CN114429563A - 基于随钻测试与tbm岩渣图像的围岩完整性识别方法及系统 - Google Patents
基于随钻测试与tbm岩渣图像的围岩完整性识别方法及系统 Download PDFInfo
- Publication number
- CN114429563A CN114429563A CN202111546399.XA CN202111546399A CN114429563A CN 114429563 A CN114429563 A CN 114429563A CN 202111546399 A CN202111546399 A CN 202111546399A CN 114429563 A CN114429563 A CN 114429563A
- Authority
- CN
- China
- Prior art keywords
- rock
- integrity
- surrounding rock
- drilling
- surrounding
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 230
- 239000002893 slag Substances 0.000 title claims abstract description 105
- 238000005553 drilling Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012360 testing method Methods 0.000 title claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 239000002245 particle Substances 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 239000013049 sediment Substances 0.000 claims description 2
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000013145 classification model Methods 0.000 description 3
- 230000005641 tunneling Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Earth Drilling (AREA)
Abstract
本发明公开了一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法及系统，包括：获取随钻参数数据并进行数据预处理；将预处理后的数据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；获取岩渣图像信息并进行预处理；分别获取岩渣的形状特征和岩渣的粒径特征，将所述特征输入至分类器，得到第二围岩完整程度预测结果；将第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，得到最终的围岩完整性识别结果。本发明实现了隧道围岩完整性识别的智能化，提高了识别的安全性和精准性。
Description
技术领域
本发明涉及隧道施工中地质勘察技术领域，尤其涉及一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前，隧道施工主要以TBM施工和盾构机施工为主，在勘察设计过程中不可避免地会遇到一系列技术难题，如存在围岩破碎等不良地质现象时，在隧道施工过程中会产生安全隐患问题，容易造成TBM或者盾构机卡机、损坏甚至造成人员伤亡等重大事故；
现有技术通常采用随钻参数和掌子面图像等对围岩进行分级。但由于随钻参数指标测量有限，且单一数据源存在随机性，一孔或多孔量测都不足以完全代表围岩的完整性。因此，容易出现结果准确率偏低，模型泛化性能差等问题。而隧道掌子面图像识别的目标是对掌子面的节理和裂隙进行识别。但是掌子面节理裂隙较为复杂，且掌子面图像经过处理后，会存在许多杂质区域，对隧道掌子面识别造成一定的难度。
在TBM掘进过程中，岩渣作为TBM切割岩体时的直接产物，由于其形态最能反映地质条件变化，通过岩渣判别围岩的完整程度开始被工程应用。但是识别结果大部分依赖于人的观察总结，且目前利用TBM掘进的岩渣图像来判别围岩的完整性的研究并不多见。
发明内容
为了解决上述问题，本发明提出了一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法及系统，先通过监测和记录钻机的运行参数，结合在TBM掘进现场中的TBM岩渣图像识别技术，最后对两种识别结果进行决策级融合，从而提高对单一数据源下围岩完整程度识别的精准度。
在一些实施方式中，采用如下技术方案：
一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，包括：
获取随钻参数数据并进行数据预处理；将预处理后的数据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；其中，所述围岩完整程度预测模型使用模型融合策略对至少两个深度神经网络进行融合；
获取岩渣图像信息并进行预处理；分别获取岩渣的形状特征和岩渣的粒径特征，将所述特征输入至分类器，得到第二围岩完整程度预测结果；
将所述第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，得到最终的围岩完整性识别结果。
在另一些实施方式中，采用如下技术方案：
一种基于随钻测试与TBM岩渣图像的围岩完整性识别系统，包括：
随钻参数处理模块，用于获取随钻参数数据并进行数据预处理；将预处理后的数据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；其中，所述围岩完整程度预测模型使用模型融合策略对至少两个深度神经网络进行融合；
岩渣图像识别模块，用于获取岩渣图像信息并进行预处理；分别获取岩渣的形状特征和岩渣的粒径特征，将所述特征输入至分类器，得到第二围岩完整程度预测结果；
结果融合模块，用于将所述第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，得到最终的围岩完整性识别结果。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于随钻测试与TBM岩渣图像的围岩完整性识别方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于随钻测试与TBM岩渣图像的围岩完整性识别方法。
与现有技术相比，本发明的有益效果是：
(1)本发明分别基于随钻参数和岩渣图像数据得到围岩完整程度的预测结果，然后对两个结果进行基于加权表决的决策级融合，由于决策级融合数据具有多元性，比任何单个决策更明确、精确，提高了围岩完整性判别的准确度。
同时多分类器的融合还可以降低分类系统的训练时间和提高分类系统的鲁棒性。
(2)为提高TBM在掘岩体的智能化识别程度及施工的安全程度，在TBM施工现场，岩渣作为TBM切割岩体的直接产物,岩渣的几何形态信息与围岩的完整性指标具有很强的关联性，是现场工程师超前预测的重要依据。但仅借助于岩渣图像识别，容易产生错分、漏分现象；所以仅利用岩渣图像信息进行岩性识别分类，随机性强，信息利用率不高，误差较大，精度有限，结合随钻测试获取的随钻参数提取围岩的性质进行分析，能更好地协同使用各种信息，有利于提高围岩完整性识别的准确率。
(3)本发明实现了隧道围岩完整性识别的智能化，提高了识别的安全性和精准性；能够辅助施工人员，实时监测地质突变，及时提出预警，保证隧道施工安全。
本发明的其他特征和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，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中的基于随钻测试与TBM岩渣图像的围岩完整性识别方法示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。
实施例一
在一个或多个实施方式中，公开了一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，如图1所示，具体包括如下过程：
(1)获取随钻参数数据并进行数据预处理；将预处理后的数据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；
对于有监督机器学习分类问题，围岩完整性级别标签正确性将影响围岩级别预测的准确性。本实施例中，建立随钻参数与围岩完整程度样本库，样本库中的数据主要来自现有基于TBM或者盾构施工隧道的大量数据，涵盖隧道围岩的花岗岩层、灰岩层、粉砂岩层等多种岩石类别，主要包含围岩岩体完整、围岩岩体较完整、围岩岩体较破碎以及围岩岩体破碎、极破碎等岩体完整程度。
本实施例中，获取隧道开挖过程中随钻参数，随钻参数包括钻进速度V、钻进推力F、钻头转速N、钻进扭矩M和钻进深度D等随钻参数。
进行数据预处理的过程包括：数据清洗、数据标准化处理和相关性分析。其中，数据清洗包括对所获取的数据进行缺失数据补偿、异常数据剔除以及冗余数据监测；
对于缺失数据补偿，本实施例使用随机森林回归法填补缺失值，将缺失的数据的数量从小到大排列，填补过程中缺失值都用0代替，将算法运行的结果填补到原来的特征缺失值中。
具体地，从缺失最少的开始进行填补(因为填补缺失最少的特征所需要的准确信息最少)。填补一个特征时，先将其他特征的缺失值用0代替，每完成一次回归预测，就将预测值放到原本的特征矩阵中，再继续填补下一个特征；每一次填补完毕，有缺失值的特征会减少一个，所以每次循环后，需要用0来填补的特征就越来越少。当进行到最后一个特征时，这个特征应该是所有特征中缺失值最多的)，已经没有任何的其他特征需要用0来进行填补了，而我们已经使用回归为其他特征填补了大量有效信息，可以用来填补缺失最多的特征。遍历所有的特征后，数据就完整，不再有缺失值了。
对于数据标准化处理，本实施例使用Min-Max方法对数据进行标准化处理；找出变量的最大值和最小值，分别将变量的所有数据通过线性变换投射到0-1区间。
对于相关性分析，本实施例应用互信息分析数据间的相关性。
本实施例中，采用互信息法进行特征选择，先利用特征选择过程对初始特征进行“过滤”，再用过滤后的特征来训练模型。
本实施例采用互信息法进行特征选择的过程如下：
①初始特征集的建立。构建特征集是建立随钻参数与围岩完整性之间的数学模型中的至关重要的一环，是后续特征选择的基础，决定了特征选择的范围和质量，随钻参数包括钻进速度V、钻进推力F、钻头转速N、钻进扭矩M和钻进深度D等随钻参数等。
②特征变量归一化。
③围岩完整性级别确定。
④特征选择计算与结果分析：互信息法的特征选择，特征变量与围岩完整性之间的互信息值越大，表示两者的相关性越大。根据互信息法得出的特征变量的重要性排序，据此确定最终的随钻参数的特征选择，选择相关性较大的几个特征作为最优特征子集。
将预处理后的随钻参数特征数据输入到训练好的围岩完整程度预测模型，围岩完整程度预测模型通过使用Blending融合策略对多个深度神经网络进行融合，预测随钻参数与围岩完整程度之间的关系。
首先运用选出的分类模型对随钻参数特征数据集进行训练与测试，得出F1值，对基模型进行调优处理，得到最优情况下的F1值，选取F1值比较近且效果比较好的2个模型作为融合策略的基模型。
本实施例中，需要先将选择的各个分类模型(K最近邻、贝叶斯、随机森林、决策树)对原始数据集和提取特征后的数据集分别进行测试得到F1值，依据F1值进行性能比较，选择出F1值比较近且集中性能表现优异的分类模型作为融合策略的基模型。其中，F1值为精准率和召回率加权调和平均值。
本实施例选择模型A和模型B作为后续的基模型。具体的实施过程包括：
将样本数据划分为训练集T和测试集W；
先将训练集T按设定的百分比划分为T1和T2两部分；
创建包含基模型A和基模型B的第一层模型，使用T1对基模型A和基模型B进行训练；
训练后的基模型A和基模型B对T2进行测试得到新的训练集T’；
训练后的基模型A和基模型B对测试集W进行测试得到新的测试集W’；
创建包含模型C的第二层模型，使用新的训练集T’训练模型C，用训练后的C模型对新的测试集W’进行测试得到结果；最终得到训练好的围岩完整程度预测模型。
作为可选的实施方式，对识别分类结果可以利用准确率、精确率、召回率、F1值或AUC等分析评价指标进行全面估评。
(2)获取岩渣图像信息并进行预处理；分别获取岩渣的形状特征和岩渣的粒径特征，将这些特征输入至分类器，得到第二围岩完整程度预测结果；
本实施例中，获取随钻过程中的岩渣图像，利用高斯滤波器对岩渣图像处理，抑制图像中的噪声。对采集到的模糊的岩渣图像进行生成对抗网络的图像修复算法处理，进而对图像超分辨率修复和转化，从而得到更清晰的图像。
对输入的数据集在特征提取单元进行处理，去除图像中的冗余部分，保留图像的感兴趣部分，即提取出图像中的岩渣部分，即将图像转化为灰度图，选择阈值，实现二值图像。得到二值化图像后，进行图像的边缘检测的图像分割算法，此实施方式采用Sobel算子，对岩渣图像进行加权平滑处理后再做微分计算，从而完成边缘的提取。
利用傅里叶形状描述符法提取形状特征，得出形状参数，形状参数包括周长、面积、转折度、圆度等，本实施例研究岩渣的长度，岩渣的宽度等。
根据TBM掘进岩渣图像中片状岩渣和块状岩渣的形状尺寸，围岩的完整程度大致分为小片状岩渣或者小块状岩渣、片状岩渣、块状岩渣、大块岩渣等，将岩渣的形状特征作为特征向量1。
将提取出来的参数，通过计算粒径的方法，借助等效直径，计算岩渣粒径，粒度可定义与圆(正方形)的面积相等的等效直径(或等效边长),根据岩渣粒径分类，得出岩渣图像中岩渣粒径的特征向量2。
把形状特征向量1加上粒径向量2输入SVM分类器进行分类，依据多个工程现场收集的岩渣图像分析总结出来的岩渣与围岩完整程度对应关系，得到第二围岩完整程度预测结果；具体的分类结果可以为：
当形状特征为：片状岩渣多于小片状或者小块状岩渣，粒径大小：长轴小于10cm的岩渣和长轴在10～15cm的片状岩渣时，围岩完整程度为完整；
当形状特征为：片状岩渣多于小片状和大块状岩渣之和，粒径大小：长轴在10～20cm的片状岩渣多于块状岩渣时，围岩完整程度为较完整；
当形状特征为：片状岩渣近似于小片状和大块状岩渣之和，粒径大小：不含有长轴大于20cm的岩渣时，围岩完整程度为较破碎。
(3)将第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，得到最终的围岩完整性识别结果。
本实施例中，利用合作对策的Shapley值来决定两个预测结果的权重；
不同围岩完整程度预测方法产生组合预测总误差，将总误差采用Shapley值权重分配来确定各预测值权重大小；本实施例存在2种识别预测方法来进行组合预测，基于Shapley值的概念，参与组合预测模型总误差分摊的“合作关系”成员I＝{p，q}，它的子集误差分别为E{p}、E{q}、E{p，q}。E(i)为第i种围岩完整程度预测方法误差的绝对值的平均值，E(p)、E(q)表示两种各围岩完整程度预测误差；E为两种组合预测的总误差；
其中，m为围岩完整性预测的样本的个数；eij为第i种预测方法的第j个样本的误差绝对值。
Shapley值法的权重分配公式为
其中ω|p|为加权因子，表示组合预测方法中i应承担的组合边际贡献；p-{i}为组合中去除模型i，|p|为组合中的预测模型的个数，E′i为i预测模型分得的误差量，即为Shapley值，得出组合预测中两个预测方法各个权重ωi的计算表达式为
通过加权表决算法对两个预测结果进行决策级融合；
Φ＝ω1φ1(Mod*)+ω2φ2(Mod*)
其中，φ1(Mod*)和φ2(Mod*)分别为第一围岩完整程度预测结果和第二围岩完整程度预测结果；ω1和ω2分别为上述两个预测结果的权重。
实施例二
在一个或多个实施方式中，公开了一种基于随钻测试与TBM岩渣图像的围岩完整性识别系统，包括：
随钻参数处理模块，用于获取随钻参数数据并进行数据预处理；将预处理后的数据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；其中，所述围岩完整程度预测模型使用模型融合策略对至少两个深度神经网络进行融合；
岩渣图像识别模块，用于获取岩渣图像信息并进行预处理；分别获取岩渣的形状特征和岩渣的粒径特征，将所述特征输入至分类器，得到第二围岩完整程度预测结果；
结果融合模块，用于将所述第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，得到最终的围岩完整性识别结果。
需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于随钻测试与TBM岩渣图像的围岩完整性识别方法。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。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于随钻测试与TBM岩渣图像的围岩完整性识别方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，包括：
获取随钻参数数据并进行数据预处理；将预处理后的数据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；其中，所述围岩完整程度预测模型使用模型融合策略对至少两个深度神经网络进行融合；
获取岩渣图像信息并进行预处理；分别获取岩渣的形状特征和岩渣的粒径特征，将所述特征输入至分类器，得到第二围岩完整程度预测结果；
将所述第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，得到最终的围岩完整性识别结果。
2.如权利要求1所述的一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，获取随钻参数数据包括：钻进速度、钻进推力、钻头转速、钻进扭矩和钻进深度。
3.如权利要求1所述的一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，获取随钻参数数据并进行数据预处理，包括：对所述随钻参数数据进行缺失数据补偿、异常数据剔除和数据标准化处理。
4.如权利要求1所述的一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，所述围岩完整程度预测模型使用模型融合策略对至少两个深度神经网络基模型进行融合，具体包括：
将样本数据划分为训练集T和测试集W；
先将训练集T按设定的百分比划分为T1和T2两部分；
创建包含基模型A和基模型B的第一层模型，使用T1对基模型A和基模型B进行训练；
训练后的基模型A和基模型B对T2进行测试得到新的训练集T’；
训练后的基模型A和基模型B对测试集W进行测试得到新的测试集W’；
创建包含模型C的第二层模型，使用新的训练集T’训练模型C，用训练后的C模型对新的测试集W’进行测试得到结果；最终得到训练好的围岩完整程度预测模型。
5.如权利要求1所述的一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，获取岩渣图像信息并进行预处理，具体包括：
利用高斯滤波器对岩渣图像进行处理，以抑制图像中的噪声；
利用生成对抗网络的图像修复算法对模糊的岩渣图像进行处理，对图像超分辨率修复和转化。
6.如权利要求1所述的一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，分别获取岩渣的形状特征和岩渣的粒径特征，具体包括：
对于预处理后的图像，提取图像中的岩渣部分，将图像转化为灰度图，得到二值图像；
对岩渣图像进行加权平滑处理后再做微分计算，完成边缘的提取；
利用傅里叶形状描述符法提取形状特征，得出岩渣的形状特征参数；
利用岩渣的形状特征参数，通过计算等效直径，得到岩渣的粒径特征参数。
7.如权利要求1所述的一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，将所述第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，具体包括：
利用合作对策的Shapley值来决定两个预测结果的权重，通过加权表决算法对两个预测结果进行决策级融合。
8.一种基于随钻测试与TBM岩渣图像的围岩完整性识别系统，其特征在于，包括：
随钻参数处理模块，用于获取随钻参数数据并进行数据预处理；将预处理后的数据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；其中，所述围岩完整程度预测模型使用模型融合策略对至少两个深度神经网络进行融合；
岩渣图像识别模块，用于获取岩渣图像信息并进行预处理；分别获取岩渣的形状特征和岩渣的粒径特征，将所述特征输入至分类器，得到第二围岩完整程度预测结果；
结果融合模块，用于将所述第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，得到最终的围岩完整性识别结果。
9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于随钻测试与TBM岩渣图像的围岩完整性识别方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于随钻测试与TBM岩渣图像的围岩完整性识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111546399.XA CN114429563B (zh) | 2021-12-16 | 2021-12-16 | 基于随钻测试与tbm岩渣图像的围岩完整性识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111546399.XA CN114429563B (zh) | 2021-12-16 | 2021-12-16 | 基于随钻测试与tbm岩渣图像的围岩完整性识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114429563A true CN114429563A (zh) | 2022-05-03 |
| CN114429563B CN114429563B (zh) | 2024-10-15 |
Family
ID=81310518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111546399.XA Active CN114429563B (zh) | 2021-12-16 | 2021-12-16 | 基于随钻测试与tbm岩渣图像的围岩完整性识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114429563B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115408927A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于预测岩体参数的数据处理方法和装置 |
| CN115511001A (zh) * | 2022-10-21 | 2022-12-23 | 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 |
| CN115680645A (zh) * | 2022-09-27 | 2023-02-03 | 成都理工大学 | 基于多源随钻信息融合的岩体特征实时预测方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6490527B1 (en) * | 1999-07-13 | 2002-12-03 | The United States Of America As Represented By The Department Of Health And Human Services | Method for characterization of rock strata in drilling operations |
| CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
| CN111197500A (zh) * | 2020-01-06 | 2020-05-26 | 山东大学 | 适用于tbm掘进隧道围岩等级实时判别方法及系统 |
| US20210209263A1 (en) * | 2019-03-08 | 2021-07-08 | Shandong University | Tunnel tunneling feasibility prediction method and system based on tbm rock-machine parameter dynamic interaction mechanism |
| CN113685188A (zh) * | 2021-08-16 | 2021-11-23 | 中铁十八局集团有限公司 | 一种基于岩渣物理特征的tbm掘进优化方法 |
-
2021
- 2021-12-16 CN CN202111546399.XA patent/CN114429563B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6490527B1 (en) * | 1999-07-13 | 2002-12-03 | The United States Of America As Represented By The Department Of Health And Human Services | Method for characterization of rock strata in drilling operations |
| US20210209263A1 (en) * | 2019-03-08 | 2021-07-08 | Shandong University | Tunnel tunneling feasibility prediction method and system based on tbm rock-machine parameter dynamic interaction mechanism |
| CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
| CN111197500A (zh) * | 2020-01-06 | 2020-05-26 | 山东大学 | 适用于tbm掘进隧道围岩等级实时判别方法及系统 |
| CN113685188A (zh) * | 2021-08-16 | 2021-11-23 | 中铁十八局集团有限公司 | 一种基于岩渣物理特征的tbm掘进优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZHENHAO XU 等: "Deep learning of rock images for intelligent lithology identification", 《COMPUTERS & GEOSCIENCES》, 28 April 2021 (2021-04-28) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115408927A (zh) * | 2022-07-22 | 2022-11-29 | 北京交通大学 | 用于预测岩体参数的数据处理方法和装置 |
| CN115680645A (zh) * | 2022-09-27 | 2023-02-03 | 成都理工大学 | 基于多源随钻信息融合的岩体特征实时预测方法和系统 |
| CN115511001A (zh) * | 2022-10-21 | 2022-12-23 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114429563B (zh) | 2024-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114429563A (zh) | 基于随钻测试与tbm岩渣图像的围岩完整性识别方法及系统 | |
| CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
| CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
| 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 | |
| Li et al. | Feedback on a shared big dataset for intelligent TBM Part I: Feature extraction and machine learning methods | |
| Brackenbury et al. | Automated defect detection for masonry arch bridges | |
| CN109766335A (zh) | 基于分类回归决策树算法的盾构施工地质识别方法及系统 | |
| Hoang et al. | A Novel Approach for Automatic Detection of Concrete Surface Voids Using Image Texture Analysis and History‐Based Adaptive Differential Evolution Optimized Support Vector Machine | |
| CN114037478A (zh) | 广告异常流量检测方法、系统、电子设备及可读存储介质 | |
| CN113836999A (zh) | 基于探地雷达的隧道施工风险智能识别方法及系统 | |
| CN113806889A (zh) | 一种tbm刀盘扭矩实时预测模型的处理方法、装置以及设备 | |
| Chiaia et al. | Deep convolutional neural network for multi-level non-invasive tunnel lining assessment | |
| CN115081749A (zh) | 基于贝叶斯优化lstm的盾构掘进载荷超前预测方法及系统 | |
| Zamani et al. | Deep semantic segmentation for visual scene understanding of soil types | |
| CN115966074A (zh) | 基于机器学习的盾构刀盘结泥饼预警方法及系统 | |
| Chen et al. | Selection of contributing factors for predicting landslide susceptibility using machine learning and deep learning models | |
| Løken et al. | Data-driven approaches tests on a laboratory drilling system | |
| Li et al. | Pareto Optimization of CNN Models via Hardware-Aware Neural Architecture Search for Drainage Crossing Classification on Resource-Limited Devices | |
| CN114398828A (zh) | 一种钻速智能预测及优化方法、系统、设备和介质 | |
| Nabizadeh et al. | Automated corrosion detection using deep learning and computer vision | |
| Fakhri et al. | Road crack detection using gaussian/prewitt filter | |
| Samadi et al. | Developing the empirical models for predicting the EPB operating parameters in strong Limestone | |
| Foria et al. | Artificial intelligence and image processing in the MIRET approach for the water detection and integrated geotechnical management of existing mechanized tunnels: methodology, algorithm and case study | |
| CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 | |
| Moghadam et al. | Damage Detection in Structures by Using Imbalanced Classification Algorithms |
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 |