基于KAN神经网络的随钻岩性识别方法
王勃1
谢刘俊2
陈泓云3
曾林峰4
申思洪任4
王乃川3
张德伟5
1.中国矿业大学 深地工程智能建造与健康运维全国重点实验室,江苏 徐州 221116;深地科学与工程云龙湖实验室,江苏 徐州 221116;中国矿业大学 资源与地球科学学院,江苏 徐州 221116;中国矿业大学 力学与土木工程学院,江苏 徐州 2211162.中国矿业大学 资源与地球科学学院,江苏 徐州 2211163.中国矿业大学 力学与土木工程学院,江苏 徐州 2211164.中国矿业大学 深地工程智能建造与健康运维全国重点实验室,江苏 徐州 2211165.深地科学与工程云龙湖实验室,江苏 徐州 221116
摘要：随钻岩性识别是煤矿地质透明化探测的重要地质保障手段,传统的岩性识别方法主要为人工判别法,该方法依赖人的经验和专业知识的积累且受主观影响.近年来,智能化岩性识别方法涌现,利用机器学习的岩性识别模型智能判识岩性,常规相对单一钻进参数通过机器学习对岩性的识别准确率较人工高,但仍存在提升空间.基于此,基于履带式全液压坑道钻机升级随钻综合测量系统,开展不同岩性组合的岩层随钻试验,建立结合钻进参数和自然伽马的双参数岩性判别体系;针对SVM等传统算法存在的线性权重矩阵、需要参数量大、特征提取能力有限等弊端,将KAN网络运用到岩性智能识别.结果表明:对于SVM、KNN、DT及KAN等 4种机器学习算法,利用钻进参数和自然伽马的双参数判别体系相比钻进参数或伽马参数的单参数判别法能够显著提高岩性识别的准确率;在机器学习算法方面,KAN网络相比另外 3种传统机器学习方法提升了准确率,为精准识别地层岩性提供了有效方法.
关键词：岩性识别随钻测量随钻伽马机器学习矿井物探
分类号：TD163(矿山地质与测量)
资助基金：国家科技重大专项(2024ZD1004101)国家自然科学基金(42174165)国家重点研发计划(2021YFC2902003)
论文发表日期：2025-12-31
在线出版日期：2026-01-16（本平台首次上网日期，不代表文献的发表时间）
页数：11( 5171-5181 )
英文信息