基于CT数字岩心深度学习的煤裂隙分布识别研究.pdf
《基于CT数字岩心深度学习的煤裂隙分布识别研究.pdf》由会员分享,可在线阅读,更多相关《基于CT数字岩心深度学习的煤裂隙分布识别研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、基于 CT 数字岩心深度学习的煤裂隙分布识别研究冯雪健1,沈永星2,周动1,2,王金鑫1,王梦露1(1.太原理工大学安全与应急管理工程学院,山西太原030024;2.太原理工大学原位改性采矿教育部重点实验室,山西太原030024)摘要:为了实现煤裂隙多尺度分布特征的高精度,高效率识别,开展基于 CT 数字岩心深度学习的煤裂隙多尺度分布特性识别方法研究。利用工业 CT 扫描系统收集大量煤原始 CT 数字岩心信息阵列,将 CT 数字岩心信息阵列低损转换成二维灰度图像,再分割成不同尺度的正方形图像并将其图像亮度增强为不同级别作为训练样本,然后通过 Matlab 平台实现了用于含 CT 裂隙图像识别的
2、 AlexNet,Res-Net-18,GoogLeNet,Inception-V3 四种模型的构建与模型参数的优化。研究在不同数量训练样本下不同模型训练的识别准确率与验证准确率;研究在相同训练样本下不同模型对于不同尺度和亮度图像的准确率、计算效率和训练时间,获得适用于计算含裂隙的二维 CT 图像的分形维数的最优模型,再按照盒计维数的统计方法,计算每张裂隙图像的分形分布特性,并与传统二值化方法和人眼识别方法相对比,验证了基于 CT 数字岩心深度学习的煤裂隙多尺度分布特性识别方法的适用性,结果表明:ResNet-18 模型在图片样本为亮度 4,尺度为 3.521mm 时是适用于计算含裂隙的二维
3、CT 图像的分形维数的最优模型,该模型计算二维 CT 裂隙图像的分形维数精度高,且训练时间短。基于CT 数字岩心深度学习的煤裂隙多尺度识别方法与传统二值化方法相比,识别连通性裂隙的速度快、精度高、不易受煤中杂质的影响。关键词:煤裂隙;CT 数字岩心;图像识别;裂隙识别;CT 扫描中图分类号:TD315文献标志码:A文章编号:02532336(2023)08009708Multi-scale distribution of coal fractures based on CT digital core deep learningFENGXuejian1,SHENYongxing2,ZHOUDon
4、g1,2,WANGJinxin1,WANGMenglu1(1.School of Safety and Emergency Management Engineering,Taiyuan University of Technology,Taiyuan 030024,China;2.Key Laboratory of In-situ Modi-fied Mining,Ministry of Education,Taiyuan University of Technology,Taiyuan 030024,China)Abstract:Inordertorealizehigh-precisiona
5、ndhigh-efficiencyidentificationofmulti-scaledistributioncharacteristicsofcoalfractures,carryoutthestudyofmulti-scaledistributioncharacteristicsidentificationmethodsbasedonCTdigitalcoredeeplearning.IndustrialCTscanningsystemisusedtocollectalargenumberofcoaloriginalCTdigitalcoreinformationarray,theCTd
6、igitalcoreinformationarrayisconvertedintoatwo-dimensionalgray-scaleimageandthenitisdividedintosquareimagesofdifferentscalesandtheimagebrightnessisenhancedtodifferentlevelsastrainingsamples,Finally,theconstructionandoptimizationofmodelparametersofAlexNet,ResNet-18,GoogLeNetandInception-V3modelsforthe
7、identificationofCT-containingfracturesarerealizedbyMatlabplatform.Studytherecogni-tionaccuracyandverificationaccuracyofdifferentmodeltrainingunderdifferentnumberoftrainingsamples;Studytheaccuracy,calcula-tionefficiencyandtrainingtimeofdifferentmodelsforimageswithdifferentscalesandbrightnessunderthes
8、ametrainingsample,obtaintheoptimalmodelforcalculatingthefractaldimensionoftwo-dimensionalCTimageswithfractures,then,thefractaldistributioncharac-teristicsofeachfractureimagearecalculatedaccordingtothestatisticalmethodofbox-countingdimension,comparedwiththetraditionalbinarizationmethodandhumaneyereco
9、gnitionmethod,Theapplicabilityofthemulti-scaledistributioncharacteristicsidentification收稿日期:20220520责任编辑:常琛DOI:10.13199/ki.cst.2022-0530基金项目:国家自然科学基金资助项目(12102293)作者简介:冯雪健(1997),男,河北石家庄人,硕士研究生。E-mail:通讯作者:周动(1990),男,山西忻州人,副教授,研究生导师,博士。E-mail:zhoudong_第51卷第8期煤炭科学技术Vol.51No.82023年8月CoalScienceandTechn
10、ologyAug.2023冯雪健,沈永星,周动,等.基于 CT 数字岩心深度学习的煤裂隙分布识别研究J.煤炭科学技术,2023,51(8):97104.FENGXuejian,SHENYongxing,ZHOUDong,et al.Multi-scaledistributionofcoalfracturesbasedonCTdigitalcoredeeplearningJ.CoalScienceandTechnology,2023,51(8):97104.97methodofcoalfracturesbasedonCTdigitalcoredeeplearningisverified.Ther
11、esultshows:ResNet-18modelistheoptimalmodelforcalculatingthefractaldimensionoftwo-dimensionalCTimageswithcrackswhentheimagesampleisbrightness4andthescaleis3.5mmto21mm,themodelhashighaccuracyandshorttrainingtimeincalculatingthefractaldimensionoftwo-dimensionalCTfrac-tureimages.Comparedwiththetradition
12、albinarizationmethod,themulti-scalerecognitionmethodofcoalfracturebasedonCTdigitalcoredeeplearninghastheadvantagesoffastspeed,highaccuracyandisnoteasilyaffectedbyimpuritiesincoal.Key words:coalfractures;CTdigitalcore;imagerecognition;crackidentification;CTscan0引言煤层的裂隙是在成煤的过程中各种不同应力的影响所造成的裂开现象,其不仅是煤层
13、气的储存空间与渗滤通道,也是煤的力学特性的关键影响因素1。煤层裂隙的连通性、数量和尺度的分布十分复杂。其对于油气的开采、煤矿的安全生产和煤岩体工程特性方面也都具有重要意义。因此针对煤层裂隙分布开展研究。分形几何学是研究非线性现象的理论和方法2,目前被广泛应用于分析岩体裂隙分布特性分析3,如康天合等4利用分形几何来研究煤体裂隙尺度分布,冯增朝等5通过分析岩石裂隙数量与尺度之间的分形关系来研究岩体裂隙尺度对其变形与破坏的控制作用,赵阳升等6则是采用分形几何学研究岩层裂缝分形分布的相关规律,它能沟通微观量与宏观量之间的联系。这个结论可跨越尺度推广,具有十分重要的工程意义。目前,对于煤裂隙结构的获取方
14、法有数字摄像机、扫描电镜、光学显微镜和 CT 扫描等方式7。其中摄像机、扫描电镜和光学显微镜等局限于煤的表面裂隙观测,无法获取煤内部裂隙的分布。而 CT 数字岩心技术因其可以无损获取岩体的内部裂隙结构而被大量学者采用,如:宋晓夏等8利用 CT 数字岩心技术对构造煤的渗流孔进行精细定量表征,王刚等9为了研究煤的孔裂隙结构特征,通过 CT 数字岩心技术对煤进行三维重建,实现煤的孔裂隙结构的定性定量表征和分析,冯子军等10采用 CT 数字岩心技术观测煤在热解破裂过程中孔裂隙演化细观特征。然而,上述 CT 数字岩心中裂隙识别主要采用人眼识别方法11和二值化方法12。传统的人眼识别是对其进行人眼观察与测
15、量工具测量。这种方法不仅费时费力,且非常容易受到自然环境和人为因素的影响。二值化方法则是根据阈值的不同来对图像中的裂隙和背景进行分割,再进行识别,其容易受煤岩体中杂质和图像噪音的影响,识别准确率难以保证。这为 CT 数字岩心中裂隙多尺度分布规律研究带来了巨大的阻碍。近年来,随着深度学习运算方法的飞速发展,众多学者将其引入了 RGB 数字图像获取的裂隙识别研究中。冯春成13搭建了一种基于深度卷积网络的水电站溢流坝表观裂缝检测方法;李生元14通过卷积神经网络和穷举搜索技术提出了对混凝土结构表面裂隙检测的方法;魏世银15利用深度学习方法来对桥梁裂缝进行健康诊断和营养决策;陈涵深16采用深度学习的方法
16、对路面裂隙破损进行检测;黄宏伟等17基于深度学习对盾构隧道的渗漏水进行病害图像识别。这为基于 CT 数字岩心深度学习的煤裂隙多尺度分布特性识别带来了良好的启发。因此,通过将卷积神经网络与 CT 数字岩心技术相结合,研究在相同训练样本下不同卷积神经网络模型对于不同尺度和亮度图像的准确率,分析该模型对于煤裂隙图像多尺度特征识别的适用性,从而形成基于 CT 数字岩心深度学习的煤裂隙多尺度分布特性识别方法18。该识别方法速度快、精度高、不易受外界环境的影响,且可以观测识别煤内部裂隙和不会破坏煤本身的内部构造。这对于煤体渗流和力学性能的科学研究具有重要意义。1裂隙的分形统计理论与方法1.1煤岩体连通裂隙
17、面分布的二维分形描述二维 CT 图像的裂隙迹线的盒维数分形统计方法概述如下19:N(L0n)=N0(L0/n)D(1)式中,N(L0/n)为边长为 L0/n 的第 n 级分割尺度下正方形网格中含有长度大于或等于 L0/n 裂隙的数量(图 1);N0为含有连通性裂隙的网格初值,D 为连通(a)裂隙长度大于L0/n(b)裂隙长度小于L0/n图1含连通性裂隙图像和不含连通性裂隙图像Fig.1Imageswithconnectedfracturesandimageswithoutcon-nectedfractures2023年第8期煤炭科学技术第51卷98裂缝面分布的分形维数。本研究的分割尺度 n 选
18、取 1、2、3、4、5、6,针对 CT 扫描得到二维剖面图,采用上述方法对煤岩石试件内的裂隙面进行统计,分析煤岩体内裂隙面的规律。2基于卷积神经网络的煤多尺度裂隙识别模型2.1CT 裂隙图像的预处理与数据集的建立煤样取自阳煤集团寺家庄煤矿,煤种为无烟煤。CT 扫描实验利用太原理工大学 CT225kVFCB 型高精度显微 CT 试验系统20,煤样经 CT 扫描完成后得到煤样的三维数字岩心,利用 Matlab 对其进行切片,转化为待识别的灰度图像。数据集的建立步骤如下:从待识别灰度图像挑选 50张含裂隙图像(含径向图像,X 轴向图像,Y轴向图像),将其剪裁成 4400张边长为 50256 像素(煤
19、样尺度:3.521mm)的正方形图像;将裁减后图像分为含连通裂隙的图像与含不连通裂隙或不含裂隙的背景图像 2 类(图 2),各 2200 张;每一类中 2000 张为训练集,200 张为测试集,通过平移、旋转等方式增大训练数据,防止过拟合。CT扫描图像256256像素随即剪切成不同尺度的像素未含有连通裂隙的图片2 200张剩下的2 000张图片用作训练集随机选择200张作为测试集剩下的2 000张图片用作训练集随机选择200张作为测试集5050像素6060像素含有连通裂隙的图片2 200张50张裂隙原始图像图2数据收集与图像处理流程Fig.2Flowchartofdatacollectiona
20、ndimageprocessing2.2卷积神经网络的构建卷积神经网络(CNN)是广泛的用于图像识别,自然语言处理等领域的深度学习代表算法之一,由卷积层、池化层、全连接层堆砌而成,模型结构如图 3 所示。研究选择 4 种经典模型对其进行了模型构建和参数优化,让其适用于识别二维 CT裂隙图像。分别是 AlexNet21,ResNet-1822,Goog-LeNet23,Inception-V324,每种模型的层数分别为 8、18、22、46层,并将超参数(学习率、批量大小和迭代次数)优化为最适合识别二维 CT 裂隙图像的数值。输入输出全连接池化卷积卷积池化图3模型结构Fig.3Modelstru
21、cture3煤的多尺度裂隙识别模型的识别3.1不同模型的最优训练样本容量分析以上面 4 种模型为卷积神经网络的框架做训练,分别以各 500,1000,1500,2000 数量的 2 类子图像参与卷积训练,另有 2 类各 200张子图像用于测试模型,训练中训练集和验证集随机分为 82,为了减少误差,每种数量做 6 次训练,再取 6 次训练精度的平均值,下表为训练数据。训练精度是训练的准确率,验证精度是用于测试模型数据的 400张图片的精度。由图 4 可知 AlexNet 随着训练样本从 500 到1500,准确率得到了提高。但到了 2000,准确率却轻微下降,另外 3 种模型在 1000 时的准
22、确率最低,发生了过拟合,验证集的损失率大幅增加。但随着训练样本的继续增多,过拟合消失,在 1500 时准确率最高,到 2000 也轻微下降。在 500 时的损失率最大。0.651.005001 0001 5002 000精度均值/%AlexNet训练精度AlexNet验证精度ResnNet-18训练精度ResnNet-18验证精度GoogLeNet训练精度GoogLeNet验证精度Inception-V3训练精度Inception-V3验证精度样本数图4不同模型的训练精度和验证精度均值Fig.4Meanvalueoftrainingaccuracyandverificationaccur-ac
23、yofdifferentmodels继续分析测试集的验证准确率,可以清晰的看到 4 种模型的正确率都随着训练样本的增多稳步上升,但从 1500 到 2000AlexNet,ResNet-18,GoogLe-Net,Inception-v3 四种模型的验证准确率只分别提高了 0.017917,0.0315,0.025667,0.034583,提升已经很小,且由图 5 可知 4 种模型的验证准确率随着模冯雪健等:基于 CT 数字岩心深度学习的煤裂隙分布识别研究2023年第8期99型样本的增多呈对数增长,在 2000 时 4 种模型的增长趋势都趋于平缓,所以从最优训练样本数来分析我们应选择 2000
24、 作为训练集。由表 1 还可以得知4 种模型的训练结果和测试结果都相差较小,所以先确定选择 2000 作为数据集,模型的选择再通过下文的实际测试来决定。0.71.005001 0001 5002 0002 500验证准确率/%AlexNet验证准确率ResnNet-18验证准确率GoogLeNet验证准确率Inception-V3验证准确率样本数图5不同模型的验证准确率随训练样本数量增多的变化趋势Fig.5Verificationaccuracyofdifferentmodelschangeswiththeincreaseofthenumberoftrainingsamp表 1 不同模型计算结
25、果分析Table 1 Analysis of calculation results of different models训练序号计算结果平均值AlexNetResNet-18GoogLeNet Inception-V3样本数500训练精度0.7758330.84250.7833330.83验证精度0.72880.8433330.8166670.812917样本数1000训练精度0.768750.6983330.69750.70125验证精度0.8479170.89750.8970830.908333样本数1500训练精度0.92750.9619170.9547330.9575验证精度0.9
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CT 数字 岩心 深度 学习 裂隙 分布 识别 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。