Die vorgeschlagene CNN-basierte Methode nutzt eine Reihe von Modulen innerhalb der qualitativen SDCSD (Sand-Kalkstein-Sandigkeit), um signifikante Herausforderungen anzugehen. Erstens ist die Einbeziehung von geologischem Hintergrundwissen entscheidend für die Verbesserung der Klassifikationsgenauigkeit. Daher ist es unerlässlich, das CNN darauf zu trainieren, geologische Kontextinformationen zu verstehen und zu integrieren. Zweitens müssen Netzwerkarchitekturen maßgeschneidert sein, um die präzise Extraktion und Analyse geologischer Merkmale in verschiedenen Maßstäben zu gewährleisten. Darüber hinaus müssen geeignete Mechanismen entwickelt werden, um diese Herausforderung effektiv anzugehen. Schließlich ist es entscheidend, das Problem des unbalancierten Auftretens unterschiedlicher Sandigkeitsgrade in tatsächlichen Proben zu behandeln, um die Leistung des Klassifikators zu verbessern.
Um diese entscheidenden Aspekte in der SDCSD-Klassifikation anzugehen und die Klassifikationsgenauigkeit zu verbessern, nutzen wir geologisches Hintergrundwissen, entwickeln Netzwerkarchitekturen, die die Mehrskalen-Merkmalsextraktion ermöglichen, und gleichen Datenungleichgewichte aus. Insbesondere untersuchen wir zwei Arten von CNN-Methoden: Grundlegende CNN-Modelle und ResNet (CNNs mit residualen Blöcken). Der Entwurf von CNNs wurde von künstlichen neuronalen Netzwerken abgeleitet, wobei CNNs im Gegensatz zu ANNs eine mathematische Operation namens “Faltung” anstelle der Matrixmultiplikation verwenden. Die Faltung ermöglicht es dem CNN, zweidimensionale Informationen effektiver zu nutzen, was zu einer besseren Leistung bei der Bilderkennung führt. Durch die Integration der ResNet-Architektur in unser CNN erzielen wir signifikante Verbesserungen, da sie das Netzwerk befähigt, Probleme im Zusammenhang mit verschwindenden und explodierenden Gradienten in der tiefen neuronalen Netzwerkschulung anzugehen.
Die Verwendung von Residual-Lernblöcken ist ein originärer Beitrag in unserem Ansatz, da sie es uns ermöglichen, die Herausforderungen tiefer Netzwerke zu überwinden und die Klassifikationsgenauigkeit zu verbessern. Dies betont die Neuheit und Bedeutung unseres Ansatzes bei der spezifischen Problemlösung der Sandifizierungsgrad-Klassifikation in sandigem Dolomitgestein. Während des Trainings des CNN haben wir eine Verlustfunktion eingeführt, um den Fehler zwischen den vorhergesagten Ergebnissen und dem wahren Label des Sandifizierungsgrads der Geologie zu bewerten.
Im Allgemeinen umfasst ein typisches CNN vier primäre Schichten: die Convolution-Schicht, die Pooling-Schicht, das ResNet mit Max-Pooling, die Flatten-Schicht und die vollständig verbundene Schicht. Durch die Optimierung der Verlustfunktion streben wir an, die wahre Verteilung des Sandifizierungsgrads geologischer Schichtungen durch geeignete Trainingstrategien anzunähern, um genaue Klassifikationsergebnisse zu erzielen. Zu diesem Zweck verwenden wir Querschnittsentropie als Verlustfunktion und Optimierer wie stochastischen Gradientenabstieg und adaptive Momentenschätzung, um die Verlustfunktion zu minimieren.