序时实现所述权利要求1-7任意一项所述方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述权利要求1-7任意一项所述方法。
...【技术特征摘要】
1.一种走滑断层的智能识别方法，其特征在于，包括：
2.根据权利要求1所述的一种走滑断层的智能识别方法，其特征在于，所述获得储存数据集的过程还包括：采用分布式文件系统和nosql数据库相结合的方式对所述历史地质数据进行进行统一存储和管理，获得所述储存数据集。
3.根据权利要求1所述的一种走滑断层的智能识别方法，其特征在于，对所述储存数据集进行预处理和特征工程处理，获得断层特征数据集的过程包括：
4.根据权利要求3所述的一种走滑断层的智能识别方法，其特征在于，所述基于深度学习的特征提取子网络将所述特征向量转化为残差映射特征的过程包括：基于所述特征提取子网络将所述特征向量通过多个卷积层和全连接层进行处理，然后将输入特征向量与通过网络变换得到的特征进行比较，基于比较结果的输入进行调整，将调整后的特征映射至目标特征空间，获得所述残差映射特征。
5.根据权...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。