CN109612943A - 基于机器学习的隧洞岩石石英含量测试系统及方法 - Google Patents
基于机器学习的隧洞岩石石英含量测试系统及方法 Download PDFInfo
- Publication number
- CN109612943A CN109612943A CN201910031178.5A CN201910031178A CN109612943A CN 109612943 A CN109612943 A CN 109612943A CN 201910031178 A CN201910031178 A CN 201910031178A CN 109612943 A CN109612943 A CN 109612943A
- Authority
- CN
- China
- Prior art keywords
- rock
- quartz content
- tunnel
- quartz
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/21—Polarisation-affecting properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种基于机器学习的隧洞岩石石英含量测试系统及方法,包括信息采集系统和学习系统,信息采集系统承载于机械臂上,跟随机械臂的移动而接近围岩,根据接收的采集数据,对室内岩石样本图像与测井实际观测到的岩样图像进行学习,通过局部二值模式特征提取算法对不同岩石纹理特征进行识别,从而区分出不同岩石在颜色、结构与构造上的差异,通过支持向量机算法整合特征量,建立响应信息石英含量预测模型,计算得到TBM掘进隧洞工程中前方岩石石英含量。
Description
技术领域
本公开涉及一种基于机器学习的隧洞岩石石英含量测试系统及方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
TBM又称岩石掘进机(Tunnel Boring Machine),已广泛应用于隧道施工,具有降低人工劳动强度、方便施工组织、施工速度快、对环境扰动小、安全性高等优点。TBM在掘进过程中,前方岩体石英含量影响刀盘的磨损程度,因而对于岩石掘进机调整掘进参数、保证顺利掘进具有决定性的作用。目前,对于岩石中石英含量的测定主要包括化学方法以及物相分析方法,化学方法主要包括挥散法、重量法、容量法等,物相分析方法主要包括X射线衍射法(XRD)、电感耦合等离子光谱法(ICP)等。上述石英含量测试方法虽然较为成熟,但是需要实验室条件,制备试样及配制相关溶液过程复杂,因而成本也较高,TBM掘进时显然不具备实验室条件;同时以上方法耗时较长,不能满足TBM掘进时连续快速测试的要求。
因此,对前方岩体石英含量的快速测试就成为目前TBM掘进亟需解决的问题。
发明内容
本公开为了解决上述问题,提出了一种基于机器学习的隧洞岩石石英含量测试系统及方法,本公开具有安装方便、实时快捷、可原位测试等优点。
根据一些实施例,本公开采用如下技术方案:
一种基于机器学习的隧洞岩石石英含量测试系统,包括信息采集系统和学习系统,其中:
所述信息采集系统承载于机械臂上,跟随机械臂的移动而接近围岩,包括摄像模块和偏光检测模块,所述摄像模块对隧道围岩进行摄像,所述偏光检测模块被配置为通过室内观测隧道工程中采集岩样制成的岩石薄片,统计得到该岩样中的石英组分含量,并将得到的石英含量传递给学习系统;
所述学习系统,被配置为根据接收的采集数据,对室内岩石样本图像与测井实际观测到的岩样图像进行学习,通过局部二值模式特征提取算法对不同岩石纹理特征进行识别,从而区分出不同岩石在颜色、结构与构造上的差异,通过支持向量机算法整合特征量,建立响应信息石英含量预测模型,计算得到TBM掘进隧洞工程中前方岩石石英含量。
作为进一步的限定,还包括无线传输系统和数据存储中心,所述无线传输系统将采集的数据和学习系统的计算结果传输给远端的数据存储中心。
作为进一步的限定,所述信息采集系统在每次岩石掘进机停下安装管片时进行信息采集,采集完成后被收回至岩石掘进机内。
作为进一步的限定,所述学习系统包括训练器以及预测器,在测量过程中,预测器负责接收信息,并根据训练器的学习结果进行岩石中石英含量的预测;
所述训练器对样本进行交叉验证;
所述训练器在形成岩石种类识别模型的同时从数据存储中心导入预设的不同种类岩石石英含量阈值,作为预测器预测石英含量时的辅助预测手段;
所述预测器将待检测的图像与数据存储中心中的各种岩石标本图像进行比较,通过训练器训练出的岩石种类识别模型判断岩石类别,读取相应岩石石英含量阈值作为辅助预测。
作为更进一步的限定,所述偏光检测模块基于不同矿物、岩石的晶体性质和/或光学性质的差异,鉴定不同矿物组分的形态、解理、颜色、突起和/或干涉色级序的特征性质。例如石英在偏光显微镜下正突起低、无糙面、无解理、最高干涉色为一级黄白色,角闪石具有闪石式解理(两组解理夹角56°左右),辉石均为高的正突起、糙面显著、无色或带有淡绿色,从而达到对岩样中的矿物组分含量进行统计的目的。
作为更进一步的限定,所述训练器被配置为对室内岩石样本图像与测井实际观测到的岩样图像进行学习,通过局部二值模式特征提取算法对不同岩石纹理特征进行识别,从而区分出不同岩石在颜色、结构与构造上的差异,同时该算法具有旋转不变性,能够适应不同岩石产状的训练需求;
所述预测器能够根据训练器得到的响应信息最优模型计算得到TBM掘进隧洞工程中前方岩石石英含量。
所述前期勘探过程中不同位置的岩石实测资料作为TBM掘进隧洞过程中的控制点以纠正预测结果,或在隧道开挖完成后作为训练集导入学习系统中,以不断提高模型精度。
作为进一步的限定,所述数据存储中心存储室内岩石标本图像以及实际工程中测井观测到的岩石样本图像、预设的不同类别岩石石英含量阈值。
基于上述系统的工作方法,运行步骤如下:
1)收集室内及野外测井岩样的试验响应信息,并石英含量;
2)利用智能算法学习岩样响应信息及石英含量,得到岩石响应信息石英含量预测模型同时学习岩样图像,进行图像识别及特征提取,得到岩石类别预测模型及相应岩石的石英含量阈值作为辅助预测手段,进行训练;
3)岩石掘进机施工过程中每一循环安装管片时,接近围岩,信息采集系统的摄像模块进行岩体高分辨率成像,将采集到的图像信息传输至学习系统;
4)学习系统预测器根据得到的预测模型预测石英含量,并通过岩石种类识别与读取相应岩石石英含量阈值的方式进行辅助校核,得到前方岩石石英含量并将信息传送至无线传输系统,无线传输系统将结果传输至数据存储中心存储起来。
与现有技术相比,本公开的有益效果为:
1.本公开利用岩石性质与石英含量的相关关系通过机器学习形成岩石石英含量预测模型,克服了传统实验室方法只能进行特异性测试,缺乏泛化能力的弊端,能够实现批量测试;
2.本公开将复杂的标准试样、标准溶液制备过程转化成相对容易的岩石性质原位观测,节省了工作量;
3.本公开得到岩石预测模型之后,便可根据该模型进行实时快速测试,节约了时间,能够实现连续测试;
4.本公开的训练数据与测试数据可以通过交叉验证的方式保证模型的正确性,同时,实际施工过程中收集资料的不断学习也提高了模型的准确性;
5.本公开更多依靠岩石原位观测成果形成预测模型,能够为岩石原位测试的研究提供大量的科学资料。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明整体结构概念图;
图2为本发明隧道内探测示意图;
图3为本发明主体结构示意图;
图4为本发明操作步骤简化流程图。
其中,1.基于机器学习的TBM隧道掘进岩石石英含量快速测试系统2.信息采集系统3.无线传输系统4.学习系统5.数据存储中心6.摄像模块7.偏光检测模块8.直流电源9.训练器10.预测器11.系统主体12.TBM。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本公开中的具体含义,不能理解为对本公开的限制。
一种TBM掘进隧道岩石石英含量快速测试系统,包括信息采集系统、无线传输系统、学习系统和数据存储中心,其中,信息采集系统、无线传输系统以及学习系统构成系统主体,该主体安置于TBM外机架上,测量时,可以通过机械臂释放,接近围岩,通过信息采集系统对隧道掌子面及还未做衬砌支护的岩体进行探测;数据存储中心安置于工程指挥控制中心。
信息采集系统包括摄像模块、偏光检测模块与直流电源;
摄像模块能够在主体被释放之后,对隧道围岩进行高分辨率摄像,并将图像信息直接传输至学习系统;
摄像模块能够沿主轴做360°旋转,同时结合机械臂的旋转,能够实现空间任何方向的图像采集;
偏光检测模块为一偏光显微镜,安置于室内实验室,作用是通过室内观测隧道工程中采集岩样制成的岩石薄片,统计得到该岩样中的石英组分含量,并将得到的石英含量传递给学习系统;
偏光检测模块基于不同矿物、岩石的晶体性质、光学性质的差异,能够清楚地鉴定不同矿物组分的形态、解理、颜色、突起、干涉色级序等特征性质,例如石英在偏光显微镜下正突起低、无糙面、无解理、最高干涉色为一级黄白色,角闪石具有闪石式解理(两组解理夹角56°左右),辉石均为高的正突起、糙面显著、无色或带有淡绿色,从而达到对岩样中的矿物组分含量进行统计的目的;
直流电源负责为摄像模块提供电能;
信息采集系统可以在每次岩石掘进机停下安装管片时进行信息采集,采集完成后被收回至岩石掘进机内;
无线传输系统可以将来自学习系统的信息汇总传输至数据存储中心;
学习系统包括卷积神经网络训练器以及预测器,在测量过程中,预测器利用学习训练得到的模型,负责接收来自信息采集系统的信息,并根据训练器的学习结果进行岩石中石英含量的预测;
学习系统的训练器独立于其他模块,训练器在非测量阶段可单独连接计算机,进行训练样本的学习,在测量时与预测器一起安装于学习系统内部,为一预设了包括图像识别、特征提取、卷积神经网络算法程序实现的小型单片机;
训练器既可以利用实验室内标准岩石试样进行学习,也可以利用工程地质活动中实际采取的岩样信息进行学习,以不断降低实验室内试样与原岩性质差异带来的预测误差;
训练器可以对室内岩石样本图像与测井实际观测到的岩样图像进行学习,通过局部二值模式特征提取算法对不同岩石纹理特征进行识别,从而区分出不同岩石在颜色、结构与构造上的差异,同时该算法具有旋转不变性,能够适应不同岩石产状的训练需求;
训练器在形成岩石种类识别模型的同时从数据存储中心导入预设的不同种类岩石石英含量阈值,作为预测器预测石英含量时的辅助预测手段;
预测器可以将待检测的图像与数据存储中心中的各种岩石标本图像进行比较,通过训练器训练出的岩石种类识别模型判断岩石类别,读取相应岩石石英含量阈值作为辅助预测;
训练器能够将室内岩石、测井采样岩石高分辨率图像信息,结合偏光显微镜实测石英含量资料,通过卷积神经网络找出图像信息中与石英含量相关的特征量并整合,建立石英含量预测模型;
训练器建立石英含量预测模型时采用交叉验证方式以增强模型适应性与预测准确性;
前期勘探过程中不同位置的岩石实测资料可以作为隧道掘进过程中的控制点以纠正预测结果,也可以在隧道开挖完成后作为训练集导入学习系统中,以不断提高模型精度;
数据存储中心存储室内岩石标本以及实际工程中测井观测到的岩石样本图像、预设的不同类别岩石石英含量阈值、不同岩石偏光检测获得的石英含量。
如图1至图4所示,一种TBM掘进隧道岩石石英含量快速测试系统及方法,包括信息采集系统(2)、无线传输系统(3)、学习系统(4)、数据存储中心(5),信息采集系统(2)包括摄像模块(6)、偏光检测模块(7)及直流电源(8),可以对岩样进行图像采集与性质检测,并将信息传输至学习系统(4),学习系统(4)包括训练器(9)与预测器(10),训练器(9)可以通过特征提取及卷积神经网络实现岩石类别分辨模型以及石英含量预测模型的建立,预测器(10)能够通过模型进行隧道前方岩石石英含量的预测,并将预测结果通过无线传输系统(3)传输至数据存储中心(5)。
一种TBM掘进隧道岩石石英含量快速测试系统及方法,包括以下步骤:
步骤1:收集隧道工程测井不同岩样的高分辨率图像信息,并利用偏光显微镜统计其石英含量,向数据存储中心(5)导入数据;
步骤2:训练器(9)从数据存储中心(5)导入数据,以岩样偏光检测石英含量及图像信息作为训练样本,利用卷积神经网络学习,得到石英含量预测模型,同时学习岩样图像,进行图像识别及特征提取,得到岩石类别预测模型及相应岩石的石英含量阈值作为辅助预测手段;
步骤3:训练器(9)将学习结果导入预测器(10);
步骤4:将训练好的训练器(9)及预测器(10)添加至系统主体(11),在岩石掘进机(12)掘进前将系统主体安装于岩石掘进机(12)外机架上;
步骤5:岩石掘进机(12)施工过程中每一循环安装管片时,伸缩臂携带系统主体(11)接近围岩,信息采集系统(2)的摄像模块(6)进行岩体高分辨率成像,将采集到的图像信息传输至学习系统(4);
步骤6:学习系统(4)预测器(10)根据得到的预测模型预测石英含量,并通过岩石种类识别与读取相应岩石石英含量阈值的方式进行辅助校核,得到前方岩石石英含量并将信息传送至无线传输系统(3),无线传输系统(3)将结果传输至数据存储中心(5)存储起来;
步骤7:重复步骤5至步骤6,测试下一循环前方岩石石英含量。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于机器学习的隧洞岩石石英含量测试系统,其特征是:包括信息采集系统和学习系统,其中:
所述信息采集系统承载于机械臂上,跟随机械臂的移动而接近围岩,包括摄像模块和偏光检测模块,所述摄像模块对隧道围岩进行摄像,所述偏光检测模块被配置为通过室内观测隧道工程中采集岩样制成的岩石薄片,统计得到该岩样中的石英组分含量,并将得到的石英含量传递给学习系统;
所述学习系统,被配置为根据接收的采集数据,对室内岩石样本图像与测井实际观测到的岩样图像进行学习,通过局部二值模式特征提取算法对不同岩石纹理特征进行识别,从而区分出不同岩石在颜色、结构与构造上的差异,通过支持向量机算法整合特征量,建立响应信息石英含量预测模型,计算得到TBM掘进隧洞工程中前方岩石石英含量。
2.如权利要求1所述的一种基于机器学习的隧洞岩石石英含量测试系统,其特征是:还包括无线传输系统和数据存储中心,所述无线传输系统将采集的数据和学习系统的计算结果传输给远端的数据存储中心。
3.如权利要求1所述的一种基于机器学习的隧洞岩石石英含量测试系统,其特征是:所述信息采集系统在每次岩石掘进机停下安装管片时进行信息采集,采集完成后被收回至岩石掘进机内。
4.如权利要求1所述的一种基于机器学习的隧洞岩石石英含量测试系统,其特征是:所述学习系统包括训练器以及预测器,在测量过程中,预测器负责接收信息,并根据训练器的学习结果进行岩石中石英含量的预测;
所述训练器对样本进行交叉验证;
所述训练器在形成岩石种类识别模型的同时从数据存储中心导入预设的不同种类岩石石英含量阈值,作为预测器预测石英含量时的辅助预测手段;
所述预测器将待检测的图像与数据存储中心中的各种岩石标本图像进行比较,通过训练器训练出的岩石种类识别模型判断岩石类别,读取相应岩石石英含量阈值作为辅助预测。
5.如权利要求1所述的一种基于机器学习的隧洞岩石石英含量测试系统,其特征是:所述偏光检测模块基于不同矿物、岩石的晶体性质和/或光学性质的差异,鉴定不同矿物组分的形态、解理、颜色、突起和/或干涉色级序的特征性质。
6.如权利要求4所述的一种基于机器学习的隧洞岩石石英含量测试系统,其特征是:所述训练器被配置为对室内岩石样本图像与测井实际观测到的岩样图像进行学习,通过局部二值模式特征提取算法对不同岩石纹理特征进行识别,从而区分出不同岩石在颜色、结构与构造上的差异。
7.如权利要求4所述的一种基于机器学习的隧洞岩石石英含量测试系统,其特征是:所述预测器能够根据训练器得到的响应信息最优模型计算得到TBM掘进隧洞工程中前方岩石石英含量。
8.如权利要求4所述的一种基于机器学习的隧洞岩石石英含量测试系统,其特征是:所述前期勘探过程中不同位置的岩石实测资料作为TBM掘进隧洞过程中的控制点以纠正预测结果,或在隧道开挖完成后作为训练集导入学习系统中,以不断提高模型精度。
9.如权利要求2所述的一种基于机器学习的隧洞岩石石英含量测试系统,其特征是:所述数据存储中心存储室内岩石标本图像以及实际工程中测井观测到的岩石样本图像、预设的不同类别岩石石英含量阈值。
10.基于权利要求1-9中任一项所述的系统的工作方法,其特征是:步骤如下:
1)收集室内及野外测井岩样的试验响应信息,并石英含量;
2)利用智能算法学习岩样响应信息及石英含量,得到岩石响应信息石英含量预测模型同时学习岩样图像,进行图像识别及特征提取,得到岩石类别预测模型及相应岩石的石英含量阈值作为辅助预测手段,进行训练;
3)岩石掘进机施工过程中每一循环安装管片时,接近围岩,信息采集系统的摄像模块进行岩体高分辨率成像,将采集到的图像信息传输至学习系统;
4)学习系统预测器根据得到的预测模型预测石英含量,并通过岩石种类识别与读取相应岩石石英含量阈值的方式进行辅助校核,得到前方岩石石英含量并将信息传送至无线传输系统,无线传输系统将结果传输至数据存储中心存储起来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910031178.5A CN109612943B (zh) | 2019-01-14 | 2019-01-14 | 基于机器学习的隧洞岩石石英含量测试系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910031178.5A CN109612943B (zh) | 2019-01-14 | 2019-01-14 | 基于机器学习的隧洞岩石石英含量测试系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109612943A true CN109612943A (zh) | 2019-04-12 |
CN109612943B CN109612943B (zh) | 2020-04-21 |
Family
ID=66017014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910031178.5A Active CN109612943B (zh) | 2019-01-14 | 2019-01-14 | 基于机器学习的隧洞岩石石英含量测试系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109612943B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097027A (zh) * | 2019-05-13 | 2019-08-06 | 安徽工业大学 | 基于卷积神经网络的煤岩壳质组显微图像分类方法及系统 |
CN110120067A (zh) * | 2019-05-08 | 2019-08-13 | 中国科学院武汉岩土力学研究所 | 岩石自然结构面磨损体积确定方法、装置和计算机设备 |
CN110533191A (zh) * | 2019-08-22 | 2019-12-03 | 江苏联峰实业有限公司 | 一种处理窄成分合金钢的方法及装置 |
CN110849879A (zh) * | 2019-11-29 | 2020-02-28 | 华润电力技术研究院有限公司 | 含碳量的检测方法、检测系统及计算机存储介质 |
CN111220616A (zh) * | 2020-01-21 | 2020-06-02 | 山东大学 | 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法 |
CN111272753A (zh) * | 2019-09-06 | 2020-06-12 | 山东大学 | 基于图像识别与分析的隧道内围岩石英含量预测系统与方法 |
CN111563445A (zh) * | 2020-04-30 | 2020-08-21 | 徐宇轩 | 一种基于卷积神经网络的显微镜下岩性识别方法 |
CN112384749A (zh) * | 2020-03-13 | 2021-02-19 | 长江存储科技有限责任公司 | 用于半导体芯片孔几何形状度量的系统和方法 |
WO2021043307A1 (zh) * | 2019-09-06 | 2021-03-11 | 山东大学 | Tbm搭载式围岩耐磨性测试系统与方法 |
WO2021043311A1 (zh) * | 2019-09-06 | 2021-03-11 | 山东大学 | Tbm搭载式岩石石英含量测定系统及其方法 |
WO2021121224A1 (zh) * | 2019-12-17 | 2021-06-24 | 山东大学 | 基于岩石矿物分析的tbm隧道断层破碎带预报系统及方法 |
WO2021142861A1 (zh) * | 2020-01-15 | 2021-07-22 | 山东大学 | 基于岩石组分与组构的tbm搭载式岩石抗压强度快速预测系统及方法 |
CN113435456A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石薄片组分识别方法、装置及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102252822A (zh) * | 2010-05-19 | 2011-11-23 | 庞蕴繁 | 偏振光式视度测量仪 |
CN105257286A (zh) * | 2015-11-02 | 2016-01-20 | 中国石油天然气股份有限公司 | 一种获取地层岩石组分含量的方法及装置 |
CN105372298A (zh) * | 2014-08-24 | 2016-03-02 | 中国石油集团渤海钻探工程有限公司 | 一种地层岩石矿物成分的分析方法 |
CN105738291A (zh) * | 2015-09-23 | 2016-07-06 | 长江大学 | 岩石各向异性检测的光反射差装置和方法 |
CN107515290A (zh) * | 2016-06-15 | 2017-12-26 | 中国石油化工股份有限公司 | 岩石矿物组分含量定量计算方法 |
CN107991244A (zh) * | 2016-10-27 | 2018-05-04 | 核工业北京地质研究院 | 一种适合于热红外高光谱遥感的石英含量定量计算方法 |
CN108363110A (zh) * | 2018-01-16 | 2018-08-03 | 中石化石油工程技术服务有限公司 | 成像测井计算页岩储层矿物含量及脆性指数的谱分析方法 |
-
2019
- 2019-01-14 CN CN201910031178.5A patent/CN109612943B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102252822A (zh) * | 2010-05-19 | 2011-11-23 | 庞蕴繁 | 偏振光式视度测量仪 |
CN105372298A (zh) * | 2014-08-24 | 2016-03-02 | 中国石油集团渤海钻探工程有限公司 | 一种地层岩石矿物成分的分析方法 |
CN105738291A (zh) * | 2015-09-23 | 2016-07-06 | 长江大学 | 岩石各向异性检测的光反射差装置和方法 |
CN105257286A (zh) * | 2015-11-02 | 2016-01-20 | 中国石油天然气股份有限公司 | 一种获取地层岩石组分含量的方法及装置 |
CN107515290A (zh) * | 2016-06-15 | 2017-12-26 | 中国石油化工股份有限公司 | 岩石矿物组分含量定量计算方法 |
CN107991244A (zh) * | 2016-10-27 | 2018-05-04 | 核工业北京地质研究院 | 一种适合于热红外高光谱遥感的石英含量定量计算方法 |
CN108363110A (zh) * | 2018-01-16 | 2018-08-03 | 中石化石油工程技术服务有限公司 | 成像测井计算页岩储层矿物含量及脆性指数的谱分析方法 |
Non-Patent Citations (5)
Title |
---|
JOSE JANIO ET AL.: "Linear thermal expansion of granitic rocks influence of apparent porosity grain size and quartz content", 《BULLETIN OF ENGINEERING GEOLOGY AND THE ENVIRONMENT》 * |
何发亮: "TBM施工隧道围岩分级方法研究", 《岩石力学与工程学报》 * |
李智强等: "基于SVM的花岗岩薄片图像石英分割方法研究", 《科技广场》 * |
白林 等: "基于深度学习特征提取的岩石图像矿物成分分析", 《中国矿业》 * |
迟广成 等: "X射线粉晶衍射仪在大理岩鉴定与分类中的应用", 《岩矿测试》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120067A (zh) * | 2019-05-08 | 2019-08-13 | 中国科学院武汉岩土力学研究所 | 岩石自然结构面磨损体积确定方法、装置和计算机设备 |
CN110097027A (zh) * | 2019-05-13 | 2019-08-06 | 安徽工业大学 | 基于卷积神经网络的煤岩壳质组显微图像分类方法及系统 |
CN110533191A (zh) * | 2019-08-22 | 2019-12-03 | 江苏联峰实业有限公司 | 一种处理窄成分合金钢的方法及装置 |
WO2021043311A1 (zh) * | 2019-09-06 | 2021-03-11 | 山东大学 | Tbm搭载式岩石石英含量测定系统及其方法 |
US11879874B2 (en) | 2019-09-06 | 2024-01-23 | Shandong University | TBM-mounted surrounding rock wear resistance testing system and method |
CN111272753A (zh) * | 2019-09-06 | 2020-06-12 | 山东大学 | 基于图像识别与分析的隧道内围岩石英含量预测系统与方法 |
AU2020342222B2 (en) * | 2019-09-06 | 2023-10-12 | Shandong University | Predicting system and method for quartz content of surrounding rock in tunnel based on image identification and analysis |
WO2021043308A1 (zh) * | 2019-09-06 | 2021-03-11 | 山东大学 | 基于图像识别与分析的隧道内围岩石英含量预测系统与方法 |
WO2021043307A1 (zh) * | 2019-09-06 | 2021-03-11 | 山东大学 | Tbm搭载式围岩耐磨性测试系统与方法 |
CN110849879A (zh) * | 2019-11-29 | 2020-02-28 | 华润电力技术研究院有限公司 | 含碳量的检测方法、检测系统及计算机存储介质 |
WO2021121224A1 (zh) * | 2019-12-17 | 2021-06-24 | 山东大学 | 基于岩石矿物分析的tbm隧道断层破碎带预报系统及方法 |
WO2021142861A1 (zh) * | 2020-01-15 | 2021-07-22 | 山东大学 | 基于岩石组分与组构的tbm搭载式岩石抗压强度快速预测系统及方法 |
CN111220616B (zh) * | 2020-01-21 | 2021-06-01 | 山东大学 | 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法 |
CN111220616A (zh) * | 2020-01-21 | 2020-06-02 | 山东大学 | 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法 |
US11933713B2 (en) | 2020-01-21 | 2024-03-19 | Shandong University | Determining system and method for weathering resistant capability of clastic rocks in tunnel based on feldspar features |
CN112384749A (zh) * | 2020-03-13 | 2021-02-19 | 长江存储科技有限责任公司 | 用于半导体芯片孔几何形状度量的系统和方法 |
US11674909B2 (en) | 2020-03-13 | 2023-06-13 | Yangtze Memory Technologies Co., Ltd. | Systems and methods for semiconductor chip hole geometry metrology |
CN111563445A (zh) * | 2020-04-30 | 2020-08-21 | 徐宇轩 | 一种基于卷积神经网络的显微镜下岩性识别方法 |
CN113435456A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石薄片组分识别方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109612943B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109612943A (zh) | 基于机器学习的隧洞岩石石英含量测试系统及方法 | |
US11933713B2 (en) | Determining system and method for weathering resistant capability of clastic rocks in tunnel based on feldspar features | |
CN109630905A (zh) | 一种基于无人机遥感和深度学习的油气管道全智能巡检系统 | |
CN108279428A (zh) | 地图数据评测装置及系统、数据采集系统及采集车和采集基站 | |
CN108593654A (zh) | 隧道图像采集系统及方法 | |
CN108761522B (zh) | 搭载于隧道掘进机上的地震波超前探测系统及方法 | |
WO2021147553A1 (zh) | 隧道火成岩风化程度确定系统及方法 | |
CN103016063A (zh) | 一种施工安全监控系统 | |
CN104406819A (zh) | 一种微洗井式地下水自动采样系统 | |
CN108548868A (zh) | 钢壳混凝土结构缺陷检测方法、系统及装置与存储介质 | |
CN110233988A (zh) | 地质勘探管理系统 | |
CN110850435A (zh) | 车载式隧道地质素描装置及使用方法 | |
CN106989783A (zh) | 一种基于土壤信息监测分析的无人机系统 | |
CN109162691A (zh) | 岩土工程勘察智能化钻探采集设备及方法 | |
CN111220999A (zh) | 一种基于即时定位与建图技术的受限空间探测系统及方法 | |
CN106326597A (zh) | 一种地下水污染检测评估系统 | |
CN107465458A (zh) | 一种基于可见光信号传输的物联网交互检测机器 | |
CN115877400A (zh) | 基于雷达与视觉融合的巷道顶板支护钢带钻孔定位方法 | |
KR102343248B1 (ko) | 이미지 빅데이터에 의한 문화재 훼손 점검 시스템 및 그 운용방법 | |
CN112765874B (zh) | 适用于敞开式tbm隧道的获取围岩参数的方法和装置 | |
CN201749091U (zh) | 一种煤矿皮带x射线透视检测系统 | |
CN117057671A (zh) | 一种基于人工智能的矿山生态修复工程验收系统和方法 | |
CN112801035B (zh) | 基于知识与数据双驱动的搭载式岩性智能识别方法及系统 | |
CN110308169A (zh) | 一种tbm渣片射线背散射实时扫描成像装置及方法 | |
CN206223177U (zh) | 一种应用于地质信息化工作中的野外实地信息采集设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |