CN110359905A - 一种基于人工神经网络获取围岩力学参数的装置及方法 - Google Patents
一种基于人工神经网络获取围岩力学参数的装置及方法 Download PDFInfo
- Publication number
- CN110359905A CN110359905A CN201910511673.6A CN201910511673A CN110359905A CN 110359905 A CN110359905 A CN 110359905A CN 201910511673 A CN201910511673 A CN 201910511673A CN 110359905 A CN110359905 A CN 110359905A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- artificial neural
- power
- drilling
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 100
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 69
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005553 drilling Methods 0.000 claims abstract description 92
- 238000013500 data storage Methods 0.000 claims abstract description 27
- 239000000523 sample Substances 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 239000002689 soil Substances 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 241001074085 Scophthalmus aquosus Species 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 2
- 238000001727 in vivo Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/003—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells by analysing drilling variables or conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Hardware Design (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Earth Drilling (AREA)
Abstract
本发明公开了一种基于人工神经网络获取围岩力学参数的装置及方法,包括钻杆,钻杆通过钻夹头与动力设备输出轴连接,动力设备输出轴与动力设备固接;动力设备输出轴上设置转速传感器、扭矩传感器,动力设备侧部设置压力传感器,所述转速传感器、扭矩传感器和压力传感器均与数据存储系统连接,数据存储系统将数据传输至人工神经网络系统;利用各传感器对围岩的钻进数据进行测定,并将数据储存在数据存储系统中,同时结合模型试验获取所测围岩的土质力学参数,进而借助人工神经网络系统对钻进数据和力学参数的内在关系进行大量的训练分析,获取二者的最优关系,使得输出值为最优值,从而根据实际钻进操作中的钻进数据获知所钻进围岩的力学参数。
Description
技术领域
本公开涉及岩土工程勘察领域,具体涉及一种基于人工神经网络获取围岩力学参数的装置及方法。
背景技术
随着我国经济的不断发展,基础性设施的建设显得尤为重要,而地下工程又是基础性建设中不可或缺的一部分。然而在地下工程的建设过程中存在着诸多问题,其中根据现场实际围岩环境选择相应的开挖和支护方案是诸多问题中最为显著的一个。
围岩力学参数的正确与否对于后期施工工期与支护成本的影响巨大,因此开发一种便捷、高效的测量方法意义重大。而传统的围岩力学参数测量方法需将现场围岩运输至实验室中进行进一步的试验分析,发明人发现,该过程不仅需要消耗大量的时间和成本,同时由于其缺乏现场实际环境的约束测得的数据的准确性难以保证。
人工神经网络是基于生物学中神经网络的基本原理,在理解和抽象了人脑结构和外界刺激响应机制后,以网络拓扑知识为理论基础,模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。
发明内容
本公开目的是为克服上述现有技术的不足,提供一种基于人工神经网络获取围岩力学参数的装置及方法;该装置基于人工神经网络的原理实现人机交互,将冗杂的计算量交由计算机处理,在大量的训练分析后即可根据现场的钻进参数获取相应的围岩力学参数。
本公开的第一发明目的是提出一种基于人工神经网络获取围岩力学参数的装置,为实现上述目的,本公开采用下述技术方案:
一种基于人工神经网络获取围岩力学参数的装置,包括钻杆,钻杆通过钻夹头与动力设备输出轴连接,动力设备输出轴与动力设备固接;
所述动力设备输出轴上设置转速传感器、扭矩传感器,所述动力设备侧部设置压力传感器,所述转速传感器、扭矩传感器和压力传感器均与数据存储系统连接,数据存储系统将数据传输至人工神经网络系统;
利用各传感器对围岩的钻进数据进行测定,并将数据储存在数据存储系统中,同时结合模型试验获取所测围岩的土质力学参数,进而借助人工神经网络系统对钻进数据和力学参数的内在关系进行大量的训练分析,获取二者的最优关系,使得输出值为最优值,从而根据实际钻进操作中的钻进数据获知所钻进围岩的力学参数。
作为进一步的技术方案,所述钻夹头包括环状结构,环状结构内侧设置凸起状的卡钻头,环状结构外侧设置卡钻头开关,卡钻头开关与卡钻头连接。
作为进一步的技术方案,所述动力设备输出轴和钻杆之间设置有变速齿轮组,变速齿轮组通过联轴器与动力设备输出轴连接。
作为进一步的技术方案,所述动力设备与控制模块连接,控制模块用于控制动力设备的输出转速、扭矩及压力。动力设备可动态更改输出参数(转速、扭矩及压力)。
作为进一步的技术方案,所述动力设备、动力设备输出轴、数据存储系统、人工神经网络系统、变速齿轮组均设置于容置壳体内。
作为进一步的技术方案,所述容置壳体外侧设置数据显示器,数据显示器与人工神经网络系统连接。
作为进一步的技术方案,所述容置壳体外侧设置围岩分档调节装置,围岩分档调节装置与控制模块连接。
作为进一步的技术方案,所述容置壳体外侧还设有电源开关和顺逆转向控制开关,电源开关和顺逆转向控制开关均与动力设备连接。顺逆转向控制开关的作用在于获取钻进参数时的钻进和获取参数后的反向钻出,以此保证后续不会对周围岩样的结构造成更大的破坏。
作为进一步的技术方案,所述容置壳体两侧设置绝缘手持手把。
本公开的第二发明目的提出一种基于人工神经网络获取围岩力学参数的装置的方法,包括以下步骤:
获取施工区域地质资料,确定围岩类别,调节围岩分档调节装置,以相应的钻进参数对围岩进行钻进;
各传感器采集钻进中实际的钻进数据,并将其输入数据存储系统,重复钻进操作多次;
进行模型试验,获取所测围岩的土质力学参数,人工神经网络系统对实际的钻进数据和土质力学参数的关系进行大量的数据训练分析,并最终确定两者的最优关系,并将此最优关系集成在人工神经网络系统中;
利用上述装置对围岩进行实际钻进操作,人工神经网络系统实时将当前钻进围岩的力学参数传输至数据显示器,并将其显示在屏幕上。
本公开的有益效果为:
本公开的装置,在对围岩钻进时,获取其钻进数据,人工神经网络系统结合模型试验中获取的围岩地质力学参数,对钻进数据和力学参数的内在关系进行训练分析,获得二者关系的最优值。
本公开的方法,只需在前期人工神经网络对数据分析完成后进行现场钻进数据的获取,实际钻进施工时,可直接根据其钻进数据实时准确的获取当前围岩环境的力学参数,贴近工程实际且便于操作。
本公开的装置及方法,借助于人工神经网络进行大数据分析,训练后的神经网络可快速获取围岩的力学参数,相比于传统获取围岩力学参数的方法,本方法只需在试验岩体上进行钻进,不仅免去了获取岩样的步骤,同时考虑了围岩环境对岩样的影响,避免获取岩样时对周围岩体造成较大的扰动,使得获取的围岩力学参数较传统方法更为准确。
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为本公开装置的方法实施流程图;
图2为基于人工神经网络获取围岩力学参数的装置外部示意图;
图3为钻头及钻杆内部示意图;
图4为钻夹头示意图;
图5为基于人工神经网络获取围岩力学参数的装置内部示意图;
图6为网络结构模型图;
图7为人工神经网络分析流程图;
图中,2-1为钻头,2-2为钻杆,2-3为钻夹头,2-4为围岩分档调节装置,2-5数据显示器,2-6顺逆转向控制开关,2-7为电源开关,2-8为绝缘手持手把;3-1卡钻头预留孔,4-1为卡钻头,4-2为卡钻头开关,5-1变速齿轮组,5-2为联轴器,5-3为轴承支架,5-4为转速传感器,5-5为动力设备,5-6为压力传感器,5-7为数据存储系统,5-8为人工神经网络系统,5-9为容置壳体。
具体实施方式
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;
为了方便叙述,本公开中如果出现“上”、“下”、“左”“右”字样,仅表示与附图本身的上、下、左、右方向一致,并不对结构起限定作用,仅仅是为了便于描述本公开和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位,以特定的方位构造和操作,因此不能理解为对本公开的限制。
正如背景技术所介绍的,传统的围岩力学参数测量方法需将现场围岩运输至实验室中进行进一步的试验分析,发明人发现,该过程不仅需要消耗大量的时间和成本,同时由于其缺乏现场实际环境的约束测得的数据的准确性难以保证。为了解决如上的技术问题,本申请提出了一种基于人工神经网络获取围岩力学参数的装置,其基于人工神经网络的原理实现人机交互,将冗杂的计算量交由计算机处理,在大量的训练分析后即可根据现场的钻进参数获取相应的围岩力学参数。其只需在前期人工神经网络系统对数据分析完成后进行现场钻进数据的获取,便可在施工中实时准确的获取围岩力学参数。
本申请提供了一种基于人工神经网络获取围岩力学参数的装置,包括钻杆,钻杆通过钻夹头与动力设备输出轴连接,动力设备输出轴与动力设备固接;
所述动力设备输出轴上设置转速传感器、扭矩传感器,所述动力设备侧部设置压力传感器,所述转速传感器、扭矩传感器和压力传感器均与数据存储系统连接,数据存储系统将数据传输至人工神经网络系统;
利用各传感器对围岩的钻进数据进行测定,并将数据储存在数据存储系统中,同时结合模型试验获取所测围岩的土质力学参数,进而借助人工神经网络系统对钻进数据和力学参数的内在关系进行大量的训练分析,获取二者的最优关系,使得输出值为最优值,从而根据实际钻进操作中的钻进数据获知所钻进围岩的力学参数。
实施例1
下面结合附图1-附图7对本实施例公开的装置及方法做进一步的说明;
参照附图2-图5所示,基于人工神经网络获取围岩力学参数的装置,装置中的钻进部分采用冲击钻形式,具体包括钻杆2-2,钻杆2-2通过钻夹头2-3与动力设备输出轴连接,动力设备输出轴与动力设备5-5固接;
动力设备输出轴上设置转速传感器5-4、扭矩传感器,动力设备5-5侧部设置压力传感器5-6,转速传感器5-4、扭矩传感器和压力传感器5-6均与数据存储系统5-7连接,各传感器通过对工作中的钻杆进行监测获取相关钻进数据,进而将获取的数据将保存在数据存储系统上,数据存储系统5-7将数据传输至人工神经网络系统5-8,其中人工神经网络为集成算法作为“黑匣子”嵌固于装置内;
利用各传感器对围岩的钻进数据进行测定,并将数据储存在数据存储系统5-7中,同时结合模型试验获取所测围岩的土质力学参数,进而借助人工神经网络系统5-8对钻进数据和力学参数的内在关系进行大量的训练分析,获取二者的最优关系,使得输出值为最优值,从而根据实际钻进操作中的钻进数据获知所钻进围岩的力学参数。
本实施例中,转速传感器及扭矩传感器采用集成传感器,例如ZH07-标准通用型。转速传感器及扭矩传感器安装时位于动力设备的输出轴中部,连接时采用联轴器与轴承,装置内部设置安装板,保证齿轮组、动力设备、轴承支架、联轴器位于同一水平面,此时便可在钻机工作情况下获取钻进时的转速及扭矩。压力传感器安装于动力设备尾部,用于测量钻机在工作情况时的压力。
如图3所示,钻杆2-2一端部连接钻头2-1,钻杆2-2另一端部设置卡钻头预留孔3-1,与钻夹头2-3连接。
如图4所示,钻夹头2-3包括环状结构,环状结构内侧设置凸起状的卡钻头4-1,环状结构外侧设置卡钻头开关4-2,卡钻头开关4-2与卡钻头4-1连接。卡钻头4-1可卡设于钻杆2-2的卡钻头预留孔3-1内将钻杆2-2固定。按下卡钻头开关4-2卡钻头收缩,将卡钻头预留孔3-1对准卡钻头所在位置向内伸入,松开卡钻头开关,卡钻头与钻杆上预留孔密合,如此安装即可。
如图5所示,动力设备输出轴和钻杆2-2之间设置有变速齿轮组5-1,变速齿轮组5-1通过联轴器5-2与动力设备输出轴连接。
动力设备输出轴上设置轴承,轴承由轴承支架5-3支撑。
动力设备5-5与控制模块连接,控制模块用于控制动力设备5-5的输出转速、扭矩及压力。动力设备可通过控制模块动态更改其输出参数(转速、扭矩及压力)。
动力设备5-5、动力设备输出轴、数据存储系统5-7、人工神经网络系统5-8、变速齿轮组5-1均设置于容置壳体5-9内。
容置壳体5-9外侧设置数据显示器2-5,数据显示器2-5与人工神经网络系统5-8连接。数据显示器将实时显示钻进过程中由人工神经网络系统中内在关系分析获得的围岩相关力学参数。
容置壳体5-9外侧设置围岩分档调节装置2-4,围岩分档调节装置2-4与控制模块连接,控制模块控制动力设备5-5更改其输出参数。
本实施例中,围岩分档调节装置依围岩类别分为3档,其中1档为土质围岩,2档为软弱围岩,3档为硬岩。
围岩分档调节装置根据用户选择档位,控制模块依档位不同进而控制钻机内部的动力设备的输出参数,也即更改了钻杆相应的钻进参数,包括转速及扭矩、钻压,根据相应的围岩类别以相应的钻进参数对围岩进行钻进,避免例如在实际情况下选用硬岩相应的钻进参数钻进土质围岩而对围岩造成破坏影响真实数据的测量。
本公开的数据存储系统用于分类并保存来自传感器传输的钻进参数,根据钻进时围岩分类不同,可设置多个数据存储模块,如本实施例的分档情况,其设置3个数据存储系统模块,将不同类围岩的相应数据分别储存在数据存储系统模块1、2、3中,数据存储系统与人工神经网络系统相连。
容置壳体5-9外侧还设有电源开关2-7和顺逆转向控制开关2-6,电源开关2-7和顺逆转向控制开关2-6均与动力设备5-5连接。电源开关控制动力设备通电与否,顺逆转向控制开关控制动力设备的正反向,进而控制钻杆钻进时的方向,顺逆转向控制开关的作用在于获取钻进参数时的钻进和获取参数后的反向钻出,以此保证后续不会对周围岩样的结构造成更大的破坏。
容置壳体5-9两侧设置绝缘手持手把2-8。
该装置通过现场试验利用各传感器对围岩的相关钻进数据进行测定,并将数据储存在数据存储系统中,同时在实验室中获取所测围岩的相关地质力学参数,进而借助人工神经网络系统对钻进数据和力学参数的内在关系进行大量的训练分析,使得二者关系输出值为最优值,以在后续钻进操作时,根据钻进操作中的钻进数据实时获知钻进围岩的力学参数。
本公开的装置中的人工神经网络系统用于数据处理,主要体现在对钻进数据和力学参数的内在关系进行大量的训练分析,建立钻进参数与力学参数的最优关系,使得输出值为最优值。
该装置中涉及的人工神经网络系统的主要工作原理如下:
人工神经网络采用BP神经网络,由三个基本层构成,分别为输入层、隐藏层和输出层,其中,输入层为钻进参数,输出层为力学参数。隐藏层涉及多层运算,每一层的节点可以通过有向弧与上一层的节点相连。每一条弧上的数代表权值,根据这些权值可以用算出他们节点所指的值。其中,为输出向量,为输入向量,λ为偏移向量,G为权重矩阵,为激活函数。每一个下次通过简单的加权计算得到上一层的输入,通过多层迭代后,最上层的输出层输出结果,此时即为最优值,BP神经网络算法如下:
第一步:采用随机函数对权值进行初始化;
第二步:输入训练集数据;
第三步:以初始的权值代入,计算实际输出;
第四步:从输出层开始,将误差信号沿连接通路反向传播,通过修正各个权值,使误差最小。
当所有样本输出值与目标期望值之间的均方差满足要求时,停止迭代,网络训练完毕,各节点的连接权值就固定下来,同时也就得到了所研究对象的输入输出之间的拓扑关系,即建立了输入向量与输出向量之间的数学定量关系。
隐藏层进行运算时,第一层输入节点接收原始输入信息,来自每个采集点的数值按照神经弧上的的加权计算,之后进行一次总的非线性变换φ(G)赋值给下一层的节点。第二层的节点按照相同的处理方法将输入值向后传递,直至最后的输出层结束。
本公开在对钻进参数和力学参数进行训练前需要获取训练数据,包括输入数据(钻进参数)和输出值(力学参数)。为了使输出值和目标值相接近,利用每次计算得到的差值来调整每一层的权重矩阵,直到最终获得的一个最优解。
训练数据分析过程采用梯度下降的方法,具体的计算方法如下:
(1)设计网络结构:确定每层神经网络的层数、节点数和激活函数;
(2)数据预处理:将得到的数据处理成能够使用神经网络处理的数据,利用主成分分析法将这些数据进行优化以便使训练结果收敛;
(3)训练网络:根据训练数据的输入计算得到输出,再计算出梯度来更新权值;
(4)预测新值:将所选取的样本随机排列后重新训练,选择一组新的输入来预测目标值。
根据计算规则,系统将随机从选取的样本中选取部分数据构成学习样本对神经网络进行训练。以剩下的数据构成验证样本及测试样本,并以验证样本对网络进行验证。当验证样本的均方误差达到最小时,训练结束。
通过对大量的钻进参数进行人工神经网络分析,并对比室内数据,结合现场测定的力学参数,从而得到较为准确的输出值(力学参数)。
利用本公开上述装置的操作方法,具体实施步骤为:
(1)在测量前获得施工区域地质资料,并了解该施工区域内的围岩类别。根据现场围岩的类别不同选取相应的围岩分类级别档数,该实施步骤以土质围岩为例介绍主要的工作流程,故而选取1档,以相应的钻进参数利用上述装置对围岩进行钻进;
(2)利用上述装置中的转速传感器、扭矩传感器、压力传感器获取现场钻进实验时的钻进数据,该参数自动导入数据存储系统中,同时实验室中进行模型试验获得该围岩类别下的土质力学参数,并利用计算机将该数据导入数据存储系统中,如此重复进行实验多次;
(3)具体操作时,借助人工神经网络系统对步骤(2)中获取的钻进数据和土质力学参数的关系进行大量的数据训练分析,并最终确定两者的最优关系,并将此最优关系储存在人工神经网络系统中,人工神经网络系统的工作原理已在前文中详细解释,在此不再赘述;
(4)实际工程中,利用上述装置进行实际钻进操作,人工神经网络系统将当前钻进围岩的实时力学参数传输至数据显示器,并将其显示在屏幕上。
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。
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。
Claims (10)
1.一种基于人工神经网络获取围岩力学参数的装置,其特征是,包括钻杆,钻杆通过钻夹头与动力设备输出轴连接,动力设备输出轴与动力设备固接;
所述动力设备输出轴上设置转速传感器、扭矩传感器,所述动力设备侧部设置压力传感器,所述转速传感器、扭矩传感器和压力传感器均与数据存储系统连接,数据存储系统将数据传输至人工神经网络系统;
利用各传感器对围岩的钻进数据进行测定,并将数据储存在数据存储系统中,同时结合模型试验获取所测围岩的土质力学参数,进而借助人工神经网络系统对钻进数据和力学参数的内在关系进行大量的训练分析,获取二者的最优关系,使得输出值为最优值,从而根据实际钻进操作中的钻进数据获知所钻进围岩的力学参数。
2.如权利要求1所述的基于人工神经网络获取围岩力学参数的装置,其特征是,所述钻夹头包括环状结构,环状结构内侧设置凸起状的卡钻头,环状结构外侧设置卡钻头开关,卡钻头开关与卡钻头连接。
3.如权利要求1所述的基于人工神经网络获取围岩力学参数的装置,其特征是,所述动力设备输出轴和钻杆之间设置有变速齿轮组,变速齿轮组通过联轴器与动力设备输出轴连接。
4.如权利要求1所述的基于人工神经网络获取围岩力学参数的装置,其特征是,所述动力设备与控制模块连接,控制模块用于控制动力设备的输出转速、扭矩及压力。
5.如权利要求3所述的基于人工神经网络获取围岩力学参数的装置,其特征是,所述动力设备、动力设备输出轴、数据存储系统、人工神经网络系统、变速齿轮组均设置于容置壳体内。
6.如权利要求5所述的基于人工神经网络获取围岩力学参数的装置,其特征是,所述容置壳体外侧设置数据显示器,数据显示器与人工神经网络系统连接。
7.如权利要求5所述的基于人工神经网络获取围岩力学参数的装置,其特征是,所述容置壳体外侧设置围岩分档调节装置,围岩分档调节装置与控制模块连接。
8.如权利要求5所述的基于人工神经网络获取围岩力学参数的装置,其特征是,所述容置壳体外侧还设有电源开关和顺逆转向控制开关,电源开关和顺逆转向控制开关均与动力设备连接。
9.如权利要求5所述的基于人工神经网络获取围岩力学参数的装置,其特征是,所述容置壳体两侧设置绝缘手持手把。
10.如权利要求1-9任一项所述的基于人工神经网络获取围岩力学参数的装置的方法,其特征是,包括以下步骤:
获取施工区域地质资料,确定围岩类别,调节围岩分档调节装置,以相应的钻进参数对围岩进行钻进;
各传感器采集钻进中实际的钻进数据,并将其输入数据存储系统,重复钻进操作多次;
进行模型试验,获取所测围岩的土质力学参数,人工神经网络系统对实际的钻进数据和土质力学参数的关系进行大量的数据训练分析,并最终确定两者的最优关系,并将此最优关系集成在人工神经网络系统中;
利用上述装置对围岩进行实际钻进操作,人工神经网络系统实时将当前钻进围岩的力学参数传输至数据显示器,并将其显示在屏幕上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910511673.6A CN110359905A (zh) | 2019-06-13 | 2019-06-13 | 一种基于人工神经网络获取围岩力学参数的装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910511673.6A CN110359905A (zh) | 2019-06-13 | 2019-06-13 | 一种基于人工神经网络获取围岩力学参数的装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110359905A true CN110359905A (zh) | 2019-10-22 |
Family
ID=68217360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910511673.6A Pending CN110359905A (zh) | 2019-06-13 | 2019-06-13 | 一种基于人工神经网络获取围岩力学参数的装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110359905A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113008440A (zh) * | 2021-03-10 | 2021-06-22 | 山东科技大学 | 基于遗传算法优化神经网络的柔性注液传感器检测方法 |
CN114135278A (zh) * | 2021-11-11 | 2022-03-04 | 山东大学 | 一种随钻感知不良地质智能识别与预报系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160370274A1 (en) * | 2015-02-20 | 2016-12-22 | Halliburton Energy Services, Inc. | Classifying particle size and shape distribution in drilling fluids |
CN106321093A (zh) * | 2016-09-28 | 2017-01-11 | 中国科学院力学研究所 | 一种利用随钻监测技术测试岩体强度的方法与装置 |
CN108375805A (zh) * | 2018-02-26 | 2018-08-07 | 中国矿业大学 | 基于气动锚杆钻机钻进参数实时确定岩体地质状态的方法 |
US20190048708A1 (en) * | 2017-08-10 | 2019-02-14 | Datacloud International, Inc. | Spectral borehole imaging systems and methods |
CN109635461A (zh) * | 2018-12-18 | 2019-04-16 | 中国铁建重工集团有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN109630154A (zh) * | 2019-01-24 | 2019-04-16 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 一种用于隧道掘进的掘进机器人及远程移动终端指挥系统 |
-
2019
- 2019-06-13 CN CN201910511673.6A patent/CN110359905A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160370274A1 (en) * | 2015-02-20 | 2016-12-22 | Halliburton Energy Services, Inc. | Classifying particle size and shape distribution in drilling fluids |
CN106321093A (zh) * | 2016-09-28 | 2017-01-11 | 中国科学院力学研究所 | 一种利用随钻监测技术测试岩体强度的方法与装置 |
US20190048708A1 (en) * | 2017-08-10 | 2019-02-14 | Datacloud International, Inc. | Spectral borehole imaging systems and methods |
CN108375805A (zh) * | 2018-02-26 | 2018-08-07 | 中国矿业大学 | 基于气动锚杆钻机钻进参数实时确定岩体地质状态的方法 |
CN109635461A (zh) * | 2018-12-18 | 2019-04-16 | 中国铁建重工集团有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN109630154A (zh) * | 2019-01-24 | 2019-04-16 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 一种用于隧道掘进的掘进机器人及远程移动终端指挥系统 |
Non-Patent Citations (1)
Title |
---|
陈晓君等: "基于人工神经网络模型的岩石特性预测", 《探矿工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113008440A (zh) * | 2021-03-10 | 2021-06-22 | 山东科技大学 | 基于遗传算法优化神经网络的柔性注液传感器检测方法 |
CN114135278A (zh) * | 2021-11-11 | 2022-03-04 | 山东大学 | 一种随钻感知不良地质智能识别与预报系统及方法 |
CN114135278B (zh) * | 2021-11-11 | 2024-01-02 | 山东大学 | 一种随钻感知不良地质智能识别与预报系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875122B (zh) | 利用随钻测井数据计算地质参数的人工智能方法和系统 | |
CN100538276C (zh) | 一种基于集成神经网络的微小卫星用mems陀螺仪误差补偿方法 | |
CN110359905A (zh) | 一种基于人工神经网络获取围岩力学参数的装置及方法 | |
Reddy | Modelling soil behaviour in uniaxial strain conditions by neural networks | |
CN110070172A (zh) | 基于双向独立循环神经网络的序列预测模型的建立方法 | |
KR102181966B1 (ko) | 유압실린더 종합 테스트 스테이션에 대한 소프트 측량방법 및 시스템 | |
CN107147342A (zh) | 一种感应电机参数辨识系统及方法 | |
Feng et al. | The ways ahead for rock engineering design methodologies | |
CA2549537A1 (en) | Intelligent system for use in subterranean drilling applications | |
CN105353789A (zh) | 连续振动信号时间历程复现控制方法 | |
CN108663972A (zh) | 随钻核磁共振测井仪器主控系统与装置 | |
CN104571088A (zh) | 基于故障可诊断性约束的卫星控制系统多目标优化方法 | |
CN113137226A (zh) | 便携式岩土体力学参数钻探测试系统及设备 | |
CN106886620A (zh) | 航天器测试资源优化配置方法 | |
CN111706322A (zh) | 一种岩石钻进响应的预测方法和预测系统 | |
Sousa et al. | Multiple AUVs for coastal oceanography | |
CN113268799B (zh) | 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 | |
CN202391405U (zh) | 石油钻井钻压扭矩随钻测量仪器的刻度装置 | |
Flowers et al. | AGeS3: Micro-Funding an Inclusive Community Grassroots Effort to Better Understand the Earth System | |
Dong et al. | A user-configurable electric actuator hybrid test platform: Development and applications for viscoelastic damping system seismic testing | |
CN109711760A (zh) | 适合衡量自适应学生学习效果的分析方法 | |
Idinyang et al. | Millisecond interfacing of physical models with ABAQUS | |
Duque et al. | A methodology for the choice of the initial conditions in the model updating of welded joints using the fuzzy finite element method | |
CN117268617B (zh) | 一种包含三层介质模型的应力张量确定方法 | |
CN116227090B (zh) | Tbm超前地质预报与掘进性能预测数字孪生系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |