王勃教授：基于KAN神经网络的随钻岩性识别方法

背景：我国煤矿地质条件复杂，精准超前识别岩层类型对地质灾害透明化探测至关重要。传统岩性识别方法如钻孔取心法和地球物理测井法存在费时耗力、操作复杂或难以应用于非垂直井等局限性。随着随钻测量技术进步，利用钻进参数进行智能岩性识别成为研究热点，但现有方法多基于相对单一参数，识别准确率有待提高，且传统神经网络模型存在线性权重矩阵、参数量大、特征提取能力有限等问题。研究目的：针对上述问题，本文旨在基于履带式全液压坑道钻机的随钻综合测量系统，开展不同岩性组合的随钻试验，提出一种结合钻进参数和自然伽马双参数的岩性识别方法，并将新型的KAN神经网络应用于该任务，以提升岩性识别的准确率。结论：研究结果表明，采用钻进参数与自然伽马的双参数判别体系相比单一参数方法能显著提高岩性识别准确率。在对比SVM、KNN、DT及KAN等机器学习算法时，KAN网络展现出更高的准确率，为井下精准岩性识别提供了有效可靠的新方法。