基于CNN的基岩裂隙发育程度评价及风化带划分OA

【背景】基岩风化带具有显著的纵向渐变特征,对其裂隙发育程度的精准识别是厚含水松散层浅埋煤层矿井安全生产的关键。【方法】以安徽祁南煤矿为研究区,提出一种混合卷积神经网络(CNN)方法,通过“传统卷积层+Inception模块”的架构实现特征提取。基于常规测井数据及计算得到的泥质含量与裂隙发育指数,结合岩心观察结果构建包含“破碎-高-中-低”4级裂隙发育程度标签的数据集。设计传统卷积层提取局部细微特征、Inception模块实现多尺度特征融合的协同架构,通过网格搜索完成序列长度与学习率等超参数调优,训练模型实现裂隙发育程度的智能分类。【结果和结论】对比随机森林(RF)、XGBoost、支持向量机(SVM)及多种CNN模型,混合CNN模型表现最优,测试集准确率达92.71%,加权平均F_(1)分数达93%,能准确捕捉岩石裂隙发育的测井响应特征,显著提升了测井裂隙评价效率与结果连续性。将模型应用于研究区某采区25口钻井,构建了风化带三维地质模型,各风化带顶界深度预测平均均方根误差为8.9 m,揭示了全风化带、强风化带、中风化带及微-未风化带的空间展布格局,为煤矿注浆工程与顶板水害防治提供了定量化地质依据。