典型文献
基于声波信号的岩性智能分类方法
文献摘要：
传统的岩性识别以钻井取心、钻井曲线和岩石图像等方法为主,这些识别方法对地质和识别条件要求较高,且不能满足随钻实时识别.为此,本文提出一种新的基于声波信号的岩性智能分类方法.该方法首先基于所采集钻头与岩层碰撞得到的音频数据,通过数据增强技术解决数据稀疏问题;然后采用基于CGRU(CNN+GRU,卷积神经网络+门控循环单元)的深度学习模型,对采集到的3种岩性的岩石音频数据进行深度学习与训练.为提高该模型在复杂背景下的识别能力,引入注意力机制模型进行优化.注意力机制模型可以在复杂环境下对岩性信息实现重点学习,提高模型识别性能.实验结果表明,与GMM(高斯混合模型)-SVM(支持向量机)、CNN和CGRU模型相比,CGRU-AttGRU(注意力机制模型+GRU)混合模型准确率达81.17％左右,在GMM-SVM、CNN和CGRU模型基础上分别提升了 13.31％、9.99％和 5.93％.
文献关键词：
岩性识别;特征提取;数据增强;CGRU-AttGRU模型
中图分类号：
作者姓名：
尹生阳;曾维;王胜;胡粒琪;余小平;李亚欣
作者机构：
成都理工大学机电工程学院,成都 610051;成都理工大学计算机与网络安全学院,成都 610051;成都理工大学环境与土木工程学院,成都 610051
文献出处：
引用格式：
[1]尹生阳;曾维;王胜;胡粒琪;余小平;李亚欣-.基于声波信号的岩性智能分类方法)[J].吉林大学学报（地球科学版）,2022(06):2060-2070
A类：
AttGRU,+GRU
B类：
声波信号,性智,智能分类,分类方法,岩性识别,钻井,取心,岩石图像,随钻,实时识别,钻头,岩层,音频数据,数据增强技术,数据稀疏,CGRU,CNN+GRU,门控循环单元,深度学习模型,复杂背景,识别能力,注意力机制模型,复杂环境,模型识别,识别性,GMM,高斯混合模型,模型准确率
AB值：
0.307018
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
