CN114439500B - 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 - Google Patents
基于随钻测试的tbm穿越不良地质智能掘进系统与方法 Download PDFInfo
- Publication number
- CN114439500B CN114439500B CN202111544879.2A CN202111544879A CN114439500B CN 114439500 B CN114439500 B CN 114439500B CN 202111544879 A CN202111544879 A CN 202111544879A CN 114439500 B CN114439500 B CN 114439500B
- Authority
- CN
- China
- Prior art keywords
- tunneling
- parameters
- drilling
- data
- tbm
- 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
- 230000005641 tunneling Effects 0.000 title claims abstract description 152
- 238000005553 drilling Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012360 testing method Methods 0.000 title claims abstract description 33
- 239000011435 rock Substances 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 31
- 230000004807 localization Effects 0.000 claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 43
- 238000013136 deep learning model Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000011065 in-situ storage Methods 0.000 claims description 6
- 239000002893 slag Substances 0.000 claims description 6
- 230000002411 adverse Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000011010 flushing procedure Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013501 data transformation Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 4
- 230000035515 penetration Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 2
- 230000000903 blocking effect Effects 0.000 abstract description 7
- 230000015654 memory Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000004846 x-ray emission Methods 0.000 description 2
- 239000007864 aqueous solution Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- 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
- E21D9/10—Making by using boring or cutting machines
- E21D9/11—Making by using boring or cutting machines with a rotary drilling-head cutting simultaneously the whole cross-section, i.e. full-face machines
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Theoretical Computer Science (AREA)
- Geophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本公开提供了一种基于随钻测试的TBM穿越不良地质智能掘进系统与方法，包括：预先进行超前钻探，同步获取钻进过程中的围岩物性参数及地化特征参数；基于预先训练的地质识别模型以及围岩物性参数和地化特征参数，获得掘进路线上的地质识别结果；掘进过程中，基于预先获得的钻进参数以及预先训练的钻进参数与掘进参数映射关系模型，获得不良地质段的掘进参数；判断所述掘进参数是否处于预设掘进参数范围内，若是，则对TBM掘进参数进行实时调整，并继续掘进；若否，则停机进行超前支护预处理。所述方案利用在不良地质区获得的钻进参数，实现对TBM掘进参数先行调整和预测指导，避免因不良地质区围岩的性质突变，导致出现决策失误造成卡机等问题。
Description
技术领域
本公开属于全断面隧道掘进机施工技术领域，尤其涉及一种基于随钻测试的TBM穿越不良地质智能掘进系统与方法。
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。
鉴于TBM(Tunnel Boring Machine，全断面硬岩隧道掘进机)施工效率高、环境影响小、安全等优势，其已被广泛应用于深埋超特长隧道施工。但是TBM施工过程中，经常遭遇断层、岩溶等突发不良地质条件，由于围岩的岩性、结构、物理力学性质等发生突变，TBM掘进参数往往调整不及时而导致卡机事故，卡机事故处置时间有时可长达数月，严重影响施工进度，且极易造成重大人员伤亡以及严重经济损失。
发明人发现，现有的TBM掘进参数调整多依赖于人工经验，或通过岩机相互作用反馈不断调整掘进参数，但是当掘进至不良地质时，由于围岩的岩性、结构、物理力学性质等发生突变，上述方法往往不能及时调整参数导致TBM卡机。
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的TBM穿越不良地质智能掘进系统与方法，所述方案利用在不良地质区获得的钻进参数，实现对TBM掘进参数的预测调整，避免因不良地质区围岩的性质突变，导致出现决策失误造成卡机等问题。
根据本公开实施例的第一个方面，提供了一种基于随钻测试的TBM穿越不良地质智能掘进方法，包括：
预先进行超前钻探，同步获取钻进过程中的围岩物性参数及地化特征参数；
基于预先训练的地质识别模型以及围岩物性参数和地化特征参数，获得掘进路线上的地质识别结果；
掘进过程中，基于预先获得的钻进参数以及预先训练的钻进参数与掘进参数映射关系模型，获得不良地质段的掘进参数；
判断所述掘进参数是否处于预设掘进参数范围内，若是，则对TBM掘进参数进行实时调整，并继续掘进；若否，则停机进行超前支护预处理。
作为可选择的实施方式，所述地质识别模型采用深度学习模型，其训练过程具体为：
基于历史数据构建训练集，所述训练集中的样本包括围岩物性参数、地化特征参数以及其对应的地质识别结果；
基于构建的训练集，对所述深度学习模型进行训练，获得训练好的地质识别模型。
作为可选择的实施方式，所述钻进参数与掘进参数映射关系模型采用深度学习模型，其训练过程为：基于历史数据中正常围岩段的钻进参数及其对应的TBM掘进参数构建训练集；基于所述训练集对所述深度学习模型进行训练，获得训练好的映射关系模型。
根据本公开实施例的第二个方面，提供了一种基于随钻测试的TBM穿越不良地质智能掘进系统，包括：
超前钻探模块，其用于预先进行超前钻探，同步获取钻进过程中的围岩物性参数及地化特征参数；
地质识别模块，其用于基于预先训练的地质识别模型以及围岩物性参数和地化特征参数，获得掘进路线上的地质识别结果；
掘进参数预测模块，其用于掘进过程中，基于预先获得的钻进参数以及预先训练的钻进参数与掘进参数映射关系模型，获得不良地质段的掘进参数；
智能决策模块，其用于判断所述掘进参数是否处于预设掘进参数范围内，若是，则对TBM掘进参数进行实时调整，并继续掘进；若否，则停机进行超前支护预处理。
根据本公开实施例的第三个方面，提供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所述的基于随钻测试的TBM穿越不良地质智能掘进方法的部分或全部步骤。
根据本公开实施例的第四个方面，提供了一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于随钻测试的TBM穿越不良地质智能掘进方法的部分或全部步骤。
与现有技术相比，本公开的有益效果是：
(1)本公开提供了一种基于随钻测试的TBM穿越不良地质智能掘进系统与方法，所述方案利用在不良地质区获得的钻进参数，实现对TBM掘进参数先行调整和预测指导，避免因不良地质区围岩的性质突变，以及TBM掘进参数的调整和决策缺乏科学依据和智能化，导致出现决策失误造成卡机等问题。
(2)本公开所述方案能够及时有效掌握隧道围岩及不良地质赋存状态、TBM的掘进状态以及TBM掘进是否可以继续掘进，可通过结果的对比分析，判断若TBM可继续掘进，则调整TBM掘进参数，若无法继续掘进，可提前获知并发出预警，提醒工作人员采取预处理措施，预防卡机灾害的发生。
(3)本公开所述方案能够测试超前措施的效果，防止因超前措施的不合理或未达到要求，从而导致TBM盲目掘进而造成卡机，能够更好的指导TBM穿越不良地质的施工，提高TBM施工效率及安全性。
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TBM穿越不良地质智能掘进方法流程图；
图2为本公开TBM穿越不良地质智能掘进系统结构图。
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。
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：
本实施例的目的是提供一种基于随钻测试的TBM穿越不良地质智能掘进方法。
基于随钻测试的TBM穿越不良地质智能掘进方法，包括：
预先进行超前钻探，同步获取钻进过程中的围岩物性参数及地化特征参数；
基于预先训练的地质识别模型以及围岩物性参数和地化特征参数，获得掘进路线上的地质识别结果；
掘进过程中，基于预先获得的钻进参数以及预先训练的钻进参数与掘进参数映射关系模型，获得不良地质段的掘进参数；
判断所述掘进参数是否处于预设掘进参数范围内，若是，则对TBM掘进参数进行实时调整，并继续掘进；若否，则停机进行超前支护预处理。
作为可选择的实施方式，所述地质识别模型采用深度学习模型，其训练过程具体为：
基于历史数据构建训练集，所述训练集中的样本包括围岩物性参数、地化特征参数以及其对应的地质识别结果；
基于构建的训练集，对所述深度学习模型进行训练，获得训练好的地质识别模型。
作为进一步的限定，所述地质识别模型可以选择卷积神经网络模型、长短期记忆网络模型或循环神经网络模型等模型。
作为可选择的实施方式，所述钻进参数与掘进参数映射关系模型采用深度学习模型，其训练过程为：基于历史数据中正常围岩段的钻进参数及其对应的TBM掘进参数构建训练集；基于所述训练集对所述深度学习模型进行训练，获得训练好的映射关系模型。
作为进一步的限定，所述钻进参数与掘进参数映射关系模型可以选择卷积神经网络模型、长短期记忆网络模型或循环神经网络模型等模型。
作为可选择的实施方式，所述钻进参数包括但不限于钻进压力、钻进速率、转速以及钻进扭矩；所述TBM掘进参数包括但不限于推力、推进速度、转速以及扭矩。
作为可选择的实施方式，所述围岩物性参数的获取，具体为：基于历史数据中钻进参数与围岩物性参数的样本数据库，构建钻进参数与围岩物性参数间的映射关系；基于所述映射关系，获取钻进参数对应的围岩物性参数。其中，所述围岩物性参数为隧道围岩的物理力学性质参数，包括但不限于岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性。
作为可选择的实施方式，所述地化特征参数的获取，具体为：获取超前钻进过程中的岩渣和冲洗液；基于原位快速测试获取隧道围岩及不良地质的地化特征参数，其中，所述不良地质参数包括元素成分及矿物成分；所述原位快速测试具体为在掌子面利用XRF(x-ray fluorescence：X射线荧光光谱分析)和高光谱技术设备对岩渣和冲洗液快速测试，获取围岩及不良地质的地化特征参数。
具体的，为了便于理解，以下结合附图对本公开所述方案进行详细说明：
如图1所示，基于随钻测试的TBM穿越不良地质智能掘进方法，具体包括以下步骤：
步骤(1)：基于钻进参数与隧道围岩的物理力学性质参数(抗压强度、粘聚力、内摩擦角、磨蚀性、完整性)的样本数据库，通过数据统计分析，建立钻进参数与围岩参数的映射关系；
步骤(2)：收集钻进过程中岩渣岩粉、水溶液，采用原位快速测试获取隧道围岩及不良地质的地化特征参数；
步骤(3)：融合基于钻进参数的隧洞围岩力学和地化特征识别结果，实现关于不良地质类型、性质、规模等特征的超前识别；
步骤(4)：将正常围岩段的钻进参数(钻进压力、钻进速率、转速，钻进扭矩等)作为输入层，相应的TBM掘进参数(推力、推进速度、转速、扭矩等，作为输出层，进行神经网络深度学习，建立钻进参数与掘进参数映射关系模型；
步骤(5)：通过建立的数据训练模型，输入不良地质段的钻进参数，预测不良地质段TBM掘进参数。
步骤(6)：将预测的不良地质段TBM掘进参数与预设阈值(需要说明的是，TBM设备的各种参数均具有额定值和最大值，且额定值小于最大值，此处的预设阈值设置为参数的最大值)对比，确定TBM调整参数继续掘进或停机进行超前支护预处理。
步骤(7)：若TBM可继续掘进，则根据钻进参数调整TBM掘进参数；
步骤(8)：若需超前支护预处理，则重复步骤(5)至步骤(7)。
具体的，在本实施例中，所述钻进参数的获取采用数字钻进设备预先进行超前钻探，可实时采集钻进过程中钻进压力、钻进速率、转速，钻进扭矩等数据；所述地化参数的获取通过收集钻进过程中岩渣岩粉及冲洗液，采用原位快速测试获取隧道围岩及不良地质的地化特征参数；所述TBM掘进参数获取通过TBM的主控机室实时获取TBM掘进过程中推力、推进速度、转速、扭矩等参数；
在本实施例中，通过实时采集的钻进压力、钻进速率、转速，钻进扭矩等数据以及钻进参数与掘进参数映射关系模型，确定对应的TBM掘进推力、扭矩、推进速度、贯入度等参数，从而基于随钻测试实现TBM掘进参数的先行调整。
所述步骤(4)中，对获取到的参数进行神经网络模型训练之前，需进行相关预处理过滤异常数据，然后采用神经网络对正常围岩段的钻进参数及相应的TBM掘进参数进行训练学习，建立钻进参数-TBM掘进参数的数学模型，所述预处理包括如下步骤：
步骤(1)：进行数据清洗，对于数据库存在噪音的数据主要通过分箱的方法进行处理，将待处理的数据分类进行考察，并对各类数据进行光滑处理；对于数据库中的错误数据，将其改为临近几个数据平均值；
步骤(2)：进行数据集成，清除冗余数据，然后将多个数据源的数据合并到一起，统一存储到一个数据库或文件中；
步骤(3)：进行数据变换，主要对数据进行规格化操作，将数据转换成易于挖掘的形式，即将属性数按照比例缩放，使之落入一个小的特定区间。本实施例采用最小-最大规范化方法对数据进行线性变换。假设属性A的最大值和最小值分别为maxA和minA，通过计算：
其中，v’为原始值v经数据变换后获得的值，new_maxA和new_minA分别为映射范围区间的最大和最小值。
通过将A中的一个原始值v通过最小-最大规范化映射到区间中的值v’，最小-最大规范化能够保持原始数据之间的关系。本实施例中取/>为[0，1]，即将所有的数据映射到[0，1]；
步骤(4)：采用CfsSubsetEval方法进行数据归约，在不影响挖掘效果的前提下，通过剔除冗余属性、数值聚集等方法压缩数据；
步骤(5)：对异常数据进行过滤，异常数据包括异常工作状态数据，启动状态数据，人工操作失误数据。具体的，所述过滤方法可采用统计分析、箱式图分析、模型检测、聚类等方法。
在本实施例中，可根据预测的TBM的掘进参数进行分析，若TBM推力小于等于最大推力且TBM扭矩小于等于最大扭矩，则TBM可根据预测的掘进参数继续掘进；若TBM推力大于最大推力，或TBM扭矩大于最大扭矩，则与智能终端通讯发出预警措施，提醒施工人员需停机进行超前支护处理。
实施例二：
本实施例的目的是提供一种基于随钻测试的TBM穿越不良地质智能掘进系统。
一种基于随钻测试的TBM穿越不良地质智能掘进系统，包括：
超前钻探模块，其用于预先进行超前钻探，同步获取钻进过程中的围岩物性参数及地化特征参数；
地质识别模块，其用于基于预先训练的地质识别模型以及围岩物性参数和地化特征参数，获得掘进路线上的地质识别结果；
掘进参数预测模块，其用于掘进过程中，基于预先获得的钻进参数以及预先训练的钻进参数与掘进参数映射关系模型，获得不良地质段的掘进参数；
智能决策模块，其用于判断所述掘进参数是否处于预设掘进参数范围内，若是，则对TBM掘进参数进行实时调整，并继续掘进；若否，则停机进行超前支护预处理。
具体的，为了便于理解，以下结合附图对本公开所述方案进行详细说明：
如图2所示，一种基于随钻测试的TBM穿越不良地质智能掘进系统，包括参数获取模块、分析模块、数据预处理模块、训练模块、预测模块和智能决策模块，其中：
所述参数获取模块，包括钻进参数获取模块、地化参数获取模块及TBM掘进参数获取模块；其中：
所述钻进参数获取模块，其用于采用数字钻进设备，实时采集钻进过程中钻进压力、钻进速率、转速，钻进扭矩等数据；
所述地化参数获取模块，其用于通过收集钻进过程中岩渣岩及冲洗液，采用原位快速测试获取隧道围岩及不良地质的地化特征参数；
所述TBM掘进参数获取模块，其用于通过TBM的主控机室实时获取TBM掘进过程中推力、推进速度、转速、扭矩等参数；
所述分析模块，其用于通过处理分析获得钻进参数与隧道围岩的物理力学性质参数的映射关系；同时，对获取的光谱信息进行统计分析，结合钻进参数实现不良地质的超前识别；
所述数据预处理模块，其用于过滤异常数据以提取钻进、TBM掘进正确参数作为输入层数据及输出层数据；
所述训练模块，其用于采用神经网络对正常围岩段的钻进参数及相应的TBM掘进参数进行训练学习，建立钻进参数-TBM掘进参数的数学模型；
所述预测模块，通过建立的数据训练模型，输入不良地质段的钻进参数，预测不良地质段TBM掘进参数；
所述智能决策模块，判断TBM调整参数继续掘进或发出预警需超前支护预处理。
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。
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，完成实施例一中所述的方法。
实施例一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的TBM穿越不良地质智能掘进系统与方法可以实现，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.基于随钻测试的TBM穿越不良地质智能掘进方法，其特征在于，包括：
预先进行超前钻探，同步获取钻进过程中的围岩物性参数及地化特征参数；
基于预先训练的地质识别模型以及围岩物性参数和地化特征参数，获得掘进路线上的地质识别结果；
掘进过程中，基于预先获得的钻进参数以及预先训练的钻进参数与掘进参数映射关系模型，获得不良地质段的掘进参数；
判断所述掘进参数是否处于预设掘进参数范围内，若是，则对TBM掘进参数进行实时调整，并继续掘进；若否，则停机进行超前支护预处理；
所述地质识别模型采用深度学习模型，其训练过程具体为：
基于历史数据构建训练集，所述训练集中的样本包括围岩物性参数、地化特征参数及其对应的地质识别结果；
基于构建的训练集，对所述深度学习模型进行训练，获得训练好的地质识别模型；
所述基于预先获得的钻进参数训练钻进参数与掘进参数映射关系模型之前，需进行相关预处理过滤异常数据，然后采用神经网络对正常围岩段的钻进参数及相应的TBM掘进参数进行训练学习，建立钻进参数-TBM掘进参数的数学模型，所述预处理包括如下步骤：
步骤(1)：进行数据清洗，对于数据库存在噪音的数据主要通过分箱的方法进行处理，将待处理的数据分类进行考察，并对各类数据进行光滑处理；对于数据库中的错误数据，将其改为临近几个数据平均值；
步骤(2)：进行数据集成，清除冗余数据，然后将多个数据源的数据合并到一起，统一存储到一个数据库或文件中；
步骤(3)：进行数据变换，主要对数据进行规格化操作，将数据转换成易于挖掘的形式，即将属性数按照比例缩放，使之落入一个小的特定区间；采用最小-最大规范化方法对数据进行线性变换，假设属性A的最大值和最小值分别为maxA和minA，通过计算：
其中，v’为原始值v经数据变换后获得的值，new_maxA和new_minA分别为映射范围区间的最大和最小值；
通过将A中的一个原始值v通过最小-最大规范化映射到区间中的值v’，最小-最大规范化能够保持原始数据之间的关系；
步骤(4)：采用CfsSubsetEval方法进行数据归约，在不影响挖掘效果的前提下，通过剔除冗余属性、数值聚集等方法压缩数据；
步骤(5)：对异常数据进行过滤，异常数据包括异常工作状态数据，启动状态数据，人工操作失误数据；
判断所述掘进参数是否处于预设掘进参数范围内，具体为：根据预测的TBM的掘进参数进行分析，若TBM推力小于等于最大推力且TBM扭矩小于等于最大扭矩，则TBM可根据预测的掘进参数继续掘进；若TBM推力大于最大推力，或TBM扭矩大于最大扭矩，则与智能终端通讯发出预警措施，提醒施工人员需停机进行超前支护处理。
2.如权利要求1所述的基于随钻测试的TBM穿越不良地质智能掘进方法，其特征在于，所述钻进参数与掘进参数映射关系模型采用深度学习模型，其训练过程为：基于历史数据中正常围岩段的钻进参数及其对应的TBM掘进参数构建训练集；基于所述训练集对所述深度学习模型进行训练，获得训练好的映射关系模型。
3.如权利要求1所述的基于随钻测试的TBM穿越不良地质智能掘进方法，其特征在于，所述钻进参数包括但不限于钻进压力、钻进速率、转速以及钻进扭矩。
4.如权利要求1所述的基于随钻测试的TBM穿越不良地质智能掘进方法，其特征在于，所述TBM掘进参数包括但不限于推力、推进速度、转速以及扭矩。
5.如权利要求1所述的基于随钻测试的TBM穿越不良地质智能掘进方法，其特征在于，所述围岩物性参数的获取，具体为：基于历史数据中钻进参数与围岩物性参数的样本数据库，构建钻进参数与围岩物性参数间的映射关系；基于所述映射关系，获取钻进参数对应的围岩物性参数。
6.如权利要求1所述的基于随钻测试的TBM穿越不良地质智能掘进方法，其特征在于，所述地化特征参数的获取，具体为：获取超前钻进过程中的岩渣和冲洗液，并基于原位快速测试获取隧道围岩及不良地质的地化特征参数。
7.基于随钻测试的TBM穿越不良地质智能掘进系统，其特征在于，包括：
超前钻探模块，其用于预先进行超前钻探，同步获取钻进过程中的围岩物性参数及地化特征参数；
地质识别模块，其用于基于预先训练的地质识别模型以及围岩物性参数和地化特征参数，获得掘进路线上的地质识别结果；
掘进参数预测模块，其用于掘进过程中，基于预先获得的钻进参数以及预先训练的钻进参数与掘进参数映射关系模型，获得不良地质段的掘进参数；
智能决策模块，其用于判断所述掘进参数是否处于预设掘进参数范围内，若是，则对TBM掘进参数进行实时调整，并继续掘进；若否，则停机进行超前支护预处理；
其中，所述地质识别模型采用深度学习模型，其训练过程具体为：
基于历史数据构建训练集，所述训练集中的样本包括围岩物性参数、地化特征参数及其对应的地质识别结果；
基于构建的训练集，对所述深度学习模型进行训练，获得训练好的地质识别模型；
所述基于预先获得的钻进参数训练钻进参数与掘进参数映射关系模型之前，需进行相关预处理过滤异常数据，然后采用神经网络对正常围岩段的钻进参数及相应的TBM掘进参数进行训练学习，建立钻进参数-TBM掘进参数的数学模型，所述预处理包括如下步骤：
步骤(1)：进行数据清洗，对于数据库存在噪音的数据主要通过分箱的方法进行处理，将待处理的数据分类进行考察，并对各类数据进行光滑处理；对于数据库中的错误数据，将其改为临近几个数据平均值；
步骤(2)：进行数据集成，清除冗余数据，然后将多个数据源的数据合并到一起，统一存储到一个数据库或文件中；
步骤(3)：进行数据变换，主要对数据进行规格化操作，将数据转换成易于挖掘的形式，即将属性数按照比例缩放，使之落入一个小的特定区间；采用最小-最大规范化方法对数据进行线性变换，假设属性A的最大值和最小值分别为maxA和minA，通过计算：
其中，v’为原始值v经数据变换后获得的值，new_maxA和new_minA分别为映射范围区间的最大和最小值；
通过将A中的一个原始值v通过最小-最大规范化映射到区间中的值v’，最小-最大规范化能够保持原始数据之间的关系；
步骤(4)：采用CfsSubsetEval方法进行数据归约，在不影响挖掘效果的前提下，通过剔除冗余属性、数值聚集等方法压缩数据；
步骤(5)：对异常数据进行过滤，异常数据包括异常工作状态数据，启动状态数据，人工操作失误数据；
判断所述掘进参数是否处于预设掘进参数范围内，具体为：根据预测的TBM的掘进参数进行分析，若TBM推力小于等于最大推力且TBM扭矩小于等于最大扭矩，则TBM可根据预测的掘进参数继续掘进；若TBM推力大于最大推力，或TBM扭矩大于最大扭矩，则与智能终端通讯发出预警措施，提醒施工人员需停机进行超前支护处理。
8.一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如权利要求1-6任一项所述的基于随钻测试的TBM穿越不良地质智能掘进方法的部分或全部步骤。
9.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-6任一项所述的基于随钻测试的TBM穿越不良地质智能掘进方法的部分或全部步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111544879.2A CN114439500B (zh) | 2021-12-16 | 2021-12-16 | 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111544879.2A CN114439500B (zh) | 2021-12-16 | 2021-12-16 | 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114439500A CN114439500A (zh) | 2022-05-06 |
| CN114439500B true CN114439500B (zh) | 2023-09-05 |
Family
ID=81363426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111544879.2A Active CN114439500B (zh) | 2021-12-16 | 2021-12-16 | 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114439500B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117112999B (zh) * | 2023-07-24 | 2024-03-29 | 西南交通大学 | 基于动态线性分段表示的钻进参数标准化清洗方法及装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3423842A1 (de) * | 1984-06-28 | 1986-01-09 | MTS Minitunnelsysteme GmbH, 3500 Kassel | Vorrichtung zur herstellung von unterirdischen durchbohrungen |
| CN102434119A (zh) * | 2011-09-20 | 2012-05-02 | 中国石油化工股份有限公司 | 一种卡森模式钻井液流变参数的控制方法 |
| 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 |
| CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
| CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
| CN111553000A (zh) * | 2020-03-23 | 2020-08-18 | 西南交通大学 | 钻爆法隧道智能建造方法 |
| CN112576238A (zh) * | 2020-12-02 | 2021-03-30 | 中国石油大学(华东) | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 |
| CN112580165A (zh) * | 2020-12-14 | 2021-03-30 | 山东大学 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 |
| CN112647965A (zh) * | 2020-12-09 | 2021-04-13 | 山东大学 | 一种适用于tbm掘进隧道实时预测卡机的方法及系统 |
| CN113326661A (zh) * | 2021-06-17 | 2021-08-31 | 广西路桥工程集团有限公司 | 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备 |
| CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
| 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 |
| CN113779690A (zh) * | 2021-11-11 | 2021-12-10 | 山东大学 | 基于随钻感知的超前地质预报方法及系统 |
-
2021
- 2021-12-16 CN CN202111544879.2A patent/CN114439500B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3423842A1 (de) * | 1984-06-28 | 1986-01-09 | MTS Minitunnelsysteme GmbH, 3500 Kassel | Vorrichtung zur herstellung von unterirdischen durchbohrungen |
| CN102434119A (zh) * | 2011-09-20 | 2012-05-02 | 中国石油化工股份有限公司 | 一种卡森模式钻井液流变参数的控制方法 |
| 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 |
| CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
| CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
| CN111553000A (zh) * | 2020-03-23 | 2020-08-18 | 西南交通大学 | 钻爆法隧道智能建造方法 |
| CN112576238A (zh) * | 2020-12-02 | 2021-03-30 | 中国石油大学(华东) | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 |
| CN112647965A (zh) * | 2020-12-09 | 2021-04-13 | 山东大学 | 一种适用于tbm掘进隧道实时预测卡机的方法及系统 |
| CN112580165A (zh) * | 2020-12-14 | 2021-03-30 | 山东大学 | 一种敞开式tbm穿越不良地质刀盘卡机预测方法及系统 |
| CN113326661A (zh) * | 2021-06-17 | 2021-08-31 | 广西路桥工程集团有限公司 | 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备 |
| 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 |
| CN113673059A (zh) * | 2021-08-26 | 2021-11-19 | 济南轨道交通集团有限公司 | 基于随机森林和bp神经网络的盾构掘进参数预测方法 |
| CN113779690A (zh) * | 2021-11-11 | 2021-12-10 | 山东大学 | 基于随钻感知的超前地质预报方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114439500A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114439500B (zh) | 基于随钻测试的tbm穿越不良地质智能掘进系统与方法 | |
| CN111291097B (zh) | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 | |
| 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 | |
| CN104141490B (zh) | 有水气藏单井水侵情况判断及气井产量控制方法和装置 | |
| CN111222683B (zh) | 一种基于pca-knn的tbm施工围岩综合分级预测方法 | |
| CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| Li et al. | Abnormality detection for drilling processes based on Jensen–Shannon divergence and adaptive alarm limits | |
| CN115329657B (zh) | 钻井参数优化方法及装置 | |
| CN114492642A (zh) | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 | |
| CN109542884B (zh) | 采用大数据耦合参数以优化破岩效率的方法和系统 | |
| CN113326661B (zh) | 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备 | |
| CN107942383A (zh) | 煤层顶板砂岩富水性等级预测方法 | |
| CN116777085B (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
| RU2753289C1 (ru) | Способ прогнозирования прихватов бурильных труб в процессе бурения скважины в режиме реального времени | |
| Geekiyanage et al. | Feature selection for kick detection with machine learning using laboratory data | |
| CN108549967B (zh) | 盾构机刀盘性能健康评估方法与系统 | |
| Liaghat et al. | Ore grade prediction using informative features of MWD data | |
| US20240060419A1 (en) | Method and system for automated rock recognition | |
| CN110009033A (zh) | 一种基于动态主元分析的钻井过程异常预警模型 | |
| Mi et al. | A nonparametric cumulative sum-based fault detection method for rolling bearings using high-level extended isolated forest | |
| CN115759351A (zh) | 泥水盾构掘进综合预警方法、系统及存储介质 | |
| CN113190902B (zh) | 一种隧道施工引起地表位移的预测方法及系统 | |
| Hansen et al. | Improving face decisions in tunnelling by machine learning‐based MWD analysis | |
| CN112901156B (zh) | 一种岩屑录井检测系统 | |
| CN114925247A (zh) | 一种井漏类型识别方法、装置及相关设备 |
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 |