极限学习机在岩性识别中的应用

地质勘查中智能化设备的应用地质勘查是一项复杂且具有挑战性的工作，旨在探索地球的内部结构、地质组成以及各种矿产资源的分布情况。

随着科技的不断进步，智能化设备的出现为地质勘查领域带来了革命性的变化。

这些设备不仅提高了勘查的效率和精度，还降低了勘查人员的工作强度和风险。

智能化设备在地质勘查中的应用范围十分广泛。

首先，无人机遥感技术成为了地质勘查中的“新宠儿”。

无人机可以搭载高分辨率的相机和各种传感器，快速获取大面积的地质影像和数据。

与传统的航空遥感相比，无人机具有成本低、灵活性高、操作简便等优点。

在山区、复杂地形等难以到达的区域，无人机能够轻松穿越障碍，获取清晰准确的地质信息。

通过对这些影像的分析，可以识别出地质构造、地层分布、岩石类型等重要特征，为后续的勘查工作提供有力的依据。

其次，地质雷达作为一种智能化的探测设备，在地质勘查中发挥着重要作用。

它能够向地下发射高频电磁波，并接收反射回来的信号，从而探测地下的地质结构和物体分布。

地质雷达具有分辨率高、探测深度适中、无损检测等优点，被广泛应用于隧道超前预报、地下管线探测、考古勘查等领域。

在地质勘查中，地质雷达可以帮助勘查人员了解地下岩层的起伏、断层的位置和规模等信息，为矿产资源的勘探和工程建设提供重要的技术支持。

智能化的钻探设备也是地质勘查中不可或缺的工具。

传统的钻探方法往往需要大量的人力和时间，而且效率低下。

而智能化钻探设备则可以实现自动化钻进、实时监测钻进参数、自动调整钻进策略等功能。

例如，智能钻探系统可以根据地质条件的变化自动调整钻进速度和压力，避免卡钻、掉钻等事故的发生。

同时，通过安装在钻头上的传感器，可以实时获取地下岩石的物理性质和化学成分等信息，为地质分析提供第一手资料。

另外，卫星定位系统（如 GPS、北斗等）在地质勘查中的应用也越来越广泛。

这些系统可以为勘查人员提供精确的位置信息，帮助他们准确地找到勘查目标和采样点。

同时，结合地理信息系统（GIS），可以将勘查数据与地理空间数据进行整合和分析，生成直观的地质图和三维模型，为地质研究和资源评估提供更加全面和准确的信息。

在线极限学习机及其在图像识别中的应用
杨晶晶
【期刊名称】《电子产品世界》
【年(卷),期】2012(19)4
【摘要】针对海量图像数据的识别问题,本文提出了在线极限学习机( online optimized ELM,OP-ELM).OP-ELM以单隐层前馈神经网络(single hidden layer feed forward networks,SLFNs)为基础,固定了隐含节点数以及节点参数,在在线增量学习过程中综合考虑历史数据和新数据,产生全局唯一的最优解,降低了计算资源的需求,继承了极限学习机( Extrene Learning Machine,ELM)学习速度快泛化性能好的优点.因此非常适合于海量图像数据的在线学习问题.在公开图像数据集Caltech4和Scene13上的实验表明,本文提出的方法取得了与前沿离线识别方法性能相当的识别效果,与基于SVM的在线学习方法LA-SVM相比,在参数规模、参数调节以及学习算法效率方面具有明显优势.
【总页数】4页(P64-67)
【作者】杨晶晶
【作者单位】广东电网公司信息部,广东广州510630
【正文语种】中文
【相关文献】
1.改进在线贯序极限学习机在模式识别中的应用 [J], 尹刚;张英堂;李志宁;范红波
2.加权在线贯序极限学习机算法及其应用 [J], 孙毅刚;刘静雅;赵珍
3.PID补偿的完全在线序贯极限学习机控制器在输入扰动系统自适应控制中的应用
[J], 张立优;马珺;贾华宇
4.代价敏感正则化有限记忆多隐层在线序列极限学习机及图像识别应用 [J], 宋坤骏;丁建明
5.应用于人脸图像识别的邻域保持极限学习机 [J], 魏迪;刘德山;闫德勤;张悦
因版权原因，仅展示原文概要，查看原文内容请购买。

深度学习在岩心图像智能化分析中的研究与应用深度学习在岩心图像智能化分析中的研究与应用摘要：随着计算机技术的快速发展，深度学习技术作为一种强大的模式识别方法，在岩心图像智能化分析中得到了广泛的应用。

本文从深度学习的基本原理出发，介绍了深度学习在岩心图像智能化分析中的研究现状和应用案例，并对其未来发展趋势进行了展望。

关键词：深度学习；岩心图像；智能化分析1. 简介岩心是石油勘探中获取地下岩层信息的重要手段。

利用岩心图像可以观察和识别岩石的种类、颗粒组成、孔隙结构等信息，为石油勘探和开发提供重要的依据。

然而，传统的岩心图像分析方法通常需要依赖人工经验和专业知识，存在分析效率低、结果不稳定等问题。

深度学习技术的出现为岩心图像智能化分析带来了新的机遇和挑战。

2. 深度学习在岩心图像智能化分析中的研究现状深度学习是一种基于人工神经网络的模式识别方法，其通过多层次的抽象表示学习，可以从大量数据中自动学习并提取特征，以实现图像分类、目标检测、分割等任务。

近年来，越来越多的研究者开始将深度学习应用于岩心图像智能化分析领域。

他们通过构建适应岩心图像特点的深度学习模型，实现了岩心图像的自动分类、孔隙分割等任务。

3. 深度学习在岩心图像智能化分析中的应用案例3.1 岩心图像自动分类岩心图像中包含多种不同的岩石类型，传统的分类方法需要依赖人工经验对不同类型的岩石进行识别。

通过深度学习，可以构建一个卷积神经网络模型，将岩心图像划分为不同的类别。

研究者通过训练大量的岩心图像样本，使得模型能够自动学习岩石的特征，实现了对岩石类型的准确分类。

3.2 岩心孔隙分割岩心图像中的孔隙结构对于研究地下岩层的储层特性具有重要意义，然而传统的孔隙分割方法需要对孔隙进行复杂的计算和处理。

利用深度学习技术，可以构建一个深度卷积神经网络模型，实现对岩心图像中孔隙的自动分割。

研究者通过训练大量的岩心图像样本，使得模型能够自动学习并提取岩心图像中的孔隙特征，实现了对孔隙的准确分割。

石油勘探中的岩性识别技术在石油勘探中，岩性识别技术是一项非常重要的技术，它的作用是确定地下储层的岩性类型，为油气勘探提供必要的信息。

岩性识别技术的发展，使得勘探者能够更准确地判断储层的性质，从而提高勘探成功率。

本文将介绍岩性识别技术的原理及其在石油勘探中的应用。

岩性识别技术是通过一系列的勘探方法，来判断地下储层的岩石类型。

目前，在石油勘探中主要采用的岩性识别技术包括测井解释、地震反演、地球物理勘探、岩石学分析等。

下面将详细介绍这些技术的原理及其应用。

首先是测井解释技术。

测井解释是指通过测井仪器在钻井过程中测量地层各项物理性质，并根据这些测量数据进行解释和分析的过程。

常用的测井曲线有自然伽马测井曲线、声波测井曲线、电阻率测井曲线等。

通过对这些曲线的解释和分析，可以判断地层的岩性类型、含油气性质等。

测井解释技术是最常用的岩性识别技术之一，其优点在于观测范围广、数据可靠性高。

其次是地震反演技术。

地震反演技术是指通过地震勘探仪器在地表或水中产生人工地震波，然后根据地层对地震波的反射和折射特征进行解释和分析的过程。

地震反演技术主要依赖地震波在地下岩层中的传播规律进行岩性识别。

通过地震反演技术，勘探者可以获取地层的速度、密度等信息，从而判断地层的岩性。

另外，地球物理勘探技术也是岩性识别中的重要方法。

地球物理勘探技术主要包括电磁方法、重力方法、磁法等。

这些方法通过观测地下岩层中的物理场变化，来判断地下储层的岩性。

地球物理勘探技术具有观测效果好、勘探范围广的特点，被广泛应用于石油勘探中。

最后是岩石学分析技术。

岩石学分析是通过对地下岩石样品的物理性质、化学成分等进行实验室分析和研究的过程。

岩石学分析可以提供地下岩层的物理性质、化学组成等详细信息，从而对地层的岩性进行准确的识别。

岩石学分析技术是岩性识别中最准确的方法，但其需要采集和分析地下岩石样品，工作量较大。

总之，岩性识别技术在石油勘探中起着重要的作用。

通过测井解释、地震反演、地球物理勘探和岩石学分析等技术的应用，可以对地下储层的岩性类型进行准确判断，为石油勘探提供重要的参考依据。

专利名称：一种深度学习模式下的岩石岩性自动识别分类方法专利类型：发明专利
发明人：李明超,张野,韩帅
申请号：CN201710685681.3
申请日：20170811
公开号：CN107633255A
公开日：
20180126
专利内容由知识产权出版社提供
摘要：本发明公开了一种深度学习模式下的岩石岩性自动识别分类方法，用以分析地质工程中的岩石岩性，包括以下步骤：步骤A，根据所需岩石种类，采集不同类型的岩石图像，并将其分为训练集与测试集；步骤B，采用卷积神经网络Inception‑v3模型作为预训练模型，利用其特征提取模型获取图像特征；步骤C，建立Softmax回归模型；步骤D，训练岩石图像自动识别与分类模型；步骤E，测试岩石图像自动识别与分类模型。

本发明通过建立岩石图像自动识别与分类模型，可以自动化、智能化地分析工程中的地质状况，大大节省人力物力，减少成本支出。

申请人：天津大学
地址：300350 天津市津南区海河教育园雅观路135号天津大学北洋园校区
国籍：CN
代理机构：天津市北洋有限责任专利代理事务所
代理人：刘玥
更多信息请下载全文后查看。

深度学习在测井岩性识别中的应用深度学习也被称为深度神经网络，是机器学习的最新研究结果，在2006年Geoffrey Hinton提出训练深度神经网络的方法以后，其在语音和图像处理的领域迅速发展，并取得了很好的成绩。

由于深度学习优良的特征提取性质，所以在这里把深度学习用在地球物理测井岩性的识别中，对四川西部川科1井的岩性进行识别。

标签：深度学习；测井；岩性识别；储层预测引言储层预测是寻找油气资源，评估油气储量基础的工作之一。

由于井下地质构造的复杂性和测井参数分布的模糊性，传统的岩性识别方法往往识别精度有限，很多时候对人的经验要求比较高。

前人应用神经网络在测井岩性识别上做了大量的研究，取得了很好的结果，但是前人的研究中主要是使用BP神经网络对岩性预测，卢新卫，金章东对胜利油田某测井岩性用BP神经网络进行识别[1]，以及范训礼等用BP网络对塔里木油田TZ4测井的岩性进行了自动识别[2]，侯俊胜、王颖利用BP网络对煤气层测井资料进行了定量解释识别[3]，识别准确率不是很高。

BP神经网络有一个致命的缺点就是容易陷入局部最小值，特别是随着神经网络层数的增加，其陷入局部最小值的可能性大大增加，相对而言深度学习就可以很好的克服这个缺点，取得很好的结果。

1 深度学习发展在Geoffrey Hinton 2006年提出深度学习[4]之后的短短数年里，深度学习就以其强大的对数据内部结构的表征能力赢得了国际学术界的广泛重视，各个互联网巨头如：百度，google，腾讯，纷纷成立深度学习的研究实验室，美国国防高级研究计划局也于2009年成立了深度学习项目组。

微软公司已经成功地将深度学习方法应用于自己的语音识别系统当中，它能够将单词错误率相较之前的最优方法降低约30%。

因此，深度学习被认为是继1997年的隐马尔科夫（Hidden Markov Model，HMM）模型之后，语音识别领域的又一次重大突破[5]。

2 深度学习理论简介到目前为止深度学习主要有三种方法：卷积神经网络，限制玻尔兹曼机，自动编码机，在这里我们主要使用的是受限玻尔兹曼机（RBM）。

岩性识别：方法、现状及智能化发展趋势许振浩;马文;李术才;林鹏;梁锋;许广璐;李珊;韩涛;石恒【期刊名称】《地质论评》【年(卷),期】2022(68)6【摘要】岩性识别是地质工作中一项基础而又重要的工作。

传统的岩性识别方法过于依赖经验和地质专业知识积累,不仅耗时长、专业性强,还易受主观因素影响,导致准确率不理想。

笔者等首先回顾了传统的岩性识别方法,之后总结了最新涌现的智能化识别方法,最后详细介绍了基于岩石图像、镜下图像、图像与元素信息融合等的智能识别方法。

基于岩石图像的识别方法对于文中的岩石识别准确率可达90%以上,基于图像与元素融合的岩性识别方法可以降低图像相似度高、风化破坏表观特征等因素对识别准确度的影响。

笔者等认为当前岩性智能化识别研究仍处于初级阶段。

综合各类数据源的优势,利用机器学习深度挖掘岩石元素、矿物、光谱和表观特征间的内在关联性,有利于突破单源信息的局限性,实现岩性快速准确识别。

【总页数】15页(P2290-2304)【作者】许振浩;马文;李术才;林鹏;梁锋;许广璐;李珊;韩涛;石恒【作者单位】山东大学岩土与结构工程研究中心;山东大学齐鲁交通学院;中国地质科学院;自然资源部深地科学与探测技术实验室【正文语种】中文【中图分类】TP3【相关文献】1.利用逐步判别分析方法识别碳酸盐岩地层岩性的方法探讨--以川东上余家坝构造石炭系地层为例2.基于归一化核极限学习机的复杂岩性层的岩性识别方法3.录井现场岩性识别技术现状及发展趋势探讨4.综合考虑岩心图像和测井曲线的岩性智能化识别技术5.遥感岩性识别研究的发展趋势——遥感与航空放射性信息集成因版权原因，仅展示原文概要，查看原文内容请购买。

ACADEMIC RESEARCH 学术研究>»机器学习方法在岩性图像识別上的研究______________________________________________________________________________♦李明或摘要：在勘探开发领域的初始阶段，识别研究岩石岩性用于储层预测评价是十分必要的，但原有的人工识别方法，无法保证岩性识别的速度和准确程度。

论文研究利用人工智能方法，以大量岩心岩性图像数据作为数据基础，训练生成可以识别岩性的机器学习模型，用于快速而准确地完成对现有图像的准确识别。

关键词：C N N卷积神经网络；机器学习模型一、问题分析从地下取心后得到的岩心数据是研究地层构造的第一手 资料，通过利用岩石学相关知识对这些岩心不同岩性的分析,可以大概了解储层附近的地质沉积构造情况，为下一步针对 这一区块的储层储量预测打好基础。

但到目前为止，对这些 岩心岩性的识别还多停留在人工阶段，由于个人经验和水平 高低的限制，对岩性识别的准确率无法保证。

随着信息技术的快速发展，越来越多以往人工经验可以 完成的事都可以通过计算机人工智能方法加以实现，这等同 于利用机器去学习人的经验，来完成重复工作，因此可以节 省大量的时间，目前在图像识别领域、语音识别领域都有广 泛的应用。

经过长期研究后，从岩心岩性图像识别的实际情况出发, 考虑利用机器学习方法，在不断学习前人对不同岩性识别经 验的基础上，通过训练得出的图像识别机器学习模型，能自 动识别出岩心岩性，从而达到提高岩性识别准确率的目的。

二、岩性图像识别模型原理概述岩性图像识别模型（如图1)的构建需要利用卷积神经 网络（C N N)作为岩性识别模型的基础，并结合机器学习中 迁移学习方法特性，将需求中需要增加的图像特征移植到基 础模型中，从而形成新的图像训练模型，然后通过对该模型 的不断训练进行完善，形成最终的模型。

(一）卷积神经网络（CNN)模型等具有高度不变性m。

岩矿鉴定在网络实验教学的应用摘要：岩矿鉴定是地质研究工作的重要组成部分，传统岩矿鉴定一般需借助矿物鉴定手册来完成，手动比对效率低且易出错。

本岩矿鉴定辅助识别系统，将传统方法与计算机系统相结合，将观测所得的透明矿物光学性质输入系统中，利用系统的数据库对矿物的性质进行检索，对未知矿物进行界定。

该系统既简化鉴定程序，又提高了鉴定准确率，对岩矿精确鉴定具有重要意义。

关键词：岩矿鉴定；计算机软件；网络教学；矿物识别实验教学在教学中占有重要地位，是培养学生实践能力和创新能力的重要途径，对于将来从事地质行业的学生来说，能否将理论知识运用到实践中，决定了其是否适应且胜任今后的工作。

合理的实验课程可以很好地培养学生的实践能力，在岩石学教学中，实践能力尤为重要。

而传统的实验课程主要以教师为中心，内容枯燥，严重影响学生的学习兴趣和创新能力。

随着计算机网络技术设备的不断发展，如何将网络技术应用于实验教学，提高学生的学习兴趣，已成为当下实验教学重点解决的问题之一。

偏光显微镜下的岩矿鉴定是地质研究工作的重要部分。

在先进的测试分析方法不断涌现的今天，传统的薄片鉴定以快捷、经济、准确等优点，在基础地质研究中仍有重要地位[1]。

一直以来，偏光显微镜下的岩矿鉴定工作一般需借助矿物鉴定手册来完成，使用者需将矿物各种特征与鉴定手册中的检索表进行反复比对，从而得出鉴定结果，这在无形中增加了使用者的工作量，且易出现错误。

而现有部分辅助软件的矿物信息缺少对应的显微图片，初学者较难掌握和应用[1&8722;5]。

鉴于此，我们研究开发了一套岩矿鉴定辅助识别系统，该系统基于透明矿物光性特点建立系统的数据库，通过检索数据库，可显示符合检索条件的透明矿物，并可同时查询各种透明矿物的光学性质及对应照片。

如使用者可将目标矿物的光学性质输入系统中，系统会自动将符合条件的矿物列出，检索条件越具体，得到的结果就越准确，从而使岩矿鉴定工作得到简化。

1网络实验教学的必要性随着计算机网络技术设备的不断发展，网络技术应用于实验教学成为必须。

基于深度强化学习的岩石矿物鉴定方法研究一、引言岩石矿物的鉴定一直是地质学、矿物学等学科的研究重点之一。

基于传统的方法如显微镜下的观察和手动分析，经常需要较高的人力、时间和物力资源，并且结果的可靠性和准确性也存在一定的风险。

为了解决这些问题，深度强化学习的技术应用在岩石矿物鉴定中引起了人们的广泛关注和研究。

二、深度强化学习的原理深度强化学习结合了深度学习和强化学习两种方法，能够学习和改进智能系统的决策策略。

深度学习用于提取数据的特征，强化学习则用于对这些特征进行优化。

深度强化学习的过程可以概括为：对输入的数据进行特征提取，然后使用强化学习框架对模型进行训练，使其生成更好的输出结果，最终得出准确的预测结果。

三、基于深度强化学习的岩石矿物鉴定方法研究1. 数据预处理在深度强化学习模型的训练过程中，数据的质量和数量都对结果的影响比较大。

因此，预处理是非常重要的一步。

在岩石矿物鉴定中，先将需要分类和鉴定的岩石样本进行预处理，最好使用高分辨率图像获得更多的信息，如数字化显微镜中拍摄的高清图像。

然后对数据进行几何校正、填补缺失值、降噪等操作，同时对图像进行标注，使其可以作为深度学习和强化学习训练的样本。

2. 模型设计模型设计是基于深度强化学习进行岩石矿物鉴定研究的核心。

模型的选择和设计在很大程度上决定了岩石矿物鉴定的精度和效率。

在深度强化学习中，常用的模型包括卷积神经网络（CNN）、循环神经网络（RNN）和深度强化学习网络等。

这些模型可以针对不同类型的岩石矿物，进行不同的设计和优化，以提高鉴定的准确性和速度。

经过多个实验和优化，找到最优的模型及其超参数，可以显著提高模型的性能和精度。

3. 强化学习算法强化学习算法是深度强化学习的核心。

深度强化学习可以应用到多个应用场景中，其中在岩石矿物鉴定中最常用的是 Q-Learning算法。

对于岩石矿物的鉴定，可将其视为一个强化学习问题，如分类或检测等。

将输入数据放入已训练的模型中，然后决定输出结果的策略，计算得到相应的奖励。

基于人工智能的南极岩体物理属性反演及应用研究南极岩体是全球最神秘的地质领域之一，其大多数面积被永久覆盖着的冰层所掩盖，岩石的物理属性、内部结构一直是地球物理学领域探讨的关键问题。

人工智能近年来发展迅速，依靠其强大的学习能力，对于南极岩体物理属性反演及应用研究方面也孕育了巨大的发展空间。

一、南极岩体物理属性反演人工智能在南极岩体物理属性反演方面发挥着重要的作用。

岩石的物理属性包括密度、磁性、声波速度等多个方面。

通过对南极区域内的地震、电磁波、磁力计等实测数据进行建模，结合机器学习算法的处理，能够得到岩石物理属性的反演结果。

岩石密度等物理属性反演结果具有重要的地质学、资源领域应用价值。

人工智能的高效学习能力，尤其针对岩石物理属性复杂情况，通过反演能够将不同物理数据融合，并去除数据系统误差，得到更加准确的岩石物理属性结果。

二、南极岩体物理属性应用研究基于南极岩体物理属性反演结果，还可以对南极开展岩石资源、地质环境、气候变迁、地震灾害等多个方面的应用研究。

1.岩石资源岩石资源是南极最具潜力的研究领域之一。

通过对南极岩石物理属性反演结果进行分析，可以快速定位岩石矿藏的空间分布范围，并进一步分析其质量、开采难度等问题。

依靠人工智能技术，能够实现更高精度、更快速的矿产资源勘探。

2.地质环境南极是世界上最严寒、荒凉、寂静的地点之一。

岩石的物理属性反演结果，可以帮助科学家分析南极大陆的岩石结构，探讨其形成演化历史，推测岩石中可能携带的化石、矿物等信息。

此外，还能用于监测南极地区的冰雪变化、地面沉降等问题。

3.气候变迁南极物理属性反演结果也能够用于分析南极冰层的物理性质和厚度，推测未来可能的气候变迁趋势，为全球气候变化预测提供重要参考。

4.地震灾害南极虽然是地震活动较少的地区之一，但其对全球气候、生态、经济等方面有着重要影响。

因此，研究南极岩石物理属性对于南极大陆地震灾害的预测与预防也有重要意义。

三、南极岩体物理属性反演及应用研究展望目前，南极岩体物理属性反演及应用研究还处于探索初期，仍面临多个挑战。

基于极限学习机和熵值法的岩土灾变预警张宁; 李青; 李闯将; 何永波【期刊名称】《《科学技术与工程》》【年(卷),期】2019(019)033【总页数】8页(P251-258)【关键词】滑坡; 综合测量; 极限学习机; 熵值法【作者】张宁; 李青; 李闯将; 何永波【作者单位】中国计量大学灾害监测技术与仪器国家地方联合工程实验室杭州310018【正文语种】中文【中图分类】TP181中国地形复杂、气候多变、降雨分布不均，是灾害频发的国家之一。

加上人类活动影响，全球气候变暖等因素，导致灾害越加频发。

据比利时灾害流行病学研究中心(CRED)统计，每年自然灾害造成的死亡人数中，滑坡占据了总人数的17%[1]。

为了减少滑坡灾害带来的损失，国内外学者提出了多种预警预报模型及方法。

当前滑坡的预测方法主要有蠕变破坏理论法、极限平衡法、有限单元法、降雨阈值法、GM(1,1)灰色模型、生物生长模型、BP神经网络模型、尖点突变理论模型、功能树等[2]。

斋藤迪孝通过蠕变三阶段理论，建立加速蠕变微分方程，成功预警日本高场山滑坡[3]，该方法可以计算出因素拟合程度，且运用到实际场景中。

在埃塞俄比亚的不同地区Ayalew建立不同的临界降雨阈值预测[4]。

Guzzeti等比较了世界范围内100个I-D模型，总结各地模型差异[5]。

Aguiar-Pulido、Lepora等将朴素贝叶斯(NB)用于滑坡中。

文献[6]将多层感知(MLP)神经网络用于滑坡评定。

2005年日本启用了基于径向基函数和降雨指数的全国性滑坡预警系统[1]。

Thiebes等将极限平衡边坡稳定模型组合水文和稳定性模型(CHASM)集成到原预警模型中，运用于Lichtenstein-Unterhausen山体滑坡中[7]。

但是斋藤迪孝法的建立依赖经验且精度不够高[8]。

GM(1,1)灰色预警模型存在精度偏低、预测值偏差大，特别是当数据发生突变时该模型的偏差极大，甚至导致GM(1,1)模型失效[9]。