CN114117590B - 基于随钻测试与地化特征分析的隧道围岩分级系统及方法 - Google Patents
基于随钻测试与地化特征分析的隧道围岩分级系统及方法 Download PDFInfo
- Publication number
- CN114117590B CN114117590B CN202111335187.7A CN202111335187A CN114117590B CN 114117590 B CN114117590 B CN 114117590B CN 202111335187 A CN202111335187 A CN 202111335187A CN 114117590 B CN114117590 B CN 114117590B
- Authority
- CN
- China
- Prior art keywords
- drilling
- parameters
- surrounding rock
- geological
- grading
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 134
- 238000005553 drilling Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 230000004807 localization Effects 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 title claims description 21
- 239000007788 liquid Substances 0.000 claims abstract description 44
- 238000011010 flushing procedure Methods 0.000 claims abstract description 34
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 14
- 239000011707 mineral Substances 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 22
- 239000000843 powder Substances 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 16
- 238000001035 drying Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 16
- 239000012530 fluid Substances 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims 2
- 238000004590 computer program Methods 0.000 claims 1
- 230000008447 perception Effects 0.000 abstract description 4
- 239000002893 slag Substances 0.000 description 19
- 238000003062 neural network model Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000010201 enrichment analysis Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000002366 mineral element Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本公开提供了一种基于随钻测试与地化特征分析的隧道围岩分级系统及方法,包括实时获取随钻参数;基于获取的随钻参数确定地层参数;对获得的冲洗液进行元素矿物分析,基于分析结果确定不良地质参数;基于预先训练的围岩分级模型及获得的随钻参数、地层参数和不良地质参数,获得围岩分级结果。所述方案能够通过随钻参数、钻进感知反演得到的地层情况及地层地化特征反演得到的不良地质情况,对掌子面前方进行实时围岩分级。
Description
技术领域
本公开属于超前钻探技术领域,尤其涉及一种基于随钻测试与地化特征分析的隧道围岩分级系统及方法。
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。
在隧道施工过程中,围岩质量是影响施工效率、施工质量、施工安全的决定性因素,隧道围岩分级是一种常用于围岩质量评价的方法。对于各种施工工法,确定掌子面前方一定范围内的围岩级别,是隧道进行安全快速施工的数据基础与先决条件。然而掌子面前方未开挖部分不能直接揭露围岩特征,从而进行测试,给围岩超前分级带来了很大困难。
发明人发现,在传统隧道围岩分级中,多采用岩石强度、岩体完整性、地下水、结构面性质、风化程度等指标,极少关注基于地化特征识别的不良地质,而不良地质是施工过程中极易诱发灾害的重点因素。典型不良地质如断层带、蚀变带,由于地质作用造成矿物元素特征的改变,引起了围岩强度和稳定性带来了极大削弱,因此,传统分级方法不能很好的描述这个指标,容易造成分级结果不准确,极易对施工情况造成误判。
同时,对于地化特征的识别,需要对掌子面前方岩石矿物进行采集并进行分析,传统方法主要通过超前钻探取芯,获取岩芯样本进行现场或实验室内的人工识别,一方面,现有获取岩芯样本的方式忽略了冲洗液对不良地质体中软弱部分的破坏,导致岩石样本矿物收集不全面;另一方面,由于是人工识别,导致在地化特征的识别精度及实时性上无法保证,且由于岩芯采样以及样本识别过程均需专业技术人员进行操作,但对于短则数公里的隧道来说,出入隧道需要花费数个小时的时间,极其耗时耗力,专业技术人员无法频繁出入隧道。
发明内容
本公开为了解决上述问题,提供了一种基于随钻测试与地化特征分析的隧道围岩分级系统及方法,所述方案提供了一种一体化集成的隧道围岩分级系统,其能够基于随钻参数、钻进感知反演得到的地层情况及地层地化特征反演得到的不良地质情况,对掌子面前方进行实时围岩分级。
根据一些实施例,本公开采用如下技术方案:
一种基于随钻测试与地化特征分析的隧道围岩分级系统,包括:主控模块以及分别与所述主控模块连接的钻进模块和冲洗液收集分析模块;
所述钻进模块包括钻进机构及随钻参数监测装置,所述冲洗液收集分析模块包括设置于岩壁位置的孔口收集器,所述孔口收集器的集液口与筛分装置连通,所述筛分装置设置有两路管路,其中一路与烘干研磨装置连通,另一路经离心装置分别与溶液富集分析装置和烘干研磨装置连通;所述烘干研磨装置的出料口与岩粉采集检测装置的样品舱连通。
作为可选择的实施方式,所述孔口收集器包括引流筒和挡环,所述引流筒与挡环通过螺纹可拆解连接。
作为进一步的限定,所述引流筒侧面开设有集液口,通过所述集液口将冲洗液输入筛分装置。
作为可选择的实施方式,所述筛分装置设置有液控阀,用于对冲洗液的收集进行控制。
作为可选择的实施方式,所述主控模块包括数据处理子模块和控制子模块,所述数据处理子模块内设置有预先训练的围岩分级模型,所述围岩分级模型的训练过程包括:预先确定历史数据中随钻参数、地层参数以及不良地质参数与围岩级别间的映射关系,完成训练集的构建;利用所述训练集对深度学习模型进行训练。
作为进一步的限定,所述不良地质参数包括不良地质岩石类型以及不良地质规模。
一种基于随钻测试与地化特征分析的隧道围岩分级方法,其利用上述的基于随钻测试与地化特征分析的隧道围岩分级系统,所述方法包括以下步骤:
实时获取随钻参数;
基于获取的随钻参数确定地层参数;
对获得的冲洗液进行元素矿物分析,基于分析结果确定不良地质参数;
基于预先训练的围岩分级模型及获得的随钻参数、地层参数和不良地质参数,获得围岩分级结果。
与现有技术相比,本公开的有益效果是:
(1)本公开所述方案提供了一种基于随钻测试与地化特征分析的隧道围岩分级方法,所述方案通过随钻参数、钻进感知反演得到的地层情况及地层地化特征反演得到的不良地质情况,能够对掌子面前方进行实时围岩分级;通过将不良地质相关参数引入围岩分级中,有效提高了围岩分级的准确度。
(2)本公开所述方案将钻进模块、冲洗液收集分析模块及主控模块集成在一起,有效实现对于岩石(岩芯、钻渣、岩粉泥浆)的全面收集、分离、分析。
(3)本公开所述方案基于超前钻探,结合本公开提供的隧道围岩分级系统及方法,实现了围岩超前分级,能够对隧道施工提供稳定准确的指导。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
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的随钻测试与地化特征分析系统结构图;
图2为本公开实施例一中所述的钻进模块结构图;
图3为本公开实施例一中所述的冲洗液收集分析模块结构图;
图4(a)为本公开实施例一中所述的孔口收集器结构图;
图4(b)为本公开实施例一中所述的筛分装置结构图;
图4(c)为本公开实施例一中所述的离心装置结构图;
图4(d)为本公开实施例一中所述的溶液富集分析装置结构图;
图4(e)为本公开实施例一中所述的烘干研磨装置结构图;
图4(f)为本公开实施例一中所述的岩粉采集检测装置结构图;
图4(g)为本公开实施例一中所述的地化特征检测装置系统结构示意图;
图5为本公开实施例二中所述的样本数据库获取过程示意图;
图6为本公开实施例二中所述的基于随钻测试与地化特征分析的隧道围岩分级方法示意图;
其中,1、钻进模块;2、冲洗液收集分析模块;3、主控模块;4、钻头;5、钻杆;6、夹持器;7、动力头;8、压力传感器;9、位移传感器;10、扭矩传感器;11、转速传感器;12、孔口收集器;13、筛分装置;14、离心装置;15、溶液富集分析装置;16、烘干研磨装置;17、岩粉采集检测装置;18、引流筒;19、挡环;20、集液口;21、液控阀;22、振动筛;23、排渣口;24、排液口;25、废液口;26、离心机;27、出渣口;28、出液口;29、富集装置;30、检测装置;31、废液管;32、出风口;33、研磨筒;34、进风口;35、鼓风机;36、出料口;37、清渣口;38、上端入口;39、样品舱;40.除渣泵;41.下端出口;42.地化特征检测装置。
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。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一:
如背景技术中所述,在传统隧道围岩分级中,多采用岩石强度、岩体完整性、地下水、结构面性质、风化程度等指标,极少关注基于地化特征识别的不良地质,而不良地质是施工过程中极易诱发灾害的重点因素。但是,传统分级方法不能很好的描述这个指标,容易造成分级结果不准确,极易对施工情况造成误判。基于上述问题,本实施例提供了一种能够实时进行随钻测试以及对地化特征进行分析的一体化集成的围岩分级系统,如图1所示,其包括钻进模块1、冲洗液收集分析模块2以及主控模块3,通过将上述子系统进行一体化集成,有效保证了本公开所述围岩分级方法的实施。
如图1所示,一种基于随钻测试与地化特征分析的隧道围岩分级系统,包括主控模块3以及分别与所述主控模块连接的钻进模块1和冲洗液收集分析模块2;
所述钻进模块1包括钻进机构及随钻参数监测装置,所述冲洗液收集分析模块2包括设置于岩壁位置的孔口收集器12,所述孔口收集器12的集液口20与筛分装置13连通,所述筛分装置13设置有两路管路,其中一路与烘干研磨装置16连通,另一路经离心装置14分别与溶液富集分析装置15和烘干研磨装置16连通;所述烘干研磨装置16的出料口36与岩粉采集检测装置17的样品舱39连通。
具体的,如图2所示,所述钻进机构包括钻头4、钻杆5、夹持器6、动力头7;所述随钻参数监测装置包括压力传感器8、位移传感器9、扭矩传感器10及转速传感器11,分别用于监测钻压、钻速、扭矩、转速,并将信号传导至主控模块3。
冲洗液收集分析模块2,其用于获取钻进过程冲洗液的收集及处理,并对处理后的物质进行矿物元素的分析;
具体的,如图3所示,所述冲洗液收集分析模块2包括孔口收集器12、筛分装置13、离心装置14、溶液富集分析装置15、烘干研磨装置16以及岩粉采集检测装置17。
优选的,如图4(a)所示,所述孔口收集器12采用分离式结构设计,所述孔口收集器12包括引流筒18和挡环19,所述引流筒18与挡环19通过螺纹可拆解连接,所述引流筒18侧面开设有集液口20,冲洗液在二者作用下自集液口20,进入筛分装置13。
优选的,所述挡环19内侧设置有柔性密封圈,有效避免引流筒与挡环接口处冲洗液的渗漏。
上述分离式结构设计所带来的有益效果为:一方面,在不同钻进工况下,需要采用不同直径的随钻钻杆,而随钻钻杆的尺寸需要与挡环的内径相匹配,本公开通过上述结构设计,能够根据钻杆直径变化,更换不同内径的挡环19,而孔口收集器12则可以重复使用;另一方面,由于钻进过程中孔口收集器12可能存在不同程度的损坏,且其损坏通常是局部的,为了降低更换成本,本公开通过采用引流筒18和挡环19的可拆解连接,仅对损坏的局部部件进行更换;有效降低了成本开销。
具体的,如图4(b)所示,所述筛分装置13由液控阀21、振动筛22组成,液控阀21打开,则冲洗液自废液口25排出;关闭,则冲洗液经振动筛22筛分,大颗粒自排渣口23进入烘干研磨装置,液体及小颗粒经排液口24进入离心装置14。其中,所述液控阀21用于对冲洗液的收集进行控制。
具体的,如图4(c)所示,所述离心装置14以离心机26为主体,冲洗液中固体物质经出渣口27进入烘干研磨装置16,液体经出液口28进入溶液富集分析装置15。
具体的,如图4(d)所示,所述溶液富集分析装置15由富集装置29、检测装置30组成,溶液经富集后,进入检测装置30,检测后,通入废液管31一同排出。
具体的,如图4(e)所示,所述烘干研磨机构16由研磨筒33、鼓风机35组成,钻渣在研磨筒33内被研磨成粉,同时鼓风机35可由进风口34吸入空气,内含加热装置,可向筒内吹入热气流,干燥岩粉,气体自出风口32排出,岩粉经出料口36进入岩粉采集检测装置17。
具体的,如图4(f)所示,岩粉采集检测装置17由样品舱39、除渣泵40、地化特征检测装置42组成,其中,如图4(g)所示,所述地化特征检测42装置中,由X射线发生装置发出X射线,经样品舱39,由测角仪与检测器收集衍射信息,探测器与放大器接收荧光信息,测量记录系统与数据处理系统进行数据记录与处理,获得地化特征检测结果;检测结束后由除渣泵40配合舱内设置的超声波振动器进行舱内渣粉的清理。
主控模块,包括数据处理子模块与控制子模块,所述数据处理模块,用于接收分析结果数据,并利用获得的钻进参数、地层参数及不良地质参数以及上述基于随钻测试与地化特征分析的隧道围岩分级方法,获得围岩分级结果;所述控制子模块用于实现对钻进模块和冲洗液收集分析模块的启停控制。
具体的,主控模块3接收来自钻进模块1、溶液富集分析装置15、岩粉采集检测装置17的信息,进行处理分析,并操控装置运行;同时,基于获取的数据及预先训练的围岩分级模型确定分级结果。
优选的,所述数据处理子模块内设置有预先训练的围岩分级模型,所述围岩分级模型的训练过程包括:预先确定历史数据中随钻参数、地层参数以及不良地质参数与围岩级别间的映射关系,完成训练集的构建;利用所述训练集对深度学习模型进行训练。
作为可选则的实施方式,所述预先训练的围岩分级模型采用神经网络模型,在本实施例中采用BP神经网络模型,其训练过程为:预先确定历史数据中随钻参数、地层参数以及不良地质参数与围岩级别间的映射关系,完成训练集的构建;利用所述训练集对神经网络模型进行训练,获得训练好的围岩分级模型;其中,所述训练好的围岩分级模型的输入为当前钻进阶段下的随钻参数、地层参数以及不良地质参数,输出为其预测的围岩分级结果。
作为进一步的限定,所述不良地质参数包括不良地质岩石类型以及不良地质规模。
优选的,所述数据融合具体为将随钻参数、地层参数以及不良地质参数顺序拼接成的特征向量。
具体的,利用预先训练的围岩分级模型进行分级时,预先将当前位置所述随钻参数、地层参数及不良地质参数进行数据融合,作为所述围岩分级模型的输入,获得当前位置的围岩分级结果。
进一步的,所述围岩分级系统还包括行走机构,用于所述围岩分级系统的移动。
具体的,所述基于随钻测试与地化特征分析的隧道围岩分级系统的操作流程,具体如下:
(1)选取钻孔点位,调整钻进装置位置,在岩壁上安装孔口收集器12,于钻孔点位处钻进开孔;连接集液口20处管道,打开液压阀21,建立冲洗液流动通路。
(2)开启随钻参数监测装置,参数在主控模块3处显示正常后,继续钻进。
(3)冲洗液自孔口收集器12至液压阀21处,依据地层状况,调整取样段间隔,地层情况越复杂,取样段间隔越小;取样结束时,停止进尺2-4分钟(具体可根据实际需求进行设定),使孔内钻渣排干返净,同时,对孔口收集器12、筛分装置13、离心装置14及溶液富集分析装置15进行冲洗,避免前一阶段的样本残留对后续结果产生影响。
(4)取样时,关闭液压阀21,冲洗液进入筛分装置13,粗渣首先由排渣口23进入研磨筒33,进行烘干研磨;剩余冲洗液由排液口24进入离心装置14,细渣经出渣口27进入研磨筒33;其中,接入研磨筒33的两管道内,装有超声波振动器,用于排净岩渣。
(5)液体经出液口28进入溶液富集检测装置15,溶液富集后,检测其成分,后将废液排出。
(6)岩粉经烘干研磨后,通过出料口36落入样品舱39,舱内岩粉量达到测试要求后,舱内传感器发出信号,关闭上端入口38。
(7)开启地化特征检测装置42,由X射线发生装置发出X射线,经样品舱39,由测角仪与检测器收集衍射信息,探测器与放大器接收荧光信息,测量记录系统与数据处理系统进行数据记录与处理,获得岩样矿物与元素成分信息。
(8)检测结束后,打开下端出口41,启动除渣泵40,清理样品舱39,舱内岩粉排出后,触发相应传感器,上端入口38打开,下端出口41封闭,继续承接岩粉。
(9)本次取样岩粉处理完毕后,关闭上端入口38,由除渣泵40配合超声波振动器,从清渣口37处吸除研磨筒33及下部管道内渣粉,之后进行下一个工作循环。
(10)主控模块3,实时收集随钻参数、地化特征参数,通过各装置间协同控制,操控各装置运行与各阀门、端口开合;并基于获得的随钻参数及地化特征参数,确定地层参数及不良地质参数,最后,利用所述随钻参数、地层参数、不良地质参数以及预先训练的围岩分级模型,确定当前钻进阶段的围岩分级结果。
实施例二:
基于传统隧道围岩分级中极少关注基于地化特征识别的不良地质,但不良地质是施工过程中极易诱发灾害的重点因素的情况,如图6所示,本公开通过利用地层地化特征反演得到不良地质参数,并结合随钻参数以及钻进感知反演得到的地层参数,利用深度学习算法,提出一种基于随钻测试与地化特征分析的隧道围岩分级方法,有效解决了上述问题。
一种基于随钻测试与地化特征分析的隧道围岩分级方法,包括以下步骤:
实时获取随钻参数;
基于获取的随钻参数确定地层参数;
对获得的冲洗液进行元素矿物分析,基于分析结果确定不良地质参数;
基于预先训练的围岩分级模型及获得的随钻参数、地层参数和不良地质参数,获得围岩分级结果。
具体的,所述方法需要利用前期钻进试验历史数据,建立样本数据库,如图5所示,展示了所述样本数据库的构建过程;所述样本数据库需要获取的参数包括三大类:(1)随钻参数;(2)地层参数:包括岩石坚硬程度、岩石完整性、结构面状态等传统参数;(3)不良地质参数:通过岩渣测试获取的矿物元素信息得到的不良地质的准确类型及其规模。所述参数获取过程如下:
(1)随钻参数:包括前期钻进过程中采集的转速、钻速、扭矩以及钻压,其采用的随钻参数检测装置包括转速传感器、位移传感器、扭矩传感器以及压力传感器。
(2)地层参数:基于历史数据构建随钻参数与岩石坚硬程度、岩石完整性及结构面状态信息间的映射关系;基于所述映射关系及获取的随钻参数,确定地层参数。
具体的,基于深度学习方法构建地层参数预测模型,通过前期钻进、岩芯试验、孔内摄像、勘察资料等,构建随钻参数与岩石坚硬程度、岩石完整性、结构面状态等地层信息的样本数据库;利用样本数据库中的数据作为训练集对所述地层参数预测模型进行训练,得到训练好的地层参数预测模型;由此可以在已知随钻参数的情况,通过训练好的地层参数预测模型,获取地层参数。在后续开挖过程中,继续收集地层参数,并不断更新样本数据库。
其中,所述地层参数预测模型采用神经网络模型,所述神经网络模型可采用BP神经网络模型、CNN神经网络模型或者RNN神经网络模型,本实施例中采用BP神经网络模型作为地层参数预测模型,所述BP神经网络模型的输入为随钻参数,输出为当前随钻参数下对应的地层参数。
(3)不良地质参数:对获得的冲洗液进行元素矿物分析,根据元素矿物含量确定岩石类型;根据当前冲洗液的钻进位置及岩石类型,确定不良地质规模。
具体的,通过获取地化特征即元素矿物成分及含量,利用现有资料与前期钻进开挖过程中经测试辨识构建的数据库,基于元素矿物成分及含量与岩石类型之间的映射关系,反演得到围岩岩石类型,进而确定不良地质类型,同时,结合钻进位置,获得不良地质规模。
作为可选则的实施方式,所述预先训练的围岩分级模型采用神经网络模型,在本实施例中采用BP神经网络模型,其训练过程为:预先确定历史数据中随钻参数、地层参数以及不良地质参数与围岩级别间的映射关系,完成训练集的构建;利用所述训练集对神经网络模型进行训练,获得训练好的围岩分级模型;其中,所述训练好的围岩分级模型的输入为当前钻进阶段下的随钻参数、地层参数以及不良地质参数,输出为其预测的围岩分级结果。
进一步的,利用预先训练的围岩分级模型进行分级时,预先将当前位置所述随钻参数、地层参数及不良地质参数进行数据融合,作为所述围岩分级模型的输入,获得当前位置的围岩分级结果。
优选的,所述数据融合具体为将随钻参数、地层参数以及不良地质参数顺序拼接成的特征向量。
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,完成实施例二中所述的方法。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。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例二中所述的方法。
实施例二中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述实施例提供的一种基于随钻测试与地化特征分析的隧道围岩分级系统及方法可以实现,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 (9)
1.一种基于随钻测试与地化特征分析的隧道围岩分级系统,其特征在于,包括:主控模块以及分别与所述主控模块连接的钻进模块和冲洗液收集分析模块;
所述钻进模块包括钻进机构及随钻参数监测装置,所述冲洗液收集分析模块包括设置于岩壁位置的孔口收集器,所述孔口收集器的集液口与筛分装置连通,所述筛分装置设置有两路管路,其中一路与烘干研磨装置连通,另一路经离心装置分别与溶液富集分析装置和烘干研磨装置连通;所述烘干研磨装置的出料口与岩粉采集检测装置的样品舱连通;
所述主控模块包括数据分析子模块和控制子模块,所述数据分析子模块内设置有预先训练的围岩分级模型,所述围岩分级模型的训练过程包括:预先确定历史数据中随钻参数、地层参数以及不良地质参数与围岩级别间的映射关系,完成训练集的构建;利用所述训练集对深度学习模型进行训练。
2.如权利要求1所述的一种基于随钻测试与地化特征分析的隧道围岩分级系统,其特征在于,所述孔口收集器包括引流筒和挡环,所述引流筒与挡环通过螺纹可拆解连接。
3.如权利要求2所述的一种基于随钻测试与地化特征分析的隧道围岩分级系统,其特征在于,所述引流筒侧面开设有集液口,通过所述集液口将冲洗液输入筛分装置。
4.如权利要求1所述的一种基于随钻测试与地化特征分析的隧道围岩分级系统,其特征在于,所述筛分装置设置有液控阀,用于对冲洗液的收集进行控制。
5.如权利要求1所述的一种基于随钻测试与地化特征分析的隧道围岩分级系统,其特征在于,所述随钻参数监测装置包括设置于钻进机构的压力传感器、位移传感器、扭矩传感器以及转速传感器。
6.如权利要求1所述的一种基于随钻测试与地化特征分析的隧道围岩分级系统,其特征在于,所述钻进机构包括钻头和钻杆,所述钻杆顺序穿过所述孔口收集器的挡环和引流筒到达岩壁。
7.如权利要求1所述的一种基于随钻测试与地化特征分析的隧道围岩分级系统,其特征在于,所述不良地质参数包括不良地质岩石类型以及不良地质规模。
8.一种基于随钻测试与地化特征分析的隧道围岩分级方法,其特征在于,其利用如权利要求1-7任一项所述的基于随钻测试与地化特征分析的隧道围岩分级系统,所述方法包括以下步骤:
实时获取随钻参数;
基于获取的随钻参数确定地层参数;
对获得的冲洗液进行元素矿物分析,基于分析结果确定不良地质参数;
基于预先训练的围岩分级模型及获得的随钻参数、地层参数和不良地质参数,获得围岩分级结果。
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器基于权利要求8所述的一种随钻测试与地化特征分析的隧道围岩分级方法执行所述程序时实现如下步骤:
实时获取随钻参数;
基于获取的随钻参数确定地层参数;
基于对冲洗液进行元素矿物分析的结果确定不良地质参数;
基于预先训练的围岩分级模型及获得的随钻参数、地层参数和不良地质参数,获得围岩分级结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335187.7A CN114117590B (zh) | 2021-11-11 | 2021-11-11 | 基于随钻测试与地化特征分析的隧道围岩分级系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335187.7A CN114117590B (zh) | 2021-11-11 | 2021-11-11 | 基于随钻测试与地化特征分析的隧道围岩分级系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114117590A CN114117590A (zh) | 2022-03-01 |
CN114117590B true CN114117590B (zh) | 2024-02-20 |
Family
ID=80378911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111335187.7A Active CN114117590B (zh) | 2021-11-11 | 2021-11-11 | 基于随钻测试与地化特征分析的隧道围岩分级系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117590B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1518505A1 (ru) * | 1960-02-09 | 1989-10-30 | Blazhkov Vasilij | Устройство дл опробовани пластовых жидкостей в процессе бурени |
CN106157181A (zh) * | 2016-07-06 | 2016-11-23 | 山东大学 | 一种基于随钻参数对土质围岩快速实时分级的方法 |
WO2017074884A1 (en) * | 2015-10-28 | 2017-05-04 | Schlumberger Technology Corporation | Formation evaluation |
CN109635461A (zh) * | 2018-12-18 | 2019-04-16 | 中国铁建重工集团有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN109886534A (zh) * | 2019-01-09 | 2019-06-14 | 中国铁建重工集团有限公司 | 用于隧道围岩分级的辨识方法及装置 |
CN110109895A (zh) * | 2019-03-29 | 2019-08-09 | 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 |
CN110672411A (zh) * | 2019-09-22 | 2020-01-10 | 中国科学院武汉岩土力学研究所 | 一种岩体力学特性室内钻进感知试验系统 |
CN111221024A (zh) * | 2019-09-06 | 2020-06-02 | 山东大学 | Tbm搭载式隧道前方围岩放射性预报系统及方法 |
RU2723805C1 (ru) * | 2019-08-20 | 2020-06-17 | Общество с ограниченной ответственностью "Диджитал Петролеум" (ООО "ДП") | Способ и компьютерная система управления бурением скважин |
US10890066B1 (en) * | 2019-08-28 | 2021-01-12 | Saudi Arabian Oil Company | Determination of a rock testability index for formation testing |
CN112523782A (zh) * | 2020-12-28 | 2021-03-19 | 山东高速集团有限公司 | 隧道施工组合机构及施工装置 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11492901B2 (en) * | 2019-03-07 | 2022-11-08 | Elgamal Ahmed M H | Shale shaker system having sensors, and method of use |
-
2021
- 2021-11-11 CN CN202111335187.7A patent/CN114117590B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1518505A1 (ru) * | 1960-02-09 | 1989-10-30 | Blazhkov Vasilij | Устройство дл опробовани пластовых жидкостей в процессе бурени |
WO2017074884A1 (en) * | 2015-10-28 | 2017-05-04 | Schlumberger Technology Corporation | Formation evaluation |
CN106157181A (zh) * | 2016-07-06 | 2016-11-23 | 山东大学 | 一种基于随钻参数对土质围岩快速实时分级的方法 |
WO2020125668A1 (zh) * | 2018-12-18 | 2020-06-25 | 中国铁建重工集团股份有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN109635461A (zh) * | 2018-12-18 | 2019-04-16 | 中国铁建重工集团有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN109886534A (zh) * | 2019-01-09 | 2019-06-14 | 中国铁建重工集团有限公司 | 用于隧道围岩分级的辨识方法及装置 |
CN110109895A (zh) * | 2019-03-29 | 2019-08-09 | 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 |
RU2723805C1 (ru) * | 2019-08-20 | 2020-06-17 | Общество с ограниченной ответственностью "Диджитал Петролеум" (ООО "ДП") | Способ и компьютерная система управления бурением скважин |
US10890066B1 (en) * | 2019-08-28 | 2021-01-12 | Saudi Arabian Oil Company | Determination of a rock testability index for formation testing |
CN111221024A (zh) * | 2019-09-06 | 2020-06-02 | 山东大学 | Tbm搭载式隧道前方围岩放射性预报系统及方法 |
CN110672411A (zh) * | 2019-09-22 | 2020-01-10 | 中国科学院武汉岩土力学研究所 | 一种岩体力学特性室内钻进感知试验系统 |
CN112523782A (zh) * | 2020-12-28 | 2021-03-19 | 山东高速集团有限公司 | 隧道施工组合机构及施工装置 |
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 |
Non-Patent Citations (2)
Title |
---|
Improved support vector regression models for predicting rock mass parameters using tunnel boring machine driving data;Bin Liu et al;Tunnelling and Underground Space Technology(第91期);全文 * |
TBM 掘进前方不良地质与岩体参数的 综合获取方法;刘斌 等;山东大学学报(工学版);第46卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114117590A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019439936B2 (en) | TBM-mounted advanced geological prediction system and method based on identification of lithology and adverse geology precursor characteristics | |
EP3457107B1 (en) | A 3d time series vector sediment trap | |
CN105545296B (zh) | 一种煤矿动力灾害的湿式钻屑法测试系统及测试方法 | |
CN114117590B (zh) | 基于随钻测试与地化特征分析的隧道围岩分级系统及方法 | |
FI120164B (fi) | Menetelmä ja laitteisto malminetsinnän tehostamiseksi | |
JP7058155B2 (ja) | 地盤性状の調査工法 | |
WO2018103326A1 (zh) | 巷道顶板岩性成分的随钻探测装置及方法 | |
CN106157181B (zh) | 一种基于随钻参数对土质围岩快速实时分级的方法 | |
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 | |
CN111208158B (zh) | Tbm搭载式岩石石英含量测定系统及其方法 | |
CN106583231A (zh) | 筛选装置及智能岩屑捞洗机 | |
CN114135278A (zh) | 一种随钻感知不良地质智能识别与预报系统及方法 | |
CN112525255A (zh) | 暗涵排水口排查流程及排口溯源方法 | |
CN113311478A (zh) | 一种基于风枪震源的地质检测方法及系统 | |
JP2015004194A (ja) | 山岳トンネル切羽前方地山の地質探査方法 | |
CN114235871A (zh) | 一种地浸砂岩型铀矿综合录井方法 | |
CN112801035B (zh) | 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 | |
CN114661006A (zh) | 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法 | |
CN106677767A (zh) | 一种用于采油井的套管漏点深度检测方法和装置 | |
CN108709833A (zh) | 一种用于原位测试的颗粒分析装置及方法 | |
CN112696186A (zh) | 一种用于自动识别钻井岩屑的方法及系统 | |
CN113323612B (zh) | 防溢管流体检测装置、综合处理系统及判识方法 | |
WO2013108184A1 (en) | Installation for drilling a well into a soil and associated drilling method | |
CN111103168A (zh) | 一种土壤检测用分层取样设备 | |
CN115573695A (zh) | 一种钻机有效钻进数据自动采集方法及系统 |
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 |