基于GA-SVM的岩心铸体薄片图像分类研究.pdf

85第40 卷第6 期2023年6 月真机计仿算文章编号：10 0 6-9348(2 0 2 3)0 6-0 0 8 5-0 5基于GA-SVM的岩心铸体薄片图像分类研究潘少伟，琚泽彬，林师瑶？，蔡文斌3（1.西安石油大学计算机学院，陕西西安7 10 0 6 5；2.中国石油集团川庆钻探工程有限公司川西钻探公司，四川成都6 10 0 51；3.西安石油大学石油工程学院，陕西西安7 10 0 6 5）摘要：为了提高岩心铸体薄片图像分类的准确率，引人了支持向量机构建其分类模型。基于训练数据集，采用遗传算法优化支持向量机的核参数和惩罚因子c，建立可实现对岩心铸体薄片图像分类的支持向量机模型。接着利用相同的训练数据集对未经参数寻优的支持向量机、网格搜索法优化的支持向量机和粒子群算法优化的支持向量机分别进行训练，再对它们测试，发现遗传算法优化的支持向量机模型对大孔粗喉、中孔中喉和小孔细喉3种岩心铸体薄片图像的分类准确率分别达到了10 0%、94%和94%，综合表现最好，而且与粒子群算法优化的支持向量机相比，它的寻优更加快速。可见，遗传算法辅助寻优的支持向量机具有更好的图像分类效果，可做进一步的推广与应用。关键词：遗传算法；支持向量机；优化；岩心铸体薄片图像；分类中图分类号：TP181文献标识码：BResearch on Classification of Core Thin Section ImagesBased on GA-SVMPAN Shao-wei,JU Ze-bin,LIN Shi-yao,CAI Wen-bin3(1.School of Computer Science,Xian Shiyou University,Xian Shaanxi 710065,China;2.West Sichuan Drilling Branch,CNPC Chuanqing Drilling Engineering Company Limited,Chengdu Sichuan 610015,China;3.College of Petroleum Engineering,Xian Shiyou University,Xian Shaanxi 710065,China)ABSTRACT:In order to improve the accuracy of image classification of core founding slices,the support vector ma-chine(SVM)has been introduced to construct the classification model for core founding slice images.Based on thetraining set,the genetic algorithm(GA)was used to optimize the kernel parameter and the penalty factor c ofSVM,so an SVM model that can classify the core founding slice images was constructed.Through the same trainingset,the SVM without parameter optimization,the SVM optimized by the grid search method and the SVM optimized bythe particle swarm algorithm were trained separately.Then the above three methods and the SVM optimized by GAwere tested respectively,and the results show that the SVM optimized by GA has achieved the classification accuracyof 100%,94%and 94%for the core founding slice images of big pore and coarse throat,medium pore and mediumthroat and small pore and fine throat respectively;its optimization is also faster compared with the SVM optimized bythe particle swarm algorithm.The SVM model optimized by GA has a good application effect in the image classifica-tion and can be further promoted and applied.KEYWORDS:Genetic algorithm;Support vector machine;Optimization;Core founding slice image;Classification基金项目：国家自然科学基金（52 0 7 42 2 5）收稿日期：2 0 2 1-0 9-2 8修回日期：2 0 2 1-11-0 2861引言岩心是根据油气田地质工作需要，使用环状钻头从取心井内取出的圆柱状岩石样品。岩心的分析化验在油气田地质研究中具有重要的作用，矿物性质和多孔介质渗流特性多是通过岩心分析获得。岩心分类是确定其矿物性质和多孔介质渗流特性的前提，也是油气田开展基础地质研究工作的开始。在传统的岩心分类工作中，通常是由人工查看岩心铸体薄片图像然后对它们分类。这种依靠油田研究人员知识和经验对岩心铸体薄片图像分类的方法主观性较强、正确率较低、重复性较高。近年来，越来越多的学者将机器学习应用于图像分类中2-6 ,并且涉及诸多研究领域。具体有：许鑫等利用支持向量机（SupportVectorMachine，SVM）对剪纸图像进行分类2 ;杨学斌等采用卷积神经网络（Convolutional Neural Net-works,CNN对藏文图像识别与分类3；常政威等通过梯度方向直方图和支持向量机对闯人警戒区域的人员进行捕获4；Okwuashi等在高光谱图像分类中引人支持向量机5；Meher将具有知识编码粒度空间的深层自动编码器神经网络应用于遥感图像的分类6 。机器学习在当前的岩石图像分类中也得到了广泛应用：张蕊等提出一种对岩石表面指纹图谱分析及分类的方法7 ；白林等基于深度学习方法，建立应用于岩心铸体薄片图像分类的VGG模型8 ，张野等采用In-ception-V3深度卷积网络模型和迁移学习方法，建立岩石岩性的自动分类模型9，张艳等利用贝叶斯分类方法对岩心铸体薄片图像进行分析10 。上述机器学习方法在一定程度上提高了岩石图像分类的效率与准确率，但仍存在不足：传统机器学习方法的分类准确率较低，而深度学习方法又需要大量的数据样本，无形中增加了构建岩石图像分类模型的难度。支持向量机是一种广泛应用于统计分类与回归分析的机器学习方法，它具有分类思想简单、计算速度快、所需样本量少等优点。因此，本文在利用方向梯度直方图（HistogramofOrientedGradient,HOG)提取岩心铸体薄片图像中孔隙轮廓信息和喉道轮廓信息的基础上，引人支持向量机作为岩心铸体薄片图像的分类器，同时采用遗传算法来优化支持向量机的关键参数，确定它们最优的取值组合，最终实现对研究区大孔粗喉、中孔中喉和小孔细喉3种不同岩心铸体薄片图像的识别分类。2相关方法在岩心铸体薄片图像分类研究中，主要涉及了方向梯度直方图、支持向量机和遗传算法（GeneticAlgorithm，G A）2.1方向梯度直方图方向梯度直方图是图像处理领域中一种用于目标检测的特征描述器，它的基本原理是通过统计和计算待处理图像局部区域的梯度方向直方图来构成描述特征。本文采用方向梯度直方图提取岩心铸体薄片图像中的孔隙轮廓信息和喉道轮廓信息，并把提取到的孔隙轮廓信息和喉道轮廓信息作为不同岩心铸体薄片图像分类的主要依据。2.2支持向量机支持向量机建立在VC维理论和结构风险最小原理的基础之上12 。它的基本原理就是有限的样本特征值在分类模型的复杂性和自学习能力之间寻找最佳的平衡点，使目标函数达到最佳的泛化能力，最终以结构化风险最小化为原则，得到一个分类器使得超平面和最近的数据点之间的距离最远。通常来说，该距离越远，则平面越优。图1非常直观地展示了如何找到最优超平面。图1中，H是分类面，即超平面,H，和H,是平行于H,且过离H最近的两类样本的直线,H，与H,H，与H之间的距离就是几何间隔，红色圆圈和蓝色方块均为支持向量，两个支持向量之间的距离为margin=2/llwll。支持向量机的目标就是使该距离最大化，从而建立一个最优超平面，然后通过这个最优超平面将数据正确的分离。H1HOH2OO口口口口口margin=2/lW ll口图1支持向量机示意图现考虑n维两类线性可分的情况。给定训练样本集(x.y.),i=1,2,.l),其中x;ER,y;E(-1,1)。设超平面H的方程为wx+b=0(1)其中，如果y;=1,那么wx+b0,否则wx+b0。按照超平面的性质，任意样本点x，到H的有符号距离为：wx+bT=1,2,.1(2)假定，所有样本点与超平面之间的几何距离至少为D，则寻找最大的超平面也就是寻找最大的几何距离D、相关的全系数向量w以及偏置b。将这个问题转化为以下的优化问题：maxDw,61(3)S.t.Tx+b)D,i=1,2,.l寻找最优超平面即在最大化它的宽度准则情况下，去选择一个合适的w和b。872.3遗传算法遗传算法是一种进化计算算法，其基本原理是通过基因遗传学模拟自然界的进化过程14。遗传算法在遗传操作过程中采用了3种算子，分别是选择算子、交叉算子和变异算子，从而使得整个种群的进化发展在优胜劣汰的选择机理下进行15，最终趋近于最优状态。遗传算法的具体实现步骤如下：1)确定适应度函数。适应度函数是支持向量机和遗传算法之间的桥梁，它作为一个指标去判断群体中个体的优劣程度，并通过所求问题的目标函数来进行评估。本文适应度函数的表示如下f=A.(4)N-NA。=(5)N式中，为适应度函数，A。为预测精度，N训练样本总数，N，为错误分类的样本数。2）选择。选择操作选出的个体在旧种群中属于适应性较强的染色体，需将其放人匹配集，以便在染色体交换以及变异运算时产生新种群。个体被选中的概率为P.=(6)SNFS3=1式中,P.为个体被选中的概率,F，为个体适应度,N为种群数量。3)交叉。交叉操作也称为基因重组，它可随机地在个体编码串中进行唯一交叉，然后把交叉率的值作为概率对个体染色体的相互配对部分进行交换。也就是说，它是在两个体x、（i j)间进行传统的交叉运算，交叉运算之后产生的两个新个体为=ax,+(1-a)x,(7)n+1ax,+(1-a)x.(8)n+1式中，为常数，在0 到1之间取值。4)变异。变异运算通过一定的概率去随机地改变遗传基因的值,从而保证相应种群的多样性。其中,对个体中每个基因都以一定的概率将其指定为变异点，在每一个变异点，对基因值进行取反运算或者代换为它的等位基因，这样新的个体就会随之产生。2.4遗传算法优化的支持向量机模型把遗传算法优化的支持向量机模型简记为GA-SVM。诸多研究表明多项式核函数、径向基（Radial BasisFunc-tion,RBF）核函数和Sigmod核函数是目前应用最为广泛的3种支持向量机核函数，在图像分类领域具有较好的应用效果。径向基核函数可通过较少的参数实现非线性映射16 ,故本文采用径向基核函数来构建基于支持向量机的岩心铸体薄片图像分类模型。在支持向量机的核函数确定后，还需确定核函数中的核参数和判别函数中的惩罚因子c。核参数体现训练样本数据的范围特性，它对基于支持向量机的岩心铸体薄片图像分类模型的学习能力有直接影响；惩罚因子c对岩心铸体薄片图像分类模型的复杂度和训练误差有一定影响。使用遗传算法对基于支持向量机的岩心铸体薄片图像分类模型进行优化，寻找其最优的核参数和惩罚因子c的组合。基本的算法步骤如下：1)利用二进制编码对支持向量机参数进行处理；2)确定种群数量N，根据种群数量随机生成支持向量机核参数和惩罚参数c的初始值，进而构造成初始群体；3)基于随机生成的支持向量机参数的初始值，通过训练数据集训练支持向量机模型，然后依据其训练精确度确定个体适应度值F,；4)应用轮盘赌选择机制选择若干适应度大的个体，直接遗传给下一代；5)按照一定的交叉概率交换配对个体基因，产生新的个体；6)按照一定的变异概率改变选中个体染色体的等位基因，增强种群的多样性；7)判断新种群是否达到了最大进化代数，若没有达到则跳转到步骤2）继续进行计算，若达到了就把当前种群中具有最大适应度的染色体基因值作为支持向量机参数的最优取值组合；8)终止计算，基于已获得的核参数和惩罚参数c的最优取值，建立基于支持向量机的岩心铸体薄片图像分类模型。3仿真研究3.1数据集来源利用金相显微镜对做好的岩心铸体薄片扫描拍照，就获得一系列二维的岩心铸体薄片图像。根据岩心样品孔隙和喉道的具体发育特征，把它们划分为3类，典型结构如图2所示。图2 中，白色区域与灰色区域为岩石颗粒；浅红色区域和粉红色区域为注人到岩心铸体薄片中的液体，黑色区域为储存于岩心样品中的原油或油泥，红色区域和黑色区域对应了岩心样品的孔隙和喉道，孔隙和喉道构成了岩心样品的微观孔隙结构。图2(a)为大孔粗喉型孔喉结构对应的岩心铸体薄片图像，具体表现为岩石颗粒较大，孔隙也较大，喉道较粗；图2(c）为小孔细喉型孔喉结构对应的岩心铸体薄片图像，具体表现为岩石颗粒较小且结合致密，孔隙较小，喉道较细；图2(b)为中孔中喉型孔喉结构对应的岩心铸体薄片图像，孔隙和喉道的大小介于大孔粗喉型和小孔细喉型之间。把分成3类的2 0 0 余幅岩心铸体薄片图像再进行图像增强、图像尺寸统一等预处理操作，就得到应用于构建岩心铸体薄片图像分类模型的数据集。按照7 3的比例，将岩心铸体薄片图像数据集划分成训练数据集和测试数据集。88(a)大孔粗喉(b)中孔中喉(c)小孔细喉图2 3种不同孔喉结构的典型代表图像3.2评价指标采用准确率（Accuracy）和Kappa系数作为评价不同岩心铸体薄片图像分类效果的指标。准确率是衡量分类结果中被正确分类的样本所占总样本的比例，一般用百分数表示，其计算公式如下TP+TNAccuracy100%(9)TP+FN+FP+TN式（9)中,TP是实际为正例且被划分为正例的实例数（样本数），TN是实际为负例且被划分为负例的实例数，FP是实际为负例但被划分为正例的实例数，FN是实际为正例但被划分为负例的实例数，Kappa分析作为评价分类精度的一种多元统计方法，其Kappa系数表示被评价分类比完全随机分类产生错误减少的比例,通常Kappa系数是落在0-1之间，越接近1代表分类效果越好，其计算公式如下N.iKappa(10)-N?-Z(xi+x)式（10)中,Kappa就是Kappa系数，r是误差矩阵的行数，x是i行i列（主对角线)上的值，x和x;分别是第i行的和与第i列的和，N是样本总数。3.3实验参数设置基于GA-SVM的岩心铸体薄片图像分类实质上是以遗传算法的最优参数提取为基础，并通过采用最优参数组合的支持向量机模型去实现岩心铸体薄片图像的分类。经过多次测试后，把遗传算法的参数设置为表1所示。表1中，适应度函数是进行自然选择的依据，其作用是确定群体中个体的优与劣，把岩心铸体薄片图像分类器的准确率作为适应度函数；种群个体数目是遗传算法中的重要控制参数，将其设置为2 0；变异操作是遗传算法中保持种群多样性的有效手段,将变异率设置为0.0 15；交叉率控制着交叉操作的应用频率，一般它的取值范围为0.6-1.0,将交叉率设置为0.9支持向量机的惩罚参数c和核参数对岩心铸体薄片图像分类器的容错性具有较大影响，将它们的取值范围都设置为0.0 0 1,1。表1遗传算法的参数设置列表参数名称设定值适应度函数分类器的准确率种群个体数目20个体筛选方式轮盘赌选择法交叉方式单点交叉法变异方式单点变异法变异率0.015交叉率0.9C0.001,1 0.001,13.4实验过程采用上述参数设置，利用训练数据集完成对遗传算法优化的支持向量机的训练，建立3种不同岩心铸体薄片图像的分类模型；利用测试数据集对3种不同岩心铸体薄片图像的分类模型进行测试，所得结果如表2 所示。3.5实验结果与分析上述遗传算法在进化过程中会获得一个最优个体，分解这个最优个体，即得到应用于岩心铸体薄片图像分类的支持向量机惩罚参数c和核参数的最优值，分别是0.9 11和0.554,这样就建立起基于GA-SVM的不同岩心铸体薄片图像的分类模型。为检验基于GA-SVM的不同岩心铸体薄片图像分类模型的有效性,在相同的参数下，利用相同的训练数据集分别对未经参数优化的支持向量机（SVM）、网格搜索法（GridSearch，CS）优化的支持向量机（GS-SVM）和粒子群算法（Pr a c t i c a l Sw a r mO p t i mi z a t i o n，PSO）优化的支持向量机（PSO-SVM)分别进行训练。训练完成后基于相同的测试数据集对上述3种方法的相应模型和基于GA-SVM的不同岩心铸体薄片图像分类模型分别进行测试，所得的结果如下（表2)。由表2 可看出，在对3种不同岩心铸体薄片图像的分类中,GA-SVM的综合表现最为优异。GA-SVM对大孔粗喉、中孔中喉和小孔细喉3种不同岩心铸体薄片图像的分类准确率分别达到了10 0%、94%和94%；SVM虽然对中孔中喉型和小孔细喉型岩心铸体薄片图像的分类准确率均达到了100%，但它对大孔粗喉型岩心铸体薄片图像的分类准确率过低，为7 1%；同时，在GS-SVM和PSO-SVM对3种不同岩心铸体薄片图像的分类准确率中均出现了低于90%的情况。并且,GA-SVM、PSO-SVM、CS-SVM 和SVM产生的Kappa89下转第17 4页）系数分别是0.94、0.90、0.8 7 和0.7 8,这也说明GA-SVM和PSO-SVM在3种不同岩心铸体薄片图像分类中的综合表现最好,SVM的综合表现最差，GS-SVM综合表现介于上述三者之间。表2 GA-SVM模型与其它模型的测试结果表评价指标SVMGS-SVMPSO-SVMGA-SVMAccuracy大孔粗喉71%94%89%100%中孔中喉100%93%93%94%小孔细喉100%89%100%94%Kappa0.780.870.900.94为进一步检验GA-SVM和PSO-SVM的性能，截取它们在训练过程中的适应度变化曲线，如图3所示。图3中，横坐标为进化代数，纵坐标为适应度值，蓝线是PSO-SVM的适应度变化曲线，红线是GA-SVM的适应度变化曲线。由图4可看出，相比PSO-SVM,GA-SVM的适应度在迭代寻优前期随迭代次数的增加而出现较大的波动，这说明它没有陷入局部最优解；并且随着进化代数的增加，GA-SVM可通过上下波动逐渐跳出局部最优解区间，迅速收敛至全局最优解。由此可见，遗传算法可在训练过程中帮助支持向量机迅速获得最佳参数组合，以达到快速提高不同岩心铸体薄片图像分类准确率的目的。0.950.900.85Q.800.750.700.65PSO-SVMGA-SVM0.60010203040506070进化次数图3GA-SVM和PSO-SVM的适应度曲线4结论1)在利用方向梯度直方图获取岩心铸体薄片图像孔隙与喉道轮廓信息的基础上，引人支持向量机作为岩心铸体薄片图像的分类器，采用遗传算法优化支持向量机的关键参数，确定它们的最优组合，建立遗传算法优化的、可实现对3种不同岩心铸体薄片图像分类的支持向量机模型2）为检验遗传算法优化的支持向量机的有效性，通过相同的训练数据集分别对SVM、G S-SVM 和PSO-SVM进行训练，利用准确率和Kappa系数作为评价不同岩心铸体薄片图像分类效果的指标，最终结果发现：GA-SVM在3种不同岩心铸体薄片图像分类中的综合表现最好，SVM的综合表现最差，CS-SVM和PSO-SVM的综合表现介于上述二者之间。3)在油气田基础地质研究中涉及的岩心铸体薄片图像种类繁多，本文仅从孔隙和喉道大小的角度对它们进行分类，所以本文研究带有一定的局限性。在今后的工作中，要进一步利用机器学习和深度学习，研究针对更多岩心铸体薄片图像种类的识别与分类方法。参考文献：1王林杰，曹代勇，蒋艾林，陈利敏.基于钻孔岩心观测的煤田构造研究J.中国煤炭地质，2 0 14,2 6（8）：10 4-10 7,12 4.2许鑫，鲍小春.基于机器学习的剪纸图像自动分类研究J.图书馆杂志,2 0 18,37(7)：8 8-96.3杨学斌，贾磊.基于机器学习的藏文图像识别系统设计与实现J.江苏科技信息，2 0 19,36(2 8)：38-40.4常政威，彭倩，陈缨。基于机器学习和图像识别的电力作业现场安全监督方法J.中国电力，2 0 2 0,53（4：155-16 0.5Okwuashi O,Ndehedehe C E.Deep support vector machine for hy-perspectraimageclassification J.Pattern Recognition,2020:107298.6Meher S K.Granular space,knowledge-encoded deep learning ar-chitecture and remote sensing image classification J.EngineeringApplications of Artificial Intelligence,2020,92:103647.7张蕊，孙兰香，陈彤，王国栋，张鹏，汪为.基于激光诱导击穿光谱技术的岩石表面指纹图谱分析及分类方法J.地质学报，2020,94(3):991-998.8白林，魏昕，刘禹，吴崇阳，陈立辉.基于VGG模型的岩石薄片图像识别J.地质通报，2 0 19，38（12）：2 0 53-2 0 58.9张野，李明超，韩帅.基于岩石图像深度学习的岩性自动识别与分类方法J】。岩石学报，2 0 18,34（2）：333-342.10张艳，张春雷，阎娜，黄文辉，高世臣。基于贝叶斯分类的图像分析方法在孔隙结构参数表征中的应用一以姬塬油田长9油层组为例J.油气地质与采收率，2 0 18,2 5（3）：6 1-6 7,7 6.11Erazo-Aux J,Loaiza-Correa H,Restrepo-Giron A D.Histogramsof oriented gradients for automatic detection of defective regions inthermogramsJ.Applied Optics,2019,58(13):3620-3629.12吴青，付彦琳。支持向量机特征选择方法综述J.西安邮电大学学报,2 0 2 0,2 5(5）：16-2 1.13杜聪，邵建华，杨薇，王宗生，邓莲佳，沈宏杰.网格搜索法优化的支持向量机室内可见光定位J.激光杂志，2 0 2 1，42(3):104-109.14于洋，白瑞，杨平.基于遗传算法优化的支持向量机在齿轮故障声发射检测中的应用J.机械传动，2 0 18,42（1）：16 3-166,175.15瞿志宇，郑学智.遗传算法优化BP神经网络的网络游戏流识别J.计算机与数字工程,2 0 2 1,49（4)：7 8 1-7 8 6.16张沫，郑慧峰，倪豪，王月兵，郭成成.基于遗传算法优化支持向量机的超声图像缺陷分类J.计量学报，2 0 19,40（5）：8 8 7-892.174上接第8 9页）识别错误一处。所提方法具备较高的识别精度是因为采集到的波形信息误差较小，另一方面通过计算波形信息的峰度值，将计算结果输入到深度置信网络中，该网络的学习能力较强，可以提高识别结果精度。5结论为及时发现钢筋混凝土构件的损伤情况，便于养护维修，提出基于声发射的损伤部位识别方法。通过声发射技术采集波形信号，将信号变化为峰度值数据，再将这些数据输人到深度置信网络中，输出识别结果。仿真结果表明，所提方法探测能力较强，识别出的损伤部位与实际情况相符。但是声发射技术只能在核心区域获取声发射信号，在今后研究中为扩大采集范围，应该重点研究传感器的分布位置。另外，声发射容易受环境噪声影响，还需减少反演误差，进一步提高识别精度。参考文献：1阎石，于水旺，王鲁，等.基于MASW的钢-混凝土组合板界面剥离损伤识别J.沈阳建筑大学学报（自然科学版），2 0 2 2,38(1):17-23.2刘学增，段俊铭，桑运龙，等。混凝土裂缝深度的激光超声探测方法J.中南大学学报（自然科学版），2 0 2 1,52（3）：8 39-8 47.3刘哲锋，王玉奎，杨伟军，等.对称配筋钢筋混凝土构件基于耗能能力退化的损伤模型与性能标准J.建筑结构学报，2 0 2 0，41(9):145-153.4肖从真，乔保娟，李建辉，等。基于构件延性需求的钢筋混凝土构件箍筋设计方法J.建筑科学，2 0 2 2,38（3）：9-17.5胡志坚，夏雷雷，程晨，等。钢筋混凝土构件锈蚀开裂与锈胀力分析J.哈尔滨工业大学学报，2 0 2 0,52（3）：99-10 5.作者简介潘少伟（197 9-），男（汉族），山东省青岛市人，副教授，硕士研究生导师，主要研究领域为机器学习、人工智能、油藏描述方法和石油工业计算机应用等。6韩建平，周帅帅.考虑非结构构件损伤的钢筋混凝土框架建筑多维地震易损性分析J.地震工程与工程振动，2 0 2 0,40（1)：39-48.7李源，刘建昱，韩逸涛。爆炸荷载下钢筋混凝土桥面板损伤机理研究J.中国公路学报，2 0 2 1,34（7）：2 91-30 0.8双超，周东华，李露，等。钢筋混凝土双向偏压构件正截面承载力的图算法J.土木工程学报，2 0 2 0,53（9）：7 7-8 4.9于江，宋紫薇，秦拥军，等.初始损伤钢筋混凝土梁分形损伤本构及受弯承载力研究J.河南科技大学学报（自然科学版），2020,41(3):66-72+8.10杨娜，张，李天昊.基于无人机与计算机视觉的中国古建筑木结构裂缝监测系统设计J.工程力学，2 0 2 1,38（3：2 7-39.11王旭，杜增锋，倪庆清，等.UHMWPE/LDPE层合板复合材料损伤声发射信号识别J.宇航材料工艺，2 0 19,49（2）：7 7-81.12 陈建兵，徐聪.CGMM加固损伤钢筋混凝土圆柱恢复力模型的研究J.应用力学学报，2 0 2 1,38（5）：18 15-18 2 3.13项长生，孙伟，周宇.低速冲击下钢筋混凝土深梁抗冲击性能及其损伤评估J.兰州理工大学学报，2 0 2 1，47（2）：113-121.14侯艳芳，杨泽华，胡卫兵，等.基于动力响应互相关的古建筑木结构损伤识别【J.信阳师范学院学报（自然科学版），2022,35(1):151-156.15张鑫，周志祥，冯麟，等.基于全息挠曲线的钢桁-混凝土组合梁损伤识别J.铁道建筑，2 0 2 0,6 0（9）：31-35.作者简介陈靖（198 9-）,女（汉族）,河南新郑人，硕士，讲师，研究方向：钢与混凝土组合结构。刘羿甫（198 6），女（汉族），河南郑州人，硕士，讲师，研究方向：安全管理。琚泽彬（1996-），女（汉族），陕西省安康市人，硕士研究生，主要研究领域为机器学习、人工智能和石油工业计算机应用等。林师瑶（198 7-），男（汉族），重庆市大足区人，工程师，主要研究领域为钻井工程。蔡文斌（198 0-），男（汉族），甘肃省天水市人，副教授，硕士研究生导师，主要研究领域为油气田开发。