CN113779690B - 基于随钻感知的超前地质预报方法及系统 - Google Patents
基于随钻感知的超前地质预报方法及系统 Download PDFInfo
- Publication number
- CN113779690B CN113779690B CN202111330731.9A CN202111330731A CN113779690B CN 113779690 B CN113779690 B CN 113779690B CN 202111330731 A CN202111330731 A CN 202111330731A CN 113779690 B CN113779690 B CN 113779690B
- Authority
- CN
- China
- Prior art keywords
- geological
- drilling
- parameters
- surrounding rock
- rock
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 77
- 239000011435 rock Substances 0.000 claims abstract description 165
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000013136 deep learning model Methods 0.000 claims abstract description 32
- 239000000843 powder Substances 0.000 claims abstract description 20
- 239000002893 slag Substances 0.000 claims abstract description 20
- 238000011010 flushing procedure Methods 0.000 claims abstract description 11
- 239000012530 fluid Substances 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 12
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 10
- 239000011707 mineral Substances 0.000 claims description 10
- 238000009412 basement excavation Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 150000001450 anions Chemical class 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 239000000243 solution Substances 0.000 claims description 6
- 150000001768 cations Chemical class 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 239000007864 aqueous solution Substances 0.000 claims description 4
- 239000002243 precursor Substances 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 3
- 230000008859 change Effects 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 239000004927 clay Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Images
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
- 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
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- E21B47/00—Survey of boreholes or wells
-
- 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
- E21B49/005—Testing the nature of borehole walls or the formation by using drilling mud or cutting data
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
-
- 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
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Fluid Mechanics (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本公开提供了一种基于随钻感知的超前地质预报方法及系统,涉及超前地质预报技术领域,所述方案包括获取钻进过程中的钻进参数;基于所述钻进参数反演得到隧道围岩物理力学参数;基于钻进过程中收集的冲洗液获取岩渣或岩粉;获取岩渣或岩粉的地化特征参数;根据所获取的隧道围岩物理力学参数和地化特征参数,利用预先训练的深度学习模型,获得不良地质识别结果与围岩分级结果两者中至少一个,进而实现超前地质预报。所述方案结合超前地质钻探,从隧道围岩的物理力学性质变化和地化特征参数变化两方面来全面反映地质特征,通过对超前钻探过程中的钻进参数和冲洗液的采集与分析,融合大数据和深度学习算法,最终实现对隧道掌子面前方地质的超前预报。
Description
技术领域
本公开属于超前地质预报技术领域,尤其涉及一种基于随钻感知的超前地质预报方法及系统。
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。
隧道建设经常遭遇突水突泥、塌方、大变形等地质灾害,造成重大人员伤亡、严重经济损失和恶劣社会影响。断层、岩溶等不良地质是隧道灾害发生的最大元凶和挑战,由于地下地质条件复杂以及地表勘察技术手段有限,在施工前期很难做到对隧道沿线不良地质情况的准确掌握。超前地质预报是隧道施工过程中准确探明断层、岩溶等不良地质最有效的手段,已被纳入相关标准,成为隧道建设灾害防治的核心工序。
目前常用的隧道不良地质识别和超前地质预报方法主要有地质分析法、物探法和超前钻探法,其中,超前钻探法可直接揭示和推断掌子面前方的围岩和地质特征,是最直接的超前地质预报方法。现有的超前钻探法是通过对掌子面前方的钻探过程进行取芯和记录,由岩土工程人员观察岩芯结构面分布和判断填充物的性质,定性分析隧道围岩的宏观特征并对其进行工程分类,从而完成对隧道掌子面前方地质情况的判断。该方法过度依赖人工分析,对于不良地质和围岩条件仅能定性判断,不仅耗时耗力,且主观性强、误差大;另外,该方法对不良地质识别的依据主要是来自岩芯,对于超前钻探过程中其他方面信息的利用率太低,对不良地质识别和前方工程地质条件的判断很容易出现遗漏,具有一孔之见的弊端。
实际上,在超前钻探过程中除了能够获取可供施工人员观察判断的岩芯外,其钻进参数同样蕴藏着大量能够直接反映掌子面前方隧道岩体物理力学参数的信息。另外,钻进过程中流出的冲洗液中所携带的渣粉同样蕴藏着大量能够直接反映掌子面前方岩体地化特征的信息。隧道内常见的不良地质主要包括断层破碎带、岩溶、蚀变带、风化带等,上述不良地质及其影响区内的岩体与正常围岩有较大不同。一方面,不良地质及其影响内岩体与隧道正常围岩的最大区别就是物理力学性质不同,在不良地质及其影响区内的岩体一般较为软弱、破碎,且多充填有黏土和水,因此岩体完整性差、力学强度低;另一方面,不良地质及其影响区内岩体的地化特征与正常围岩也有较大不同,最典型的是在不良地质及其影响区内一般会出现元素和矿物异常,包括一些特殊性、标志性矿物和元素的流失和富集等。在识别和预报不良地质时,隧道围岩参数的变化特征可反映不良地质的位置、规模、力学性质和岩体完整性等,隧道围岩的地化特征可反映不良地质的类型和充填物性质等,因此上述两参数所反映的隧道围岩和不良地质特征是互补的,只有将上述两参数进行有效结合和分析,才能做到对隧道围岩条件及不良地质的精细化和准确识别,从而提高隧道超前地质预报结果的全面性和准确率,而现有方法中并未考虑到上述问题。
经发明人检索发现,一方面,现有的技术(CN112253049A、CN111238982A、CN110130883A等)对于钻进参数的利用主要集中在某种岩体的特定力学性质测试方面,如抗压强度或耐磨性等,无法做到对隧道掌子面前方岩体力学性质的连续测试和宏观反应,更无法做到对不良地质的识别;对于随钻测试岩体地化特征方面的技术更是尚属空白。另一方面,若要采用现有技术对钻探过程中的围岩物理力学性质和地化特征进行分析,需要进行现场采样(需要说明的是,对于几公里的隧道,从隧道入口到达隧道掌子面位置需要花费数个小时)并在实验室内进行物理力学测试和地化特征测试等,同样耗时耗力。
发明内容
本公开为了解决上述问题,提供了一种基于随钻感知的超前地质预报方法及系统,所述方案结合超前地质钻探,通过对超前钻探过程中的钻进参数和冲洗液的采集与分析,从隧道围岩的物理力学性质变化和地化特征参数变化两方面来全面反映掌子面前方地质特征,并融合大数据和深度学习算法,最终实现对隧道掌子面前方工程地质条件的超前预报。
根据本公开实施例的第一个方面,提供了一种基于随钻感知的超前地质预报方法,包括以下步骤:
获取钻进过程中的钻进参数;
基于所述钻进参数反演得到隧道围岩物理力学参数;
基于钻进过程中收集的冲洗液获取岩渣或岩粉;
获取岩渣或岩粉的地化特征参数;
根据所获取的隧道围岩物理力学参数和地化特征参数,利用预先训练的深度学习模型,对掌子面前方工程地质条件进行分析,获得不良地质识别结果与围岩分级结果两者中至少一个,进而实现超前地质预报。
作为进一步的限定,所述隧道围岩物理力学参数包括岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性。
作为进一步的限定,所述地化特征参数包括岩体中的元素种类及含量、矿物种类及含量和水溶液中的阴阳离子种类及含量。
作为可选择的实施方式,所述深度学习模型的训练,具体为:
基于已有数据集构建用于不良地质识别的训练集,利用所述训练集进行深度学习模型的训练,获得训练好的不良地质识别模型;
并且,基于已有数据集构建用于围岩分级的训练集,利用所述训练集进行深度学习模型的训练,获得训练好的围岩分级模型。
作为进一步的限定,已有数据集的挖掘过程包括:采集隧道掘进路线上各类不良地质及其影响区内岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性的物理力学参数,以及元素种类及含量、矿物种类及含量和水溶液中阴阳离子种类及含量,基于数据挖掘的方式,挖掘隧道掘进路线上的岩体中能够反映地质前兆特征信息的物理力学参数和地化特征渐变演化信息。
作为可选择的实施方式,随着钻进过程的进行,根据隧道围岩物理力学参数和地化特征参数以及不良地质识别结果,不断更新、优化其对应的深度学习模型;
并且,根据隧道围岩物理力学参数和地化特征参数以及围岩分级结果, 不断更新、优化其对应的深度学习模型。
作为可选择的实施方式,所述深度学习模型采用全连接层及残差全连接层对输入的数据进行多级特征提取,同时引入了注意力机制。
作为可选择的实施方式,所述深度学习模型输入数据的融合过程具体为:基于全连接层对输入数据分别进行特征提取,并对提取的特征进行拼接。
作为进一步的限定,所述基于所述钻进参数反演得到隧道围岩物理力学参数,具体为:基于历史数据构建钻进参数与隧道围岩物理力学参数间的映射关系;基于所述映射关系及获取的钻进参数,确定隧道围岩物理力学参数。
根据本公开实施例的第二个方面,提供了一种基于随钻感知的超前地质预报系统,包括:
钻进参数获取单元,其用于获取钻进过程中的钻进参数;
物理力学性质分析单元,其用于基于所述钻进参数反演得到隧道围岩物理力学参数;
渣粉收集单元,其用于基于钻进过程中收集的冲洗液获取岩渣或岩粉;
地化特征分析单元,其用于获取岩渣或岩粉的地化特征参数;
超前地质预报单元,其用于根据所获取的隧道围岩物理力学参数和地化特征参数,利用预先训练的深度学习模型,对掌子面前方工程地质条件进行分析,获得不良地质识别结果与围岩分级结果两者中至少一个,进而实现超前地质预报。
与现有技术相比,本公开的有益效果是:
(1)本公开基于超前钻探测试过程,通过钻进参数测试和冲洗液渣粉测试,解译出钻进过程中所蕴藏的大量地质信息,包括隧道围岩的多种物理力学性质和地化特征等重要信息;
(2)本公开选取了能够全面反映隧道围岩和不良地质特征的岩体物理力学参数和地化特征参数进行有效结合和分析,可有效解决传统超前钻探法中对隧道围岩条件和不良地质误判漏判的弊端,提高了隧道超前地质预报结果的全面性和准确率。
(3)本公开采用人工智能和大数据的手段进行海量岩体物理力学参数和地化特征参数的数据处理并建立预测模型,将依赖专业人员、凭经验进行定性判断的传统超前钻探法革新为一种智能化的随钻定量化分析与高效识别的超前地质预报方法,在提高预报准确率的同时也大大节省了人力和时间。
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为本公开实施例一中所述基于随钻感知的超前地质预报方法流程图;
图2为本公开实施例一中所述深度学习模型的网络结构示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是示例性的,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。
隧道内的不良地质主要包括断层破碎带、岩溶、蚀变带、风化带等,经研究发现,不良地质及其影响区内的岩体与正常围岩有较大不同;具体的,一方面,不良地质及其影响区内的岩体与隧道正常围岩在物理力学性质方面存在明显不同,在不良地质及其影响区内的岩体一般具有软弱、易破碎的性质,且大多充填有黏土和水,因此岩体完整性差、力学强度低;另一方面,不良地质及其影响区内岩体的地化特征与正常围岩也存在明显差异,其中,最典型的是在不良地质及其影响区内一般会出现元素和矿物异常,包括一些特殊性矿物和元素的流失和富集等。
因此,在识别和预报不良地质时,隧道围岩物理力学参数的变化特征可反映不良地质的位置、规模、力学性质和岩体完整性等,隧道围岩的地化特征可反映不良地质的类型和充填物性质等,很明显,上述两参数所反映不良地质的特征是互补的,通过将上述两参数进行有效结合和分析,能够实现对不良地质的精细化和准确识别。
基于上述技术构思,在一个或多个实施方式中,公开了一种基于随钻感知的超前地质预报方法,如图1所示,所述方法包括以下步骤:
获取钻进过程中的钻进参数;
基于所述钻进参数反演得到隧道围岩物理力学参数;
基于钻进过程中收集的冲洗液获取岩渣或岩粉;
获取岩渣或岩粉的地化特征参数;
根据所获取的隧道围岩物理力学参数和地化特征参数,利用预先训练的深度学习模型,对掌子面前方工程地质条件进行分析,获得不良地质识别结果与围岩分级结果两者中至少一个,进而实现超前地质预报。
作为可选择的实施方式,所述钻进参数包括在钻进过程中的钻进位移、钻进压力、转动速度和钻进扭矩。具体的,在本实施例中,获取钻进位移、钻进压力、转动速度和钻进扭矩的设备,以及测量渣粉的元素和岩体的元素以及对过滤后水溶液中阴阳离子的设备,可以选用现有设备,此处不做详细介绍。
作为可选择的实施方式,利用所述深度学习模型,获得不良地质识别结果的具体过程包括:利用已有数据集,对深度学习算法所建立的基于围岩物理力学参数与地化特征的不良地质识别模型进行训练,利用训练后的不良地质识别模型对实际获取数据进行分析识别,获得不良地质识别结果。
作为可选择的实施方式,利用所述深度学习模型,获得围岩分级结果的具体过程包括:利用已有数据集,对深度学习算法所建立的基于围岩物理力学参数与地化特征的围岩分级模型进行训练,利用训练后的围岩分级模型对实际获取数据进行分析识别,获得围岩分级结果。
作为进一步的限定,所述已有数据集的挖掘过程包括:采集隧道掘进路线上各类不良地质及其影响区内岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性的物理力学参数,以及元素种类及含量、矿物种类及含量和水溶液中阴阳离子种类及含量,基于数据挖掘的方式,挖掘隧道掘进路线上的岩体中能够反映不良地质前兆特征信息的物理力学参数和地化特征渐变演化信息。
作为可选择的实施方式,随着钻进过程的进行,根据隧道围岩物理力学参数和地化特征参数以及不良地质识别结果与围岩分级结果,不断更新、优化不良地质识别模型与围岩分级模型。
作为进一步的实施方式,所述不良地质识别模型或围岩分级模型的建立途径为:前期通过开展大量的现场钻进测试工作所建立隧道正常围岩和各类地质岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性等物理力学参数(即隧道围岩物理力学参数),以及元素种类及含量、矿物种类及含量和水溶液中阴阳离子种类及含量3种地化特征参数定量表征的数据库;基于数据挖掘的方式,揭示隧道掘进路线上的岩体中能够反映地质前兆特征信息的物理力学参数和地化特征渐变演化信息,在此基础上,应用深度学习算法所建立基于岩体物理力学参数与地化特征随钻感知的不良地质识别模型,实现随钻感知掌子面前方的不良地质赋存特征,包括不良地质类型、位置、规模、岩性、力学性质、岩体完整程度、充填物等特征;
或,应用深度学习算法建立基于岩体物理力学参数与地化特征随钻感知的围岩分级模型,实现随钻感知掌子面前方的围岩分级。
作为进一步的实施方式,在实际钻进过程中,将物理力学性质分析和地化特征分析所获取的隧道围岩物理力学参数和地化特征参数输入至预先训练的深度学习模型(即不良地质识别模型)中即可实现掌子面前方不良地质的智能识别;
同样的,将力学性质分析和地化特征分析所获取的隧道围岩物理力学参数和地化特征参数输入至预先训练的深度学习模型(即围岩分级模型)中即可实现掌子面前方围岩分级的识别结果。
作为进一步的实施方式,在实际钻进过程中,根据所输入的隧道围岩物理力学参数和地化特征参数以及不良地质识别结果,随钻不断补充上述参数数据库,从而不断优化识别模型,提高不良地质智能识别的准确度。
作为进一步的实施方式,在实际钻进过程中,根据所输入的隧道围岩物理力学参数和地化特征参数以及围岩分级结果,随钻不断补充上述参数数据库,从而不断优化识别模型,提高围岩分级的准确度。
作为进一步的实施方式,基于获得的不良地质识别结果与围岩分级结果两者中至少一个,进行超前地质预报。
作为可选择的实施方式,所述基于所述钻进参数反演得到隧道围岩物理力学参数,具体为:基于历史数据构建钻进参数与隧道围岩物理力学参数间的映射关系;基于所述映射关系及获取的钻进参数,确定隧道围岩物理力学参数;
或,预先基于深度学习算法构建隧道围岩物理力学参数预测模型,其中,所述深度学习算法可采用BP神经网络模型、CNN神经网络模型或RNN神经网络模型,本实施例中采用BP神经网络模型作为隧道围岩物理力学参数预测模型,其输入为钻进参数,输出为当前钻进参数下对应的隧道围岩物理力学参数。
作为进一步的限定,所述隧道围岩物理力学参数模型的训练过程为:基于历史数据中钻进参数与隧道围岩物理力学参数的对应数据作为训练集,基于所述训练集对隧道围岩物理力学参数模型进行训练。
作为可选择的实施方式,根据所获取的隧道围岩物理力学参数和地化特征参数,利用预先训练的深度学习模型(本实施例中采用如图2所示神经网络结构,所述网络结构采用全连接层及残差全连接层对输入的数据进行多级特征提取,同时引入了注意力机制),实现不良地质识别的具体过程如下:
1)数据融合
所述深度学习模型输入数据的融合过程具体为:基于全连接层对输入数据分别进行特征提取,并对提取的特征进行拼接。具体的:
对所获取的两类数据(隧道围岩物理力学参数和地化特征参数)进行预处理,即利用全连接层(FCs:fully connected layers,即多个全连接层)对隧道围岩物理力学参数及地化特征参数分别进行特征提取,将提取的特征进行拼接,继续使用全连接层进行特征提取,得到融合特征X;
2)进行不良地质识别。
如图2所示,所述深度学习模型中,Y1、Y2、Y3和Y4是由特征提取向量X和传递参数Ht-1拼接后乘以不同权重矩阵,再通过一个激活函数转换成-1到1之间的矩阵。
其中,所述传递参数Ht-1为本公开所述深度学习模型自学习得到的参数,图2中的矩阵拼接采用Concatenation函数,具体的拼接过程如下所示:
如a=[1,2,3,4],b=[5,6,7,8,9,11];
则a和b的Concatenation结果为[1,2,3,4,5,6,7,8,9,11];
所述权重矩阵为本公开所述深度学习模型自学习得到的结果。
具体的,对于Y1、Y2、Y3和Y4分别使用残差全连接(ReSs:ResNets,即多个残差全连接块)进行特征提取,分别得到Z1、Z2、Z3和Z4特征向量;Z1与上一步预测传入的C点乘后得到注意力矩阵A1,Z2和Z3点乘后得到注意力矩阵A2;A1和A2相加并经过激活函数1(Sigmoid)激活后得到用于下一次识别与预测的Ht;A1和A2相加并经过激活函数2(TanH)激活后与Z4点乘,得到用于下一次预测的Ct。A1和A2相加并经过激活函数2(TanH)激活后与Z4点乘可得注意力矩阵A3。注意力矩阵经过交叉熵函数(Softmax)计算后可得本次识别与预测结果。
其中,ReSs指的是全连接与残差结构合并的结构,当然的,在其他实施方式中也可直接采用全连接结构。
作为可选择的实施方式,在进行围岩分级时,同样采用上述的深度学习模型结构,其相对于不良地质识别过程的区别在于模型训练过程采用的训练集的差异。
在一个或多个实施例中,相应的提供了一种基于随钻感知的超前地质预报系统,包括:
钻进参数获取单元,其用于获取钻进过程中的钻进参数;
物理力学性质分析单元,其用于基于所述钻进参数反演得到隧道围岩物理力学参数;
渣粉收集单元,其用于基于钻进过程中收集的冲洗液获取岩渣或岩粉;
地化特征分析单元,其用于获取岩渣或岩粉的地化特征参数;
超前地质预报单元,其用于根据所获取的隧道围岩物理力学参数和地化特征参数,利用预先训练的深度学习模型,对掌子面前方工程地质条件进行分析,获得不良地质识别结果与围岩分级结果两者中至少一个,进而实现超前地质预报。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
上述实施例提供的一种基于随钻感知的超前地质预报方法及系统可以实现,具有广阔的应用前景。
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。
Claims (10)
1.基于随钻感知的超前地质预报方法,其特征在于,包括以下步骤:
获取钻进过程中的钻进参数;
基于所述钻进参数反演得到隧道围岩物理力学参数;
基于钻进过程中收集的冲洗液获取岩渣或岩粉;
获取岩渣或岩粉的地化特征参数;
根据所获取的隧道围岩物理力学参数和地化特征参数,分别利用预先训练的深度学习模型,对掌子面前方工程地质条件进行分析,分别获得不良地质识别结果与围岩分级结果,利用两者中至少一个,实现超前地质预报。
2.如权利要求1所述的基于随钻感知的超前地质预报方法,其特征在于,所述地化特征参数包括岩体中的元素种类及含量、矿物种类及含量和水溶液中的阴阳离子种类及含量。
3.如权利要求1所述的基于随钻感知的超前地质预报方法,其特征在于,所述隧道围岩物理力学参数包括岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性。
4.如权利要求1所述的基于随钻感知的超前地质预报方法,其特征在于,所述深度学习模型的训练,具体为:
基于已有数据集构建用于不良地质识别的训练集,利用所述训练集进行深度学习模型的训练,获得训练好的不良地质识别模型;并且,基于已有数据集构建用于围岩分级的训练集,利用所述训练集进行深度学习模型的训练,获得训练好的围岩分级模型。
5.如权利要求4所述的基于随钻感知的超前地质预报方法,其特征在于,已有数据集的挖掘过程包括:采集隧道掘进路线上各类不良地质及其影响区内岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性的物理力学参数,以及元素种类及含量、矿物种类及含量和水溶液中阴阳离子种类及含量,基于数据挖掘的方式,挖掘隧道掘进路线上的岩体中能够反映地质前兆特征信息的物理力学参数和地化特征渐变演化信息。
6.如权利要求1所述的基于随钻感知的超前地质预报方法,其特征在于,随着钻进过程的进行,根据隧道围岩物理力学参数和地化特征参数以及不良地质识别结果,不断更新、优化其对应的深度学习模型;并且,根据隧道围岩物理力学参数和地化特征参数以及围岩分级结果, 不断更新、优化其对应的深度学习模型。
7.如权利要求1所述的基于随钻感知的超前地质预报方法,其特征在于,所述深度学习模型采用全连接层及残差全连接层对输入的数据进行多级特征提取,同时引入了注意力机制。
8.如权利要求1所述的基于随钻感知的超前地质预报方法,其特征在于,所述深度学习模型输入数据的融合过程具体为:基于全连接层对输入数据分别进行特征提取,并对提取的特征进行拼接。
9.如权利要求1所述的基于随钻感知的超前地质预报方法,其特征在于,所述基于所述钻进参数反演得到隧道围岩物理力学参数,具体为:基于历史数据构建钻进参数与隧道围岩物理力学参数间的映射关系;基于所述映射关系及获取的钻进参数,确定隧道围岩物理力学参数。
10.基于随钻感知的超前地质预报系统,其特征在于,包括:
钻进参数获取单元,其用于获取钻进过程中的钻进参数;
力学性质分析单元,其用于基于所述钻进参数反演得到隧道围岩物理力学参数;
渣粉收集单元,其用于基于钻进过程中收集的冲洗液获取岩渣或岩粉;
地化特征分析单元,其用于获取岩渣或岩粉的地化特征参数;
超前地质预报单元,其用于根据所获取的隧道围岩物理力学参数和地化特征参数,分别利用预先训练的深度学习模型,对掌子面前方工程地质条件进行分析,分别获得不良地质识别结果与围岩分级结果,利用两者中至少一个,实现超前地质预报。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111330731.9A CN113779690B (zh) | 2021-11-11 | 2021-11-11 | 基于随钻感知的超前地质预报方法及系统 |
US17/881,158 US20230144184A1 (en) | 2021-11-11 | 2022-08-04 | Advanced geological prediction method and system based on perception while drilling |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111330731.9A CN113779690B (zh) | 2021-11-11 | 2021-11-11 | 基于随钻感知的超前地质预报方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779690A CN113779690A (zh) | 2021-12-10 |
CN113779690B true CN113779690B (zh) | 2022-03-29 |
Family
ID=78873785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111330731.9A Active CN113779690B (zh) | 2021-11-11 | 2021-11-11 | 基于随钻感知的超前地质预报方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230144184A1 (zh) |
CN (1) | CN113779690B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114439500B (zh) * | 2021-12-16 | 2023-09-05 | 山东大学 | 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 |
CN114483025A (zh) * | 2021-12-17 | 2022-05-13 | 山东大学 | 基于地化特征随钻测试的隧道超前岩性识别系统及方法 |
CN115511001B (zh) * | 2022-10-21 | 2023-07-18 | 中铁二院工程集团有限责任公司 | 一种基于空地井综合勘探资料的隧道围岩分级方法及设备 |
CN116227090B (zh) * | 2023-05-08 | 2023-09-01 | 山东大学 | Tbm超前地质预报与掘进性能预测数字孪生系统及方法 |
CN116682010B (zh) * | 2023-06-01 | 2024-01-23 | 北京交通大学 | 一种基于tbm岩渣图像的围岩分类实时预测方法 |
CN117152342A (zh) * | 2023-06-05 | 2023-12-01 | 中铁十一局集团有限公司 | 实时地质数据智能感知方法及相关设备 |
CN116821770A (zh) * | 2023-07-17 | 2023-09-29 | 中国矿业大学 | 断层区巷道围岩变形智能预测及分类方法 |
CN117290928A (zh) * | 2023-09-25 | 2023-12-26 | 西南交通大学 | 基于随钻参数的隧道围岩力学参数的反演方法及装置 |
CN116993330B (zh) * | 2023-09-25 | 2023-12-26 | 天津矿山工程有限公司 | 岩粉智能回收利用方法、装置、设备及介质 |
CN117093919B (zh) * | 2023-10-19 | 2024-02-02 | 深圳市岩土综合勘察设计有限公司 | 基于深度学习的岩土工程地质灾害预测方法及系统 |
CN117195380B (zh) * | 2023-11-07 | 2024-01-30 | 中铁十六局集团有限公司 | 一种预测当前隧道的岩体物理力学参数的方法 |
CN117805938B (zh) * | 2024-02-29 | 2024-05-28 | 山东科技大学 | 一种基于深度学习的围岩地质力学参数智能预测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10430725B2 (en) * | 2016-06-15 | 2019-10-01 | Akw Analytics Inc. | Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry |
CN110109895B (zh) * | 2019-03-29 | 2021-05-28 | 山东大学 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
CN110043267B (zh) * | 2019-04-04 | 2020-07-31 | 山东大学 | 基于岩性与不良地质前兆特征识别的tbm搭载式超前地质预报系统及方法 |
CN110989028A (zh) * | 2019-11-26 | 2020-04-10 | 山东大学 | 基于人工智能的隧道仿生超前地质预报装备与方法 |
CN111335928B (zh) * | 2020-03-10 | 2021-10-08 | 中铁第六勘察设计院集团有限公司 | 一种深埋地下洞库的水平地质勘察布置方法 |
CN112253049B (zh) * | 2020-09-17 | 2022-03-25 | 中国水利水电科学研究院 | 一种工程现场测定岩体强度的数字钻进设备及方法 |
CN112147671A (zh) * | 2020-09-23 | 2020-12-29 | 四川振通公路工程检测咨询有限公司 | 隧道含导水不良地质构造综合超前预报方法 |
CN112990227B (zh) * | 2021-02-08 | 2022-12-27 | 中国铁建重工集团股份有限公司 | 掌子面地质检测方法 |
CN113311478A (zh) * | 2021-05-28 | 2021-08-27 | 山东大学 | 一种基于风枪震源的地质检测方法及系统 |
-
2021
- 2021-11-11 CN CN202111330731.9A patent/CN113779690B/zh active Active
-
2022
- 2022-08-04 US US17/881,158 patent/US20230144184A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
CN113779690A (zh) | 2021-12-10 |
US20230144184A1 (en) | 2023-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113779690B (zh) | 基于随钻感知的超前地质预报方法及系统 | |
Zhang et al. | Real-time analysis and regulation of EPB shield steering using Random Forest | |
CN110109895B (zh) | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 | |
CN109978226B (zh) | 基于循环神经网络的盾构施工地面沉降预测方法 | |
CN111160571B (zh) | 一种基于土压平衡盾构机参数数据驱动反演地质的方法 | |
CN110244344A (zh) | 一种基于深度学习的tbm超前地质预报方法 | |
Stavropoulou et al. | A combined three-dimensional geological-geostatistical-numerical model of underground excavations in rock | |
CN106157181B (zh) | 一种基于随钻参数对土质围岩快速实时分级的方法 | |
CN113175302A (zh) | 一种岩体质量智能感知小型钻机系统及评估方法 | |
Kelly et al. | In situ testing at the National Soft Soil Field Testing Facility, Ballina. New South Wales | |
CN114135278A (zh) | 一种随钻感知不良地质智能识别与预报系统及方法 | |
CN105160111A (zh) | 一种考虑围岩结构特性的黄土隧道数值模型的仿真方法 | |
CN116658246A (zh) | 一种煤矿水害监测预警系统及方法 | |
Jakubowski et al. | Multivariate linear regression and CART regression analysis of TBM performance at Abu Hamour phase-I tunnel | |
CN115966074A (zh) | 基于机器学习的盾构刀盘结泥饼预警方法及系统 | |
CN104831743B (zh) | 一种对富水围岩注浆控水效果的评估方法 | |
CN110107274B (zh) | 基于液压系统的tbm锚杆钻机实时在线监测系统及监测方法 | |
CN106869904B (zh) | 一种利用钻机运行参数原位实时确定岩体损伤状态的方法 | |
CN115758515A (zh) | Tbm隧道不良地质段智能支护决策方法 | |
CN114972994A (zh) | 盾构机施工掌子面地质类型识别方法及系统 | |
CN115659744A (zh) | 一种基于地质与装备耦合仿真的地质参数实时感知方法 | |
CN215256164U (zh) | 监测钻机在钻探过程中地层变化的装置 | |
Smith | Improvements in blast fragmentation using measurement while drilling parameters | |
CN114972906A (zh) | 一种土压平衡盾构开挖面土质类型识别方法 | |
CN114483043A (zh) | 一种用于隧道掘进的探测控制系统及其探测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |