基于振动与声音信号深度学习的岩性识别方法

作     者：王胜 张拯 谌强 曾维 柏君 尹生阳 陈明浩 WANG Sheng;ZHANG Zheng;CHEN Qiang;ZENG Wei;BAI Jun;YIN Sheng-yang;CHEN Ming-hao

作者机构：成都理工大学地质灾害防治与地质环境保护国家重点实验室成都610059 成都理工大学信息科学与技术学院成都610059 中铁二院工程集团有限责任公司成都610031 

基　　金：珠峰科学研究计划项目“青藏高原深部找矿快速绿色智能钻进关键技术研究”(80000-2020ZF11411) 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2023年第23卷第7期

页      码：2759-2767页

摘      要：岩性识别对地质勘查和储层评价具有重要意义,科学有效地开展岩性自动识别的相关研究能够有效地为勘查过程提供指导,减少工作的盲目性和冗杂性。针对常见的砂岩地层,选择三类砂岩,基于室内微钻试验台,设计钻杆转速、钻孔深度和钻孔位置三个变量,检测钻进过程中产生的振动和声音特征信号。将采集的振动和声音信号预处理,提高信噪比,生成数据集。将振动和声音的数据集按6∶2∶2的比例划分为训练集、验证集和测试集,之后分别构建二维卷积神经网络和一维卷积神经网络并使用训练集和验证集训练岩性识别模型,最后运用未经训练的测试集验证模型准确率。模型训练完成后,以频谱图为数据集的振动信号识别模型准确率达到95.19%,以梅尔频率倒谱系数为数据集的声音信号识别模型准确率达到73.58%。研究结果表明,不同岩性在钻进过程中产生的振动和声音信号具有不同信号特征,基于振动和声音信号的岩性自动识别方法可以较好地实现几类砂岩的自动识别,这为地质勘查时的岩性自动识别提供了参考与依据。

主 题 词：岩性识别 振动信号 声音信号 深度学习 卷积神经网络 

学科分类：081801[081801] 08[工学] 0818[工学-交通运输类] 

D　O　I：10.3969/j.issn.1671-1815.2023.07.010

馆 藏 号：203120986...