一种水文地质中含水层与隔水层的识别方法

摘要

本发明涉及人工智能技术领域，具体涉及一种水文地质中含水层与隔水层的识别方法。该方法通过水文地质钻探获取地下水所需资料；在水文地质钻探的过程中，通过抽水试验孔进行钻探以将地下水引流到地下水存储装置中；获取钻探机的运行特征、水体重量和地下水的属性，得到多个变化曲线特征图；获取多个变化曲线特征图对应的权重图像，将权重图像相加得到加权图像，根据加权图像的权重值得到波峰波谷点加权损失函数；将运行特征和变化曲线特征图输入由波峰波谷点加权损失函数训练的神经网络得到含水层和隔水层热力图。利用波峰波谷点加权损失函数能够让神经网络的训练易于收敛，进而使得神经网络的预测效果更鲁棒。

说明书

技术领域

本发明涉及人工智能技术领域，具体涉及一种水文地质中含水层与隔水层的识别方法。

背景技术

含水层与隔水层是水文地质研究的重要内容，含水层不仅具有对水的容纳能力，而且具有允许相当数量的水透过的性能。而可容纳一定的水，但不允许水自由透过的岩土称为隔水层，如粘土层。划分含水层和隔水层的标志不在于岩层是否含水，而是所含水的存在形式。目前对于钻井中含水层和隔水层的判断主要利用水文测井技术和分层抽水技术。

发明人在实践中，发现上述现有技术存在以下缺陷：水文测井技术存在监测特征不易区分，依据场景通常需要专门定制多芯电缆等缺点，且在实际应用中会出现偏差；分层抽水技术可以准确获得不同含水层水文地质参数，但在钻孔中上下岩性一致条件下含水层与隔水层如何快速区分成为分层抽水试验开展的难点，因此，如何准确区分水文地质中的含水层与隔水层一直是业界亟需改进的目标。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种水文地质中含水层与隔水层的识别方法，所采用的技术方案具体如下：

本发明实施例提供了一种水文地质中含水层与隔水层的识别方法，该方法包括以下步骤：

通过水文地质钻探获取合理开发及利用的地下水所需资料；

在所述水文地质钻探的过程中，通过抽水试验孔进行钻探，将地下水引流到地下水存储装置中；

根据设定的时间采集周期和钻孔深度采集周期，采集钻探机的运行特征、所述地下水存储装置中水的水体重量及所述地下水的属性，进而分别构建所述水体重量与钻孔深度和所述属性与所述钻孔深度的多个变化曲线特征图；所述运行特征包括所述钻探机的钻进速度、声音分贝和钻井液的消耗速率；所述属性包括电导性、酸碱性、总矿化度以及硬度；

获取每个所述变化曲线特征图的特征重要性评估值；

以每个所述变化曲线特征图中每个波峰点或波谷点为窗口的中心点，根据所述中心点周围的特征值差值得到所述窗口的大小，利用所述特征重要性评估值调整所述窗口的权重分别得到对应的权重图像；将每个所述权重图像中对应的像素值相加得到一张加权图像，根据所述加权图像的权重值得到波峰波谷点加权损失函数；

将所述运行特征和所述变化曲线特征图输入由所述波峰波谷点加权损失函数训练的神经网络得到含水层热力图和隔水层的热力图，以得到含水层分割点和隔水层分割点。

进一步地，利用所述神经网络得到所述含水层热力图和隔水层热力图的方法为：

将所述钻探机的运行特征通过时序特征提取编码器得到特征值；

将所述变化曲线特征图通过第一特征拟合二维编码器得到第一特征图；

将所述特征值和所述第一特征图进行相乘操作得到第二特征图；

将所述第二特征图通过第二特征拟合二维编码器得到所述含水层热力图和隔水层热力图。

进一步地，在根据所述加权图像的权重值得到波峰波谷点加权损失函数之前，包括以下对所述加权图像进行优化的步骤：

将所述加权图像与一值图像中对应的像素值相加得到优化后的加权图像；所述一值图像为像素值全为1的图像。

进一步地，所述波峰波谷点加权损失函数的计算公式为：

其中，Loss为所述波峰波谷点加权损失函数；Image

进一步地，所述窗口的大小的获取方法还包括：

对所述波峰点和所述波谷点进行过滤，以得到过滤后的所述波峰点和所述波谷点；

以所述过滤后的所述波峰点或所述波谷点为所述窗口的中心点，根据所述中心点周围的特征值差值得到所述窗口的大小。

进一步地，所述窗口的大小的计算方法为：

d＝P-2*round(K)

其中，d为所述窗口的大小；P为预设窗口大小的最大值；K为所述特征值差值；round(*)为四舍五入函数。

进一步地，所述特征值差值的获取方法为：

其中，R

进一步地，所述对所述波峰点进行过滤的方法包括：

当所述波峰点与前后相邻的所述波谷点之间的欧式距离之和小于距离最短阈值时，删除所述波峰点。

进一步地，所述对所述波谷点进行过滤的方法包括：

当所述波谷点与前后相邻的所述波峰点之间的欧式距离之和小于所述距离最短阈值时，删除所述波谷点。

进一步地，所述特征重要性评估值是利用随机森林算法获取的评估值。

本发明实施例至少存在以下有益效果：(1)结合地下水的物理性质和化学性质，以及钻探机的运行特征能够精准识别出含水层和隔水层。

(2)根据不同种类特征的重要性评估值对特征曲线上波峰波谷点通过窗口所选取的周围区域进行加权，提高了神经网络识别含水层和隔水层分界点的准确度，并且根据不同类别特征的重要性评估值调整对应窗口半径，进一步提高了精度。

(3)通过分析钻探过程中地下水的水体重量和属性得到的波峰波谷点加权损失函数，利用波峰波谷点加权损失函数使得神经网络的训练易于收敛，进而使得预测结果更加鲁棒。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明实施例所提供的一种水文地质中含水层与隔水层的识别方法的步骤流程图；

图2为本发明实施例所提供的关于神经网络的流程图；

图3为本发明实施例所提供的关于含水层分割点和隔水层分割点的示例图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种一种水文地质中含水层与隔水层的识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种水文地质中含水层与隔水层的识别方法的具体方案。

参照附图1,，本发明实施例提供给了一种水文地质中含水层与隔水层的识别方法，该方法包括以下具体步骤：

步骤S001，通过地质钻探获取合理开发及利用的地下水所需资料。

步骤S002，在水文地质钻探的过程中，通过抽水试验孔进行钻探，将地下水引流到地下水存储装置中。

步骤S003，根据设定的时间采集周期和钻孔深度采集周期，采集钻探机的运行特征、地下水存储装置中水的水体质量及地下水的属性，进而分别构建水体质量与钻孔深度和属性与钻孔深度的多个变化曲线特征图。

步骤S004，获取每个变化曲线特征图的特征重要性评估值。

步骤S005，以每个变化曲线特征图中每个波峰点或波谷点为窗口的中心点，根据中心点周围的特征值差值得到窗口的大小，利用特征重要性评估值调整窗口的权重分别得到对应的权重图像；将每个权重图像中对应的像素值相加得到一张加权图像，根据加权图像的权重值得到波峰波谷点加权损失函数。步骤S006，将运行特征和变化曲线特征图输入由波峰波谷点加权损失函数训练的神经网络得到含水层热力图和隔水层的热力图，以得到含水层分割点和隔水层分割点。

进一步地，水文钻探是一种用来获取合理开发及利用地下水所需资料，由于水文钻探与一般的地质钻探比较，水文钻探的特点是钻孔的直径大，钻进工艺和成井工艺比较复杂，且所用的设备能力也比较大。故在步骤S001中，本发明实施例采用水文地质钻探手段获取合理开发及利用的地下水所需资料。

进一步地，在步骤S002中，本发明实施例在水文地质钻探的过程中将地下水存储装置部署在地面上，利用管道连接。通过选取抽水试验孔进行钻探，将通过抽水试验孔抽出的水通过管道引流到地下水存储装置中。

需要说明的是，地下水存储装置应具备较大的容量，以保证抽水时不会有溢满的现象出现，避免造成测量精度的误差。

进一步地，在步骤S003中，本发明实施例在钻探机中内嵌拾音器以及布置监测设备，以采集钻探过程中钻探机的运行特征，且运行特征包括钻探机的钻进速度V、声音分贝dB和钻井液的消耗速率P。

具体的，本发明实施例通过每小时钻孔的深度获得钻进速度V；钻井液的消耗速率P根据每小时的水位变化获得，且钻井液的水位变化是通过差压液位计测得的。

钻探机的声音分贝dB通过如下公式进行计算：

dB＝10lgX

其中，X为音频值。

进一步地，本发明实施例通过在地下水存储装置中布置传感器以及在线监测设备监测水文地质特征，即地下水存储装置的质量及地下水的属性，其中，地下水的属性包括物理性质和化学性质，其中物理性质包括电导性，化学性质包括酸碱性、总矿化度和硬度。

具体的，本发明实施例通过重量传感器测量地下水存储装置的质量M，即水体重量；通过电导率传感器测得电导性，且电导率即为电导性E；通过酸碱度传感器得到酸碱性PH，即PH值；通过TDS水质检测笔得到总矿化度δ；通过水质硬度传感器测得硬度Y。

进一步地，由于钻孔时间的周期较长，每次钻孔工程要以天来计算，故本发明实施例中按照设定的时间采集周期对钻探机的运行特征进行采集。

优选的，本发明实施例中时间采集周期为每小时。

进一步地，本发明实施例中对于水文地质特征的采集根据设定的钻孔深度采集周期进行采集。由于采集时间越短，识别的准确率越高。

优选的，本发明实施例通过每钻孔0.5米进行一次采集。

进一步地，本发明实施例根据采集的水文地质特征构建特征曲线图，其中特征曲线图包括：水体重量随钻孔深度的变化曲线特征图、地下水的电导性随钻孔深度的变化曲线特征图、地下水的酸碱性随钻孔深度的变化曲线特征图、总矿化度随钻孔深度的变化曲线特征图、地下水的硬度随钻孔深度的变化曲线特征图。

进一步地，在步骤S004中，本发明实施例利用随机森林算法获取上述五个变化曲线特征图的特征重要性评估值，具体的过程如下：

1)对于随机森林中的每一颗决策树，选择相应的袋外数据(out of bag，OOB)进行袋外数据误差的计算，记为第一误差Error1。袋外数据是指每次建立决策树时，通过重复抽样得到的一个数据用于训练决策树。

需要注意的是，需要对训练集划分验证集，即不参与决策树的建立。验证集可以用于对决策树的性能进行评估。计算模型的预测错误率，称为袋外数据误差。且袋外数据误差已经经过证明是无偏估计的，所以在随机森林算法中不需要再进行交叉验证或者单独的测试集来获取测试集误差的无偏估计。

2)随机对袋外数据所有样本的特征X加入噪声干扰，即可以随机改变样本在特征X处的值，再次计算袋外数据误差，记为第二误差Error2。

3)假设森林中有N棵树，则：

需要说明的是，重要性评估值之所以能够说明特征的重要性是因为，如果加入随机噪声后，袋外数据准确率大幅度下降，即第二误差上升，说明这个特征对于样本的预测结果有很大影响，进而说明重要程度比较高。

4)通过上述1)至3)的方法过程，获取每一个特征曲线的特征重要性评估值I，即本发明实施例中五个变化曲线特征图的特征重要性评估值分别为I1、I2、I3、I4、I5。

进一步地，在步骤S005中，本发明实施例基于投影曲线原理，构建分析图像，对所有的变化曲线特征图进行波峰、波谷坐标位置寻找，其中，横坐标为钻孔深度，纵坐标为相应的波峰波谷值。

基于数学原理，寻找波峰、波谷坐标位置的具体方法如下：

1)投影曲线可以表示为V＝[v1,v2,…,vn]。

计算V的一阶差分向量Diff：Diff(i)＝V(i+1)-V(i)，其中i∈1,2,…,N-1

2)对差分向量进行取符号函数运算，Trend＝sign(Diff)，即遍历Diff，若Diff(i)大于0，则取1；等于0，则取0；小于0，则取-1。

3)从尾部遍历Trend向量，进行如下操作：

若Trend(i)＝0且Trend(i+1)≥0，则Trend(i)＝1；

若Trend(i)＝0且Trend(i+1)<0，则Trend(i)＝-1。

4)对Trend向量进行一阶差分运算,得到R＝Diff(Trend)。

5)遍历得到的差分向量R：

如果R(i)＝-2，则i+1为投影向量V的一个峰值位，对应的峰值为V(i+1)；

如果R(i)＝2，则i+1为投影向量V的一个波谷位，对应的波谷为V(i+1)。

6)至此，即可通过投影曲线，寻找得到每一个变化曲线特征图的波峰点、波谷点坐标。其中，波峰点坐标集合称为S

进一步地，由于含水层和隔水层的分割线通常在变化曲线特征图中波峰点或波谷点的位置出现，因此应给予更大的权重。但是变化曲线特征图中存在众多波幅较小的波峰点和波谷点，故本发明实施例对变化曲线特征图中波峰点和波谷点进行进一步过滤，过滤方法为：

1)遍历所有波峰点：

当波峰点与前后相邻的波谷点之间的欧式距离之和小于距离最短阈值G时，删除该波峰点。

2)同理遍历所有波谷点：

当波谷点与前后相邻的波峰点之间欧式距离之和小于距离最短阈值时，删除该波谷点。

3)波峰点和波谷点的遍历没有先后顺序的限制，最终删除符合条件的波峰点和波谷点，进而得到过滤后的波峰点坐标集合S1

需要说明的是，距离最短阈值G依据各个特征曲线变量不同而变化，实施者可自行设定。

进一步地，本发明实施例用过滤后的波峰点坐标集合和波谷点坐标集合进行加权图像生成。具体的生成过程：

1)对每一个变化曲线特征图，首先形成一张同大小的像素值全为0的图像，然后以该变化曲线特征图中的每一个波峰点或波谷点为窗口中心点，则窗口大小为d：

d＝P-2*round(K)

其中，K为波峰点或波谷点处的特征值差值；round为四舍五入函数；P为窗口大小的最大值。

在本实施例中P取经验值7。

特殊的，当d<0时，即无窗口。

其中：

其中，R

需要说明的是，本发明实施例中特征值是每0.1米钻孔深度采集一次。

优选的，本发明实施例中m的取值为5。

通过特征值差值K度量每一个波峰点或波谷点左侧、右侧的特征值变化。当K越大，即代表目前波峰点或波谷点左右侧特征值的差值越大，也代表此波峰点或波谷点越不可能是含水层、隔水层分割点，因此窗口就应越小。该窗口内的值为变化曲线特征图相应的权重值,即变化曲线特征图的特征重要性评估值I，即每个像素的值都为相应的权重值I。

2)通过上述方法对五个变化曲线特征图能够对应的生成五张与变化曲线特征图大小相同的权重图像。将五张权重图像进行对应像素值的相加，进而得到一张加权图像。

3)根据加权图像得到基于特征重要性的波峰波谷点加权损失函数Loss：

其中，n为像素的总数量；Image

优选的，本发明实施例为了避免神经网络收敛情况的极端性，需要有一张与变化曲线特征图大小相同的一值图像对加权图像进行优化，即将加权图像与一值图像进行对应像素值的相加得到优化后的加权图像。

需要说明的是，一值图像内的像素值全为1。

基于特征重要性的波峰波谷点加权损失函数可以为每个特征分配不同的权重，且对于变化曲线特征图中的波峰点和波谷点有更大的权重，通过该损失函数训练神经网络，可以使得神经网络的预测效果更鲁棒。

进一步地，在步骤S006中，本发明实施例将钻探机的运行特征和五个变化曲线特征图输入由上述得到的波峰波谷点加权损失函数训练的神经网络进行识别含水层和隔水层。

需要说明的是，由于神经网络的输入要求图像的大小要相同，因此每个变化曲线特征图应等同大小且画图属性相同，如图像中线条的粗细等，且通过计算机程序即可实现。

进一步地，参照附图2，本发明实施例中神经网络的训练细节如下：

1)钻探机的运行特征输入到时序特征提取编码器中，形状为[B,W,3]，B代表训练神经网络时的样本批次大小(Batch size)；W为运行特征的采集次数，即钻孔总时间除去采集周期；3为钻探机的钻进速度、声音分贝和钻井液的消耗速率。

需要说明的是，本发明实施例中时序特征提取编码器采用TCN(时间卷积网络)和FC(全连接网络)，可以解决特征采集次数不统一的问题，即每一次钻孔时间不同导致采集的数据量不同。

2)最终时序特征提取编码器提取钻探机的运行特征后，通过全连接FC层输出U个神经元，即U个特征值，也即附图2中的特征值V1。优选的，本发明实施例中U的经验取值为128。

3)同时刻，将特征曲线图输入到第一特征拟合二维编码器中，第一特征拟合二维编码器的主要作用为特征拟合，最终输出第一特征图，即附图2中的特征图F1。本发明实施例中特征图数量的优选值为U个，即128个，应保证特征值数量与特征图数量一致，以实现钻探机的运行特征与水文地质特征的融合。

4)对于特征曲线图，将水体重量随钻孔深度的变化曲线特征图、地下水的电导性随钻孔深度的变化曲线特征图、地下水的酸碱性随钻孔深度的变化曲线特征图、总矿化度随钻孔深度的变化曲线特征图、地下水的硬度随钻孔深度的变化曲线特征图利用通道联合(Concatenate)操作，最终得到一个五通道的图像数据。

5)进一步的将特征值V1与特征图F1进行相乘(muilply)操作，其特点是将特征值V1内的值都与相应索引的特征图F1内的特征图进行相乘，相当于第一特征拟合二维编码器产生的每个特征图都各自对应地乘了一个特征值，最终得到第二特征图，即附图2中的特征图F2,该特征图融合了钻探机的运行特征与水文地质特征。

6)将特征图F2输入到第二特征拟合二维编码器中再次进行特征拟合，最终得到的结果输入到特征拟合解码器，经过解码器上采样与特征拟合，输出热力图，其中，热力图有两个类别，一个是含水层热力图，一个是隔水层热力图。

7)本发明实施例中第一特征拟合二维编码器、第二特征拟合二维编码器中主要操作为Conv2D(二维卷积)、下采样。

8)训练标签数据通过人为标注，以水体重量随钻孔深度的变化曲线特征图为模板，将含水层分割点进行位置标注，即坐标(x,y)，得到含水层分割点散点图，然后通过高斯核针对含水层分割点散点图散点位置进行卷积，得到含水层热力图，同理可得隔水层热力图。优选的，高斯核半径的值为5。

9)本发明实施例中损失函数采用基于特征重要性的波峰波谷点加权损失函数。

进一步地，利用由基于特征重要性的波峰波谷点加权损失函数训练的神经网络得到热力图数据，对热力图数据进行后处理，即找到峰值点，进而得到具体的含水层分割点和隔水层分割点坐标信息。需要说明的是，后处理的方法可以采用非极大值抑制、Softargmax等。

进一步地，根据得到的含水层分割点和隔水层分割点，按照钻孔深度以及分割点x坐标得到附图3所述的图标，即可区分出地下不同深度的性质。

综上所述，本发明实施例提供了一种水文地质中含水层与隔水层的识别方法，该方法通过水文地质钻探获取合理开发及利用的地下水所需资料，在水文地质钻探的过程中，通过抽水试验孔进行钻探以将地下水引流到地下水存储装置中，获取钻探机的运行特征、水体重量和地下水的属性，进而得到相应的五个变化曲线特征图，以每个变化曲线特征图中每个波峰点或波谷点为窗口的中心点，根据中心点周围的特征值差值得到窗口的大小，利用特征重要性评估值调整窗口的权重分别得到对应的权重图像，将权重图像中对应的像素值相加得到一个加权图像，根据加权图像的权重值以得到波峰波谷点加权损失函数，将钻探机的运行特征和五个变化曲线特征图输入由该波峰波谷点加权损失函数训练的神经网络得到含水层热力图和隔水层的热力图，进而后处理得到含水层分割点和隔水层分割点。利用波峰波谷点加权损失函数能够让神经网络的训练易于收敛，进而使得神经网络的预测效果更鲁棒。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。