煤田地质与勘探

作者：王茜, 彭冯佳, 李思洋, 郭骁, 张菲菲, 冉小丰, 张聪,

关键词：岩性识别, 振动信号, 特征提取, 双向长短期记忆网络, 注意力机制,

目的随钻振动信号可反映岩石的物理性质与微观结构特征，为实时岩性识别提供有效依据。但受限于振动信号特征维度低及岩层厚度差异所引发的类别不平衡问题，现有模型在准确性和鲁棒性上仍存在不足。方法提出一种基于双向长短期记忆网络融合注意力机制的岩性识别方法(BiLSTM-Attention)，结合自动特征提取与类别权重调整策略，以提升模型的识别性能与泛化能力。首先，利用定制测量短节采集三轴振动加速度信号，基于Tsfresh库自动提取统计、时域与频域多维特征，并通过特征重要性评估筛选关键特征，构建高质量特征空间。其次，采用BiLSTM模型建模时间序列特性，结合注意力机制实现对重要特征的加权增强，从而提高模型对岩性差异的敏感性。最后，为缓解类别不平衡对分类性能的影响，引入类别权重计算机制，增强模型对少数类岩性的识别能力。结果和结论(1)通过Tsfresh特征工程对数据集进行处理，分类模型的训练准确率达99.59%，损失值低至0.012 5。相较于未进行特征工程处理的数据集，识别准确率提升12.35%，损失值下降0.391 5。(2)构建的BiLSTM-Attention分类模型对各岩性的识别精确率为98.31%~100.00%，召回率为98.99%~100.00%，F1分数为99.15%~99.73%。与GRU、LSTM、BiLSTM和LSTM-Attention 4种模型相比，精确率提升4.23%~6.89%，召回率提升4.46%~5.13%，F1分数提高4.70%~5.38%。(3)所提出方法在岩性特征表达能力和识别精度方面均优于传统模型，特别在少数类识别任务中表现出更强的鲁棒性与稳定性。研究结果为随钻岩性智能识别提供了一种新的方法。

来源：2025年第11期

《煤田地质与勘探》期刊编辑部

查看煤田地质与勘探杂志2025年第11期