CN111462037B - 一种地质勘探钻孔质量检测方法 - Google Patents

一种地质勘探钻孔质量检测方法 Download PDF

Info

Publication number
CN111462037B
CN111462037B CN202010115638.5A CN202010115638A CN111462037B CN 111462037 B CN111462037 B CN 111462037B CN 202010115638 A CN202010115638 A CN 202010115638A CN 111462037 B CN111462037 B CN 111462037B
Authority
CN
China
Prior art keywords
geological exploration
hole
filling
image
stratum
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.)
Active
Application number
CN202010115638.5A
Other languages
English (en)
Other versions
CN111462037A (zh
Inventor
孙红林
姜鹰
李小和
郭建湖
董同新
詹学启
蒋梦
蔡德钩
石碧波
吕小宁
廖进星
谭小科
邬强
姚建平
陈锋
尤灏
唐涛
刘庆辉
谢百义
师超
蔡雷
蒋道君
张协崇
闫宏业
朱宏伟
康秋静
董建华
黄宇
张晓杰
石越峰
魏少伟
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.)
Beijing Dacheng Guoce Science And Technology Co ltd
China Railway Siyuan Survey and Design Group Co Ltd
Beijing Tieke Special Engineering Technology Co Ltd
Original Assignee
Beijing Dacheng Guoce Science And Technology Co ltd
China Railway Siyuan Survey and Design Group Co Ltd
Beijing Tieke Special Engineering Technology Co Ltd
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 Beijing Dacheng Guoce Science And Technology Co ltd, China Railway Siyuan Survey and Design Group Co Ltd, Beijing Tieke Special Engineering Technology Co Ltd filed Critical Beijing Dacheng Guoce Science And Technology Co ltd
Priority to CN202010115638.5A priority Critical patent/CN111462037B/zh
Publication of CN111462037A publication Critical patent/CN111462037A/zh
Application granted granted Critical
Publication of CN111462037B publication Critical patent/CN111462037B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及一种地质勘探钻孔质量检测方法，包括依据勘探技术要求，定制勘探地层对比项目，进一步建立评估模型并训练；在待检查地质勘探钻孔的设定范围内开设检查孔，并进行图像采集，识别出填充岩性分布，如果与所述地质勘探钻孔的填充岩性分布不同，则判定所述地质勘探钻孔的评估结果为不合格；如果相同则：获取所述检查孔每个对比项目的数据；将所述检查孔与所述地质勘探钻孔每个对比项目的数据输入所述评估模型进行评估，给出评估结果。本发明能有效地提高钻孔质量检测的效率，能对钻孔质量给出全面、客观、定量的精细化评价，适应性强、应用条件广，性能稳定，成本低廉，具备良好的推广应用前景和客观的社会、经济效益。

Description

一种地质勘探钻孔质量检测方法
技术领域
本发明涉及地质勘探技术领域，尤其涉及一种地质勘探钻孔质量检测方法。
背景技术
机动钻孔是铁路、公路、市政道路等地质勘探中最主要和最常用的手段，钻孔质量往往直接决定着勘探质量，因此，必须对钻孔质量进行严格检查。
目前常用的钻孔质量检查手段是：在待检查孔(原钻孔)的附近(如，位置可以偏离0.5～1m等)重新钻孔，此孔称为检查孔，完成检查孔后，将检查孔勘探地层与原钻孔(待检查孔)进行逐层比对，通过地层的差异性判断原钻孔的质量高低。目前，检查孔与原钻孔的地层对比，主要依靠人工对比分析。
目前人工通过检查孔判别原钻孔勘探质量存在的主要问题如下：
1.逐一核对检查孔与原钻孔的地层差异性工作量较大，特别是勘探地层分层层数较多时；
2.地层差异核对对技术人员专业知识要求较高。
发明内容
针对目前人工判别钻孔勘探质量存在的问题，本发明提供了一种地质勘探钻孔质量检测方法，针对检查孔与原钻孔勘探地层进行自动对比检测，对检查孔与原钻孔的地层进行快速、批量对比，提高地层核对速度；将地层差异性判别标准内置于模型，提高地层核对准确性。
为达到上述目的，本发明提供了一种地质勘探钻孔质量检测方法，包括：
依据勘探技术要求，定制勘探地层对比项目；
根据对比项目建立评估模型并训练；
在待检查地质勘探钻孔的设定范围内开设检查孔；
对所述检查孔进行图像采集，识别出填充岩性分布，如果与所述地质勘探钻孔的填充岩性分布不同则判定所述地质勘探钻孔的评估结果为不合格；如果相同则：
获取所述检查孔每个对比项目的数据；将所述检查孔与所述地质勘探钻孔每个对比项目的数据输入所述评估模型进行评估，给出评估结果。
进一步的，所述对比项目包括：层深、稠度、填充岩性、岩性描述以及承载力。
进一步的，所述评估模型为多层人工神经网络模型。
进一步的，所述评估模型的训练包括：构建地质勘探钻孔数据库，包括地质勘探钻孔各对比项目的数据及最终得分；从所述数据库获取训练样本训练所述评估模型直至满足精度要求。
进一步的，所述设定范围为距离地质勘探钻孔的0.5～1m内。
进一步的，进行图像采集，识别出填充岩性分布包括：将采集的图像进行拼接并获取地质勘探钻孔内地层的完整图像；对所述完整图像按照填充岩性的类型进行图像分割，分别进行特征提取，与特征图像库中各类填充岩性的特征图像进行匹配，获取每个分割图像的类型并依次输出。
进一步的，构建图像分割识别模型并进行训练；将采集的图像进行拼接获取地质勘探钻孔内地层的完整图像；将完整图像处理为图像分割识别模型可处理的大小，采用图像分割识别模型对所述完整图像进行分割识别，识别出每个分割图像的类型并依次输出。
进一步的，所述图像分割识别模型的训练包括：采集包含不同填充岩性的地层图像，并依据填充岩性的类型进行分割和填充岩性类型标注，构成分割识别数据库；从所述分割识别数据库中选取训练样本训练所述图像分割识别模型直至满足分割及识别的精度要求。
进一步的，所述图像分割识别模型采用卷积神经网络，通过卷积层、池化层、激活层以及全连接层；所述卷积层进行卷积运算得到新的特征图；所述池化层基于所述新的特征图提取所需特征向量；所述激活层采用Relu函数对所述所需特征向量进行非线性计算；最后由所述全连接层输出分类结果。
进一步的，所述填充岩性的类型包括碎石类土、砂类土、黏性土，及各类风化状态的岩石类地层。
本发明的上述技术方案能够产生的有益的技术效果包括：
(1)本发明通过建立评估模型，可依据地层核对标准，快速将检查孔与原钻孔地层进行逐一核对，依据核对指标对钻孔质量进行评估，给出全面、客观的钻孔质量评价。
(2)本发明首先通过图像采集，识别出填充岩性分布，基于填充岩性分布进行初步筛查，快速识别出明显不合格的地质勘探钻孔，提高了检测效率；初步筛查后再通过人工识别获取检查孔每个对比项目的数据，通过评估模型进行评估，巧妙地将人工筛查及自动筛查相结合，既保证了识别的准确性，又提高了识别效率。
(3)本发明能有效地提高钻孔质量检测的效率，能对钻孔质量给出全面、客观、定量的精细化评价，适应性强、应用条件广，性能稳定，成本低廉，具备良好的推广应用前景和客观的社会、经济效益。
附图说明
图1为地质勘探钻孔质量检测方法流程示意图；
图2是钻孔质量检测原理示意图；
图3是原地质勘探钻孔数据记录图；
图4是检查孔地层数据记录图；
图5为评估模型结构示意图；
图6为图像分割识别模型结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明提供一种地质勘探钻孔质量检测方法，结合图1，包括如下步骤：
S100依据勘探技术要求，定制勘探地层对比项目；
依据勘探技术要求，可定制、扩展勘探地层对比、评价标准项目；在一个实施例中对比项目包括：层深、稠度、填充岩性、岩性描述以及承载力。
进一步地对比项目还可以包括成因、时代等项目，根据勘探技术要求设定。
S200根据对比项目建立评估模型并训练；
在一个实施例中，所述评估模型为多层人工神经网络模型。结合图5采用人工神经网络模型。
a1对应神经网络的第一层输入向量，输入向量代表信息的输入，包括层深、稠度等对比项目；a2表示第二层输入向量，也是第一层输入向量的加权计算结果,每个值可以用a2i标识；a3表示第三层输入向量，也是第二层输入向量的加权计算结果,每个值可以用a3i标识。最后一层为输出层。
W1i、W2i、W3i分别表示第一层向量、第二层向量、第三层向量的计算权重，最终计算结果是对比项目内容经过神经网络训练后的评估分。
采用均方误差作为损失函数，使用Adam优化器，学习率为0.01。
对模型进行训练的过程即为不断调整权重的过程。将处理过的用户行为向量输入到神经网络，通过机器学习的方式对模型进行训练，再通过结果反馈的方式来优化链路的权重。
所述评估模型的训练包括：构建地质勘探钻孔数据库，数据库中的数据包括地质勘探钻孔各对比项目的数据及最终得分；从所述数据库获取训练样本训练所述评估模型，计算均方误差值，并反向传递，当达到设定精度后，结束训练。
S300在待检查地质勘探钻孔的设定范围内开设检查孔；
采用检查孔来对原钻孔质量进行检查，主要是检查原钻孔勘探地层的真实性和准确性，要求采用相同规格的钻孔钻具、丈量工具和钻进工艺进行检查孔钻探，钻探完成后，将检查孔勘探地层(主要是地层记录)与原钻孔勘探地层进行对比，主要检查地层分层层深、地层基本性质(地层描述)是否一致，或者差异是否在技术标准允许范围内，当检查孔与原钻孔的地层差异超出标准时，即判定原钻孔钻探质量存在问题。
图3是原地质勘探钻孔数据记录图；图4是检查孔地层数据记录图；记录项目包括：主层、亚层、次亚层、层深、成因、时代、稠度、填充岩性、岩性描述、承载力。其中，层深、稠度、填充岩性、岩性描述、承载力，为必选项目。结合图3、4，检查孔与原钻孔相同地层(地层描述/记录近似)的分层层深差异标准可设定为±10cm(0.1m)以内，如：同为编号为(3)7-1的地层，若检查孔的分层深度为孔深4.1m处，则当原钻孔编号为(3)7-1的地层分层深度在孔深4～4.2m范围内时，可判定原钻孔勘探地层(3)7-1分层准确。
S400对所述检查孔进行图像采集，识别出填充岩性分布，如果与所述地质勘探钻孔的填充岩性分布不同则判定所述地质勘探钻孔的评估结果为不合格；如果相同则：获取所述检查孔每个对比项目的数据；将所述检查孔与所述地质勘探钻孔每个对比项目的数据输入所述评估模型进行评估，给出评估结果。
在一个实施例中，采用人工的方式进行识别，获得填充岩性分布。人为识别出岩层分布进行比对。本发明可以采用人为的方式或自动识别的方式进行对比。人工进行比对的方式也纳入本发明的保护范围。
在一个实施例中，对检查孔内的地层进行图像采集，将采集的图像进行拼接获取地质勘探钻孔内地层的完整图像。对所述完整图像按照填充岩性的类型进行图像分割，分别进行特征提取，与特征图像库中各类填充岩性的特征图像进行匹配，获取每个分割图像的类型并依次输出。
在又一实施例中，构建图像分割识别模型并进行训练；将采集的图像进行拼接获取地质勘探钻孔内地层的完整图像；将完整图像处理为图像分割识别模型可处理大小，采用图像分割识别模型对所述完整图像进行分割识别，识别出每个分割图像的类型并依次输出。
所述图像分割识别模型的训练包括：采集包含不同填充岩性的地层图像，并依据填充岩性的类型进行分割和填充岩性类型标注，构成分割识别数据库；从所述分割识别数据库中选取训练样本训练所述图像分割识别模型直至满足分割及识别的精度要求。通过图像采集，识别出填充岩性分布，基于填充岩性分布进行初步筛查，快速识别出明显不合格的地质勘探钻孔，提高了检测效率。
如图6所示，在一个实施例中，所述图像分割识别模型采用卷积神经网络，通过卷积层、池化层、激活层以及全连接层；所述卷积层进行卷积运算得到新的特征图；所述池化层基于所述新的特征图提取所需特征向量；所述激活层采用Relu函数对所述所需特征向量进行非线性计算；最后由所述全连接层输出分类结果。通过图像采集，识别出填充岩性分布，基于填充岩性分布进行初步筛查，快速识别出明显不合格的地质勘探钻孔，提高了检测效率。
所述填充岩性的类型包括碎石类土、砂类土、黏性土，及各类风化状态的岩石类地层。
除了分层检查外，还应将检查孔与原钻孔勘探地层的性质描述(地层记录)进行对比，如地层的塑性状态(黏性土类)、密实度(砂类土、碎石类土)、风化程度、湿度等进行对比。若钻孔进行了孔内测试(如标贯、动探)，还需要将孔内测试结果进行对比核对。
实施例1
本发明提供一套基于检查孔与原地质勘探钻孔地层进行快速对比的钻孔质量检测方法，评估模型内置于地质勘探智能管理平台(PC端网页、手机APP)中，用户可事先根据技术要求编制/定制钻孔质量检测标准，然后选择要检测的钻孔(原钻孔)与检查孔，通过软件操作将原钻孔与检测孔勘探地层进行快速核对，判定原钻孔勘探质量。
1.依据勘探技术要求，定制勘探地层对比项目。
结合图2，可将地层核对标准细分为地层定名、地层分层、地层记录三个主要标准，可为三个主要标准设置分值。设置地层核对标准总分为100分，可将地层定名标准分值定为30分，将地层分层标准定为30分，将地层记录标准定为40分。三个主要标准还可细分为细部标准，如地层定名可细分为主类、亚类等，相应地将标准分值进行分解。
2.根据对比项目建立评估模型并训练。
评估模型可以通过软件操作(可在地质勘探管理平台PC端或APP上进行)调取检查孔、原钻孔，依据地层检查核对标准进行快速核对。
采用如图5所示的卷积神经网络模型，通过卷积神经网络输出识别结果。第一层为输入层，输入层设置多个单元，分别输入不同的向量包括层深、稠度、承载力等等。第二、三层为隐含层，a2表示第二层输入向量，也是第一层输入向量的加权计算结果,权值为W1i，每个值可以用a2i标识；a3表示第三层输入向量，也是第二层输入向量的加权计算结果,权值为W2i，每个值可以用a3i标识。最后一层为输出层，a3表示第三层输入向量，也是第二层输入向量的加权计算结果,权值为W3i。
3.在待检查地质勘探钻孔的设定范围内施钻检查孔，并记录检查孔地层；
原地质勘探钻孔地层数据记录如图3，检查孔地层数据如图4，其中，填充岩性即为地层定名，层深即为地层分层层深，稠度即为地层状态，岩性描述即为地层记录。
4.对所述检查孔进行图像(检查孔岩芯照片)采集，识别出填充岩性分布，若所述地质勘探钻孔的填充岩性分布相同，将所述检查孔与所述地质勘探钻孔每个对比项目的数据输入所述评估模型进行评估，给出评估结果。
对检查孔内的地层进行图像采集，将采集的图像进行拼接获取地质勘探钻孔内地层的完整图像。对所述完整图像按照填充岩性的类型进行图像分割，分别进行特征提取，与特征图像库中各类填充岩性的特征图像进行匹配，获取每个分割图像的类型并依次输出。依据输出的填充岩性分布进行判定。
依据内置的检查标准分值对原孔勘探质量进行打分，在一个实施例中，可设定60分以下为质量不合格钻孔，60-70分为质量合格钻孔，70-85分为质量良好钻孔，85-100分为质量优秀钻孔。通过建立评估模型，依据地层核对标准，快速将检查孔与原钻孔地层进行逐一核对，依据核对指标对钻孔质量进行评估，给出全面、客观的钻孔质量评价。
实施例2
1.依据勘探技术要求，定制勘探地层对比项目。
将地层核对标准细分为地层定名、地层分层、地层记录三个主要标准，可为三个主要标准设置分值。设置地层核对标准总分为100分，可将地层定名标准分值定为30分，将地层分层标准定为30分，将地层记录标准定为40分。三个主要标准还可细分为细部标准，如地层定名可细分为主类、亚类等，相应地将标准分值进行分解。
2.根据对比项目建立评估模型并训练。
评估模型可以通过软件操作(可在地质勘探管理平台PC端或APP上进行)调取检查孔、原钻孔，依据地层检查核对标准进行快速核对。
采用如图5所示的卷积神经网络模型，与实施例1所采用的评估模型相同。
3.在待检查地质勘探钻孔的设定范围内施钻检查孔，并记录检查孔地层；
原地质勘探钻孔地层数据记录如图3，检查孔地层数据如图4，其中，填充岩性即为地层定名，层深即为地层分层层深，稠度即为地层状态，岩性描述即为地层记录。
4.对所述检查孔进行图像采集，识别出填充岩性分布，若所述地质勘探钻孔的填充岩性分布相同，将所述检查孔与所述地质勘探钻孔每个对比项目的数据输入所述评估模型进行评估，给出评估结果。
构建图像分割识别模型并进行训练；将采集的图像进行拼接获取地质勘探钻孔内地层的完整图像；将完整图像处理为图像分割识别模型可处理大小，采用图像分割识别模型对所述完整图像进行分割识别，识别出每个分割图像的类型并依次输出。
所述图像分割识别模型的训练包括：采集包含不同填充岩性的地层图像，并依据填充岩性的类型进行分割和填充岩性类型标注，构成分割识别数据库；从所述分割识别数据库中选取训练样本训练所述图像分割识别模型直至满足分割及识别的精度要求。
所述图像分割识别模型采用卷积神经网络，通过卷积层、池化层、激活层以及全连接层；所述卷积层进行卷积运算得到新的特征图；所述池化层基于所述新的特征图提取所需特征向量；所述激活层采用Relu函数对所述所需特征向量进行非线性计算；最后由所述全连接层输出分类结果。
最后依据内置的检查标准分值对原孔勘探质量进行打分，设定60分以下为质量不合格钻孔，60-70分为质量合格钻孔，70-85分为质量良好钻孔，85-100分为质量优秀钻孔。
通过评估模型，依据地层核对标准，快速将检查孔与原钻孔地层进行逐一核对，依据核对指标对钻孔质量进行评估，给出全面、客观的钻孔质量评价。
综上所述，本发明涉及一种地质勘探钻孔质量检测方法，包括依据勘探技术要求，定制勘探地层对比项目，进一步建立评估模型并训练；在待检查地质勘探钻孔的设定范围内施钻检查孔，并进行图像(检查孔岩芯照片)采集，识别出填充岩性分布，如果与所述地质勘探钻孔的填充岩性分布不同，则判定所述地质勘探钻孔的评估结果为不合格；如果相同则：获取所述检查孔与所述地质勘探钻孔每个对比项目的数据；将所述检查孔与所述地质勘探钻孔每个对比项目的数据输入所述评估模型进行评估，给出评估结果。本发明提供的地质勘探钻孔质量检测方法，主要采用将检查孔与原钻孔勘探地层进行核对，此核对通过软件实现，准确评估定钻孔质量，可依据勘探技术要求，灵活定制地层检查核对标准，适应多样化的钻孔质量检测需求。本发明能有效地提高钻孔质量检测的效率，能对钻孔质量给出全面、客观、定量的精细化评价，适应性强、应用条件广，性能稳定，成本低廉，具备良好的推广应用前景和客观的社会、经济效益。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种地质勘探钻孔质量检测方法，其特征在于，包括：
依据勘探技术要求，定制勘探地层对比项目；
根据对比项目建立评估模型并训练；
在待检查地质勘探钻孔的设定范围内开设检查孔；
对所述检查孔进行图像采集，识别出填充岩性分布，如果与所述地质勘探钻孔的填充岩性分布不同则判定所述地质勘探钻孔的评估结果为不合格；如果相同则：
获取所述检查孔每个对比项目的数据；将所述检查孔与所述地质勘探钻孔每个对比项目的数据输入所述评估模型进行评估，给出评估结果。
2.根据权利要求1所述的一种地质勘探钻孔质量检测方法，其特征在于：所述对比项目包括：层深、稠度、填充岩性、岩性描述以及承载力。
3.根据权利要求1或2所述的一种地质勘探钻孔质量检测方法，其特征在于：所述评估模型为多层人工神经网络模型。
4.根据权利要求1或2所述的一种地质勘探钻孔质量检测方法，其特征在于：所述评估模型的训练包括：构建地质勘探钻孔数据库，包括地质勘探钻孔各对比项目的数据及最终得分；从所述数据库获取训练样本训练所述评估模型直至满足精度要求。
5.根据权利要求1或2所述的一种地质勘探钻孔质量检测方法，其特征在于：所述设定范围为距离地质勘探钻孔的0.5～1m内。
6.根据权利要求1或2所述的一种地质勘探钻孔质量检测方法，其特征在于，进行图像采集，识别出填充岩性分布包括：将采集的图像进行拼接并获取地质勘探钻孔内地层的完整图像；对所述完整图像按照填充岩性的类型进行图像分割，分别进行特征提取，与特征图像库中各类填充岩性的特征图像进行匹配，获取每个分割图像的类型并依次输出。
7.根据权利要求1或2所述的一种地质勘探钻孔质量检测方法，其特征在于，构建图像分割识别模型并进行训练；将采集的图像进行拼接并获取地质勘探钻孔内地层的完整图像；将完整图像处理为图像分割识别模型可处理的大小，采用图像分割识别模型对所述完整图像进行分割识别，识别出每个分割图像的类型并依次输出。
8.根据权利要求7所述的一种地质勘探钻孔质量检测方法，其特征在于，所述图像分割识别模型的训练包括：采集包含不同填充岩性的地层图像，并依据填充岩性的类型进行分割和填充岩性类型标注，构成分割识别数据库；从所述分割识别数据库中选取训练样本训练所述图像分割识别模型直至满足分割及识别的精度要求。
9.根据权利要求8所述的一种地质勘探钻孔质量检测方法，其特征在于，所述图像分割识别模型采用卷积神经网络，通过卷积层、池化层、激活层以及全连接层；所述卷积层进行卷积运算得到新的特征图；所述池化层基于所述新的特征图提取所需特征向量；所述激活层采用Relu函数对所述所需特征向量进行非线性计算；最后由所述全连接层输出分类结果。
10.根据权利要求1或2所述的一种地质勘探钻孔质量检测方法，其特征在于，所述填充岩性的类型包括碎石类土、砂类土、黏性土，及各类风化状态的岩石类地层。
CN202010115638.5A 2020-02-25 2020-02-25 一种地质勘探钻孔质量检测方法 Active CN111462037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010115638.5A CN111462037B (zh) 2020-02-25 2020-02-25 一种地质勘探钻孔质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010115638.5A CN111462037B (zh) 2020-02-25 2020-02-25 一种地质勘探钻孔质量检测方法

Publications (2)

Publication Number Publication Date
CN111462037A CN111462037A (zh) 2020-07-28
CN111462037B true CN111462037B (zh) 2022-03-18

Family

ID=71684130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010115638.5A Active CN111462037B (zh) 2020-02-25 2020-02-25 一种地质勘探钻孔质量检测方法

Country Status (1)

Country Link
CN (1) CN111462037B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220098972A1 (en) * 2020-09-25 2022-03-31 Halliburton Energy Services, Inc. Correcting borehole images using machine-learning models

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115707858A (zh) * 2022-09-29 2023-02-21 金川集团股份有限公司 一种地质勘探钻孔质量检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201331774A (zh) * 2012-01-17 2013-08-01 Wintank Automation Inc 鑽孔品質的分析方法
CN104463416A (zh) * 2014-11-04 2015-03-25 山东科技大学 一种钻孔封闭质量分类及危险性评价系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8799198B2 (en) * 2010-03-26 2014-08-05 Smith International, Inc. Borehole drilling optimization with multiple cutting structures

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201331774A (zh) * 2012-01-17 2013-08-01 Wintank Automation Inc 鑽孔品質的分析方法
CN104463416A (zh) * 2014-11-04 2015-03-25 山东科技大学 一种钻孔封闭质量分类及危险性评价系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于BP神经网络的建筑工程地质勘察钻孔质量评价;明前军等;《土工基础》;20151215(第06期);第63-66页 *
泉河公路桥钻孔灌注桩施工质量控制;王永强等;《河南水利与南水北调》;20090720(第07期);第87-88页 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220098972A1 (en) * 2020-09-25 2022-03-31 Halliburton Energy Services, Inc. Correcting borehole images using machine-learning models
US11898435B2 (en) * 2020-09-25 2024-02-13 Halliburton Energy Services, Inc. Correcting borehole images using machine-learning models

Also Published As

Publication number Publication date
CN111462037A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN109389128B (zh) 电成像测井图像特征自动提取方法及装置
CN109611087A (zh) 一种火山岩油藏储层参数智能预测方法及系统
CN107356958A (zh) 一种基于地质信息约束的河流相储层分步地震相预测方法
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和系统
CN110457501B (zh) 一种基于图像识别的岩土芯样信息编录系统
CN111462037B (zh) 一种地质勘探钻孔质量检测方法
CN109085663A (zh) 一种致密砂岩储层层理缝识别方法
CN108897066A (zh) 碳酸盐岩裂缝密度定量预测方法及装置
CN111665560A (zh) 油气层识别方法、装置、计算机设备及可读存储介质
CN110284873A (zh) 一种油井储集性质的检测方法及检测装置
CN106991509A (zh) 基于径向基函数神经网络模型的测井曲线预测方法
CN116291271A (zh) 一种基于随钻测试的岩土体参数反演方法及系统
CN113033648A (zh) 一种使用机器学习算法实现测井解释的方法
CN106777707B (zh) 一种利用改进的蜘蛛网图进行测井岩性定量识别的方法
CN117272841B (zh) 一种基于混合神经网络的页岩气甜点预测方法
CN112084553B (zh) 一种用于隧道规划的勘测方法
CN117093922A (zh) 一种基于改进svm的不平衡样本油藏复杂流体识别方法
Gaida et al. Development and application of a reliability-based approach to slope design acceptance criteria at Bingham Canyon Mine
CN116201535B (zh) 油气藏目标井标志地层自动划分方法、装置及设备
CN114896468B (zh) 基于神经网络的文件类型匹配方法和数据智能录入方法
CN116796231A (zh) 一种基于测井曲线自动划分岩性及对比的方法及装置
CN112528106A (zh) 火山岩岩性识别方法
CN114972906A (zh) 一种土压平衡盾构开挖面土质类型识别方法
CN215256164U (zh) 监测钻机在钻探过程中地层变化的装置
Aminian et al. A new approach for reservoir characterization

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
CB03 Change of inventor or designer information

Inventor after: Sun Honglin

Inventor after: Lv Xiaoning

Inventor after: Liao Jinxing

Inventor after: Tan Xiaoke

Inventor after: Wu Qiang

Inventor after: Yao Jianping

Inventor after: Chen Feng

Inventor after: You Hao

Inventor after: Tang Tao

Inventor after: Liu Qinghui

Inventor after: Xie Baiyi

Inventor after: Jiang Ying

Inventor after: Shi Chao

Inventor after: Cai Lei

Inventor after: Jiang Daojun

Inventor after: Zhang Xiechong

Inventor after: Yan Hongye

Inventor after: Zhu Hongwei

Inventor after: Kang Qiujing

Inventor after: Dong Jianhua

Inventor after: Huang Yu

Inventor after: Zhang Xiaojie

Inventor after: Li Xiaohe

Inventor after: Shi Yuefeng

Inventor after: Wei Shaowei

Inventor after: Guo Jianhu

Inventor after: Dong Tongxin

Inventor after: Zhan Xueqi

Inventor after: Jiang Meng

Inventor after: Cai Degou

Inventor after: Shi Bibo

Inventor before: Jiang Ying

Inventor before: Lv Xiaoning

Inventor before: Liao Jinxing

Inventor before: Tan Xiaoke

Inventor before: Wu Qiang

Inventor before: Yao Jianping

Inventor before: Chen Feng

Inventor before: You Hao

Inventor before: Tang Tao

Inventor before: Liu Qinghui

Inventor before: Xie Baiyi

Inventor before: Sun Honglin

Inventor before: Shi Chao

Inventor before: Cai Lei

Inventor before: Jiang Daojun

Inventor before: Zhang Xiechong

Inventor before: Yan Hongye

Inventor before: Zhu Hongwei

Inventor before: Kang Qiujing

Inventor before: Dong Jianhua

Inventor before: Huang Yu

Inventor before: Zhang Xiaojie

Inventor before: Li Xiaohe

Inventor before: Shi Yuefeng

Inventor before: Wei Shaowei

Inventor before: Guo Jianhu

Inventor before: Dong Tongxin

Inventor before: Zhan Xueqi

Inventor before: Jiang Meng

Inventor before: Cai Degou

Inventor before: Shi Bibo

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant