CN112381938B - 一种基于非开挖随钻参数机器学习的地层识别方法 - Google Patents
一种基于非开挖随钻参数机器学习的地层识别方法 Download PDFInfo
- Publication number
- CN112381938B CN112381938B CN202011252098.1A CN202011252098A CN112381938B CN 112381938 B CN112381938 B CN 112381938B CN 202011252098 A CN202011252098 A CN 202011252098A CN 112381938 B CN112381938 B CN 112381938B
- Authority
- CN
- China
- Prior art keywords
- drilling
- stratum
- data
- trenchless
- model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明是一种基于非开挖随钻参数机器学习的地层识别方法，识别对象为未知地层，本发明是利用机器学习与已知地层随钻参数建立地层识别模型，再通过模型去识别未知地层，并将识别结果可视化展示。该方法的工作流程为读取大量已知地层的随钻参数，提取已知地层随钻参数的统计性特征，将特征作为属性，使用随机森林算法建立模型，最后将随钻参数导入模型识别未知地层；将未知地层的随钻参数，输入模型进行识别，得出识别结果，即未知地层的类别。本发明主要针对于未知地层的识别，参与建模的数据全部由非开挖钻进时的随钻系统取得，贴近工程实际实用性强，本发明为非开挖施工的地层识别提供了新的解决方法。
Description
技术领域
本发明涉及涉及市政工程非开挖领域与钻进信息统计性特征建模技术领域，尤其涉及一种基于非开挖随钻参数机器学习的地层识别方法。
背景技术
在非开挖施工过程中，与地层配伍性差的钻具，常导致泥包现象，钻头过度磨损等问题，难以保证高效钻进，延误工期。与地层配伍性差的泥浆，常导致钻速慢，孔壁失稳等安全问题。精确掌握非开挖钻进地层岩土性质是安全施工的重要保证。
由于我国非开挖施工起步较晚，缺乏与非开挖匹配度高的前期勘探。加之非开挖隶属市政工程，为保持交通流畅市容整洁，非开挖施工工期紧张，难以配套完善的前期地质勘查，无法在施工前准确获取地层信息，导致非开挖施工处于“摸黑”状态。通过随钻系统获取已知地层钻进参数，机器学习形成地层判断模型，通过地层判断模型实时判断钻进地层，给予了非开挖施工完善且稳定的信息保障，以调整非开挖泥浆及钻进工艺，这是非开挖施工不可或缺技术，对于非开挖的安全高效施工具有重要意义。
开挖施工难以知晓掘进段地层信息的问题在于两点：施工工期紧张、尚未有与之配套的前期勘探，而在本发明中，对随钻参数的机器学习解决了地层识别问题。非开挖施工难以知晓掘进段地层信息的根本原因在于非开挖施工地点处于城区，为保持城市交通畅通与市容整洁，非开挖施工工期紧张，无法预留足够前期地质勘探时间，地层岩土信息难以获取。而非开挖在同种地层中掘进时，其随钻参数具有一定的统计学特征，比如非开挖在硬岩地层掘进，在相同钻速条件下其回转转速、轴向力与泥浆含砂量较大。通过大量收集不同地层的随钻参数，并通过随机森林算法对其进行分类分析，即可获得地层识别模型。本发明使用机器学习建模的方法，对随钻参数进行分类分析，机器学习建模的识别方法拥有更高的合理性和可信度。
为了实现这种地层识别技术，本发明选用了12种统计性特征作为地层识别特征，并采用随机森林作为机器学习算法。技术框架包含了随钻数据采集，地层特征提取，建模数据备份，机器学习建模，地层识别，识别结果可视化这六个模块。随钻数据采集的对象是钻机动力参数与泥浆参数。本发明最终实现了一种技术，提取数据样本中统计性特征，建立随机森林模型，在模型识别正确率高的前提下进行地层识别，拥有着极高的识别率与三维可视化的识别结果。
本发明为了解决非开挖施工在没有前期地质勘探条件下通过随钻参数去识别掘进地层而提出的，发明的目标是对随钻参数进行识别，解析出数据采集处的地层信息。
发明内容
有鉴于此，本发明提出一种基于非开挖随钻参数机器学习的地层识别方法。
S1、在数据采集层，采集大量已知地层的随钻参数样本，提取出其中具有优秀品质的随钻参数作为样本数据；
S2、在统计性特征提取层，从S1中的样本数据获取已知地层的随钻参数，提取出已知地层随钻参数的统计性特征；
S3、在建模数据备份层，将S2提取出的已知地层随钻参数统计性特征作为建模数据进行备份；
S4、在机器学习模型层，读取S2中统计性特征提取层的数据和S3的建模数据备份层的数据，使用随机森林算法进行随机森林模型建立，并对随机森林模型识别正确率进行验证；
S5、提取所需识别地层的统计性特征，使用S4建立好的模型，对未知地层进行识别；
S6、将S5识别结果中的特征降维到三维，进行可视化展示。
本发明提供的技术方案带来的有益效果是：1、解决了难以识别非开挖掘进地层的问题；2、拥有很高的成长性，随着建模样本集增大，模型的精确度和可行度也会越来越高；3、时间代价低，建模数据可以二次利用。
附图说明
图1是发明一种基于非开挖随钻参数机器学习的地层识别方法的流程框架；
图2是一种基于非开挖随钻参数机器学习的地层识别方法数据处理的工作流程；
图3是本发明一种基于非开挖随钻参数机器学习的地层识别方法中机器学习建模层详细过程图；
图4是本发明一种基于非开挖随钻参数机器学习的地层识别方法中模型识别层的流程图；
图5是本发明一种基于非开挖随钻参数机器学习的地层识别方法中模型识别结果的三维可视化展示。
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，下面将结合附图对本发明实施方式作进一步地描述。
本发明主要用于地层识别，识别的标签地层为杂填土、粘土、粉细砂、砾石以及淤泥，建模数据来源于非开挖随钻检测系统，实现了数据采集的自动化。
请参考图1，是本发明的技术框架图，采用分层模型框架；不同层有独立功能，每一层的数据输入源自上一层的数据输出，顶部的非开挖随钻检测系统采集钻机动力参数和非开挖泥浆参数两大类统计性特征数据，应用皮尔逊相关系数对所取得数据进行标准化处理，并备份导入随钻参数样本空间。随机森林算法的数据输入可直接应用随钻参数样本空间数据，对标签地层进行分类，得到地层识别模型，具体如下：
S1、在数据采集层，采集大量已知地层的随钻参数样本，提取出其中具有优秀品质的随钻参数作为样本数据；
所述已知地层为非开挖掘进路线中经过前期勘探的地层，并有详细地层参数；所述随钻参数为非开挖钻机掘进已知地层时的钻进参数，与泥浆的流变性能参数，通过随钻检测系统自动采集；
随钻参数样本的质量对于建模质量的影响非常高，因此在样本空间建立前，将会对随钻数据进行一次筛选，剔除异常数据，并对不同类数据进行标准化处理，提取其中优质的相关度高的数据作为建模样本，请参考图2。
是对随钻参数样本先进行min-max标准化，标准化后的随钻数据再经过皮尔逊相关系数处理后，筛选的相关系数大于0.4的随钻参数即为具有优秀品质的随钻参数，其中，min-max转化函数为
max为随钻数据的最大值，min为随钻数据的最小值。
在对采集的随钻数据进行筛选后，将最终优秀的随钻数据进行样本分别存储，基于随机森林算法监督机器学习的特性，区分存储便于对随钻数据进行标签。
S2、在统计性特征提取层，从S1中的样本数据获取已知地层的随钻参数，提取出已知地层随钻参数的统计性特征；本发明提取的特征一共有12种，请参考表1，所提取的已知地层随钻参数的统计性特征包括6种非开挖钻机动力统计性特征和6种非开挖泥浆信息统计性特征；所述的6种非开挖钻机动力统计性特征包括钻速、回转扭矩、回转速度、轴向力、泵压以及泵量；所述的6种非开挖泥浆信息统计性特征包括泥浆塑性粘度PV、泥浆动切力YP、泥浆含砂量、泥浆密度、泥浆漏斗粘度以及泥浆滤失量；统计性特征提取结束后，会备份作为下一次建模的建模数据。
表1中有12种特征为地层识别模型统计性特征，主要与非开挖钻机的动力参数、泥浆参数这两大类相关。
表1所需提取的12种随钻特征列举
| 序号 | 特征 | 特征值获取方法 |
| 1 | 钻速 | 单位时间进尺量计算 |
| 2 | 回转扭矩 | 随钻检测系统 |
| 3 | 回转速度 | 随钻检测系统 |
| 4 | 轴向力 | 随钻检测系统 |
| 5 | 泵压 | 随钻检测系统 |
| 6 | 泵量 | 随钻检测系统 |
| 7 | 泥浆塑性粘度PV | 返浆旋转六速粘度计测试 |
| 8 | 泥浆动切力YP | 返浆旋转六速粘度计测试 |
| 9 | 泥浆含砂量 | 含砂量测定仪测试 |
| 10 | 泥浆密度 | 泥浆比重计测试 |
| 11 | 泥浆漏斗粘度 | 苏式漏斗测试 |
| 12 | 泥浆滤失量 | 中压滤失仪测试 |
S3、在建模数据备份层，将S2提取出的已知地层随钻参数统计性特征作为建模数据进行备份；
S4、在机器学习模型层，读取S2中统计性特征提取层的数据和S3的建模数据备份层的数据，使用随机森林算法进行随机森林模型建立，并对随机森林模型识别正确率进行验证；请参考图3，具体如下：
将特征选择后的随钻参数与地层数据读入程序，通过随机划分法划分已有数据为样本集与测试集。选择所有数据中的80％数据为训练集进行模型的训练，20％的数据作为测试集来检验模型的准确度。将训练数据读入模型进行随机森林的训练。模型训练完毕后将训练集样本数据进行测试得到训练样本在模型上的准确度。再将测试集数据带入模型进行运行得到测试集在模型中的预测结果，输出测试集使用模型进行预测的精度。最后将所有数据代入模型中预测，得到整体数据的一个预测精度。在模型中输出训练集精度、测试集精度与整体数据的精度，输出训练集精度和输出测试集精度是为了当模型整体精度较低时能推断出是过拟合还是欠拟合导致的模型效果较差。输出整体数据集的精度是为了能选择最好精度的模型，并且当模型精度在95％以下时会重复进行训练，当模型精度达到95％以上时才会输出模型。
S5、提取所需识别地层的统计性特征，使用S4建立好的模型，对未知地层进行识别；如图4所示，具体包括如下步骤：
S51、提取所需识别地层的统计性特征，包括6种非开挖钻机动力统计性特征以及6种非开挖泥浆信息统计性特征；
S52、将提取出的统计性特征即随钻参数作为输入传递给所建立的随机森林模型；
S53、模型最后返回识别结果。
S6、将S5识别结果中的特征降维到三维，进行可视化展示，所述降维方法为PCA主成分分析方法，如图5可见，地层识别模型将12类随钻参数特征降维到3维，并以XYZ坐标轴形式，可视化展示。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于非开挖随钻参数机器学习的地层识别方法，其特征在于，包括以下步骤：
S1、在数据采集层，采集大量已知地层的随钻参数样本，提取出其中具有优秀品质的随钻参数作为样本数据；
S2、在统计性特征提取层，从S1中的样本数据获取已知地层的随钻参数，提取出已知地层随钻参数的统计性特征；
步骤S2中所提取的已知地层随钻参数的统计性特征包括6种非开挖钻机动力统计性特征和6种非开挖泥浆信息统计性特征；
所述的6种非开挖钻机动力统计性特征包括钻速、回转扭矩、回转速度、轴向力、泵压以及泵量；
所述的6种非开挖泥浆信息统计性特征包括泥浆塑性粘度PV、泥浆动切力YP、泥浆含砂量、泥浆密度、泥浆漏斗粘度以及泥浆滤失量；
S3、在建模数据备份层，将S2提取出的已知地层随钻参数统计性特征作为建模数据进行备份；
S4、在机器学习模型层，读取S2中统计性特征提取层的数据和S3的建模数据备份层的数据，使用随机森林算法进行随机森林模型的建立，并对随机森林模型识别正确率进行验证；
所述S4随机森林模型的建立和验证具体包括如下步骤：
S41、获取建模数据，建模数据来源包括统计性特征提取层和建模数据备份层；
S42、设置随机森林内决策树建立的个数为80；
S43、输入建模数据，调整参数，建立随机森林模型；
S44、将建模备份数据外的已知地层随钻参数导入随机森林模型，对模型识别正确率进行判断，当模型识别正确率低于95％时，返回步骤S43，直至随机森林模型正确率达到95％；
S5、提取所需识别地层的统计性特征，使用S4建立好的模型，对未知地层进行识别；
S6、将S5识别结果中的特征降维到三维，进行可视化展示。
2.根据权利要求1所述的一种基于非开挖随钻参数机器学习的地层识别方法，其特征在于，步骤S1所述具有优秀品质的随钻参数提取是对随钻参数样本先进行min-max标准化，标准化后的随钻数据再经过皮尔逊相关系数处理后，筛选的相关系数大于0.4的随钻参数即为具有优秀品质的随钻参数，其中，min-max转化函数为
max为随钻数据的最大值，min为随钻数据的最小值。
3.根据权利要求1所述的一种基于非开挖随钻参数机器学习的地层识别方法，所述S5中具体包括如下步骤：
S51、提取所需识别地层的统计性特征，包括6种非开挖钻机动力统计性特征以及6种非开挖泥浆信息统计性特征所述；
S52、将提取出的统计性特征即随钻参数作为输入数据传递给所建立的随机森林模型；
S53、模型最后返回识别结果。
4.根据权利要求1所述的一种基于非开挖随钻参数机器学习的地层识别方法，所述的步骤S5中的未知地层包括杂填土、粘土、粉细砂、砾石和淤泥。
5.根据权利要求1所述的一种基于非开挖随钻参数机器学习的地层识别方法，所述的步骤S6中的将模型识别结果中的特征数量降维到三维并可视化展示，所述降维方法为PCA主成分分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011252098.1A CN112381938B (zh) | 2020-11-11 | 2020-11-11 | 一种基于非开挖随钻参数机器学习的地层识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011252098.1A CN112381938B (zh) | 2020-11-11 | 2020-11-11 | 一种基于非开挖随钻参数机器学习的地层识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112381938A CN112381938A (zh) | 2021-02-19 |
| CN112381938B true CN112381938B (zh) | 2023-03-24 |
Family
ID=74582024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011252098.1A Active CN112381938B (zh) | 2020-11-11 | 2020-11-11 | 一种基于非开挖随钻参数机器学习的地层识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381938B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065664B (zh) * | 2021-02-20 | 2024-05-14 | 北京三一智造科技有限公司 | 一种地质层识别模型构建方法和地质层识别方法 |
| CN113062734A (zh) * | 2021-05-17 | 2021-07-02 | 上海联创燃气技术发展有限公司 | 基于非开挖泥浆流变参数弱监督机器学习的地层识别方法 |
| CN113638689A (zh) * | 2021-07-26 | 2021-11-12 | 山东大学 | 一种定量钻进装置及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
| CN110346831A (zh) * | 2019-07-19 | 2019-10-18 | 同济大学 | 一种基于随机森林算法的智能化地震流体识别方法 |
| CN110671095A (zh) * | 2019-09-23 | 2020-01-10 | 中国地质大学（武汉） | 一种地质地层压力智能随钻软测量方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105840171B (zh) * | 2016-03-23 | 2019-10-01 | 中国地质大学（武汉） | 一种非开挖扩孔孔底钻进参数实时监测装置 |
| US11327475B2 (en) * | 2016-05-09 | 2022-05-10 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for intelligent collection and analysis of vehicle data |
| AU2019101182A4 (en) * | 2019-10-02 | 2020-01-23 | Feng, Yawen MISS | Credit Risk Assessment of Lending Borrowers Based on Hybrid Supervised and Unsupervised Learning |
-
2020
- 2020-11-11 CN CN202011252098.1A patent/CN112381938B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
| CN110346831A (zh) * | 2019-07-19 | 2019-10-18 | 同济大学 | 一种基于随机森林算法的智能化地震流体识别方法 |
| CN110671095A (zh) * | 2019-09-23 | 2020-01-10 | 中国地质大学（武汉） | 一种地质地层压力智能随钻软测量方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于集成学习的测井岩性识别模型的构建;邹琪等;《智能计算机与应用》;20200301;第10卷(第03期);91-94 * |
| 旋挖钻机钻进入岩判定与地层识别方法;许明等;《中南大学学报(自然科学版)》;20171226;第48卷(第12期);3344-3349 * |
| 钻井岩性实时识别方法研究;张辉等;《石油钻采工艺》;20050225;第27卷(第01期);13-15、80 * |
| 随机森林算法在测井岩性分类中的应用;康乾坤等;《世界地质》;20200531;第39卷(第02期);398-405 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112381938A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381938B (zh) | 一种基于非开挖随钻参数机器学习的地层识别方法 | |
| CN111738620B (zh) | 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 | |
| CN104239703A (zh) | 页岩气储层多参数定量类比评价方法 | |
| CN104533400B (zh) | 一种重构测井曲线的方法 | |
| CN107701179B (zh) | 一种基于常规测井资料的页岩气储层的可压性评价方法 | |
| CN108374657B (zh) | 井断点自动识别方法 | |
| CN112257254B (zh) | 一种基于灰色预测的地层可钻性的评价方法 | |
| CN111738371B (zh) | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 | |
| CN112664174A (zh) | 一种基于多钻孔的隧道围岩等级判定方法及系统 | |
| CN104678455A (zh) | 一种陆相缝洞型储层识别方法 | |
| CN111155980B (zh) | 一种水流优势通道识别方法及装置 | |
| CN115573695B (zh) | 一种钻机有效钻进数据自动采集方法及系统 | |
| CN116816340A (zh) | 一种地层岩性及地质结构随钻智能识别方法及系统 | |
| CN116677367A (zh) | 一种基于随钻参数特征的智能实时岩层反演识别方法 | |
| CN215256164U (zh) | 监测钻机在钻探过程中地层变化的装置 | |
| CN115629188A (zh) | 一种岩心产能模拟实验系统 | |
| 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 | |
| CN115146677A (zh) | 基于tbm刀盘振动信号的地质判断方法、装置及终端 | |
| CN112282730A (zh) | 储层压裂改造诱发井下套管变形的实时监测与评价方法 | |
| CN114202036A (zh) | 一种基于模式识别技术的静力触探自动划分土层技术 | |
| CN113062734A (zh) | 基于非开挖泥浆流变参数弱监督机器学习的地层识别方法 | |
| CN113393334A (zh) | 一种钻井参数优化推荐方法及系统 | |
| CN117868080A (zh) | 一种冲孔灌注桩桩基土层类别自动判别系统及方法 | |
| CN113587802B (zh) | 一种井下套管变形类型识别方法及装置 | |
| US20240069242A1 (en) | Method system for shale lithofacies identification and prediction |
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 |