(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111261614.1 (22)申请日 2021.10.28 (71)申请人 中国地质调查局烟台海岸带地质调 查中心 地址 264000 山东省烟台市机场路287号 (72)发明人 王新华　孔令号　鲍宽乐　耿百利　 韦星　张家浩　李亚超　韩祥才　 顾松松　陈剑南　 (74)专利代理 机构 苏州久元知识产权代理事务 所(普通合伙) 32446 代理人 袁欣琪 (51)Int.Cl. G01V 3/08(2006.01) G01V 3/36(2006.01) G01V 3/38(2006.01)G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 20/20(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/08(2020.01) (54)发明名称 一种海岸带咸水入侵智能监测识别方法及 系统 (57)摘要 本发明公开的地下海 水模拟设备技术领域， 具体为一种海岸带咸水入侵智能监测识别方法 及系统， 包括有工作台， 所述工作台底端固定连 接有支撑柱， 且工作台底端固定连接有模拟箱， 所述模拟箱一侧嵌合连接有排料槽， 且排料槽内 壁固定连接有第一滤网， 所述工作台一侧固定连 接有收纳槽， 且收纳槽一侧嵌合连接有排水阀。 本发明中通过取样机构的作用下， 液压杆可以带 动着取样管升降移动， 将取样管插入模拟箱内， 可以对模拟箱内的模拟岩层 进行取样， 便于工作 人员对模拟岩层进行数据检测记录， 且通过挤压 T型杆， 可以带动着顶块向下移动， 顶块可以将取 样管内的样本岩层快速顶出， 便于取出， 操作简 单， 省时省力， 并能够防止取样馆内残留样。 权利要求书4页 说明书9页 附图7页 CN 114114426 A 2022.03.01 CN 114114426 A 1.一种海岸带咸水入侵智能监测识别方法， 包括以下步骤： 步骤1， 通过地球物理勘探方法， 采集 地下空间不同位置的电阻率信息； 步骤2， 依据水文地质资料与浅层钻探测井数据模拟海岸带地区模型， 进行海水入侵指 数分析， 计算海水入侵指数与测井数据之间的相关性， 分析测井数据与海水入侵程度的关 联性， 计算相关系数公式为： 这里， Y为海水入侵等级， X为测井数据， Cov()为协方差， Var()为方差； 步骤3， 依据测井数据， 采用机器学习方法中极限随机树进行海水入侵界限的标定， 将 获取的电阻率信息数据进 行畸变点剔除、 地形校正后， 转化为二 维稀疏矩阵， 提取训练数据 对应区域及邻域电阻率数据， 按照以下 方式构建原 始数据矩阵： 步骤4， 结合双边滤波形式， 对数据进行处理， 其主要目的是在对数据进行降噪的同时， 保持边界信息， 这对于海水入侵界面具有较好的保持效果。 定义如下： 在这里， Ri， j表示输入的某点电阻率数据， 表示滤波后的某点电阻率数据， S代表空 间域， 代表空间高斯权重， 代表灰度值高斯权重， ||(m， n) ‑(i， j)||代表位置(i， j)和 位置(m， n)之间的欧式距离， |Ri， j‑Rm， n|代表电阻率差值， Wi， j为归一化函数， 确保权重和为 1； 步骤5， 为保证不同电阻率剖面数据可以利用， 进行较好的模型泛化， 对经过双边滤波 处理的稀疏矩阵进行归一 化处理： 在这里， ri， j代表滤波后某点电阻率， rmax代表该稀疏矩阵最大值， rmin代表该稀疏矩阵 最小值； 步骤6， 划分电阻率数据与海水入侵界限标定数据为训练集与验证集， 其中， 电阻率数 据为输入数据， 入侵界限为目标 数据； 步骤7， 使用神经网络对数据进行训练选用Tanh 激活函数， 定义 为 模型预测值与真实标签之间通过损 失函数判断偏差， 对预测误差进行叠加平均处理， 获取总体误差l oss， 权　利　要　求　书 1/4 页 2 CN 114114426 A 2其中， yi为预测值， Yi为真值； 步骤8， 采用随机梯度下降方式定义优化器； 步骤9， 序列化模型创建如下： 初始化网络， 进行卷积操作， 通过卷积操作， 进行局部卷 积特征变换， 得到对应的卷积特 征响应输出， 定义 为 按照4*4大小的矩阵作为初始滤波器： x＝(rand(4， 4) ‑0.5)*2*sqr t(6/f) 其中， x表示初始滤波器， 通过产生随机矩阵操作， f表示滤波器参数， f＝144(1＝2)， f ＝288(1＝4)， 1表 示神经网络的层序号， 将初始滤波器通过Tanh函数进行处理， 然后旋转不 同的角度： 其中， z表示方向滤波器， 分别进行0度， 90度， 180度旋转； I表示滤波器序号， 将方向滤波器作为多尺度 卷积神经网络的滤波器， 得到初始化多尺 度深度网络； 多尺度深度卷积神经网络由7层支撑： 第一层为输入层， 第二层和第四层为卷积层， 卷 积由多个方向滤波器组成， 第三层、 第五层为下采样层， 第六层为全连接层， 第七层为回归 分类器， 训练多尺度深度网络， 将训练样 本数据的28*28 *1的特征向量输入到初始 化多尺度 深度数据网络中， 训练过程包括： (a)将输入的特征向量作 为网络输入层， 经过前向传播， 得到输出层的输出列标(class   label)； (b)按照loss函数， 将多尺度深度卷积神经网络输出层的输出类标(class  label)和海 水入侵界限进行误差计算； (c)采用反向传播 算法， 使得训练误差最小化， 得到训练模型； 训练神经网络， 输入主要数据包括训练数据、 训练标签、 训练轮数、 学习率， 每轮训练结 束后， 对模型进行评估， 训练结束后输出训练集的预测结果以及训练集的真实标签； 步骤10， 保存训练模型， 保存 模型权重文件； 步骤11， 利用验证数据， 调用生成的模型权重文件进行海水入侵位置预测， 预测结果同 验证数据进 行比对， 进 行精度评价， 计算验证精度， 以混淆矩阵为基础， 分别计算总体误差、 kappa系数、 召回率、 i ou值； 步骤12， 利用较高评价精度的预测模型进行其 他区域的海水入侵位置预测。 2.根据权利要求1所述的一种海岸带咸水入侵智能监测识别方法， 其特 征在于： 所述步骤2中， 相关性分析分别计算孔隙度与海水盐度、 饱和度与海水盐度、 渗透率与 海水盐度之间的相关系数， 选取 具有相关系数高的测井数据为海水入侵指数的判断依据； 利用极限随机树方法进行机器学习拟合中， 相关性高的为第一层数据， 其他数据按照权　利　要　求　书 2/4 页 3 CN 114114426 A 3