CN113268799A - 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 - Google Patents
一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 Download PDFInfo
- Publication number
- CN113268799A CN113268799A CN202110583520.XA CN202110583520A CN113268799A CN 113268799 A CN113268799 A CN 113268799A CN 202110583520 A CN202110583520 A CN 202110583520A CN 113268799 A CN113268799 A CN 113268799A
- Authority
- CN
- China
- Prior art keywords
- size
- drilling data
- data
- burial depth
- karst cave
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 83
- 238000009933 burial Methods 0.000 claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 67
- 238000010276 construction Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000012417 linear regression Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 235000019994 cava Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001141 propulsive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Earth Drilling (AREA)
Abstract
本发明公开了一种基于随钻数据预测溶洞埋深和尺寸的方法及系统,该方法包括:基于已知岩溶区域的随钻数据、溶洞埋深和尺寸构建训练集和测试集;基于训练集和测试集对预构建模型进行训练和筛选,得到预测模型;对待测区域进行开钻施工;采集待测区域的随钻数据并对随钻数据进行归一化,得到归一化后的随钻数据;将归一化后的随钻数据输入到训练完成的预测模型,预测溶洞埋深和尺寸。该系统包括:数据集构建模块、模型筛选模块、施工模块、数据采集模块和预测模块。通过使用本发明,降低了溶洞的埋深和尺寸参数的预测成本,极大地缩短了预测时间。本发明作为一种基于随钻数据预测溶洞埋深和尺寸的方法及系统,可广泛应用于桩基工程领域。
Description
技术领域
本发明涉及桩基工程领域,尤其涉及一种基于随钻数据预测溶洞埋深和尺寸的方法及系统。
背景技术
随着我国城市化的进展,越来越多的工程施工区域在含岩溶的复杂地质区域。岩溶地区广泛分布着大小及埋深不明的溶洞,这为工程施工以及后续的项目全寿命维护带来了巨大的挑战。因此需要在建筑物桩基施工过程中,对桩基底部溶洞的埋深以及尺寸进行勘察,并对可能的灾害源进行填补等预防手段。现有的溶洞勘察手段主要有水文地质钻探、物探、水位统测和水文地球化学分析等,大部分勘察手段都需要专门的设备、技术以及人员来进行数据的采集、分析以及发布。这为项目以及施工带来了更多的时间以及资金要求。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于随钻数据预测溶洞埋深和尺寸的方法及系统,结合机器学习进行预测,降低了溶洞的埋深和尺寸参数的预测成本,极大地缩短了预测时间。
本发明所采用的第一技术方案是:一种基于随钻数据预测溶洞埋深和尺寸的方法,包括以下步骤:
基于已知岩溶区域的随钻数据、溶洞埋深和尺寸构建训练集和测试集;
基于训练集和测试集对预构建模型进行训练和筛选,得到预测模型;
对待测区域进行开钻施工;
采集待测区域的随钻数据并对随钻数据进行归一化,得到归一化后的随钻数据;
将归一化后的随钻数据输入到训练完成的预测模型,预测溶洞埋深和尺寸。
进一步,所述随钻数据包括钻机扭矩、推进力、钻进速度、钻杆转速和机械比能。
进一步,所述基于已知岩溶区域的随钻数据、溶洞埋深和尺寸构建训练集和测试集这一步骤,其具体包括:
选定已知岩溶区域;
对已知岩溶区域进行开钻施工并采集随钻数据,得到已知岩溶区域的随钻数据;
以岩溶区域的随钻数据和已知岩溶区域溶洞埋深以及尺寸为样本数据;
对样本数据进行归一化后将样本数据划分训练集和数据集。
进一步,所述预构建模型包括多元线性回归模型、支持向量回归模型和人工神经网络模型,所述基于训练集和测试集对预构建模型进行训练和筛选,得到预测模型这一步骤,其具体包括:
基于训练集和测试集对多元线性回归模型进行训练和测试,计算得到多元线性回归模型的预测正确率;
基于训练集和测试集对支持向量回归模型进行训练和测试,计算得到支持向量回归模型的预测正确率;
基于训练集和测试集对人工神经网络模型进行训练和测试,计算得到人工神经网络模型的预测正确率;
对多元线性回归模型的预测正确率、支持向量回归模型的预测正确率和人工神经网络模型的预测正确率进行对比,以最高预测正确率的模型作为预测模型。
进一步,所述基于训练集和测试集对多元线性回归模型进行训练和测试,计算得到多元线性回归模型的预测正确率这一步骤,其具体包括:
对训练集中的溶洞埋深和尺寸以及对应的随钻数据分别进行多元线性回归拟合,建立溶洞埋深和尺寸拟合方程;
将测试集的随钻数据代入拟合方程,计算出对应的溶洞埋深和尺寸预测值;
分别计算溶洞埋深和尺寸预测值与实际值的偏差度,得到多元线性回归模型的预测正确率。
进一步,所述基于训练集和测试集对支持向量回归模型进行训练和测试,计算得到支持向量回归模型的预测正确率这一步骤,其具体包括:
对训练集中的溶洞埋深和尺寸进行支持向量回归分析,得到溶洞埋深和尺寸的预测模型;
将测试集中的随钻数据代入到得到的预测模型,求出对应的溶洞埋深和尺寸预测值;
分别计算溶洞埋深和尺寸预测值与实际值的偏差度,得到支持向量回归模型的预测正确率。
进一步,所述基于训练集和测试集对人工神经网络模型进行训练和测试,计算得到人工神经网络模型的预测正确率这一步骤,其具体包括:
基于试错法确定人工神经网络模型的最佳动量系数、学习率和激活函数;
设置人工神经网络模型的输入节点、隐含层和隐含层节点数;
基于训练集对人工神经网络模型进行训练;
将测试集输入到训练后的人工神经网络模型,求出对应的溶洞埋深和尺寸预测值;
分别计算溶洞埋深和尺寸预测值和实际值的偏差度,得到人工神经网络模型的预测正确率。
本发明所采用的第二技术方案是:一种基于随钻数据预测溶洞埋深和尺寸的系统,包括:
数据集构建模块,基于已知岩溶区域的随钻数据、溶洞埋深和尺寸构建训练集和测试集;
模型筛选模块,基于训练集和测试集对预构建模型进行训练和筛选,得到预测模型;
施工模块,用于对待测区域进行开钻施工;
数据采集模块,用于采集待测区域的随钻数据并对随钻数据进行归一化,得到归一化后的随钻数据;
预测模块,用于将归一化后的随钻数据输入到训练完成的预测模型,预测溶洞埋深和尺寸。
本发明方法及系统的有益效果是:本发明通过学习模型根据钻机的随钻数据预测桩基基坑底部溶洞埋深和尺寸选型,减少了人工干预的影响,降低了溶洞的埋深和尺寸参数的预测成本,极大地缩短了预测时间。
附图说明
图1是本发明一种基于随钻数据预测溶洞埋深和尺寸的实施例示意图;
图2是本发明一种基于随钻数据预测溶洞埋深和尺寸的方法的流程示意图;
图3是本发明一种基于随钻数据预测溶洞埋深和尺寸的系统的结构框图。
附图标记:1、岩溶区域;2、钻机;3、随钻数据采集器;4、钻头;5、计算机;6、溶洞。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1和图2,本发明提供了一种基于随钻数据预测溶洞埋深和尺寸的方法,该方法包括以下步骤:
基于已知岩溶区域的随钻数据、溶洞埋深和尺寸构建训练集和测试集;
具体地,选定已知有岩溶的复杂地区,在岩溶地区桩基开挖钻进施工中,采集完整桩基基坑钻进过程中的随钻数据和探测出的溶洞埋深以及尺寸作为样本。
基于训练集和测试集对预构建模型进行训练和筛选,得到预测模型;
对待测区域进行开钻施工;
在待测区域桩基开挖钻进施工,记录钻机随钻数据。
采集待测区域的随钻数据并对随钻数据进行归一化,得到归一化后的随钻数据;
将归一化后的随钻数据输入到训练完成的预测模型,预测溶洞埋深和尺寸。
进一步作为本方法的优选实施例,所述随钻数据包括钻机扭矩、推进力、钻进速度、钻杆转速和机械比能。
具体地,所述扭矩、推进力、钻进速度和钻杆转速为直接测得的随钻数据,机械比能为移除单位体积岩土所需要的能量,是通过计算分析所得的随钻数据,其计算公式为:
上式中,MSE为机械比能,F为推进力,A为钻孔直径,T为扭矩,RPM为钻杆转速,ROP为钻进速度。
进一步作为本方法的优选实施例,所述基于已知岩溶区域的随钻数据、溶洞埋深和尺寸构建训练集和测试集这一步骤,其具体包括:
选定已知岩溶区域;
对已知岩溶区域进行开钻施工并采集随钻数据,得到已知岩溶区域的随钻数据;
以岩溶区域的随钻数据和已知岩溶区域溶洞埋深以及尺寸为样本数据;
对样本数据进行归一化后将样本数据划分训练集和数据集。
具体地,将所采集到的一组随钻数据与对应的溶洞埋深以及尺寸组成一个数据集,针对项目中所收集的不同桩基的数据集建立一个样本数据库,最后将样本数据库中的五种随钻数据及溶洞埋深和尺寸各自归一化,即转化为大于等于零小于等于一的数据,将建立的样本数据库中的数据集拆分为训练集与测试集,其比例分别为75%和25%。
进一步作为本方法的优选实施例,所述预构建模型包括多元线性回归模型、支持向量回归模型和人工神经网络模型,所述基于训练集和测试集对预构建模型进行训练和筛选,得到预测模型这一步骤,其具体包括:
基于训练集和测试集对多元线性回归模型进行训练和测试,计算得到多元线性回归模型的预测正确率;
基于训练集和测试集对支持向量回归模型进行训练和测试,计算得到支持向量回归模型的预测正确率;
基于训练集和测试集对人工神经网络模型进行训练和测试,计算得到人工神经网络模型的预测正确率;
对多元线性回归模型的预测正确率、支持向量回归模型的预测正确率和人工神经网络模型的预测正确率进行对比,以最高预测正确率的模型作为预测模型。
进一步作为本方法优选实施例,所述基于训练集和测试集对多元线性回归模型进行训练和测试,计算得到多元线性回归模型的预测正确率这一步骤,其具体包括:
对训练集中的溶洞埋深和尺寸以及对应的随钻数据分别进行多元线性回归拟合,建立溶洞埋深和尺寸拟合方程;
具体地,溶洞埋深(y1)和尺寸(y2)拟合方程:
yi=β0+β1F+β2T+β3ROP+β4RPM+β5MSE,(i=1,2)
上式中,其中β0,β1,β2,β3,β4,β5是待定的参数。
将测试集的随钻数据代入拟合方程,计算出对应的溶洞埋深和尺寸预测值;
分别计算溶洞埋深和尺寸预测值与实际值的偏差度,得到多元线性回归模型的预测正确率。
进一步作为本方法优选实施例,所述基于训练集和测试集对支持向量回归模型进行训练和测试,计算得到支持向量回归模型的预测正确率这一步骤,其具体包括:
对训练集中的溶洞埋深和尺寸进行支持向量回归分析,得到溶洞埋深和尺寸的预测模型;
具体地,通过如下公式得到溶洞埋深和尺寸的预测模型f(xi):
上式中,w是待定的参数,xi是钻机的扭矩、推进力、钻进速度、钻杆转速和机械比能,yi是对应的溶洞埋深和尺寸,∈是最大许可误差。
将测试集中的随钻数据代入到得到的预测模型,求出对应的溶洞埋深和尺寸预测值;
分别计算溶洞埋深和尺寸预测值与实际值的偏差度,得到支持向量回归模型的预测正确率。
进一步作为本方法优选实施例,所述基于训练集和测试集对人工神经网络模型进行训练和测试,计算得到人工神经网络模型的预测正确率这一步骤,其具体包括:
基于试错法确定人工神经网络模型的最佳动量系数、学习率和激活函数;
设置人工神经网络模型的输入节点、隐含层和隐含层节点数;
具体地,将人工神经网络的输入节点分别设置成1、2、3、4、5,同时将隐含层以及隐含层节点数分别设置为1以及20。
另外,将不同输入节点数量以及随钻数据的模型的预测正确率进行从高到低的排序,最高预测率的输入节点数量及对应的随钻数据即为最佳的输入维度。
将人工神经网络的输入设定为上一步骤中所确定的最优随钻数据组合,同时将隐含层设置为1层,将隐含层节点数从20增加到100。
另外,将不同隐含层节点的模型预测正确率进行从高到低的排序,最高预测率的隐含层节点数量即为最佳的隐含层节点数。
基于训练集对人工神经网络模型进行训练;
将测试集输入到训练后的人工神经网络模型,求出对应的溶洞埋深和尺寸预测值;
分别计算溶洞埋深和尺寸预测值和实际值的偏差度,得到人工神经网络模型的预测正确率。
如图3所示,一种基于随钻数据预测溶洞埋深和尺寸的系统,包括:
数据集构建模块,基于已知岩溶区域的随钻数据、溶洞埋深和尺寸构建训练集和测试集;
模型筛选模块,基于训练集和测试集对预构建模型进行训练和筛选,得到预测模型;
施工模块,用于对待测区域进行开钻施工;
数据采集模块,用于采集待测区域的随钻数据并对随钻数据进行归一化,得到归一化后的随钻数据;
预测模块,用于将归一化后的随钻数据输入到训练完成的预测模型,预测溶洞埋深和尺寸。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种基于随钻数据预测溶洞埋深和尺寸的方法,其特征在于,包括以下步骤:
基于已知岩溶区域的随钻数据、溶洞埋深和尺寸构建训练集和测试集;
基于训练集和测试集对预构建模型进行训练和筛选,得到预测模型;
对待测区域进行开钻施工;
采集待测区域的随钻数据并对随钻数据进行归一化,得到归一化后的随钻数据;
将归一化后的随钻数据输入到训练完成的预测模型,预测溶洞埋深和尺寸。
2.根据权利要求1所述一种基于随钻数据预测溶洞埋深和尺寸的方法,其特征在于,所述随钻数据包括钻机扭矩、推进力、钻进速度、钻杆转速和机械比能。
3.根据权利要求2所述一种基于随钻数据预测溶洞埋深和尺寸的方法,其特征在于,所述基于已知岩溶区域的随钻数据、溶洞埋深和尺寸构建训练集和测试集这一步骤,其具体包括:
选定已知岩溶区域;
对已知岩溶区域进行开钻施工并采集随钻数据,得到已知岩溶区域的随钻数据;
以岩溶区域的随钻数据和已知岩溶区域溶洞埋深以及尺寸为样本数据;
对样本数据进行归一化后将样本数据划分训练集和数据集。
4.根据权利要求3所述一种基于随钻数据预测溶洞埋深和尺寸的方法,其特征在于,所述预构建模型包括多元线性回归模型、支持向量回归模型和人工神经网络模型,所述基于训练集和测试集对预构建模型进行训练和筛选,得到预测模型这一步骤,其具体包括:
基于训练集和测试集对多元线性回归模型进行训练和测试,计算得到多元线性回归模型的预测正确率;
基于训练集和测试集对支持向量回归模型进行训练和测试,计算得到支持向量回归模型的预测正确率;
基于训练集和测试集对人工神经网络模型进行训练和测试,计算得到人工神经网络模型的预测正确率;
对多元线性回归模型的预测正确率、支持向量回归模型的预测正确率和人工神经网络模型的预测正确率进行对比,以最高预测正确率的模型作为预测模型。
5.根据权利要求4所述一种基于随钻数据预测溶洞埋深和尺寸的方法,其特征在于,所述基于训练集和测试集对多元线性回归模型进行训练和测试,计算得到多元线性回归模型的预测正确率这一步骤,其具体包括:
对训练集中的溶洞埋深和尺寸以及对应的随钻数据分别进行多元线性回归拟合,建立溶洞埋深和尺寸拟合方程;
将测试集的随钻数据代入拟合方程,计算出对应的溶洞埋深和尺寸预测值;
分别计算溶洞埋深和尺寸预测值与实际值的偏差度,得到多元线性回归模型的预测正确率。
6.根据权利要求5所述一种基于随钻数据预测溶洞埋深和尺寸的方法,其特征在于,所述基于训练集和测试集对支持向量回归模型进行训练和测试,计算得到支持向量回归模型的预测正确率这一步骤,其具体包括:
对训练集中的溶洞埋深和尺寸进行支持向量回归分析,得到溶洞埋深和尺寸的预测模型;
将测试集中的随钻数据代入到得到的预测模型,求出对应的溶洞埋深和尺寸预测值;
分别计算溶洞埋深和尺寸预测值与实际值的偏差度,得到支持向量回归模型的预测正确率。
7.根据权利要求6所述一种基于随钻数据预测溶洞埋深和尺寸的方法,其特征在于,所述基于训练集和测试集对人工神经网络模型进行训练和测试,计算得到人工神经网络模型的预测正确率这一步骤,其具体包括:
基于试错法确定人工神经网络模型的最佳动量系数、学习率和激活函数;
设置人工神经网络模型的输入节点、隐含层和隐含层节点数;
基于训练集对人工神经网络模型进行训练;
将测试集输入到训练后的人工神经网络模型,求出对应的溶洞埋深和尺寸预测值;
分别计算溶洞埋深和尺寸预测值和实际值的偏差度,得到人工神经网络模型的预测正确率。
8.一种基于随钻数据预测溶洞埋深和尺寸的系统,其特征在于,包括以下模块:
数据集构建模块,基于已知岩溶区域的随钻数据、溶洞埋深和尺寸构建训练集和测试集;
模型筛选模块,基于训练集和测试集对预构建模型进行训练和筛选,得到预测模型;
施工模块,用于对待测区域进行开钻施工;
数据采集模块,用于采集待测区域的随钻数据并对随钻数据进行归一化,得到归一化后的随钻数据;
预测模块,用于将归一化后的随钻数据输入到训练完成的预测模型,预测溶洞埋深和尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583520.XA CN113268799B (zh) | 2021-05-27 | 2021-05-27 | 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583520.XA CN113268799B (zh) | 2021-05-27 | 2021-05-27 | 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113268799A true CN113268799A (zh) | 2021-08-17 |
CN113268799B CN113268799B (zh) | 2024-04-30 |
Family
ID=77233209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110583520.XA Active CN113268799B (zh) | 2021-05-27 | 2021-05-27 | 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268799B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515117A (zh) * | 2019-07-19 | 2019-11-29 | 广州市高速公路有限公司 | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 |
CN110852423A (zh) * | 2019-11-12 | 2020-02-28 | 中铁工程装备集团有限公司 | 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 |
CN110990938A (zh) * | 2019-12-28 | 2020-04-10 | 中铁工程装备集团有限公司 | 一种掌子面在掘岩体状态软测量方法 |
US20200132875A1 (en) * | 2018-10-24 | 2020-04-30 | Baker Hughes, A Ge Company, Llc | Modeling textural parameters of a formation with downhole measurements |
CN111291997A (zh) * | 2020-02-18 | 2020-06-16 | 山东科技大学 | 基于随钻测量技术的煤层冲击危险性实时评估方法 |
CN111291934A (zh) * | 2020-02-18 | 2020-06-16 | 山东科技大学 | 一种隧道施工过程中围岩实时分级预测及自检方法 |
CN111325461A (zh) * | 2020-02-18 | 2020-06-23 | 山东科技大学 | 基于振动监测技术的煤层冲击危险性实时评估方法 |
CN111340275A (zh) * | 2020-02-18 | 2020-06-26 | 山东科技大学 | 基于随钻探测技术的隧道支护模式选型实时预测方法 |
CN111551985A (zh) * | 2020-05-15 | 2020-08-18 | 广州市高速公路有限公司 | 一种基于桩锤激震和k近邻算法的地下溶洞探测方法 |
CN112130216A (zh) * | 2020-08-19 | 2020-12-25 | 中国地质大学(武汉) | 基于卷积神经网络多物探法耦合的地质超前精细预报方法 |
-
2021
- 2021-05-27 CN CN202110583520.XA patent/CN113268799B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200132875A1 (en) * | 2018-10-24 | 2020-04-30 | Baker Hughes, A Ge Company, Llc | Modeling textural parameters of a formation with downhole measurements |
CN110515117A (zh) * | 2019-07-19 | 2019-11-29 | 广州市高速公路有限公司 | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 |
CN110852423A (zh) * | 2019-11-12 | 2020-02-28 | 中铁工程装备集团有限公司 | 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 |
CN110990938A (zh) * | 2019-12-28 | 2020-04-10 | 中铁工程装备集团有限公司 | 一种掌子面在掘岩体状态软测量方法 |
CN111291997A (zh) * | 2020-02-18 | 2020-06-16 | 山东科技大学 | 基于随钻测量技术的煤层冲击危险性实时评估方法 |
CN111291934A (zh) * | 2020-02-18 | 2020-06-16 | 山东科技大学 | 一种隧道施工过程中围岩实时分级预测及自检方法 |
CN111325461A (zh) * | 2020-02-18 | 2020-06-23 | 山东科技大学 | 基于振动监测技术的煤层冲击危险性实时评估方法 |
CN111340275A (zh) * | 2020-02-18 | 2020-06-26 | 山东科技大学 | 基于随钻探测技术的隧道支护模式选型实时预测方法 |
CN111551985A (zh) * | 2020-05-15 | 2020-08-18 | 广州市高速公路有限公司 | 一种基于桩锤激震和k近邻算法的地下溶洞探测方法 |
CN112130216A (zh) * | 2020-08-19 | 2020-12-25 | 中国地质大学(武汉) | 基于卷积神经网络多物探法耦合的地质超前精细预报方法 |
Non-Patent Citations (4)
Title |
---|
温忠辉;任化准;束龙仓;王恩;柯婷婷;陈荣波;: "岩溶地下河日流量预测的小样本非线性时间序列模型", 吉林大学学报(地球科学版), no. 02 * |
温忠辉等: "岩溶地下河日流量预测的 小样本非线性时间序列模型", 《吉林大学学报(地球科学版)》, pages 455 - 458 * |
赖永标;乔春生;: "基于支持向量机岩溶塌陷的智能预测模型", 北京交通大学学报, no. 01 * |
赖永标等: "基于支持向量机岩溶塌陷的智能预测模型", 《北京交通大学学报》, pages 36 - 43 * |
Also Published As
Publication number | Publication date |
---|---|
CN113268799B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852018B (zh) | 基于神经网络的pso钻井参数优化方法 | |
RU2321064C2 (ru) | Способ построения обратимой трехмерной гидродинамической модели земли, калибруемой в реальном времени в процессе бурения | |
US8145462B2 (en) | Field synthesis system and method for optimizing drilling operations | |
RU2687668C1 (ru) | Способ и система комбинированного сопровождения процесса бурения скважины | |
US20210027144A1 (en) | Petroleum reservoir behavior prediction using a proxy flow model | |
CA2826854C (en) | Three-dimensional modeling of parameters for oilfield drilling | |
US20180238148A1 (en) | Method For Computing Lithofacies Probability Using Lithology Proximity Models | |
RU2663653C1 (ru) | Улучшенная оценка искривления ствола скважины, основанная на результатах измерений изгибающего момента инструмента | |
US20060285436A1 (en) | Intelligent system for use in subterranean drilling applications | |
CN110805469B (zh) | 山岭隧道钻爆法施工掌子面稳定性分级方法 | |
US20180334897A1 (en) | Drilling control based on brittleness index correlation | |
NO341156B1 (no) | System, fremgangsmåte og datamaskinlesbart medium for å gjennomføre en boreoperasjon for et oljefelt | |
US20210047910A1 (en) | Learning based bayesian optimization for optimizing controllable drilling parameters | |
CN113553780B (zh) | 一种基于机器学习的地层孔隙压力预测方法 | |
KR102294384B1 (ko) | 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템 | |
Zhang et al. | Estimation of fracture stiffness, in situ stresses, and elastic parameters of naturally fractured geothermal reservoirs | |
Zhdaneev et al. | Predictive systems for the well drilling operations | |
CN113137226A (zh) | 便携式岩土体力学参数钻探测试系统及设备 | |
CN106886584B (zh) | 基于城市多种地理数据基础上的地下空间开发利用现状估算方法 | |
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 | |
CN215256164U (zh) | 监测钻机在钻探过程中地层变化的装置 | |
CN115434696A (zh) | 一种岩性识别数据库构建方法及岩性识别方法 | |
CN113464126A (zh) | 监测钻机在钻探过程中地层变化的装置及方法 | |
CN113282990A (zh) | 一种盾构运动轨迹的智能化实时确定方法、终端和介质 | |
You et al. | Stratigraphic identification using real-time drilling data |
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 |