CN111220616A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111220616A
CN111220616A CN202010071313.1A CN202010071313A CN111220616A CN 111220616 A CN111220616 A CN 111220616A CN 202010071313 A CN202010071313 A CN 202010071313A CN 111220616 A CN111220616 A CN 111220616A
Authority
CN
China
Prior art keywords
feldspar
rock
module
data
weathering
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
Application number
CN202010071313.1A
Other languages
English (en)
Other versions
CN111220616B (zh
Inventor
许振浩
邵瑞琦
刘福民
谢辉辉
余腾飞
林鹏
王欣桐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202010071313.1A priority Critical patent/CN111220616B/zh
Publication of CN111220616A publication Critical patent/CN111220616A/zh
Priority to US17/619,203 priority patent/US11933713B2/en
Priority to PCT/CN2020/135315 priority patent/WO2021147554A1/zh
Application granted granted Critical
Publication of CN111220616B publication Critical patent/CN111220616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/02—Devices for withdrawing samples
    • G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/02—Devices for withdrawing samples
    • G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
    • G01N1/08—Devices for withdrawing samples in the solid state, e.g. by cutting involving an extracting tool, e.g. core bit
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/02—Devices for withdrawing samples
    • G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
    • G01N2001/045—Laser ablation; Microwave vaporisation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/07—Investigating materials by wave or particle radiation secondary emission
    • G01N2223/076—X-ray fluorescence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/616—Specific applications or type of materials earth materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]

Abstract

本公开提供了一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，克服目前实验方法的不足，易于操作，可用于探测岩层中长石的种类以及含量、晶体结构等信息，并结合计算机深度学习的方法整合这些信息来判断隧洞内含不同类型长石的碎屑岩岩层的抗风化能力，判断准确度高。

Description

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
技术领域
本公开属于岩土抗风化测试领域，涉及一种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。
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。
长石类矿物是地壳中最为常见的硅酸盐矿物，作为岩石圈最为重要的造岩矿物，其特征与岩石的结构构造、硬度、抗压程度以及其抗风化能力有着非常紧密的联系，由于长石的结晶温度较低，仅次于石英和白云母，因此在自然界中属于抗风化能力较强的一类矿物。但传统方法对岩石硬度或其抗风化能力的研究多集中于对石英的考量，对长石与岩石抗风化能力的相对关系考虑很少，但是长石在岩石圈中的分布更为广泛，如果需要考虑尽可能找到一个可以适应于多种岩石的矿物因素，长石不失为一个很好的选择。
碎屑岩中的矿物多数是由岩浆岩风化后经过搬运而沉积的，长石作为已经风化后的产物而继续保存下来，说明其有很强的抗风化能力，尽管碎屑岩中同样也存在大量的石英，但长石对碎屑岩抗风化能力也同样有非常重要的影响。但据发明人了解,目前对于碎屑岩抗风化能力的评价中,缺少长石特征的考虑,而缺少对长石特征的考虑，致使所能研究的岩石类别较少，同时会出现利用少量的石英含量来推测岩石的抗风化程度等现象，导致观测的误差范围较大。
发明内容
本公开为了解决上述问题，提出了基于长石特征分析的隧洞内碎屑岩抗风化能力判别系统与方法，本公开通过研究隧道碎屑岩中长石的特征来判断其抗风化的能力，填补了研究隧道围岩在抗风化能力方面预测研究的空白。
根据一些实施例，本公开采用如下技术方案：
基于长石特征分析的隧洞内碎屑岩抗风化能力判别系统，包括：
取样机构，搭载于TBM前方，获取掌子面的岩块或/和岩粉试样；
自动扫描模块，被配置为对获取试样前的岩层进行全方位图像采集；
元素分析模块，被配置为对试样中所含基本化学元素信息进行采集；
显微图像模块，被配置为对试样中长石的解理特征、干涉色特征、突起特征以及晶体结构特征进行提取；
无线传输模块，被配置为将自动扫描模块、元素分析模块获取的数据传输至数据分析中心；
所述数据分析中心根据获取的信息，通过提取图像特征以及元素特征，获取解理信息与晶体结构信息，进而确定岩层抗风化能力的级别。
作为可选择的实施方式，所述取样机构包括搭载于TBM上的破岩机构和取样机械臂，所述破岩机构包括激光破岩装置和钻机，其中激光破岩系统通过激光切取块状样品，钻机钻取粉末状样品，取样机械臂可多维运动。
作为可选择的实施方式，自动扫描设备搭载有高清全自动广角拍照镜头，用以采集研究岩层的高清图像信息。
作为可选择的实施方式，所述元素分析模块包括X射线分析设备。
作为可选择的实施方式，还包括矿物定量模块，包括电子探针系统，对试样中各类长石的含量进行定量分析。
作为可选择的实施方式，数据分析中心包括岩性对比模块与深度学习模块，其中，岩性对比模块接收自动扫描模块、元素分析模块和显微图像模块获取的信息，与深度学习模块协同工作；
深度学习模块被配置为提取图像特征以及元素特征，以反馈出基本的岩性信息，根据各类长石的元素含量与已有数据进行对比，获取解理信息与晶体结构信息，进而进行分级，得到岩层抗风化能力的级别。
作为可选择的实施方式，深度学习模块包括人工辅助神经网络训练器以及自动模型预测器，所述人工辅助神经网络训练器存储有先期隧洞开挖岩石数据以及各类地表岩石数据以及油田及煤田的钻井岩性数据，作为训练数据，获得岩石中长石的类型和含量用以划分单个特征抗风化级别，给出岩石的基本岩性特征；所述自动模型预测器被配置为根据抗风化程度分级模型展开分级，并输出最终预测结果。
基于长石特征分析的隧洞内碎屑岩抗风化能力判别系统与方法，包括以下步骤：
提前采集隧道在开挖前期的碎屑岩岩石样品、地表碎屑岩岩石样品、油田或煤田钻井岩心样品，获取其图像特征、元素特征、显微特征、晶体特征以及矿物特征等，利用不同风化等级的判定标准来完成训练模型；
在TBM停机期间，在掌子面随机采取块状样和粉末样，对掌子面开始全方位扫描已获取图像信息，分析样品中的元素类型；
根据提取到的包含解理特征、干涉色特征、突起特征和晶体结构特征的图像，通过神经网络学习建立模型，通过与已有数据反复对比，最终需得到长石的解理类型、干涉色特征、突起特征等和长石的晶体结构特征用以划分单个特征抗风化级别；
定量的获取样品中矿物的主要类型，结合矿物定量分析结果和元素分析数据以及图像数据，通过神经网络先期学习已建立起的模型获得岩石中长石的类型和含量用以划分单个特征抗风化级别，给出岩石的基本岩性特征；
将整合上述所有信息，并通过已嵌入的抗风化程度分级模型展开分级，并输出最终预测结果。
作为可选择的实施方式，单个特征抗风化级别的分级的过程包括：按照不同长石的种类提供判别标准来看，正长石>酸性斜长石>中性斜长石>基性斜长石，当长石中仅含有K元素时，其抗风化能力最强，Na元素其次，仅含有Ca元素时其抗风化能力最差，当同时含有Na和Ca元素时，其抗风化能力随Na元素含量的增多而增强。
作为可选择的实施方式，单个特征抗风化级别分级的过程包括：长石本在岩石中的含量越高，其抗风化能力就越强。
作为可选择的实施方式，单个特征抗风化级别分级的过程包括：矿物的晶体形状保存的越完好则说明其更加稳定，其抗风化能力也越高。
与现有技术相比，本公开的有益效果为：
本公开提供一种利用地壳中更为广泛存在的矿物来评价隧洞内碎屑岩的抗风化能力，克服目前实验方法的不足，易于操作，可用于探测岩层中长石的种类以及含量、晶体结构等信息，并结合计算机深度学习的方法整合这些信息来判断隧洞内含不同类型长石的碎屑岩的抗风化能力，判断准确度高。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本实施例整体系统结构图；
图2是隧道内TBM数据采集系统与无线传输模块安装示意图；
图3是TBM前端机械臂上数据采集系统中采样机构和自动扫描模块安装示意图；
图4是数据分析、输出与储存以及显模块和矿物定量分析模块实际运行简图。
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，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
如图1所示，基于长石特征分析的隧洞内碎屑岩抗风化能力判别系统与方法，其包括数据采集系统、无线传输系统、数据分析系统、数据输出与存储中心，各个系统中又包含有不同模块。
如图2、图3和图4所示，数据采集系统中的取样机构、自动扫描模块和元素分析模块通过机械臂安装于TBM前端，其中取样机构和自动扫描模块可在TBM停机时对掌子面进多方位随机取样以及全方位图像采集；
元素分析模块搭载有X射线分析仪，对岩石中所含基本化学元素信息进行采集；
此外，显微图像模块和矿物定量模块置于远程控制实验室，其所获得的数据传送至深度学习模块；
其中显微图像模块搭载有高分辨率的偏关显微镜主要用以提取长石的解理特征、干涉色特征、突起特征以及晶体结构特征以传输给学习模块进行分级；
矿物定量模块搭载电子探针系统，由于X射线系统只能半定量的测量元素类别，无法定量研究，因此探针系统可进一步定量分析各类长石的含量以供学习系统开展分析并定级；
无线传输系统搭载于信息采集系统末端，用以将采集系统中自动扫描模块和元素分析模块获得的数据传输至数据分析系统；
数据分析系统至于远程控制室，包括岩性对比模块与深度学习模块；
其中岩性对比模块接收来自数据采集系统的信息，通过与深度学习模块协同工作；
岩性识别系统嵌入了岩性库，学习模块通过提取图像特征以及元素特征后可以反馈出基本的岩性信息；
深度学习模块包括人工辅助神经网络训练器以及自动模型预测器；
其中训练器已经接收了大量的先期隧洞开挖岩石数据以及各类地表岩石数据以及国内油田及煤田的钻井岩性数据，且这些数据均存于数据存储中心，训练器可以不断从数据存储中心获得新的数据开展训练；
训练器接收来自元素分析模块以及矿物定量模块的信息，通过与已有数据对比和训练，最终可按照原理一和原理二进行分级；
训练器接收显微图像模块信息，进行图像学习，提取数据，同样是与存储系统中已有的数据不断进行对比，获取解理信息与晶体结构信息，依据原理三进行分级；
训练器最终结合三类分级按照预置的分类标准给出岩层抗风化能力的级别；
预测器将待检测的结果与数据存储中心中人工分析的各类岩样结果进行比较，通过训练器训练出的模型判断岩石中长石与抗风化能力的对应关系类，作为辅助预测。
数据采集系统在TBM任何停机期间进行对掌子面进行数据采集，全自动高清摄像头对掌子面进行扫描，使用激光破岩设备对掌子面开展随机取块样，小型冲击钻机取粉末样，通过搭载的X射线分析设备及对应的数据解译系统进行岩层中各类化学元素初步识别，但由于长石发育有大量的类质同象问题，从而需要电子探针系统进行元素化合物或者矿物的定量分析。
显微图像模块是指依据长石的显微特性不同，如：正长石两组节理呈90°相交，斜长石不呈90°，此外，对其晶体形状进行识别(自形、半自形、它形)，干涉色识别(正长石干涉色为一级灰—灰白，斜长石干涉色一级黄，平行消光)，突起识别(正长石为负突起、斜长石为正突起)。
原理一：矿物的结晶温度越低其抗风化能力便越强，不同的长石其结晶顺序有明显的先后关系，因此钾长石的抗风化能力高于斜长石(即正长石比斜长石的抗风化能力强)，或碱性长石抗风化能力大于斜长石，而在斜长石中则以酸性斜长石大于中性斜长石大于基性斜长石，综上可知，按照不同长石的种类提供判别标准来看，正长石(钾长石)>酸性斜长石(钠长石、奥长石)>中性斜长石(中长石)>基性斜长石(拉长石、培长石、钙长石)。通过对比其元素含量，我们提供一种更为简单的划分，既当长石中仅含有K元素时，其抗风化能力最强，Na元素其次，仅含有Ca元素时其抗风化能力最差，当同时含有Na和Ca元素时，其抗风化能力随Na元素含量的增多而增强。
原理二：长石在碎屑岩石的碎屑中所占的比重，在碎屑岩中，长石本是原岩经过风化后的产物，这说明其本身具有较强的抗风化能力，因此，其在岩石中的含量越高，其抗风化能力就越强。
原理三：晶体结构，矿物在结晶时如果有较为充足的结晶时间和生长空间，其便会按照其自身具有的晶体结构生长为固定的形状，因此，当矿物结晶后保持了自身的晶体结构与形状，则称为自形晶体；保留的大部分晶体形状，则称为半自形晶体；完全丧失了其自身形状，则称为它形晶体，而矿物的晶体形状保存的越完好则说明其更加稳定，其抗风化能力也越高。
依据上述原理，并结合岩石圈中岩石的基本特征提出如下判别等级：若碎屑岩中的长石类型仅为钾长石—1级；钾长石>斜长石—2级；钾长石<斜长石—3级；仅为斜长石—4级。
若长石在碎屑岩占碎屑含量超过50％—1级；15％-50％—2级；5％-15％—3级；<5％-4级。
长石的晶体结构，自形含量>半自形+它形—1级；自形含量+半自形>它形—2级；自形含量≈半自形+它形—3级；自形含量+半自形<它形—4级。
按上述三个标准，最终定出长石特性对岩层风化程度的最后判断级别：至少存在一个1级和2级或2个2级则抗风化能力为优，仅存在1个1级或2级则抗风化能力为中，不存在任何一个1级或2级则抗风化能力差。
基于长石特征分析的隧洞内碎屑岩抗风化能力判别系统与方法，其工作过程主要包括以下步骤：
1.采集隧道在开挖前期的碎屑岩岩石样品、地表碎屑岩岩石样品、油田、煤田钻井岩心样品，获取其图像特征、元素特征、显微特征、晶体特征，矿物特征等，将这些数据导入数据存储中心(13)以及训练器(10)，提供不同风化等级的判定标准来完成训练模型；
2.在TBM停机期间，信息采集系统(1)开始工作，其中取样模块(2)开始在掌子面随机采取块状样(2a)和粉末样(2b)，扫描模块(3)开始对掌子面开始全方位扫描已获取图像信息，元素分析模块(4)分析样品中的元素类型，最后通过无线传输系统(7)将上述过程获得的数据传送至岩性对比模块(8)；
3.同时，显微图像模块(5)将提取到的包含解理特征、干涉色特征、突起特征和晶体结构特征的图像传输至数据分析系统(9)，训练器(10)通过神经网络学习建立模型，通过与数据储存空间(13)已有数据反复对比，最终需得到长石的解理类型、干涉色特征、突起特征等和长石的晶体结构特征用以划分单个特征抗风化级别；
4.矿物定量模块(6)可以定量的获取样品中矿物的主要类型，数据分析系统(9)中的训练器(10)结合矿物定量分析结果和来自岩性对比模块(8)的元素分析数据以及图像数据，通过神经网络先期学习已建立起的模型可以获得岩石中长石的类型和含量用以划分单个特征抗风化级别，还可以给出岩石的基本岩性特征；
5.通过深度学习模块分析后，学习系统将整合上述所有信息，并通过已嵌入的抗风化程度分级模型展开分级，并输出最终预测结果(12)；
6.数据输出系统将数据输出到存储中心并储存(13)；
7.在TBM掘进过程中，系统未工作时，可不断用室内标准样品以及隧道开挖的岩块中获取的信息不断进行学习，以在最大程度上提高其准确可靠性；
8.重复2-7，开展下一阶段测试与分析。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开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。
本公开是参照根据本公开实施例的方法、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。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
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)

1.一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，包括：
取样机构，搭载于TBM前方，获取掌子面的岩块或/和岩粉试样；
自动扫描模块，被配置为对获取试样前的岩层进行全方位图像采集；
元素分析模块，被配置为对试样中所含基本化学元素信息进行采集；
显微图像模块，被配置为对试样中长石的解理特征、干涉色特征、突起特征以及晶体结构特征进行提取；
无线传输模块，被配置为将自动扫描模块、元素分析模块获取的数据传输至数据分析中心；
所述数据分析中心根据获取的信息，通过提取图像特征以及元素特征，获取解理信息与晶体结构信息，进而确定岩层抗风化能力的级别。
2.如权利要求1所述的一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，其特征是：所述取样机构包括搭载于TBM上的破岩机构和取样机械臂，所述破岩机构包括激光破岩装置和钻机，其中激光破岩系统通过激光切取块状样品，钻机钻取粉末状样品，取样机械臂可多维运动。
3.如权利要求1所述的一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，其特征是：自动扫描设备搭载有高清全自动广角拍照镜头，用以采集研究岩层的高清图像信息。
4.如权利要求1所述的一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，其特征是：所述元素分析模块包括X射线分析设备。
5.如权利要求1所述的一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，其特征是：还包括矿物定量模块，包括电子探针系统，对试样中各类长石的含量进行定量分析。
6.如权利要求1所述的一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，其特征是：数据分析中心包括岩性对比模块与深度学习模块，其中，岩性对比模块接收自动扫描模块、元素分析模块和显微图像模块获取的信息，与深度学习模块协同工作；
深度学习模块被配置为提取图像特征以及元素特征，以反馈出基本的岩性信息，根据各类长石的元素含量与已有数据进行对比，获取解理信息与晶体结构信息，进而进行分级，得到岩层抗风化能力的级别。
7.如权利要求1所述的一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，其特征是：深度学习模块包括人工辅助神经网络训练器以及自动模型预测器，所述人工辅助神经网络训练器存储有先期隧洞开挖岩石数据以及各类地表岩石数据以及油田及煤田的钻井岩性数据，作为训练数据，获得岩石中长石的类型和含量用以划分单个特征抗风化级别，给出岩石的基本岩性特征；所述自动模型预测器被配置为根据抗风化程度分级模型展开分级，并输出最终预测结果。
8.一种基于长石特征对隧洞内碎屑岩抗风化能力的判别方法，其特征是：包括以下步骤：
提前采集隧道在开挖前期的碎屑岩岩石样品、地表碎屑岩岩石样品、油田或煤田钻井岩心样品，获取其图像特征、元素特征、显微特征、晶体特征以及矿物特征等，利用不同风化等级的判定标准来完成训练模型；
在TBM停机期间，在掌子面随机采取块状样和粉末样，对掌子面开始全方位扫描已获取图像信息，分析样品中的元素类型；
根据提取到的包含解理特征、干涉色特征、突起特征和晶体结构特征的图像，通过神经网络学习建立模型，通过与已有数据反复对比，最终需得到长石的解理类型、干涉色特征、突起特征等和长石的晶体结构特征用以划分单个特征抗风化级别；
定量的获取样品中矿物的主要类型，结合矿物定量分析结果和元素分析数据以及图像数据，通过神经网络先期学习已建立起的模型获得岩石中长石的类型和含量用以划分单个特征抗风化级别，给出岩石的基本岩性特征；
将整合上述所有信息，并通过已嵌入的抗风化程度分级模型展开分级，并输出最终预测结果。
9.如权利要求8所述的方法，其特征是：单个特征抗风化级别的分级的过程包括：按照不同长石的种类提供判别标准来看，正长石>酸性斜长石>中性斜长石>基性斜长石，当长石中仅含有K元素时，其抗风化能力最强，Na元素其次，仅含有Ca元素时其抗风化能力最差，当同时含有Na和Ca元素时，其抗风化能力随Na元素含量的增多而增强。
10.如权利要求8所述的方法，其特征是：单个特征抗风化级别分级的过程包括：长石本在岩石中的含量越高，其抗风化能力就越强；
或，矿物的晶体形状保存的越完好则说明其更加稳定，其抗风化能力也越高。
CN202010071313.1A 2020-01-21 2020-01-21 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 Active CN111220616B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010071313.1A CN111220616B (zh) 2020-01-21 2020-01-21 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
US17/619,203 US11933713B2 (en) 2020-01-21 2020-12-10 Determining system and method for weathering resistant capability of clastic rocks in tunnel based on feldspar features
PCT/CN2020/135315 WO2021147554A1 (zh) 2020-01-21 2020-12-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010071313.1A CN111220616B (zh) 2020-01-21 2020-01-21 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

Publications (2)

Publication Number Publication Date
CN111220616A true CN111220616A (zh) 2020-06-02
CN111220616B CN111220616B (zh) 2021-06-01

Family

ID=70829691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010071313.1A Active CN111220616B (zh) 2020-01-21 2020-01-21 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

Country Status (3)

Country Link
US (1) US11933713B2 (zh)
CN (1) CN111220616B (zh)
WO (1) WO2021147554A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801035A (zh) * 2021-02-24 2021-05-14 山东大学 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
WO2021147554A1 (zh) * 2020-01-21 2021-07-29 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
CN113435457A (zh) * 2021-02-08 2021-09-24 中国石油化工股份有限公司 基于图像的碎屑岩成分鉴定方法、装置、终端及介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116913416B (zh) * 2023-09-12 2023-12-26 中国地质大学（北京） 海蚀崖岩石风化程度定量评价及预测方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053268A (zh) * 2010-11-18 2011-05-11 中国石油天然气股份有限公司 一种蚀变火山岩岩性识别方法及装置
CN102261250A (zh) * 2010-05-31 2011-11-30 三一重型装备有限公司 一种硬岩液压破碎式掘进机
CN102866099A (zh) * 2012-08-14 2013-01-09 北京矿产地质研究院 一种岩石风化深度的测定方法
CN102967548A (zh) * 2012-11-09 2013-03-13 中国水利水电科学研究院 一种岩石风化速度的测定方法
CN103744109A (zh) * 2013-12-26 2014-04-23 中国石油天然气股份有限公司 一种无井覆盖区碎屑岩风化壳结构的识别方法
CN105717149A (zh) * 2016-01-27 2016-06-29 中南大学 一种玄武岩风化程度的判别方法
CN108593531A (zh) * 2018-03-13 2018-09-28 成都理工大学 一种岩体风化程度快速量化评价方法及其应用
CN109187161A (zh) * 2018-08-30 2019-01-11 中国石油大学(北京) 一种碎屑岩中长石溶蚀程度的定量评价方法
CN109256179A (zh) * 2018-10-12 2019-01-22 中石化石油工程技术服务有限公司 一种基于岩石元素的风化指数确定方法及装置
CN109344516A (zh) * 2018-10-12 2019-02-15 中石化石油工程技术服务有限公司 一种地质录井中随钻岩石风化势能指数确定方法及装置
CN109374456A (zh) * 2018-09-03 2019-02-22 山东大学 适用于隧道围岩质量分级及风化程度判别装置及方法
CN109612943A (zh) * 2019-01-14 2019-04-12 山东大学 基于机器学习的隧洞岩石石英含量测试系统及方法
CN109886329A (zh) * 2019-02-18 2019-06-14 中国铁建重工集团有限公司 围岩破碎等级检测方法、检测系统和掘进设备
CN110472597A (zh) * 2019-07-31 2019-11-19 中铁二院工程集团有限责任公司 基于深度学习的岩石图像风化程度检测方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2867333B2 (ja) * 1996-09-26 1999-03-08 建設省土木研究所長 岩盤の風化度判定方法
DE102004063019A1 (de) * 2004-12-22 2006-07-13 Kurth, André Verfahren zur Herstellung von Abbildungen auf Naturstein
KR101382381B1 (ko) * 2012-05-29 2014-04-08 대한민국 표면 반발 경도계를 이용한 암석의 풍화도지수 산출방법
CN206016814U (zh) * 2016-09-18 2017-03-15 中铁工程装备集团有限公司 一种记录与分析tbm渣片的装置
CN106485223B (zh) * 2016-10-12 2019-07-12 南京大学 一种砂岩显微薄片中岩石颗粒的自动识别方法
CN109765097B (zh) * 2018-12-21 2021-07-02 中铁三局集团有限公司 一种基于rpd钻机的隧道围岩快速分类方法
CN110516730B (zh) * 2019-08-20 2022-09-23 中铁工程装备集团有限公司 基于pso-svm算法和图像识别的围岩质量在线分级方法
CN111221024B (zh) * 2019-09-06 2021-07-06 山东大学 Tbm搭载式隧道前方围岩放射性预报系统及方法
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
US20230105649A1 (en) * 2021-10-05 2023-04-06 Saudi Arabian Oil Company Determining weathering indices by x-ray diffraction

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102261250A (zh) * 2010-05-31 2011-11-30 三一重型装备有限公司 一种硬岩液压破碎式掘进机
CN102053268A (zh) * 2010-11-18 2011-05-11 中国石油天然气股份有限公司 一种蚀变火山岩岩性识别方法及装置
CN102866099A (zh) * 2012-08-14 2013-01-09 北京矿产地质研究院 一种岩石风化深度的测定方法
CN102967548A (zh) * 2012-11-09 2013-03-13 中国水利水电科学研究院 一种岩石风化速度的测定方法
CN103744109A (zh) * 2013-12-26 2014-04-23 中国石油天然气股份有限公司 一种无井覆盖区碎屑岩风化壳结构的识别方法
CN105717149A (zh) * 2016-01-27 2016-06-29 中南大学 一种玄武岩风化程度的判别方法
CN108593531A (zh) * 2018-03-13 2018-09-28 成都理工大学 一种岩体风化程度快速量化评价方法及其应用
CN109187161A (zh) * 2018-08-30 2019-01-11 中国石油大学(北京) 一种碎屑岩中长石溶蚀程度的定量评价方法
CN109374456A (zh) * 2018-09-03 2019-02-22 山东大学 适用于隧道围岩质量分级及风化程度判别装置及方法
CN109256179A (zh) * 2018-10-12 2019-01-22 中石化石油工程技术服务有限公司 一种基于岩石元素的风化指数确定方法及装置
CN109344516A (zh) * 2018-10-12 2019-02-15 中石化石油工程技术服务有限公司 一种地质录井中随钻岩石风化势能指数确定方法及装置
CN109612943A (zh) * 2019-01-14 2019-04-12 山东大学 基于机器学习的隧洞岩石石英含量测试系统及方法
CN109886329A (zh) * 2019-02-18 2019-06-14 中国铁建重工集团有限公司 围岩破碎等级检测方法、检测系统和掘进设备
CN110472597A (zh) * 2019-07-31 2019-11-19 中铁二院工程集团有限责任公司 基于深度学习的岩石图像风化程度检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张中俭 等: ""北京房山大理岩的岩石学微观特征及风化机理讨论"", 《工程地质学报》 *
李日运 等: ""岩石风化程度特征指标的分析研究"", 《岩石力学与工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021147554A1 (zh) * 2020-01-21 2021-07-29 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
CN113435457A (zh) * 2021-02-08 2021-09-24 中国石油化工股份有限公司 基于图像的碎屑岩成分鉴定方法、装置、终端及介质
CN112801035A (zh) * 2021-02-24 2021-05-14 山东大学 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

Also Published As

Publication number Publication date
US20220317021A1 (en) 2022-10-06
CN111220616B (zh) 2021-06-01
WO2021147554A1 (zh) 2021-07-29
US11933713B2 (en) 2024-03-19

Similar Documents

Publication Publication Date Title
CN111220616B (zh) 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
WO2021147553A1 (zh) 隧道火成岩风化程度确定系统及方法
CN106157181B (zh) 一种基于随钻参数对土质围岩快速实时分级的方法
US20110042143A1 (en) Method and apparatus for intensifying ore prospecting
CN111722270A (zh) 一种基于随钻监测设备的短距离超前地质预报方法
CN105181717A (zh) 基于能量色散x射线谱的煤矸石物相分析方法
CN113685188B (zh) 一种基于岩渣物理特征的tbm掘进优化方法
CN113310916A (zh) 基于元素反演矿物的隧道内地质异常识别与预报系统及方法
CN114384605A (zh) 一种预测与碱性岩浆相关伟晶岩型铀、钍资源的方法
CN109934257A (zh) 一种基于机器学习的基岩潜山油藏岩石类型识别方法
CN116291271A (zh) 一种基于随钻测试的岩土体参数反演方法及系统
Zhou et al. Novel approach to evaluate rock mass fragmentation in block caving using unascertained measurement model and information entropy with flexible credible identification criterion
CN110596778A (zh) 一种热液型铀矿勘查方法
Yunsel A practical application of geostatistical methods to quality and mineral reserve modelling of cement raw materials
CN115185015A (zh) 一种深部锂铍矿勘查方法
CN110728074B (zh) 混积细粒岩岩性连续解释的方法及其模型的建模方法
Webb et al. Magmaclasts in kimberlite
McGaughey 4D data management and modelling in the assessment of deep underground mining hazard
Stormoen Synkinematic intrusion of granitoid sheets, with implications for molybdenite deposits in the Knaben Zone-Sirdal Magmatic Belt, SW Norway
Simser et al. The Value of Recording Small Mining Induced Microseismic Events with Examples from Glencore’s Nickel Rim South Mine
Urbano et al. Ore-waste and ore type classification using portable XRF: a case study of an iron mine from the Quadrilátero Ferrífero, Brazil.
CN113216946B (zh) 一种基于岩屑和元素录井数据的井壁崩落、掉块检测方法
Hudson Geochemical and vein textural investigation of the Wharekirauponga epithermal Au-Ag deposit, Hauraki Goldfield, New Zealand
Plinninger et al. On the role of the Engineering Geologist in the Construction Phase of Challenging Tunnel Projects
Abichequer et al. Indicator kriging applied to RMR geomechanical modelling in a Pb-Zn deposit case study

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