【技术实现步骤摘要】
本说明书涉及岩体风化识别，特别涉及一种基于机器学习的岩体风化识别方法。
技术介绍
1、岩体风化是岩体受物理、化学、生物作用破碎和分解的过程，影响其力学特性。风化程度的划分可通过定性(如外观特征)和定量方法(如波速比等)实现。传统的判定依赖人工判别、实验室分析和现场测量。诸如回弹仪等，虽然精度高，但往往费时且难以实时监测。随钻测量(mwd)技术通过传感器实时获取钻压、转速等关键数据，为岩体力学特性分析提供了关键信息，具有高精度、多信息、集成化等特点，可显著提高识别效率。近年来，随钻测试技术已广泛应用于岩体开挖过程中的特征表征，包括岩性类别、施工区域稳定性、支护设计以及单轴抗压强度、抗剪强度等岩体强度参数。因此，利用随钻数据进行岩体风化程度的实时预测已成为现实。机器学习的广泛应用推动了数据驱动型岩体特征评估的发展。然而，关于mwd数据与岩体风化程的直接关联研究仍较少，快速、准确评估风化程度的数据驱动智能模型尚未广泛建立。亟需深入探讨如何利用机器学习技术实现岩体风化程度的智能预测。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种基于机器学习的岩体风化识别方法解决了岩体风化程度难以准确识别的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于机器学习的岩体风化识别方法，包括：
3、s1：通过数据异常值和标准化处理，去除岩体采集数据的异常值，得到岩体风化样本数据；所述岩体风化样本数据包括训练集和测试集；
4、s2：利
5、s3：将所述训练集输入所述岩体风化预测模型，利用随机搜索和交叉验证方法进行训练，得到训练好的岩体风化预测模型；
6、s4：利用训练好的岩体风化预测模型用于对随钻数据进行分析，得到岩体风化识别结果，完成对岩体风化的识别。
7、进一步地，所述s1包括：
8、基于所述岩体采集数据，通过随机选择特征和分割点构建孤立的决策树，得到每个数据点的平均路径长度；
9、利用所述每个数据点的平均路径长度，通过计算，得到异常评分；
10、基于异常评分，去除岩体采集数据的异常值，得到正常岩体采集数据；
11、对所述正常岩体采集数据进行标准化处理，得到岩体风化样本数据。
12、进一步地，所述每个数据点的平均路径长度的表达式为：
13、
14、其中，e(h(xi))表示xi的平均路径长度，h(xi)表示xi相对其他数据点的路径长度，xi表示第i个岩体采集数据，h表示调和数，n表示样本总数；
15、所述异常评分的表达式为：
16、
17、其中，s(xi,n)表示异常评分，c(n)表示归一化因子；
18、所述岩体风化样本数据的表达式为：
19、
20、其中，表示岩体风化样本数据，xdrill_i表示正常岩体采集数据，μdrill_i表示正常岩体采集数据特征的均值，σdrill_i表示正常岩体采集数据特征的标准差。
21、进一步地，所述岩体风化预测模型包括：
22、特征提取层，用于对所述岩体风化样本数据进行特征提取，得到岩体风化特征向量；
23、识别层，用于利用决策树对所述岩体风化特征向量进行分类，通过对所有决策树进行投票，得到岩体风化识别结果。
24、进一步地，所述s3包括：
25、s310：对岩体风化预测模型的超参数进行随机组合，得到多个候选岩体风化预测模型；
26、s320：将所述训练集输入所述候选岩体风化预测模型进行训练，得到对应训练后的岩体风化预测模型；
27、s330：利用测试集对所述训练后的岩体风化预测模型进行性能评估，得到性能评估结果；当所述性能评估结果均低于阈值时，将其中性能评估结果最高训练后的岩体风化预测模型输入s310再次训练；当所述性能评估结果不低于阈值时，将对应训练后的岩体风化预测模型作为训练好的岩体风化预测模型。
28、进一步地，所述性能评估结果的表达式为：
29、
30、其中，macrof1表示性能评估结果，n表示岩体风化程度类别总数，表示第k个类别的性能评估结果。
31、本专利技术的有益效果为：一种基于机器学习的岩体风化识别方法，利用钻爆法钻进过程中采集的随钻mwd数据实现了未开挖掌子面岩体风化程度的预测。(1)通过去除异常值，可以提高岩体风化样本数据的统计特性和分布稳定性，使得岩体风化预测模型能够更有效地捕捉和学习到关键的风化程度特征；(2)利用多个独立的决策树构建岩体风化预测模型，减轻了单个决策树的不稳定性，提高了整体岩体风化预测模型的泛化能力和鲁棒性；(3)利用随机搜索和交叉验证方法对岩体风化预测模型进行训练，有效减少了模型对特定数据集的依赖性，增强了岩体风化预测模型的泛化能力和可靠性，同时提高了性能。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的岩体风化识别方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的岩体风化识别方法，其特征在于，所述S1包括：
3.根据权利要求2所述的基于机器学习的岩体风化识别方法，其特征在于，所述每个数据点的平均路径长度的表达式为：
4.根据权利要求1所述的基于机器学习的岩体风化识别方法，其特征在于，所述岩体风化预测模型包括：
5.根据权利要求1所述的基于机器学习的岩体风化识别方法，其特征在于，所述S3包括：
6.根据权利要求5所述的基于机器学习的岩体风化识别方法，其特征在于，所述性能评估结果的表达式为：
【技术特征摘要】
1.一种基于机器学习的岩体风化识别方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的岩体风化识别方法，其特征在于，所述s1包括：
3.根据权利要求2所述的基于机器学习的岩体风化识别方法，其特征在于，所述每个数据点的平均路径长度的表达式为：
4.根...
【专利技术属性】
技术研发人员：陈佳耀，李阳，牛晓凯，房倩，谢治天，沈一凡，许睿智，刘孝天，肖腾，辛昊泽，徐羚焱，韦杨晨，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：
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。