融合知识图谱和机器学习的不良地质识别方法与系统

摘要: 本发明涉及不良地质识别,尤其涉及一种融合知识图谱和机器学习的不良地质识别方法与系统。背景技术:1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成...
融合知识图谱和机器学习的不良地质识别方法与系统

本发明涉及不良地质识别,尤其涉及一种融合知识图谱和机器学习的不良地质识别方法与系统。

背景技术:

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。

2、在隧道工程建设中,掌子面前方不良地质(如溶洞、断层、富水带等)的精准识别是保障施工安全、提升建设效率的核心诉求。

3、目前行业内已形成多种不良地质识别手段,主要通过地球化学异常信息、钻进参数变化、物探数据反馈等单一或组合视角开展判断,但这类方法普遍存在明显局限:现有技术多聚焦于单一维度异常特征的解析,未能系统融合多源信息的关联价值,导致识别结果往往偏向局部特征,整体准确率难以满足复杂地质条件的需求。

4、即便部分技术通过多维度数据捕捉到地质异常信号,仍无法有效解答“异常由何种不良地质导致”的核心问题——地球化学异常、钻进参数波动、电阻率突变等信号仅能提示“存在异常”,却缺乏对异常本质的定性能力。具体实践中,这一问题通常依赖资深地质专家的人工判识解决,但人工判识不可避免地存在主观性强、误差波动大、易出现误判漏判等缺陷;同时,随着隧道工程向快速化、智能化方向发展,依赖专家长期值守现场进行实时判断的模式,已难以适配工程对高效响应、连续监测的实际需求。

技术实现思路

1、为了解决上述问题,本发明提出了一种融合知识图谱和机器学习的不良地质识别方法与系统,针对地球化学异常、钻进参数和电阻率物探三个核心视角,分别构建专业化知识图谱;随后基于各知识图谱训练对应的特征嵌入模型,将结构化知识转化为可计算的特征向量;最终通过集成学习算法融合多视角特征与模型输出,实现掌子面前方不良地质的智能、高效、精准识别。

2、在一些实施方式中,采用如下技术方案:

3、一种融合知识图谱和机器学习的不良地质识别方法,包括:

4、基于不良地质识别的语料信息,分别构建地球化学异常知识图谱、钻进参数知识图谱和物性参数知识图谱;

5、分别构建三种知识图谱的正负样本集合,利用所述正负样本集合分别对对应的知识图谱进行训练,获取具有结构和语义感知能力的嵌入向量表示;分别得到训练好的地球化学异常知识图谱嵌入模型、钻进参数知识图谱嵌入模型和物性参数知识图谱嵌入模型;

6、将工程现场实际案例库中表征同一不良地质类型的地球化学异常信息、钻进参数异常信息和电阻率异常信息,分别构建三元组后输入至对应的知识图谱嵌入模型,得到的嵌入向量表示作为集成机器学习模型的输入,将所述不良地质类型作为对应输出,对集成机器学习模型进行训练;

7、获取待预测工程现场的地球化学异常信息、钻进参数异常信息、物性参数异常信息,分别构建三元组,并输入至对应的知识图谱嵌入模型,然后利用训练好的集成机器学习模型对各知识图谱嵌入模型的输出进行预测,输出最终的不良地质识别结果。

8、作为进一步的方案,所述地球化学异常知识图谱以元素、矿物、岩性、正异常和负异常作为实体,根据元素成分、矿物组成、岩性、正异常趋势和负异常趋势进行关系抽取,构建不良地质类型-元素成分及矿物组成-具体元素及矿物一跳三元组,以及具体元素及矿物-正异常趋势或负异常趋势-正异常或负异常二跳三元组;基于所述一跳三元组和二跳三元组构建地球化学异常知识图谱。

9、作为进一步的方案,所述钻进参数知识图谱以岩性、钻进速度、扭矩、正异常和负异常为实体,根据岩性、钻进参数、正异常趋势和负异常趋势进行关系抽取,构建不良地质类型-钻进参数-钻进速度一跳三元组,以及钻进速度-正异常趋势或负异常趋势-正异常或负异常二跳三元组;基于所述一跳三元组和二跳三元组构建钻进参数知识图谱。

10、作为进一步的方案,所述物性参数知识图谱以岩性、电阻率、正异常和负异常为实体,根据岩性、物性参数、正异常趋势和负异常趋势进行关系抽取,构建不良地质类型-物性参数-电阻率一跳三元组,以及电阻率-正异常趋势或负异常趋势-正异常或负异常二跳三元组;基于所述一跳三元组和二跳三元组构建物性参数知识图谱。

11、作为进一步的方案,利用所述正负样本集合分别对对应的知识图谱进行训练,获取具有结构和语义感知能力的嵌入向量表示,具体过程为:

12、将知识图谱中的实体和关系分别映射到同一向量空间中,并为每个实体和关系初始化对应的向量表示;

13、基于构建的一跳三元组和二跳三元组,构造真实三元组与通过随机替换头实体或尾实体得到的虚假三元组;

14、利用真实三元组和虚假三元组的集合对所述知识图谱进行训练;

15、在训练过程中,通过评分函数对三元组中实体与关系的组合一致性进行评估,并以真实三元组评分高于虚假三元组为优化目标,持续迭代更新实体与关系的向量表示;

16、最终得到的实体向量和关系向量即为所述嵌入向量表示,能够同时反映三元组的结构关系与地质语义关联。

17、作为进一步的方案,所述集成机器学习模型包括三个相同的基学习器,每一个基学习器对应一个知识图谱嵌入模型;每一个基学习器以对应知识图谱嵌入模型输出的嵌入向量表示作为输入,以不良地质类型的概率分布作为输出;

18、三个基学习器输出的不良地质类型的概率通过元学习器进行加权融合,得到最终的不良地质识别结果。

19、作为进一步的方案,对集成机器学习模型进行训练时,将三元组中的不良地质类型替换为零向量。

20、在另一些实施方式中,采用如下技术方案:

21、一种融合知识图谱和机器学习的不良地质识别系统,包括:

22、知识图谱构建模块,被配置为用于基于不良地质识别的语料信息,分别构建地球化学异常知识图谱、钻进参数知识图谱和物性参数知识图谱;

23、知识图谱训练模块,被配置为用于分别构建三种知识图谱的正负样本集合,利用所述正负样本集合分别对对应的知识图谱进行训练,获取具有结构和语义感知能力的嵌入向量表示;分别得到训练好的地球化学异常知识图谱嵌入模型、钻进参数知识图谱嵌入模型和物性参数知识图谱嵌入模型;

24、集成机器学习模型训练模块,被配置为用于将工程现场实际案例库中表征同一不良地质类型的地球化学异常信息、钻进参数异常信息和电阻率异常信息,分别构建三元组后输入至对应的知识图谱嵌入模型,得到的嵌入向量表示作为集成机器学习模型的输入,将所述不良地质类型作为对应输出,对集成机器学习模型进行训练;

25、不良地质预测模块,被配置为用于获取待预测工程现场的地球化学异常信息、钻进参数异常信息、物性参数异常信息,分别构建三元组,并输入至对应的知识图谱嵌入模型,然后利用训练好的集成机器学习模型对各知识图谱嵌入模型的输出进行预测,输出最终的不良地质识别结果。

26、在另一些实施方式中,采用如下技术方案:

27、一种终端设备,其包括处理器和存储器,处理器用于实现指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的融合知识图谱和机器学习的不良地质识别方法。

28、在另一些实施方式中,采用如下技术方案:

29、一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的融合知识图谱和机器学习的不良地质识别方法。

30、与现有技术相比,本发明的有益效果是:

31、(1)本发明分别构建地球化学异常知识图谱、钻进参数知识图谱和物性参数知识图谱,实现了地质异常信号、工程施工反馈、物探探测数据的全维度关联,大幅提升了特征刻画的全面性与精准度,避免了因信息片面导致的不良地质识别偏差;通过知识图谱结构化整合地质规律、工程经验与专家知识,为机器学习提供了清晰的语义逻辑引导;

32、本发明借助图谱嵌入与集成学习挖掘数据深层关联,形成知识定性与数据定量的协同模式,精准解决了传统技术仅能发现异常,无法定性类型的核心痛点,显著降低了人工判识的主观性与误漏判风险,实现了复杂地质条件下多源信息的高效融合与不良地质类型和性质的智能判识。

33、(2)本发明分别构建一跳三元组和二跳三元组,一跳三元组只能建立不良地质类型-参数类别之间的直接关联,但它只能回答不良地质关注哪些参数,却无法判断是哪种不良地质;二跳三元组反映了什么变化状态才真正指示该不良地质,也就是说,在穿越不良地质时,岩石的元素、矿物等信息会出现异常变化,这些异常变化在空间上遵循一定的规律,与不良地质体的类型、性质、位置和规模等存在内在联系;二跳三元组通过引入中间实体,将两个直接关系串联起来,提供了更丰富的上下文信息和隐含语义关联。

34、(3)受限于不良地质领域缺乏综合性语料,无法构建单一综合性知识图谱,本发明分别从地球化学、钻进参数、电阻率物探三个维度,构建了3个专业化知识图谱,并对应训练了3个不同视角的嵌入模型,这3个嵌入模型各自与基学习器进行结合,形成了对不良地质判别的差异化理解,天然构成了原理互补的“异质基学习器”;通过对三个基学习器输出预测结果的加权融合,得到最终的不良地质预测结果,无需依赖地质专家长期值守,可实现掌子面前方不良地质的实时、连续判别,完美适配隧道快速化建设的需求。

35、本发明的其他特征和附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本方面的实践了解到。