一种多参数煤芯无损聚类多重映射分组方法与流程

本发明涉及原煤力学技术领域，特别涉及一种多参数煤芯无损聚类多重映射分组方法。

背景技术：

我国大部分煤层形成于石炭纪至二叠纪，期间经历了强烈的构造运动，其原生结构遭到破坏，导致我国大部分煤层质地松软、结构复杂，很难获得尺寸较大的煤体试件，在部分较硬煤层即使在同一块煤体通过取芯获得的煤体试件也由于取芯方向、煤体明显宏观裂隙发育方向等原因导致在力学、渗流等相关研究中表现出较大的差异性，难以进行对比分析。我国目前现行的分类标准大多以普式系数表示的岩石类别，该分类方法以岩块的单轴抗压强度来进行分类，曾起到了一定的历史作用，但是由于岩体的离散性较大，很难具有代表性，且进行实验时会对煤样造成不可逆转的损伤。

同时，能够反映煤体特征的参数较多，在对原煤试件进行评价时会产生大量数据，通过人工筛选这些数据难免造成误差。如何对大量数据进行归类也是需要加以探索的难题。

因此，亟需寻求一种无损方法来对煤体试样进行分组。

技术实现要素：

本发明的目的是提供一种多参数煤芯无损聚类多重映射分组方法，以解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的一种多参数煤芯无损聚类多重映射分组方法，包括以下步骤：

1)测量煤体试样的基本物理参数。其中，基本物理参数包括密度和体积。

2)利用非金属超声检测系统获取煤体试样的波速。

3)利用ct扫描数据采集系统获取煤体试样内部的空间裂隙分布形态，并建立原煤的裂隙网络可视化模型。其中，空间裂隙分布形态包括裂隙参数和ct扫描切片。

4)采用无损测量方法获取煤体试样的孔隙度。

5)根据步骤1)、步骤2)、步骤3)和步骤4)获取的煤体试样参数，构建煤体试样参数数据集。

6)将煤体试样参数设置为目标样本，采用优化的聚类算法获得同一参数的单因素聚类中心及中心附近煤体试样参数。

7)采用卷积神经网络算法对获得的ct扫描切片进行识别并进行匹配重组分类，获得ct扫描切片的相似平均中心及中心附近煤体试样图像。

8)对不同参数的聚类中心进行多重映射，获得多参数条件下的多组聚类中心及其附近煤体试样参数。

进一步，在步骤6)之前，还具有剔除煤体试样参数奇异值的相关步骤。

进一步，在步骤8)之后，还具有根据研究所需煤样获得物理力学性质相近煤体试样的相关步骤。

进一步，步骤6)具体包括以下步骤：

6.1)获取不同参数的对象集合。

6.2)确定数据对象集合中每个数据对象与其他数据的平均相似度。获取平均相似度大于初始设置阈值的数据对象作为核心对象。

6.3)修改初始设置阈值，确定多组核心对象及附近煤体试样参数。

6.4)重复步骤6.1)、6.2)和6.3)，确定不同参数的多组核心及附近煤样参数。

进一步，所述煤体试样采用高径比为2：1的圆柱试件或长宽比为2：1的长方体试件。

进一步，孔隙度测量方法采用电测法。

进一步，聚类算法采用k-means算法、k-medoids算法或clara算法。

本发明的技术效果是毋庸置疑的：

a.实现了原煤煤芯质量无损分组，为煤岩体力学性质及相关学科的探究筛选出了较为相近的样本，也为煤层瓦斯动力灾害机理及其防控机制方面的研究提供可靠真实的原材料；

b.采用聚类算法结合多重映射方法代替了传统的人工凭经验筛选，大大节约了人力资源，避免了人工筛选的盲目性；

c.很大程度上避免了煤层试样的离散性，提高了实验结果的可靠性。

附图说明

图1为分组方法流程图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

本实施例提供一种多参数煤芯无损聚类多重映射分组方法，其特征在于，包括以下步骤：

1)测量煤体试样的基本物理参数。其中，基本物理参数包括密度和体积。所述煤体试样采用高径比为2：1的圆柱试件或长宽比为2：1的长方体试件。

2)利用非金属超声检测系统获取煤体试样的波速。

3)利用ct扫描数据采集系统获取煤体试样内部的空间裂隙分布形态，并建立原煤的裂隙网络可视化模型。其中，空间裂隙分布形态包括裂隙参数和ct扫描切片。

4)采用无损测量方法获取煤体试样的孔隙度。孔隙度测量方法采用电测法等无损测量方法。

5)根据步骤1)、步骤2)、步骤3)和步骤4)获取的煤体试样参数，构建煤体试样参数数据集。

6)剔除煤体试样参数奇异值。

7)将煤体试样参数设置为目标样本，采用优化的聚类算法获得同一参数的单因素聚类中心及中心附近煤体试样参数。聚类算法采用k-means算法、k-medoids算法或clara算法。聚类算法能够很好地将提取到的数据进行分类识别。

7.1)获取不同参数的对象集合。

7.2)确定数据对象集合中每个数据对象与其他数据的平均相似度。获取平均相似度大于初始设置阈值的数据对象作为核心对象。

7.3)修改初始设置阈值，确定多组核心对象及附近煤体试样参数。

7.4)重复步骤6.1)、6.2)和6.3)，确定不同参数的多组核心及附近煤样参数。

8)采用卷积神经网络算法对获得的ct扫描切片进行识别并进行匹配重组分类，获得ct扫描切片的相似平均中心及中心附近煤体试样图像。

9)对不同参数的聚类中心进行多重映射，获得多参数条件下的多组聚类中心及其附近煤体试样参数。

10)根据研究所需煤样获得物理力学性质相近煤体试样。

实施例2：

本实施例提供一种基础的多参数煤芯无损聚类多重映射分组方法，包括以下步骤：

1)测量煤体试样的基本物理参数。其中，基本物理参数包括密度和体积。

2)利用非金属超声检测系统获取煤体试样的波速。

3)利用ct扫描数据采集系统获取煤体试样内部的空间裂隙分布形态，并建立原煤的裂隙网络可视化模型。其中，空间裂隙分布形态包括裂隙参数和ct扫描切片。

4)采用无损测量方法获取煤体试样的孔隙度。

5)根据步骤1)、步骤2)、步骤3)和步骤4)获取的煤体试样参数，构建煤体试样参数数据集。

6)将煤体试样参数设置为目标样本，采用优化的聚类算法获得同一参数的单因素聚类中心及中心附近煤体试样参数。

7)采用卷积神经网络算法对获得的ct扫描切片进行识别并进行匹配重组分类，获得ct扫描切片的相似平均中心及中心附近煤体试样图像。

8)对不同参数的聚类中心进行多重映射，获得多参数条件下的多组聚类中心及其附近煤体试样参数。多重映射在于对于同一组聚类样本，在多参数空间寻找与之匹配的空间中心点，然后再将一组聚类样本与另一空间的的聚类相配匹配，剔除两个空间内都不存在的映射，然后对下一参数空间进行映射，直至选择出多参数空间下相近的煤样试件。