(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210154804.1 (22)申请日 2022.02.21 (65)同一申请的已公布的文献号 申请公布号 CN 114241229 A (43)申请公布日 2022.03.25 (73)专利权人 中煤科工集团西安研究院有限公 司 地址 710077 陕西省西安市高新区锦业 一 路82号 (72)发明人 范涛　李萍　张鹏　李渊　赵睿　 刘磊　李宇腾　蒋必辞　 (74)专利代理 机构 西安恒泰知识产权代理事务 所 61216 专利代理师 李婷(51)Int.Cl. G06V 10/762(2022.01) G06K 9/62(2022.01) G01V 3/38(2006.01) (56)对比文件 CN 113281812 A,2021.08.20 审查员 董梦林 (54)发明名称 一种电性成像结果中异常体边界智能识别 方法 (57)摘要 本发明提出一种采用无监督机器学习中的 聚类算法， 特别针对现有技术中由于激发场源均 为电磁波或电场， 天然存在扩散效应， 成像结果 一般表现为电阻率、 电导率、 极化率、 场强等值的 等值线图形式， 异常体与背景值间往往是渐变、 光滑过渡， 没有鲜明的差异， 人工确定异常体准 确边界的难度大、 效率低。 本发明对成像结果中 的异常体边界进行智能识别的数据处理方法， 能 够实时准确 划分异常和背景区域。 权利要求书1页 说明书5页 附图3页 CN 114241229 B 2022.06.24 CN 114241229 B 1.一种电性成像结果异常体边界智能识别方法， 其特 征在于： 该 方法包括如下步骤： 步骤1： 对电磁法探测数据进行反演成像， 形成曲线图、 散点图、 等值线图、 热力图、 等值 面图、 形体渲染图其中一种或几种及相应的绘图数据文件； 步骤2： 根据成像图特 征， 选择聚类算法； 步骤3： 提取绘图数据文件中的幅值项数据； 如果需要确定最佳聚类数目， 则对幅值项 数据进行组内平方误差和计算， 绘制拐点图确定最佳聚类数目； 步骤4： 确定聚类数k后， 在样本中随机 选取k个点， 作为每一类的中心点； 步骤5： 计算剩余n ‑k个样本点到每个聚类中心的距离， 针对每一个样本点， 将它归到和 它距离最近的聚类中心所属的类； 步骤6： 重新计算每个聚类中心的位置： 根据步骤5得到n个点分别对应的所属的类， 对 每一个类内的所有点对应的数据幅值取平均值， 计算出新的聚类中心； 步骤7： 重复步骤5、 步骤6， 直到所有的新聚类中心满足设定的终止条件； 步骤8： 输出每一个新聚类中心所属的类的幅值 边界和类中心值； 步骤9： 将每一个新聚类中心所属的类中的数据幅值， 全部更改为该类中心点幅值， 并 按照原始数据顺序重新 生成新的绘图数据文件； 步骤10： 对新的绘图数据文件成像图采用不同显示方式区别各个类别， 标示出各类别 的边界， 其中幅值 最小或最大的类即为目标异常体。 2.如权利要求1所述的电性成像结果异常体边界智能识别方法， 其特征在于： 所述的步 骤1形成曲线图、 散点图、 等值线图、 热力图、 等值面图、 形体渲染图及相应的绘图数据文件 为一维数据组、 二维数据组或三维数据组。 3.如权利要求1所述的电性成像结果异常体边界智能识别方法， 其特征在于： 所述的步 骤3绘图数据文件中的幅值项数据， 根据地球物理电磁法成像结果不同， 选择包括电阻率、 电导率、 相位、 磁导率、 场强、 极化率、 介电常数、 波速、 密度、 深度、 厚度、 距离其中一种或多 种幅值项。 4.如权利要求1所述的电性成像结果异常体边界智能识别方法， 其特征在于： 所述的步 骤9， 或者将每一个新聚类中心所属的类中的数据幅值， 全部更改成为设定的数值， 确保每 个新聚类中心所属的类设定数值不同即可， 并按照原始数据顺序重新生成新的绘图数据文 件。 5.如权利要求1所述的电性成像结果异常体边界智能识别方法， 其特征在于： 所述的步 骤10， 对新的绘图数据文件成像图各个类别区分显示方式为色彩差异、 形状差异、 纹理差异 或图文差异。权　利　要　求　书 1/1 页 2 CN 114241229 B 2一种电性成像结果中异常 体边界智能识别方 法 技术领域 [0001]本发明属于地球物理勘测技术领域， 涉及 一种能对电磁法成像结果中的异常体边 界快速智能识别的数据处 理方法。 背景技术 [0002]地球物理勘测中的电磁类方法由于激发场源均为电磁波或电场， 天然存在扩散效 应， 成像结果一般表现为电阻率、 电导率、 极化率、 场强等值的热力图形式。 异常体与背 景值 间往往是渐变、 光滑过渡， 现有反演模型， 都是光滑模型， 保证计算精度和速度。 但是现实 中， 没有鲜明的差异， 人工确定异常体准确边界的难度大、 效率低。 [0003]近年来我国煤矿重特大事 故总体呈下降趋势， 但重特大水灾事故起数和死亡人数 在事故占比中逐年增加， 平均占比达到18.05%。 2006 ‑2018年间， 全国煤矿共发生水害事故 436起、 死亡人数1906名， 经济损失和社会影响非常严重。 掘 进工作面是煤矿重特大水灾事 故最容易 发生的突水地点， 占比达51.16%。 因此， 掘进工作面前方隐伏水患超前探测是亟待 解决的技 术难题。 [0004]水害隐患超前探查代表性的方法主要是瞬变电磁法、 直流电法等电磁类方法， 但 是， 煤矿井下探测装备功率受煤矿本安防爆限制， 且井下环境的电磁干扰较大等因素 的存 在， 致使矿井电磁类方法的探测距离短、 精度偏低、 多解性强。 为了解决煤矿井下掘进工作 面前方的探测深度与探测精度的矛盾， 科研工作者逐步开始利用井下掘进工作面的钻孔进 行瞬变电磁探测工作， 该 方法可以在掘进前开展远距离、 高精度的隐伏水害超前 预报。 [0005]钻孔瞬变电磁的数据处理一般采用电阻率反演成像方法， 考虑到反演存在多解 性， 因此反演拟合过程中为了提高精度， 往往会选择较为光滑的模型拟合 实测数据， 使得最 终反演结果是一个电阻率连续光滑渐变的成像模型， 在地质体边界处的对比程度和变化情 况较为模糊， 很难清晰的反映地质异常体与背景值的差异， 对异常体规模、 形态的解释 工作 常常需要 经验丰富的专家人为干预， 也不利于生产中准确指导物探工作之后的钻探和掘进 工作。 鉴于此， 有必要研究一种提高成像结果中电阻率值聚合度， 进而突出电性边界的成像 方法。 发明内容 [0006]为解决这一问题， 本发明提出一种采用无监督机器学习中的聚类算法， 对电性成 像结果中的异常体边界进行智能识别的数据处理方法， 能够实时准确划分异常和背景区 域。 [0007]本发明所解决的技 术问题是提供一种电性成像结果异常体边界智能识别方法。 [0008]为解决上述的技 术问题， 本发明采取如下技 术方案予以实现： [0009]一种电性成像结果异常体边界智能识别方法， 该 方法包括如下步骤： [0010]步骤1： 对电磁法探测数据进行反演成像， 形成曲线图、 散点图、 等值线图、 热力图、 等值面图、 形体渲染图其中一种或几种及相应的绘图数据文件；说　明　书 1/5 页 3 CN 114241229 B 3