技术特征：
1.一种基于机器学习的岩性识别方法，其特征在于：包括如下步骤：获取钻机历史运行数据集，并对钻机历史运行数据集进行归一化处理，得到处理后历史运行数据集；根据处理后历史运行数据集，基于机器学习建立工程爆破岩性识别模型；获取钻机实时运行数据，并对钻机实时运行数据进行行归一化处理，得到处理后实时运行数据；将处理后实时运行数据输入工程爆破岩性识别模型进行岩性识别，得到对应的岩性识别结果。2.根据权利要求1所述的基于机器学习的岩性识别方法，其特征在于：钻机的运行数据包括钻进速度、回转速度、风压、加压压力以及回转压力差。3.根据权利要求1所述的基于机器学习的岩性识别方法，其特征在于：所述的归一化处理的公式为：y＝a+q(x-x
min
)式中，y为归一化处理后的数据；a为归一化区间下限值；x为归一化处理前的数据；x
min
为样本数据中的最小值；q为归一化系数。4.根据权利要求1所述的基于机器学习的岩性识别方法，其特征在于：根据处理后历史运行数据集，基于机器学习建立工程爆破岩性识别模型，包括如下步骤：将处理后历史运行数据集分为训练数据集和测试数据集；将训练数据集输入ssa算法优化svr模型进行训练，得到初始的工程爆破岩性识别模型；将测试数据集输入初始的工程爆破岩性识别模型进行优化，得到最优的工程爆破岩性识别模型。5.根据权利要求4所述的基于机器学习的岩性识别方法，其特征在于：ssa算法优化svr模型，包括如下步骤：初始化ssa算法的种群参数，得到初始化种群；根据初始化种群，获取ssa算法的最优适应度函数值；基于最优适应度函数值的ssa算法进行训练，得到svr模型的最优惩罚系数和最优高斯核函数宽度；将训练数据集输入设置有最优惩罚系数和最优高斯核函数宽度的svr模型进行训练，得到初始的工程爆破岩性识别模型。6.根据权利要求5所述的基于机器学习的岩性识别方法，其特征在于：初始化ssa算法的种群参数，包括如下步骤：设定搜索空间；确定搜索空间食物和麻雀位置；确定搜索空间上、下限；根据搜索空间、搜索空间食物、麻雀位置以及搜索空间上下限，得到初始化种群。7.根据权利要求6所述的基于机器学习的岩性识别方法，其特征在于：所述的初始化种群的公式为：x
n
×
d
＝rand(n
×
d)
×
(ub-lb)+lb
式中，x
n
×
d
为初始化种群的位子；rand(*)为随机函数；n
×
d为搜索空间范围；n为种群规模；d为优化问题的维度；ub、lb分别为搜索空间上、下限。8.根据权利要求5所述的基于机器学习的岩性识别方法，其特征在于：获取ssa算法的最优适应度函数值，包括如下步骤：根据适应度对当前种群进行排序，得到初始的发现者、加入者以及捕食者及其对应的位置信息；更新发现者、加入者以及捕食者的位置信息及其对应的适应度；若当前迭代次数大于次数阈值，则将当前的最佳适应度作为最优适应度函数值进行输出并结果当前获取方法，否则返回上一步骤。9.根据权利要求5所述的基于机器学习的岩性识别方法，其特征在于：所述的工程爆破岩性识别模型的公式为：式中，f(x)为工程爆破岩性识别模型输出值；k(x
i
,x
j
)为高斯函数；x
i
,x
j
分别为第i，j个特征值；β
i
为分别位于边界下、边界上的拉格朗日系数；b为偏置值；i为样本指示量；n为特征维度总数。
技术总结
本发明属于岩性识别技术领域，公开了一种基于机器学习的岩性识别方法，包括如下步骤：获取钻机历史运行数据集，并对钻机历史运行数据集进行归一化处理，得到处理后历史运行数据集；根据处理后历史运行数据集，基于机器学习建立工程爆破岩性识别模型；获取钻机实时运行数据，并对钻机实时运行数据进行行归一化处理，得到处理后实时运行数据；将处理后实时运行数据输入工程爆破岩性识别模型进行岩性识别，得到对应的岩性识别结果。本发明解决了现有技术存在的识别精度不高，样本数据缺乏，步骤复杂，工作量大，硬件成本投入大以及实用性低问题。低问题。低问题。
技术研发人员：余德运 李泽华 王洪强 王仲琦 杨恩 徐谦 王旭耀 杨威 王金海 郝成磊
受保护的技术使用者：北方爆破科技有限公司
技术研发日：2021.12.21
技术公布日：2022/5/10