Моделирование данных для задачи классификации грунтов по геофизическим параметрам

При решении задач автоматизации какого-либо процесса, в т.ч. идентификации грунтов по каким-либо признакам, первостепенное значение имеет моделирование данных, т.к. именно от него зависит и техническая, и программная комплектация будущей автоматизированной системы. Модели данных бывают инфологическими и даталогическими. Наиболее понятными для пользователя являются инфологические модели, представляющие собой совокупность информационных объектов, их атрибутов и отношений между объектами. Объекты отображаются в виде прямоугольников, отношения между ними – в виде ромбов, а атрибуты объектов – в виде овалов [1]. Однако, прежде чем составить модели соответствующих данных, необходимо достаточно четко сформулировать задачу, для решения которой и требуются определенные данные.

1.    Постановка задачи

Классификация грунтов по геофизическим данным заключается в следующем. Изначально проводятся геофизические изыскания на определенном участке. Во время этих изысканий с помощью сети пунктов возбуждения и пунктов приема различного рода сигналов (например, сейсмических или электрических) измеряются соответствующие геофизические параметры грунтов, находящихся в слое земной коры данного участка. Полученные данные проходят обработку с целью уменьшения погрешности измерений из-за помех. По этим данным строится временной разрез, и в результате получают так называемый глубинный разрез, который показывает исследуемый участок земной коры, где выделены наиболее общие по признакам слои грунтов и указаны их усредненные геофизические параметры [2]. Именно по глубинному разрезу уже можно судить о том, какие типы и разновидности грунтов представлены на данном участке, в то время как традиционно для идентификации грунтов берут пробы из скважин и шурфов. Таким образом, поверхностные геофизические методы являются более щадящими для природной среды, и измерения охватывают практически всю территорию участка, а не отдельные его точки.

В то же время традиционные классификаторы грунтов не учитывают их геофизических свойств. Более того, как правило, специалистам приходится пользоваться исключительно своими знаниями и опытом. Именно поэтому появилась идея автоматизировать процесс идентификации грунтов с помощью интеллектуальных методов и технологий.

2.    Инфологическая модель данных «Геофизические методы»

Итак, для решения поставленной задачи необходимо составить две модели данных: о геофизических методах и о классификации грунтов. Инфологическая модель данных о геофизических методах представлена на рис. 1. Существует несколько групп геофизических методов в зависимости от измеряемых параметров: сейсморазведка, электроразведка, ядер-ная геофизика, гравиразведка, магниторазведка. Отдельно выделяют группу каротажных методов, которые отличаются тем, что измерения происходят не с поверхности, а внутри скважин. Каждая группа методов состоит из множества разновидностей в зависимости от назначения и методики. В результате получаются измеренные геофизические свойства пород, такие как скорость упругих волн в сейсморазведке или удельное электрическое сопротивление в электроразведке. Следует отметить, что в инженерных изысканиях наибольшее применение нашли как раз две вышеуказанные группы методов, причем все чаще используются методы сейсморазведки [3].

3.    Инфологические модели классификаторов грунтов

Что же касается классификаторов грунтов, то их несколько. Основой всех классификаторов является ГОСТ 25100-95 «Грунты. Классификация» [4]. Его обобщенная инфологи-ческая модель представлена на рис. 2.

Данный классификатор содержит полный перечень грунтов, а также их свойств. Однако у него есть два больших недостатка:

• - таблицы со свойствами не связаны с видами пород, а представлены отдельно, следующим образом:

• 1.    Класс природных скальных грунтов.

  • 1.1    По пределу прочности на одноосное сжатие R c в водонасыщенном состоянии грунты подразделяют согласно таблице Б.1.

Таблица Б.1

Разновидность грунтов	Предел прочности на одноосное сжатие R c , МПа
Очень прочный	>120
Прочный	120–50
Средней прочности	50–15
Малопрочный	15–5
Пониженной прочности	5–3
Низкой прочности	3–1
Очень низкой прочности	<1

• - отсутствуют описания геофизических свойств грунтов.

Рис. 1. Инфологическая модель данных «Геофизические методы»

Очевидно, что такой классификатор требует огромных временных и трудовых затрат для того, чтобы привести его к виду, пригодному для решения поставленной задачи.

Похожим классификатором, но с использованием геофизических свойств грунтов, является инженерно-геологический классификатор грунтов, приведенный в [5]. Его инфологи-ческая модель представлена на рис. 3.

Нетрудно заметить, что свойства в этом классификаторе также описаны лишь для групп грунтов, а не для их видов. Поэтому в качестве альтернативного классификатора был выбран так называемый треугольник Кирхама [6], инфологическая модель которого представлена на рис. 4.

Рис. 2. Инфологическая модель данных «Классификатор пород ГОСТ»

Рис. 3. Инфологическая модель данных «Классификатор грунтов Ломтадзе»

Рис. 4. Инфологическая модель данных «Классификатор Кирхама»

Последний классификатор содержит 12 разновидностей грунтов класса II – природные дисперсные (согласно ГОСТ). Поскольку в верхней части земной коры преобладают именно грунты этого класса, такой классификации вполне достаточно для эксперимента. Однако исходными данными в ней является гранулометрический состав грунтов, а не их геофизические свойства. В то же время анализ фактического материала показал, что между ними существует определенная зависимость, которую можно выразить с помощью продукционной модели представления знаний, т.е. в виде правил вида «ЕСЛИ - ТО».

4.    Результаты эксперимента

На основе представленных на рис. 1, 3, 4 моделей данных был разработан экспериментальный программный комплекс (рис. 5) с использованием методов экспертных систем и продукционной модели данных. Тестирование программного комплекса показало, что классификатор Ломтадзе непригоден для решения поставленной задачи, так как нечувствителен к малым изменениям начальных данных. Классификатор Кирхама, напротив, показал достаточно высокую эффективность: результаты вывода программы совпали с фактическими более чем на 80%, а разница результатов на самом деле несущественна, т.к. определенные программой грунты близки по виду к фактическим (табл. 1).

Рис. 5. Архитектура программного комплекса

Таблица 1

Результаты апробации системы по данным г. Иркутска

№ п/п	Плотность, г/см 3	Vp, м/с	Результат программы	Фактический результат
1	1,882	350	Супесь	Супеси, суглинки
2	1,766	410	Песчанистый тяжелый суглинок
3	1,7776	320	Супесь
4	1,7428	400	Песчанистый тяжелый суглинок
5	2,0444	430	Песчанистый тяжелый суглинок
6	1,8008	480	Песчанистый тяжелый суглинок
7	2,0096	510	Глина
8	1,9748	470	Песчанистый тяжелый суглинок
9	1,534	370	Песчанистый суглинок	Суглинки, пески пылеватые, пески
10	1,534	360	Песчанистый суглинок
11	1,6848	390	Песчанистый тяжелый суглинок
12	1,7312	430	Песчанистый тяжелый суглинок	Суглинки
13	1,476	430	Песчанистый суглинок
14	1,6732	430	Песчанистый тяжелый суглинок
15	1,6036	430	Песчанистый суглинок
16	1,6616	430	Песчанистый тяжелый суглинок
17	1,5688	430	Песчанистый суглинок
18	1,6616	430	Песчанистый тяжелый суглинок
19	1,6964	430	Песчанистый тяжелый суглинок
20	1,5804	430	Песчанистый суглинок
21	1,5224	380	Песчанистый суглинок
22	1,6152	380	Песчанистый суглинок
23	1,6732	380	Песчанистый тяжелый суглинок
24	1,6268	380	Песчанистый суглинок

25	1,4296	380	Песчанистый суглинок
26	1,6964	380	Песчанистый тяжелый суглинок
27	1,708	380	Песчанистый тяжелый суглинок
28	1,5224	380	Песчанистый суглинок
29	1,7196	380	Песчанистый тяжелый суглинок

Таким образом, можно заключить, что эксперимент в целом оказался удачным, а интеллектуальные методы и технологии могут использоваться в качестве средств для решения задач, связанных с идентификацией грунтов по геофизическим данным.

Заключение

Несмотря на высокую точность, численные методы не всегда способствуют быстрому решению поставленной задачи. Многие поколения геофизиков и геологов совершенствуют существующие и выводят новые численные зависимости между различными характеристиками грунтов, составляют новые таблицы значений параметров для этих зависимостей, так как в разных регионах нашей огромной страны свойства даже одних и тех же разновидностей грунтов могут отличаться. Именно в таких случаях и находят применение интеллектуальные методы, основанные на знаниях экспертов в данной области, так как они имеют достаточный опыт в решении поставленной задачи. Эксперимент, описанный в данной статье, показал достаточно высокую эффективность и перспективность применения моделей данных и знаний при классификации грунтов по их геофизическим параметрам.