本文摘要：摘要：为了推动智慧城市的规划和管理工作，为减轻重庆市地质灾害风险等提供科学依据和技术支持，基于大数据分析管理和数据处理思想，采用大数据交汇融合技术，构造了包括地区地层构造及岩土材料参数值域等基础特征信息的区域三维地质模型。基于数据统计、图像识别方法
摘要：为了推动智慧城市的规划和管理工作，为减轻重庆市地质灾害风险等提供科学依据和技术支持，基于大数据分析管理和数据处理思想，采用大数据交汇融合技术，构造了包括地区地层构造及岩土材料参数值域等基础特征信息的区域三维地质模型。基于数据统计、图像识别方法以及空间统计分析理论和插值方法，综合利用MATLAB、ArcGIS以及BIM软件，实现了对重庆市某区域地质钻孔数据的虚拟地层插入、地层曲面拟合、三维实体模型生成、局部地形深化处理;根据Bayes参数估计理论，采用基于历史大数据的先验估计值对工程实时采集的岩土测试试验参数进行修正，得到了各类不同地质物理力学参数的期望值。
关键词：图像识别;地质钻孔数据;Bayes参数估计理论;大数据分析;三维地质建模
城市的快速和高质量发展离不开地质环境条件的支撑。全面掌握城市所处地质条件，数据化地对城市地质特征进行描述对智慧城市的建设尤为重要。近年来，各种三维地质建模软件发展迅速、功能稳步提高，利于数据信息大力发展的政策使得三维地质建模工作更有意义，更能服务于广大国民经济[1]。
地质论文范例：建筑工程地质勘察的相关问题研究
目前，三维地质建模能将地质环境数据、地质学理论与计算机三维可视化技术有机结合，从而准确反映地下空间内地质构造的展布、相互接触关系以及各地质体物理力学或化学属性等特征[2]。20世纪90年代以来，随着计算机软硬件技术的不断发展和地球空间信息科学的蓬勃发展，能够反映地质构造形态、构造关系及土体参数属性变化规律的三维地质建模技术得到了显著发展，取得了众多有意义的成果[3-8]。建立多维地质信息系统，有利于一体化存储、管理和处理地下–地上、地质–地理、空间–属性数据，进行三维可视化地质建模，有利于对地质对象的总体把握和整体分析。
基于海量多源、异构、异质的地质勘查数据，构建其三维地质模型，可直观而形象地展现地质体和地质结构，从而显著提高对地质现象、地质资源和地质环境的认知能力。目前，开展三维地质信息系统建设和三维数字图幅、数字矿山、数字油田、数字工程和数字地灾点地质建模，已经成为国际地质部门和地质科学界技术创新的重要领域[5-8]。对于城市地质而言，三维地质建模对地质灾害防御和地下设施综合管理具有巨大的作用，近20年来，三维地质建模相关研究取得了许多可喜成果[9-18]，三维地质建模与地质大数据的融合研究受到了越来越多的重视[19-20]。
薛林福等[21]提出了分块三维地质建模方法，以断裂、岩体边界、不整合接触面等为边界，将较为复杂的三维地质建模工作区分解为多个内部构造相对简单的、建模难度较小的地质单元，为开展复杂山区三维地质建模提供了精确建模依据;董梅等[22]利用GOCAD建立了北京市朝阳区某建筑场地的土层地质模型，并提出了以Kriging插值和离散光滑插值相互结合来建立地层界面，以及采用GOCAD中的GRID功能代替SOLID功能建立三维地层实体的方法;王骏等[23]以重庆歌乐山典型背斜构造区为建模研究对象，采用搜集资料–野外踏勘–室内建模的工作路线，运用SKUAGOCAD的workflow建模流程，建立了构造模型，并运用数据趋势分析方法，建立了岩性模型。
李青元等[24]从多角度全面总结了三维地质建模技术的用途、现状、存在问题、发展趋势，并结合三维建模的现状提出了“相关部门应对三维地质建模示范工程制定总体风格、基本内容一致，又适合本行业专业特点的专用标准”。易宗旺等[25]利用区域调查中的地形数据、遥感影像数据、钻孔数据、剖面数据等各种资料，在三维地质建模系统(GeoBIM)平台中进行三维地质建模等。
刘东升等[26]研发了岩土材料特征大数据管理及分析软件系统，实现了对岩土材料大数据实施收集、传输、分类、筛选、管理和统计分析的功能，并结合重庆地区收集到的7万余条典型岩土材料数据对该地区的典型岩土材料特征进行分析。由于既往积累的地质环境数据相对较分散，尽管总量巨大，但缺乏整合和必要的分析，使得其成为“死数据”，未能建立起城市地质基础特征系统，无法为智慧城市规划和建设提供帮助。
笔者基于重庆市地勘单位已有的大量岩土勘察与地形地貌数据资源，基于大数据分析管理和数据处理思想，采用大数据交汇融合技术，构造重庆市区域三维地质模型，生成了包括地区地层构造及岩土材料参数值域等基础特征信息的重庆区域地质条件图谱。基于数据统计、图像识别方法以及空间统计分析理论和插值方法，综合利用MATLAB、ArcGIS以及BIM软件，对钻孔数据进行了虚拟地层插入、地层曲面拟合、三维实体模型生成、局部地形深化处理;采用Bayes参数估计理论，对工程实时采集的岩土测试试验参数采用基于历史大数据的先验估计值进行修正，得到了各类不同地质物理力学参数的期望值。
1钻孔地质数据
收集地质钻孔数量共计3456个。由收集到地质钻孔分布可知，地质勘探点主要分布在朝天门区域。
1.1空间几何参数
根据钻孔资料和区域资料显示，研究区域的岩层产状110°∠6°。地层岩性为砂、泥岩互层，岩层层面裂隙张开，无填充，结合差，为软弱结构面。区域范围内主要有两组裂隙，其产状分别为：
1)L1产状170°∠78°，裂隙间距0.8~1.5m，裂面平略呈波状，裂面多呈黑灰色，无充填，开口1~3mm，局部充填钙质，延伸长约1~3m，贯通性较差，裂隙面均为软弱结构面，结构面结合差;2)裂隙产状235°∠81°，裂隙间距1.0~2.5m，裂面粗糙呈波状，多呈闭合状，局部开口2~5mm，无充填，贯通性较差，裂隙面均为软弱结构面，结构面结合差。据地面调查及钻探揭露，部分区域内出露地层岩性有第四系人工填土层、侏罗系中统沙溪庙组砂岩及泥岩。
1.2物理力学参数
为揭示拟建模区域的地质构造、元素组成以及力学性能，采用传统钻孔岩样试验和基于图像识别技术的方法获取地质物理力学参数。基于CT、SEM扫描和三维重构技术的岩样孔隙率确定，运用Avizo8.0软件对岩样CT扫描切片进行中值过滤、二值化处理和精细化加工，之后再对每组切片进行数字岩芯重构、孔吼模型建立、孔裂隙提取以及孔隙率计算。
基于EDS能谱分析技术对岩样元素组成规律进行确定。采用Quanta250扫描电子显微镜和配套的X射线能谱仪来进行岩样微结构中的元素测定。在每个岩样切片的扫描电镜图像中至少选取3个微结构EDS能谱分析区，对每个微结构区均进行元素测定分析，将三者的平均值作为最终结果。
基于岩石细观图像深度学习的岩性智能识别与分类。采用SN0745-60U2K型2K测量电子显微镜进行岩样细观图像拍摄，电子放大倍数为15~180倍，拍摄图像像素高达1600万，并具备自动寻边、HDR高动态、自动存储等功能，整体上操作简便，对岩样物理力学测试结果影响小。岩样端面细观图像经细致筛分后，将其中的70%作为训练集、20%作为验证集、10%作为测试集，分别运用Inception-v3、Xception、NASNetLarge和InceptionResNetV2四种深度卷积神经网络模型以及GoogleNet图像分类模型，同时结合Softmax回归模型等共同构建岩(土)性材料的识别模型，并对其进行循环训练学习。
Inception-v3深度神经网络模型的结构展示，该模型首先是3个卷积层，然后连接一个最大池化层，再设两个卷积层，再连接一个最大池化层，最后连接11个不同的Inception结构混合层。其余深度卷积神经网络模型不再列出。采用该方法对所采集的4种典型岩样图像进行旋转、偏移处理生成深度学习的样本，随后，基于Inception-v3、Xception、NASNetLarge和InceptionResNetV2四种深度卷积神经网络模型，利用迁移学习的方式实现岩石细观图像集分类的深度学习模型，最后使用集成学习算法，通过加权评估得出最终的判别结果，从而实现岩(土)性材料图像特征的提取与识别，并对其进行自动、高效、可靠地分类。
在训练过程中，对训练集和验证集中的岩石图像分别进行了检验评估。训练结果显示：Inceptionv3深度卷积神经网络模型在循环训练1000次后，其训练集中的岩石细观图像分类准确率达到92.77%，验证集中的岩石细观图像分类准确率为76.31%;Xception深度卷积神经网络模型在循环训练300次后，其训练集中的岩石细观图像分类准确率为93.30%，验证集中的岩石细观图像分类准确率为78.27%。
NASNetLarge深度卷积神经网络模型在循环训练300次后，其训练集中的岩石细观图像分类准确率为90.52%，验证集中的岩石细观图像分类准确率为74.74%;InceptionResNetV2深度卷积神经网络模型在循环训练300次后，其训练集中的岩石细观图像分类准确率为90.81%，验证集中的岩石细观图像分类准确率为78.81%。经加权评估后，最终训练集中的岩石细观图像分类准确率将达到95%以上，验证集中的岩石细观图像分类准确率高于80%。相比于传统的机器学习方法，该深度学习方法通过图像像素点组成深度学习的输入层，利用多个深度可分离卷积网络构建复杂的BP神经网络，最终得到的模型在岩石岩性的识别与分类上具有更高的鲁棒性和泛化能力。此外，集成学习算法的运用显著提高岩石细观图像分类的准确率，使得岩性判别结果更加可信。
2地质数据分析与建模
2.1三维地质空间几何数据分析与建模
为了解决数据与成本的矛盾，基于空间统计分析理论选择合适的插值方法，利用有限的采样点数据拟合其他相对准确、精度较高的高程数据。常用的空间插值方法有三角剖分法、距离倒数加权法、最小曲率法、最近邻点法、Kriging方法，其中，Kriging方法通过引进以距离为自变量的半变差函数来计算权值，由于半变差函数既可以反应变量的空间结构特性，又可以反映变量的随机分布特性，利用Kriging方法进行空间数据插值往往可以取得理想的效果。
另外，通过设计变差函数，Kriging方法很容易实现局部加权插值，克服了一般距离加权插值结果的不稳定性。因此，采用Kriging插值对地质岩性进行预测。利用单一软件进行三维地质建模会存在一些弊端，导致一些缺陷，无法完全实现预期的功能。因此，综合利用MATLAB、ArcGIS以及BIM软件进行精细化三维地质建模。
2.2空间几何模型与物理力学参数模型的融合
地质数据多源性是三维地质建模最大的特点，模型构建的关键是将这些数据有效地融合以提高模型的应用效率，指导工程设计。因此，在分别建立了三维地质的空间几何模型和物理力学参数模型后进行数据的交汇融合，形成既包含几何信息又包含物理信息的三维地质模型。在数据交汇融合的过程中，涉及多方面的技术问题，具体而言包括统一所有数据的坐标系和比例尺、地表和地下数据的有效融合，以及主要数据和次要数据的有效融合等问题，主要包括：
1)统一所有具有多源、多尺度、多分辨率的数据的坐标系和比例尺，构建可以作为后期模型构建的数据源和约束数据的数据库;2)基于地表填图和遥感解译的地质数据以及钻孔、中段平面图、勘探线剖面图、物探解译的深部地质数据进行有效融合和插值处理;3)覆盖整个建模区并足以构建模型的主要数据和次要数据数据的有效融合。
3典型区域三维地质模型
3.1空间几何模型建模及深化处理
基于空间统计分析理论，在ArcGIS软件中通过插值分析得到地层模型。为便于在Civil3D中建模，将建立的三维杂填土、砂岩以及泥岩地层模型转换为等高线模型输出。
4结论
1)利用大量的岩土材料勘察试验数据资源，结合先进的岩土参数试验方法、图像识别及机器学习方法对岩土材料物理力学参数进行了分析研究，在此基础上，利用大数据分析管理和数据处理思想，采用大数据交汇融合技术，将试验和收集所得的地质钻孔数据(几何数据和物理数据)进行分类筛选。基于已有钻孔数据，利用数学插值方法对空白区虚拟钻孔的几何特征数据进行分析和推送，有效生成了虚拟数字钻孔。
2)基于已有的岩土材料试验测试试验参数，利用贝叶斯理论对空白区同类岩性材料的物理力学参数进行估计，可获得相应的岩土材料物理力学参数估计值，弥补了数据融合中岩土材料参数不足的问题。
3)利用实际获取和计算生成的钻孔地质特征数据，从几何特征和物理特征两方面进行大数据融合进行数据建模，得到了一定区域范围内地质岩层特征的三维空间分布及物理力学特征完整表达模型，实现了区域地层结构特征描述的数字化和可视化。
参考文献
[1]童亮.GOCAD在某桥基三维地质建模中的应用研究[D].成都:西南交通大学,2009.TONGL.Thestudyonapplicationofthree-dimensionalmodelinginabridge'sfoundationbyusingthesoftwarenamedGOCAD[D].Chengdu:SouthwestJiaotongUniversity,2009.(inChinese)
[2]张洋洋,周万蓬,吴志春,等.三维地质建模技术发展现状及建模实例[J].东华理工大学学报(社会科学版),2013,32(3):403-409.ZHANGYY,ZHOUWP,WUZC,etal.Thedevelopmentstatusof3Dgeologicalmodelingtechnologyandmodelinginstances[J].JournalofEastChinaInstituteofTechnology(SocialScience),2013,32(3):403-409.(inChinese)
[3]AKPOKODJEEG.Theengineering-geologicalcharacteristicsandclassificationofthemajorsuperficialsoilsoftheNigerDelta[J].EngineeringGeology,1987,23(3/4):193-211.
[4]DASSARGUESA,BIVERP,MONJOIEA.GeotechnicalpropertiesoftheQuaternarysedimentsinShanghai[J].EngineeringGeology,1991,31(1):71-90.
[5]ZHULF,ZHANGCJ,LIMJ,etal.Building3Dsolidmodelsofsedimentarystratigraphicsystemsfromboreholedata:anautomaticmethodandcasestudies[J].EngineeringGeology,2012,127:1-13.
作者：刘汉龙1，章润红2，刘东升3，仉文岗1,2
转载请注明来自发表学术论文网：http://www.fbxslw.com/jzlw/28878.html
