基于深度卷积神经网络和迁移学习的农村房屋洪涝灾害后受损等级分类

洪涝灾害对房屋等建筑物会造成巨大损害,灾后房屋破坏等级鉴定对保障人民生命安全至关重要,而传统的人工鉴定方法,消耗较多的人力、财力及时间等资源.为此,基于河南郑州“7·20”特大暴雨引发的农村房屋破坏数据,采用深度卷积神经网络（CNN）理论,得到灾后房屋危险等级智能分类模型.首先采用AlexNet、VGGNet、GoogleNet和ResNet四种经典的深度CNN架构,对数据集进行训练、验证和测试,得到4种灾后房屋危险等级智能分类模型,然后结合迁移学习方法训练CNN提高模型的泛化能力,并选择效果较优的ResNet-50为分类主模型,最后分析CNN架构中超参数的影响.结果表明：ResNet-50在学习率为0.000 5,epoch为50,batch＿size为16时网络训练结果最优,其测试集的预测准确率达到了95.5%;此外,房屋危险等级特征的可视化分析明确了模型分类的机理及准确性.试验表明基于迁移学习的识别模型准确率较高,为农村房屋洪涝灾害后受损等级分类模型提供参考.     

滑坡位移的多模态支持向量机模型预测

将支持向量机（support vector machine,SVM）方法与信号分析中的经验模态分解（empirical mode decomposition, EMD）方法相匹配,提出了一种通过多模态支持向量机函数回归分析建模预测滑坡位移的理论方法。以边坡位移历史观测数据为基础,应用EMD方法获得滑坡形成过程中位移演化的几个特征时间模态,构成了多模态信息统计学习样本,确定了边坡位移演化的自适应多尺度变化信息。对应于每个经验模态的位移变化信息,引入了多模态SVM建模方法,然后合成不同经验模态下边坡位移的计算结果,得到滑坡位移的预测值。以卧龙寺新滑坡和新滩滑坡的监测数据为基础的理论预测结果表明,与采用遗传算法的神经网络方法的预测结果相比,支持向量机经验模态方法具有更强的预测能力,理论预测结果与实际监测值具有很好的一致性     

基于大数据的基性-超基性岩定量分类及成矿预测研究——以北山地区为例

岩浆岩分类是研究岩浆岩成因及其成矿作用的基础,传统的岩浆岩二维图解分类方法,因仅有个别元素参与分类、岩石矿物学定名无法保证统一性等因素,其分类结果不够精确。本文基于地质大数据研究基本思想、方法,应用多元统计"聚类分析"和"判别分析"的算法,分别构建起"北山地区基性-超基性岩氧化物定量分类系列模型"和"北山地区基性-超基性岩氧化物+微量元素定量分类系列模型"。前者将北山地区406件基性-超基性岩样本,在10个氧化物变量空间分为2大类共9个小类,其中89%的含矿样本分布在占总样本量44%的3个小类中。后者将北山地区266件基性-超基性岩样本,在34个氧化物及微量元素变量空间分为2大类共8个小类,其中98%的含矿样本分布在占总样本量33%的2个小类中,且81%的含矿样本分布在仅占总样本量21%的Ⅰ222分类中,在该分类中含矿样本数占该分类样本的61%,则有理由认为剩余39%的样本所在岩体为找矿的有利岩体。上述二个模型分类结果中含矿样本对定量分类的高度选择性,充分证明所建定量分类系列模型对北山地区基性-超基性岩成矿岩体分类的高度有效性,为北山地区基性-超基性岩成矿岩体预测研究提供了依据。     

一种高地应力条件下爆破开挖诱发振动峰值的预测模型

高地应力条件下深部岩体爆破开挖过程中,炸药爆炸产生的能量和岩体开挖释放的应变能共同构成了振动的能量源。采用传统的基于单响药量的萨道夫斯基经验公式及其改进公式预测高地应力条件下爆破开挖诱发振动峰值精度不高。通过量纲分析,提出了一种基于能量平衡原理的振动峰值预测模型。结合锦屏二级深埋引水隧洞爆破试验,以上半洞实测振动数据为学习样本,训练模型;以下半洞实测振动数据为对比样本,检验模型。结果表明:与传统预测模型相比,预测模型具有较高的拟合相关系数和较低的预测均方根误差,可以更好地应用于高地应力条件下爆破开挖诱发振动峰值的预测。     

利用土壤地球化学数据和BP神经网络预测松嫩平原油气资源

基于东北地区多目标区域地球化学调查获得的海量土壤地球化学数据,利用BP神经网络模型,在土壤地球化学性质与油气田空间位置之间建立模型,构造最优的油气资源预测模型. 以土壤54项地球化学指标以及XY坐标值共同作为模型输入层,以样本是否在油气田内(1代表油气田内,0代表油气田外)作为模型输出层,基于随机抽取的油气田内和油气田外各500个土壤样本数据进行模型训练. 结果显示,多次训练后识别准确率保持在90%左右,说明该模型分类效果较好,可用于油气资源预测. 利用该模型获得了松嫩平原11 291个土壤样本的含油气概率,并绘制了油气资源预测图. 研究表明,神经网络对于解决复杂的非线性地质问题可以发挥重要作用.     

支持向量机方法在膨胀土分类中的应用

将支持向量机方法应用于膨胀土分类问题中,建立了膨胀土分类的支持向量机模型。以膨胀土实测数据为学习样本,经过训练,得到膨胀土的分类区间。应用该模型对剩余的膨胀土数据进行预测,预测结果表明支持向量机分类模型性能良好、预测精度高、简便易行,是膨胀土判别的一种有效方法,具有广阔的应用前景。     

基于遗传支持向量机的地下工程裂隙岩体注浆量预测

提出了地下工程裂隙岩体注浆量预测的遗传支持向量机方法,通过支持向量机对实际注浆数据样本进行学习,建立注浆量及其影响因素之间的非线性映射关系,基于这种关系实现注浆量的预测。模型建立过程中,考虑到支持向量机惩罚因子和核参数对预测精度的影响,以预测误差为适应度,采用遗传算法对最佳参数进行搜索。结果表明,本文方法计算快速,预测精度高,是一种注浆量预测的好方法。     

关于用岩体分类预测TBM掘进速率AR的讨论

以Maen、Pieve、Cogolo和Varzo 4条隧道为例,本文分析说明了岩体质量分类系统不能预测TBM净掘进速率PR的原因:由于影响岩体可掘进性的因素与影响岩体质量的因素不一样,且岩体质量分类系统多采用半定性半定量的评分形式描述岩体条件,故岩体的质量分数值与TBM的净掘进速率PR很难有一一对应的关系。因此,岩体质量分类系统和基于此的预测模型不能够用来预测TBM的净掘进速率PR。根据TBM施工隧道岩体分类的目的及TBM施工的特点,提出预测TBM净掘进速率PR的岩体分类系统应与评价岩体稳定的岩体分类系统分开进行。用岩体可掘进性分类系统预测净掘进速率PR,用岩体质量分类系统预测TBM利用率U,从而计算出TBM的掘进速率AR。     

基于支持向量机的水库诱发地震分析

将诱发水库地震的主要因素（岩性、岩体完整性、断层性质、库区区域应力状态、库区地震活动背景）划分为11个因子,并进行定量化;再根据每个样本到所属类内超平面的距离计算每个样本点的模糊因子,确定其对分类超平面影响大小;然后建立水库地震的支持向量机（SVM）和模糊支持向量机（FSVM）模型,并应用于水库诱发地震等级预测。实例分析表明,两种模型均可用于水库诱发地震等级预测,具有预测精度较高、考虑因素全面的特点,相比之下SVM模型预测结果略优于FSVM模型。另外,在应用SVM和FSVM进行分类时,如果样本离散性较高,则SVM模型优于FSVM模型;相反,如果样本离散性较低,则FSVM模型优于SVM模型。     

基于网格搜索法优化支持向量机的围岩稳定性分类模型

为科学评价围岩稳定性,本次研究借助支持向量机(SVM)处理小样本、非线性问题能力强的特性,对围岩的稳定性进行了分类。选取16组围岩数据作为学习样本,以岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量5个指标作为模型输入,围岩稳定程度为模型输出,建立了基于支持向量机的围岩稳定性分类模型。为增强模型的推广性能,提高其预测准确率,运用改进的网格搜索方法(GSM)寻找最优的支持向量机参数,并对8组围岩数据进行预测,并同BP神经网络模型的预测结果进行对比。结果表明,建立的GSM-SVM模型对预测样本的评判结果与实际结果一致,其预测精度较BP神经网络有很大的提升。     

Porous Structure Reconstruction Using Convolutional Neural Networks

The three-dimensional high-resolution imaging of rock samples is the basis for pore-scale characterization of reservoirs. Micro X-ray computed tomography (µ-CT) is considered the most direct means of obtaining the three-dimensional inner structure of porous media without deconstruction. The micrometer resolution of µ-CT, however, limits its application in the detection of small structures such as nanochannels, which are critical for fluid transportation. An effective strategy for solving this problem is applying numerical reconstruction methods to improve the resolution of the µ-CT images. In this paper, a convolutional neural network reconstruction method is introduced to reconstruct high-resolution porous structures based on low-resolution µ-CT images and high-resolution scanning electron microscope (SEM) images. The proposed method involves four steps. First, a three-dimensional low-resolution tomographic image of a rock sample is obtained by µ-CT scanning. Next, one or more sections in the rock sample are selected for scanning by SEM to obtain high-resolution two-dimensional images. The high-resolution segmented SEM images and their corresponding low-resolution µ-CT slices are then applied to train a convolutional neural network (CNN) model. Finally, the trained CNN model is used to reconstruct the entire low-resolution three-dimensional µ-CT image. Because the SEM images are segmented and have a higher resolution than the µ-CT image, this algorithm integrates the super-resolution and segmentation processes. The input data are low-resolution µ-CT images, and the output data are high-resolution segmented porous structures. The experimental results show that the proposed method can achieve state-of-the-art performance.     

深度学习在地质学上的应用

自Hinton等使用基于卷积神经网络的深度学习模型赢得Image Net分类比赛以来,深度学习的研究席卷了各个行业。通过介绍深度学习的历史,探索国内地质行业中深度学习模型的使用情况,并介绍深度学习的基础概念(如神经元、神经网络、监督学习和无监督学习等)以及深度学习基础模型中的2个重要网络:深度信念网络(DBN)和卷积神经网络(CNN)。在此基础上,类比深度学习在医学等相关领域的应用,提出了深度学习在地质上的几点应用:利用深度学习在计算机视觉上表现出的强大能力,可以对遥感图像进行聚类、对岩石样品图像进行分类、对岩石薄片数据进行描述;利用深度学习对原始数据表现出的强大识别能力,处理地质异常数据,从而确定成矿靶区的可能位置;利用深度学习的特点,对地震前的声信号数据进行处理,从而判断出地震发生前的剩余时间。     

A Deep-Learning-Based Geological Parameterization for History Matching Complex Models

A new low-dimensional parameterization based on principal component analysis (PCA) and convolutional neural networks (CNN) is developed to represent complex geological models. The CNN–PCA method is inspired by recent developments in computer vision using deep learning. CNN–PCA can be viewed as a generalization of an existing optimization-based PCA (O-PCA) method. Both CNN–PCA and O-PCA entail post-processing a PCA model to better honor complex geological features. In CNN–PCA, rather than use a histogram-based regularization as in O-PCA, a new regularization involving a set of metrics for multipoint statistics is introduced. The metrics are based on summary statistics of the nonlinear filter responses of geological models to a pre-trained deep CNN. In addition, in the CNN–PCA formulation presented here, a convolutional neural network is trained as an explicit transform function that can post-process PCA models quickly. CNN–PCA is shown to provide both unconditional and conditional realizations that honor the geological features present in reference SGeMS geostatistical realizations for a binary channelized system. Flow statistics obtained through simulation of random CNN–PCA models closely match results for random SGeMS models for a demanding case in which O-PCA models lead to significant discrepancies. Results for history matching are also presented. In this assessment CNN–PCA is applied with derivative-free optimization, and a subspace randomized maximum likelihood method is used to provide multiple posterior models. Data assimilation and significant uncertainty reduction are achieved for existing wells, and physically reasonable predictions are also obtained for new wells. Finally, the CNN–PCA method is extended to a more complex nonstationary bimodal deltaic fan system, and is shown to provide high-quality realizations for this challenging example.

     

基于深度学习的地质找矿大数据挖掘与集成的挑战

基于深度学习的地质找矿信息挖掘与集成已经成为数学地球科学的前沿领域.深度学习作为一种具有多级非线性变换的层级机器学习算法,在地质找矿大数据挖掘与集成中仍处于探索阶段,还有一系列问题亟需解决.以卷积神经网络为例,探讨了基于深度学习的地质找矿大数据挖掘与集成过程中两大挑战:训练样本不足和深度学习网络模型构建困难,重点分析了基于复制和添加噪声的地质找矿数据增强技术并开展了多组对比实验,构建了适用于地质找矿大数据挖掘与集成的训练样本和卷积神经网络模型.该模型对闽西南铁多金属成矿区的地质、地球物理和地球化学等多源数据进行了特征提取与集成融合,圈定了找矿远景区,为该区进一步找矿提供了科学依据.      

Deep learning based classification of rock structure of tunnel face

The automated interpretation of rock structure can improve the efficiency,accuracy,and consistency of the geological risk assessment of tunnel face.Because of the high uncertainties in the geological images as a result of different regional rock types,as well as in-situ conditions(e.g.,temperature,humidity,and construction procedure),previous automated methods have limited performance in classification of rock structure of tunnel face during construction.This paper presents a framework for classifying multiple rock structures based on the geological images of tunnel face using convolutional neural networks(CNN),namely Inception-ResNet-V2(IRV2).A prototype recognition system is implemented to classify 5 types of rock structures including mosaic,granular,layered,block,and fragmentation structures.The proposed IRV2 network is trained by over 35,000 out of 42,400 images extracted from over 150 sections of tunnel faces and tested by the remaining 7400 images.Furthermore,different hyperparameters of the CNN model are introduced to optimize the most efficient algorithm parameter.Among all the discussed models,i.e.,ResNet-50,ResNet-101,and Inception-v4,Inception-ResNet-V2 exhibits the best performance in terms of various indicators,such as precision,recall,F-score,and testing time per image.Meanwhile,the model trained by a large database can obtain the object features more comprehensively,leading to higher accuracy.Compared with the original image classification method,the sub-image method is closer to the reality considering both the accuracy and the perspective of error divergence.The experimental results reveal that the proposed method is optimal and efficient for automated classification of rock structure using the geological images of the tunnel face.     

Upscaling of two-phase discrete fracture simulations using a convolutional neural network

Upscaling methods such as the dual porosity/dual permeability (DPDP) model provide a robust means for numerical simulation of fractured reservoirs. In order to close the DPDP model, one needs to provide the upscaled fracture permeabilities and the parameters of the matrix-fracture mass transfer for every fractured coarse block in the domain. Obtaining these model closures from fine-scale discrete fracture-matrix (DFM) simulations is a lengthy and computationally expensive process. We alleviate these difficulties by pixelating the fracture geometries and predicting the upscaled parameters using a convolutional neural network (CNN), trained on precomputed fine-scale results. We demonstrate that once a trained CNN is available, it can provide the DPDP model closures for a wide range of modeling parameters, not only those for which the training dataset has been obtained. The performance of the DPDP model with both reference and predicted closures is compared to the reference DFM simulations of two-phase flows using a synthetic and a realistic fracture geometries. While the both DPDP solutions underestimate the matrix-fracture transfer rate, they agree well with each other and demonstrate a significant speedup as compared to the reference fine-scale solution.

     

基于卷积神经网络的磁异常反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出一种基于卷积神经网络的磁异常反演方法。该方法首先设计大量磁异常体模型,进行正演模拟产生样本数据集;接着借鉴经典的卷积神经网络VGG-13设计了一种全新的VGG磁异常反演网络(VGGINV);然后使用样本数据集训练该网络,并优化网络参数;最后对理论模型和实测数据进行反演实验。实验结果表明,该方法可以准确地反演出磁异常体的位置和磁化强度,具有较强的学习能力和一定的泛化能力,能有效解决磁异常数据反演问题。     

基于CNN神经网络的煤层底板突水预测

为了提高煤层底板突水预测的准确性,建立了基于卷积神经网络的煤层底板突水预测模型。通过综合分析,确定了15个影响煤层底板突水的因素,将这些影响因素进行拼接组合,运用建立的深度计算结构模型对影响因素及其相互联系进行特征提取。用已知的115组数据对模型进行学习训练,并进行了预测。为验证模型的准确性,利用相同的数据对BP神经网络模型和LeNet-5模型进行训练,将建立的模型与BP神经网络模型和LeNet-5模型进行对比。结果表明:该模型通过加深模型的计算深度,综合考虑了影响底板突水因素间的相互联系,提高了突水预测准确性。基于卷积神经网络构建的模型可以对煤层底板突水进行预测,并且准确率相对较高。     

卷积神经网络和视觉注意力语义分割模型在高分辨率遥感影像分类中的性能分析

随着深度学习语义分割的快速发展,基于计算机视觉语义分割模型的高分辨率遥感影像分类方法也大量涌现。为系统定量地研究经典的和先进的视觉语义分割模型在遥感影像分类中的性能,在总结深度学习语义分割进展的基础上,选择9种基于卷积神经网络(CNN)和视觉注意力的语义分割算法,对米级和厘米级2个尺度的遥感数据集进行分析研究。在模型构建上基于计算机视觉通用的语义分割框架,训练时采用红绿蓝3波段遥感图像并基于ImageNet预训练权重进行迁移学习训练。研究结果表明：通用的语义分割模型通过常规训练设置进行训练能取得较好的遥感影像分类效果,部分地物的交并比(IoU)可以达到90%以上;基于视觉注意力的遥感影像分类模型的精度普遍高于基于CNN的模型,且MaskFormer能更有效地提取离散的地物信息;不同类别的精度最高值并不全在总体最优模型中,部分会存在于次优模型中;类似的地物在更高分辨率遥感数据集中可以获得更高的精度。     

大型地下洞室考虑开挖卸荷效应的位移反分析

基于现场监测资料的位移反分析是地下工程动态监控、信息化施工的重要组成部分。以乌江彭水水电站大型地下厂房（开挖跨度为30 m,高度为78.5 m）为例,从围岩实测位移出发,建立了基于均匀设计－神经网络－遗传算法的围岩力学参数的系统反分析方法,反演考虑开挖卸荷效应的围岩力学参数。根据数值分析结果形成训练样本,利用BP人工神经网络映射围岩的变形与力学参数的关系,同时针对传统人工神经网络存在初始权值难以确定的问题,应用遗传算法优化神经网络的初始权值;利用现场监测的增量变形反演了围岩的力学参数;最后利用反演出的参数,进行地下厂房开挖预测分析。结果表明,预测位移与现场监测位移较为接近,进行统计检验结果为优,说明该参数反演方法是正确合理的。