基于POA-ELM的含煤地层异常构造分类

作者：高洁; 伊雨; 赵雯宇; 王元军; 王亮^*

来源：煤炭学报, 2023, 48(11): 4135-4144.

DOI：10.13225/j.cnki.jccs.2022.1877

• 极限学习机
• 鹈鹕优化算法
• 含煤地层异常构造
• 识别分类
• 槽波地震勘探

为了更准确地对含煤地层异常构造识别分类，提出了一种基于鹈鹕优化算法(Pelican Optimization Algorithm, POA)和极限学习机(Extreme Learning Machine, ELM)的含煤地层异常构造识别分类模型POA-ELM。针对极限学习机随机生成输入权值和隐含层偏置导致性能不稳定的缺点，利用鹈鹕优化算法对极限学习机的输入权值和隐含层偏置进行寻优，从而改进极限学习机模型性能，并将POA-ELM应用到含煤地层异常构造的识别分类。首先利用COMSOL Multiphysics5.5建立小断层、冲刷带和陷落柱3种含煤地层仿真模型，以雷克子波作为震源信号，采用透射波法采集3种模型的槽波信号，建立槽波信号数据集。通过z-score法和主成分分析法(Principal Component Analysis, PCA)对槽波数据进行标准化和降维处理。通过MATLAB构建鹈鹕优化算法改进的极限学习机分类模型POA-ELM，对小断层、冲刷带和陷落柱进行分类，并通过准确率、精确率和召回率等评价指标以及交叉验证法对比和评估ELM、POA-ELM的分类性能，结果表明POA能够有效优化ELM,POA-ELM模型具有更高的分类准确率和更好的稳定性，POA-ELM对含煤地层异常构造的分类准确率可达99%以上。为验证POA-ELM的实际应用效果，将实际断层槽波数据进行小波去噪等预处理后，作为测试集导入POA-ELM模型进行识别，结果表明POA-ELM模型对实际断层识别准确率可达97%以上。基于同样的槽波数据集将POA-ELM与ELM、支持向量机(Support Vector Machine, SVM)和BP神经网络进行识别分类效果对比，结果表明POA-ELM模型的识别分类准确率最高。经研究与分析，POA能够有效优化ELM,POA-ELM模型能够准确分类地质构造，并有效识别出实际断层，效果优于其他方法。

• 单位
  中天合创能源有限责任公司; 电子信息工程学院; 电子工程学院; 山东科技大学