CN115017833B - 基于深度神经网络的高地应力软岩体地应力计算方法 - Google Patents

基于深度神经网络的高地应力软岩体地应力计算方法 Download PDF

Info

Publication number
CN115017833B
CN115017833B CN202210947850.7A CN202210947850A CN115017833B CN 115017833 B CN115017833 B CN 115017833B CN 202210947850 A CN202210947850 A CN 202210947850A CN 115017833 B CN115017833 B CN 115017833B
Authority
CN
China
Prior art keywords
stress
rock mass
rock
elastic
neural network
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
Application number
CN202210947850.7A
Other languages
English (en)
Other versions
CN115017833A (zh
Inventor
秦雨樵
汤华
吴振君
葛修润
张勇慧
袁从华
邓琴
尹小涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Institute of Rock and Soil Mechanics of CAS
Original Assignee
Wuhan Institute of Rock and Soil Mechanics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Institute of Rock and Soil Mechanics of CAS filed Critical Wuhan Institute of Rock and Soil Mechanics of CAS
Priority to CN202210947850.7A priority Critical patent/CN115017833B/zh
Publication of CN115017833A publication Critical patent/CN115017833A/zh
Application granted granted Critical
Publication of CN115017833B publication Critical patent/CN115017833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00—Measuring force or stress, in general
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种基于深度神经网络的高地应力软岩体地应力计算方法，包括建立不同直径钻孔的三维地应力计算模型；将岩体材料参数代入三维地应力计算模型中获得孔壁不同位置处的正应变数据；将岩体材料的不同参数及孔壁不同位置处的正应变数据代入深度神经网络算法，建立弹塑性力学应力解除法计算方法,最终获得孔壁应力与远场地应力之间的关系；采用局部壁面应力解除法测量获得足够多的孔壁正应变数据；采用侧壁取芯设备取出深部测试岩层的岩芯，回到地面后开展室内三轴压缩试验获得岩体力学参数；通过地应力估算公式和弹性力学应力解除算法计算获得岩体弹性应变范围；采用损伤弹性力学本构方程或弹塑性力学本构方程计算得到远场地应力。

Description

基于深度神经网络的高地应力软岩体地应力计算方法
技术领域
本发明属于岩体本构关系技术领域，更具体地，涉及一种基于深度神经网络的高地应力软岩体地应力计算方法。
背景技术
21世纪是地下空间作为资源加以大力开发利用的世纪，将不得不面对越来越多的高地应力软岩问题。高应力软岩是指在较高应力水平(>25MPa)条件下才发生显著变形的中高强度的工程岩体。它们的工程特点是在深度不大时，表现为硬岩的变形特征；当深度加大至一定深度以下，表现为软岩的变形特性。高应力软岩的塑性变形机理为当岩体处于高应力水平时，岩石骨架中的基质(粘土矿物)发生滑移和扩容，此后再接着发生缺陷或裂纹的扩容和滑移塑性变形。因此高应力软岩显示出很强的塑性变形特征。同时，在深部油气储层开采时，钻头会对高地应力岩体产生损伤，还具有显著的损伤特征。
应力解除法建立在弹性理论基础之上，即假设岩块是均匀连续的，并认为加载和卸载时应力与应变之间具有相同的函数关系。自20世纪30年代初以来，多种完全或者部分应力解除方法相继问世，根据应力解除对象的不同可以分为三个主要类别：岩石表面应力解除法；钻孔应力解除法；以及大体积岩体应力解除法。其中钻孔应力解除法依其解除部位的不同，可进一步细分为孔底套芯解除装置和壁面应力解除装置两种。目前，应力解除法在原理上只考虑弹性应力应变关系，既没有考虑弹塑性应力应变关系，也没有考虑岩体受到钻头冲击后受到损伤的情况。这样在深部页岩气开采中是不合适的。由于弹塑性问题具有多解性，无法得到地应力与孔壁应变之间的解析解。
因此，急需一种综合考虑弹塑性应力应变关系和岩体受到钻头冲击后受到损伤情况的适用于高地应力软岩体地应力计算要求的计算方法，解决弹塑性问题具有多解性无法得到地应力与孔壁应变之间解析解的难题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种基于深度神经网络的高地应力软岩体地应力计算方法，综合考虑弹塑性应力应变关系和岩体受到钻头冲击后受到损伤情况，采用深度神经网络方法，通过反复计算学习，建立弹塑性力学应力解除法计算方法,最终获得孔壁应力与远场地应力之间的关系；能够适用于高地应力软岩体地应力计算要求的计算方法，能够解决弹塑性问题具有多解性无法得到地应力与孔壁应变之间解析解的难题；本发明借助FLAC3D数值模拟软件，建立三维仿真计算模型，首次在地应力计算方法中考虑了高地应力软岩的大变形特征，能够适应于高地应力软岩的大变形的工况；本发明采用Dropout方法对深度神经网络模型进行正则化和采用改进Adam算法对深度神经网络方法进行优化计算，具有更强大的非线性学习能力和更深的网络深度，能更好适应高地应力软岩地应力计算的要求。
为了实现上述目的，本发明提供一种基于深度神经网络的高地应力软岩体地应力计算方法，包括如下步骤：
S1：在FLAC3D数值模拟软件中建立不同直径钻孔的三维地应力计算模型，包括损伤弹性力学本构方程、弹塑性力学本构方程、屈服函数以及地应力边界条件的建立；
S2：将岩体材料的不同弹塑性参数、岩体损伤参数、强度参数和地应力边界条件代入步骤S1获得的三维地应力计算模型中，计算并获得孔壁不同位置处的正应变数据；
S3：将岩体材料的不同弹塑性参数、岩体损伤参数、强度参数和地应力边界条件及步骤S2获得的孔壁不同位置处的正应变数据代入深度神经网络算法的框架中，通过反复计算学习，建立弹塑性力学应力解除法计算方法,最终获得孔壁应力与远场地应力之间的关系；
S4：进行现场地应力测试，采用局部壁面应力解除法测量获得多组孔壁正应变数据；
S5：采用侧壁取芯设备取出深部测试岩层的岩芯，回到地面后开展室内三轴压缩试验获得岩体力学参数；
S6：将测试深度代入地应力估算公式获得应力值，将岩体力学参数代入弹性力学应力解除算法计算获得岩体弹性应变范围；
S7：如果步骤S4测量得到的孔壁正应变数据在步骤S6获得的岩体弹性应变范围内，则根据步骤S3获得的孔壁应力与远场地应力之间的关系，采用损伤弹性力学本构方程计算得到远场地应力；如果步骤S4测量得到的孔壁正应变数据在步骤S6获得的岩体弹性应变范围外，则采用弹塑性力学本构方程计算得到远场地应力。
进一步地，步骤S4还包括：
S41：下放定位，将地应力测试系统下放至指定深度后启动定位机构对中并定位，使得应变传感器探头与钻井井壁垂直布置；
S42：应力解除，启动侧向取芯钻头对测试点处的岩芯进行应力解除作业，同时将按压式应变传感器探头伸出并按压在井壁表面的测试点处，采集应变信号并记录按压式应变传感器探头的伸出长度；
S43：设备回收，测量得到所需的孔壁应变数据后将测量设备回收至地表。
进一步地，步骤S1还包括采用损伤弹性力学本构方程获得岩体材料的弹性应变参数和岩体损伤参数；
损伤弹性力学本构方程包括式（1）和式（2）：
Figure 490994DEST_PATH_IMAGE001
(1)
式中，
Figure 204872DEST_PATH_IMAGE002
为弹性应变参数；
Figure 250188DEST_PATH_IMAGE003
为有效应力；E为弹性模量；D为岩体损伤参数；
Figure 848660DEST_PATH_IMAGE004
(2)
式中：
Figure 256507DEST_PATH_IMAGE005
为岩体损伤参数；
Figure 344549DEST_PATH_IMAGE006
为损伤岩体纵波速；
Figure 80424DEST_PATH_IMAGE007
为损伤岩体横波速；
Figure 607220DEST_PATH_IMAGE008
为 无损伤岩体纵波速；
Figure 541678DEST_PATH_IMAGE009
为无损伤岩体横波速；
Figure 3883DEST_PATH_IMAGE010
为损伤岩体比重；
Figure 86109DEST_PATH_IMAGE011
为无损伤岩体比重。
4.进一步地，步骤S1还包括采用弹塑性力学本构方程获得岩体材料的塑性应变分量参数和应力函数；弹塑性力学本构方程包括式（3）～式（5）：
Figure 291962DEST_PATH_IMAGE012
（3）
其中，
Figure 80927DEST_PATH_IMAGE013
为塑性应变分量参数；g为应力函数；β为增量参数；∂为偏分符号；
Figure 107176DEST_PATH_IMAGE014
（4）
其中，
Figure 552064DEST_PATH_IMAGE015
为应力函数；
Figure 92767DEST_PATH_IMAGE016
为应力分量；
Figure 329713DEST_PATH_IMAGE017
为岩体在x方向正应力分量；
Figure 868142DEST_PATH_IMAGE018
为岩 体在y方向正应力分量；
Figure 190539DEST_PATH_IMAGE019
为岩体在z方向正应力分量；τ xy 为岩体在xy方向剪应力分量；τ yz 为岩体在yz方向剪应力分量；τ xz 为岩体在xz方向剪应力分量；x、y、z为互相两两垂直的三个 维度方向。
进一步地，步骤S1还包括通过岩体材料的屈服函数获得岩体材料的强度参数；岩体材料的屈服函数采用莫尔库伦强度准则式（5）获得：
Figure 534932DEST_PATH_IMAGE020
（5）
式中，Q为岩体材料的屈服函数；
Figure 236172DEST_PATH_IMAGE021
为岩体所受的第一主应力；
Figure 601294DEST_PATH_IMAGE022
为岩体所受的第 三主应力；Φ为岩体内摩擦角；C为岩体粘聚力。
进一步地，步骤S3还包括如下步骤：
S31：将步骤S2获得的孔壁应变数据以3:1:1的比例依次划分为训练集、验证集、测试集；首先从步骤S2获得的样本数据中随机抽取五分之一组作为测试集，剩余的样本数据作为深度神经网络模型的学习样本；
S32：采用z-core方法对深度神经网络模型的学习样本矩阵中的各指标进行标准化，包括输入向量标准化和输出向量编码化；
S33：将深度神经网络方法内部分为输入层、隐藏层和输出层，计算各层神经元输入组成的向量和输出组成的向量；
S35：采用Dropout方法对深度神经网络模型进行正则化；
S36：计算交叉熵误差Error确定损失函数；
S37：如果交叉熵误差Error满足要求，建立弹塑性力学应力解除法计算方法，获得远场地应力分量和孔壁正应变之间的关系，输入步骤S31获得的测试集样本，获得远场地应力分量。
进一步地，步骤S37还包括：如果交叉熵误差Error不满足要求，则采用改进Adam算法对深度神经网络方法进行优化计算；具体包括如下步骤：
S371：将参数初始化，如果满足要求则重复步骤S33～S36获得远场地应力分量；
S372：如果不满足要求，则依次计算迭代梯度、偏一阶矩估计、修正一阶矩的偏差、二阶矩估计、修正二阶矩的偏差、每步迭代的更新量以及更新后的迭代量对参数进行更新后，重复步骤S33～S36获得远场地应力分量。
进一步地，步骤S6还包括：岩体弹性应变范围的确定通过判断岩体测量点是否会出现弹性、塑性状态实现。
进一步地，步骤S6还包括：弹性力学应力解除算法根据式（25）获得：
Figure 817512DEST_PATH_IMAGE023
(25)
式中，
Figure 168859DEST_PATH_IMAGE024
为任意方向上的孔壁正应变；
Figure 849239DEST_PATH_IMAGE025
～
Figure 57366DEST_PATH_IMAGE026
为6个孔壁应变与远场地应力转 换公式；
Figure 698563DEST_PATH_IMAGE027
为岩体在x方向上的地应力分量；
Figure 712656DEST_PATH_IMAGE028
为岩体在y方向上的地应力分量；
Figure 654067DEST_PATH_IMAGE029
岩体 在z方向上的地应力分量，
Figure 33096DEST_PATH_IMAGE030
为岩体在xy方向上的切向地应力分量；
Figure 286223DEST_PATH_IMAGE031
为岩体在xz方向 上的切向地应力分量；
Figure 979372DEST_PATH_IMAGE032
为岩体在yz方向上的切向地应力分量；x、y、z为互相两两垂直的 三个维度方向。
进一步地，
Figure 306448DEST_PATH_IMAGE033
～
Figure 184274DEST_PATH_IMAGE034
分别通过式（26）～式（31）获得；
Figure 800063DEST_PATH_IMAGE035
(26)
Figure 93642DEST_PATH_IMAGE036
(27)
Figure 871629DEST_PATH_IMAGE037
(28)
Figure 264564DEST_PATH_IMAGE038
(29)
Figure 757863DEST_PATH_IMAGE039
(30)
Figure 792815DEST_PATH_IMAGE040
(31)
其中，E为弹性模量、μ为泊松比、α为应变片夹角、κ为测试点方位角。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
（1）本发明的基于深度神经网络的高地应力软岩体地应力计算方法，在FLAC3D数值模拟软件中建立不同直径钻孔的三维地应力计算模型；将岩体材料的不同弹塑性参数、岩体损伤参数、强度参数和地应力边界条件代入三维地应力计算模型中，计算并获得孔壁不同位置处的正应变数据；将岩体材料的不同弹塑性参数、岩体损伤参数、强度参数和地应力边界条件及孔壁不同位置处的正应变数据代入深度神经网络算法的框架中，通过反复计算学习，建立弹塑性力学应力解除法计算方法,最终获得孔壁应力与远场地应力之间的关系；通过进行现场地应力测试，采用局部壁面应力解除法测量获得足够多的孔壁正应变数据；采用侧壁取芯设备取出深部测试岩层的岩芯，回到地面后开展室内三轴压缩试验获得岩体力学参数；将测试深度代入地应力估算公式获得应力值，将岩体力学参数代入弹性力学应力解除算法计算获得岩体弹性应变范围；采用损伤弹性力学本构方程或弹塑性力学本构方程计算得到远场地应力；本发明综合考虑弹塑性应力应变关系和岩体受到钻头冲击后受到损伤情况，采用深度神经网络方法，建立弹塑性力学应力解除法计算方法,最终获得孔壁应力与远场地应力之间的关系，能够解决弹塑性问题具有多解性无法得到地应力与孔壁应变之间解析解的难题。
（2）本发明的基于深度神经网络的高地应力软岩体地应力计算方法，借助FLAC3D数值模拟软件，建立三维仿真计算模型，首次在地应力计算方法中考虑了高地应力软岩的大变形特征，能够适应于高地应力软岩的大变形的工况。
（3）本发明的基于深度神经网络的高地应力软岩体地应力计算方法，采用Dropout方法对深度神经网络模型进行正则化和采用改进Adam算法对深度神经网络方法进行优化计算，具有更强大的非线性学习能力和更深的网络深度，能更好适应高地应力软岩地应力计算的要求。
附图说明
图1为本发明实施例基于深度神经网络的高地应力软岩体地应力计算方法的流程示意图；
图2为本发明实施例基于深度神经网络的高地应力软岩体地应力计算方法的深度神经网络计算的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1和图2所示，本发明提供基于深度神经网络的高地应力软岩体地应力计算方法，包括如下步骤：
S1：在FLAC3D数值模拟软件中建立不同直径钻孔的三维地应力计算模型；包括损伤弹性力学本构方程、弹塑性力学本构方程、屈服函数以及地应力边界条件的建立；通过损伤弹性力学本构方程获得岩体材料的弹性应变参数和岩体损伤参数；通过弹塑性力学本构方程获得岩体材料的塑性应变分量参数和应力函数；通过屈服函数获得岩体材料的强度参数；
对于岩体材料的弹性应变参数和岩体损伤参数，采用损伤弹性力学本构方程获得；损伤弹性力学本构方程包括式（1）和式（2）；所述岩体材料的弹性应变参数通过式（1）获得：
Figure 360062DEST_PATH_IMAGE001
(1)
式中，
Figure 48533DEST_PATH_IMAGE002
为弹性应变参数；
Figure 904493DEST_PATH_IMAGE003
为有效应力；E为弹性模量；D为岩体损伤参数；
所述岩体材料的岩体损伤参数通过式（2）获得：
Figure 539874DEST_PATH_IMAGE004
(2)
式中：
Figure 23945DEST_PATH_IMAGE005
为岩体损伤参数；
Figure 24262DEST_PATH_IMAGE006
为损伤岩体纵波速；
Figure 226573DEST_PATH_IMAGE007
为损伤岩体横波速；
Figure 665645DEST_PATH_IMAGE008
为 无损伤岩体纵波速；
Figure 879588DEST_PATH_IMAGE009
为无损伤岩体横波速；
Figure 441020DEST_PATH_IMAGE010
为损伤岩体比重；
Figure 802731DEST_PATH_IMAGE011
为无损伤岩体比重；
对于岩体材料的塑性应变分量参数，采用弹塑性力学本构方程获得；弹塑性力学本构方程包括式（3）～式（5）；其中，岩体材料的塑性应变分量参数通过式（3）获得：
Figure 717597DEST_PATH_IMAGE012
（3）
其中，
Figure 176260DEST_PATH_IMAGE013
为塑性应变分量参数；g为应力函数；β为增量参数；∂为偏分符号；
岩体材料的应力函数g通过式（4）获得：
Figure 580697DEST_PATH_IMAGE014
（4）
其中，
Figure 367387DEST_PATH_IMAGE015
为应力函数；
Figure 210578DEST_PATH_IMAGE016
为应力分量；
Figure 461431DEST_PATH_IMAGE017
为岩体在x方向正应力分量；
Figure 974452DEST_PATH_IMAGE018
为岩 体在y方向正应力分量；
Figure 629863DEST_PATH_IMAGE019
为岩体在z方向正应力分量；τ xy 为岩体在xy方向剪应力分量；τ yz 为岩体在yz方向剪应力分量；τ xz 为岩体在xz方向剪应力分量；x、y、z为互相两两垂直的三个 维度方向；
通过岩体材料的屈服函数获得岩体材料的强度参数；岩体材料的屈服函数采用莫尔库伦强度准则式（5）获得：
Figure 948848DEST_PATH_IMAGE020
（5）
式中，Q为岩体材料的屈服函数；
Figure 257470DEST_PATH_IMAGE021
为岩体所受的第一主应力；
Figure 66026DEST_PATH_IMAGE022
为岩体所受的 第三主应力；Φ为岩体内摩擦角；C为岩体粘聚力；
地应力边界条件包括三个方向上的正应力Sxx、Syy、Szz和三个方向上的剪应变τxy、τxz、τyz，通过随机数抽取方法获得。
S2：将岩体材料的不同弹塑性参数、岩体损伤参数、强度参数和地应力边界条件代入步骤S1获得的三维地应力计算模型中，计算并获得孔壁不同位置处的正应变数据；本实施例以获得350组孔壁应变数据为例；其中，弹塑性参数包括弹性应变参数和塑性应变分量参数；
S3：将岩体材料的不同弹塑性参数、岩体损伤参数、强度参数和地应力边界条件及步骤S2获得的孔壁不同位置处的正应变数据代入深度神经网络算法的框架中，通过反复计算学习，建立弹塑性力学应力解除法计算方法,最终获得孔壁应力与远场地应力之间的关系；
具体包括如下步骤：
S31：将步骤S2获得的350组孔壁应变数据以3:1:1的比例依次划分为训练集、验证集、测试集；具体地，首先从350组样本数据中随机抽取70组作为测试集，抽取的数据特征能代表整个数据集；剩余的280组样本数据作为深度神经网络模型的学习样本，在训练过程中随机采样，抽取280组学习样本的75%作为训练集，25%作为验证集；其中，训练集和验证集没有交集；测试集与训练集的特征相同；
S32：采用z-core方法对280组学习样本矩阵中的各指标进行标准化，包括输入向量标准化和输出向量编码化；首先构筑原始数据矩阵，根据式（6）计算：
Figure 827309DEST_PATH_IMAGE041
（6）
其中，
Figure 949986DEST_PATH_IMAGE042
为样本对象总数；
Figure 972168DEST_PATH_IMAGE043
为评价指标总数；
Figure 92571DEST_PATH_IMAGE044
为样本序号；
Figure 403467DEST_PATH_IMAGE045
为评价指标序 号；
Figure 392151DEST_PATH_IMAGE046
为第
Figure 144206DEST_PATH_IMAGE044
个样本对象的第
Figure 497827DEST_PATH_IMAGE045
个评价指标取值；
Figure 358336DEST_PATH_IMAGE047
为学习样本中
Figure 760499DEST_PATH_IMAGE042
个样本对象和
Figure 429377DEST_PATH_IMAGE043
个评价指标中第i个样本对象的第j个评价指标取值
Figure 281796DEST_PATH_IMAGE046
构成的原始数值矩阵；
Figure 239387DEST_PATH_IMAGE048
为学习样 本的平均值；
Figure 569875DEST_PATH_IMAGE049
为标准化后的样本值；
学习样本的平均值
Figure 358839DEST_PATH_IMAGE048
通过式（7）获得：
Figure 257525DEST_PATH_IMAGE050
（7）
其中，
Figure 561467DEST_PATH_IMAGE042
为样本对象总数；
Figure 367749DEST_PATH_IMAGE044
为样本序号；
Figure 480062DEST_PATH_IMAGE046
为第
Figure 146054DEST_PATH_IMAGE044
个样本对象的第
Figure 343817DEST_PATH_IMAGE045
个评价指 标取值；
则标准化后的样本值
Figure 688211DEST_PATH_IMAGE051
通过式（8）获得：
Figure 779664DEST_PATH_IMAGE052
（8）
其中，
Figure 488994DEST_PATH_IMAGE042
为样本对象总数；
Figure 298687DEST_PATH_IMAGE044
为样本序号；
Figure 446771DEST_PATH_IMAGE046
为第
Figure 2517DEST_PATH_IMAGE044
个样本对象的第
Figure 538541DEST_PATH_IMAGE045
个指标取 值；
Figure 242055DEST_PATH_IMAGE053
为学习样本的平均值；
S33：深度神经网络方法内部可以分为3类，即输入层、隐藏层和输出层；将深度神 经网络方法内部层设为1，2，3…l…k层，其中第
Figure 131513DEST_PATH_IMAGE054
层的每个神经元和第
Figure 931979DEST_PATH_IMAGE054
-1层的所有神经元 相连，同一层的神经元之间没有连接；假设第
Figure 45429DEST_PATH_IMAGE054
层有
Figure 439501DEST_PATH_IMAGE055
个神经元，则这些神经元输入组成的 向量
Figure 991705DEST_PATH_IMAGE056
通过式（9）获得：
Figure 787623DEST_PATH_IMAGE057
（9）
式中,
Figure 337553DEST_PATH_IMAGE058
为
Figure 77976DEST_PATH_IMAGE059
个神经元输入组成的向量；
Figure 309237DEST_PATH_IMAGE060
为第
Figure 756399DEST_PATH_IMAGE054
-1层到第
Figure 539547DEST_PATH_IMAGE054
层的权值矩阵，
Figure 908211DEST_PATH_IMAGE061
为第
Figure 739901DEST_PATH_IMAGE054
层的偏置向量；L为任意自然数；
S34：计算第
Figure 372395DEST_PATH_IMAGE062
层神经元输出向量；第
Figure 201811DEST_PATH_IMAGE054
层的
Figure 854509DEST_PATH_IMAGE063
个神经元输出组成的向量
Figure 552207DEST_PATH_IMAGE064
通过 式（10）获得：
Figure 911644DEST_PATH_IMAGE065
（10）
式中,
Figure 302174DEST_PATH_IMAGE066
为第
Figure 176589DEST_PATH_IMAGE054
层的
Figure 553344DEST_PATH_IMAGE067
个神经元输入组成的向量；
Figure 157500DEST_PATH_IMAGE068
为第
Figure 594298DEST_PATH_IMAGE054
层的隐藏层激活函 数；
对第
Figure 956009DEST_PATH_IMAGE069
层的隐藏层激活函数
Figure 729930DEST_PATH_IMAGE070
采用ＲeLU函数的形式，如式（11）所示：
Figure 329539DEST_PATH_IMAGE071
（11）
其中，
Figure 733975DEST_PATH_IMAGE072
为第
Figure 910879DEST_PATH_IMAGE054
层的
Figure 363857DEST_PATH_IMAGE073
个神经元输出组成的向量；
Figure 614710DEST_PATH_IMAGE074
为第
Figure 517944DEST_PATH_IMAGE054
层的
Figure 791930DEST_PATH_IMAGE075
个神经元 输入组成的向量；
Figure 438812DEST_PATH_IMAGE076
为第
Figure 544171DEST_PATH_IMAGE054
层的隐藏层激活函数；
S35：采用Dropout方法对深度神经网络模型进行正则化，在深度神经网络训练中随机丢弃输入层和隐藏层一定比例的神经元，采用Dropout方法后式（12）和式（13）写为：
Figure 228094DEST_PATH_IMAGE077
（12）
Figure 116940DEST_PATH_IMAGE078
（13）
其中，Bemoulli函数是为了以概率
Figure 442879DEST_PATH_IMAGE079
随机生成一个0，1的向量；在训练阶段，每个 神经元都可能以概率
Figure 402744DEST_PATH_IMAGE080
去除；在测试阶段，每个神经元都是存在的；
Figure 382202DEST_PATH_IMAGE081
为第
Figure 896360DEST_PATH_IMAGE054
-1层的
Figure 557148DEST_PATH_IMAGE082
个神经元输出组成的向量；
Figure 699417DEST_PATH_IMAGE083
为第
Figure 990721DEST_PATH_IMAGE054
-1层的
Figure 851229DEST_PATH_IMAGE084
个神经元输入组成的向量；
S36：计算交叉熵误差Error确定损失函数；交叉熵误差E的计算通过式（14）：
Figure 50129DEST_PATH_IMAGE085
（14）
其中，m为样本对象总数、
Figure 922270DEST_PATH_IMAGE044
为样本序号、
Figure 774689DEST_PATH_IMAGE086
为样本输出的实际值、
Figure 529018DEST_PATH_IMAGE087
为样本输出 的预测值；
S37：如果交叉熵误差Error满足要求，建立弹塑性力学应力解除法计算方法，获得远场地应力分量和孔壁正应变之间的关系，输入步骤S31获得的70组测试集样本，获得远场地应力分量；如果交叉熵误差Error不满足要求，则采用改进Adam算法对深度神经网络方法进行优化计算；具体包括如下步骤：
S371：将参数初始化，如果满足要求则重复步骤S33～S36获得远场地应力分量；
S372：如果不满足要求，则依次计算迭代梯度
Figure 451DEST_PATH_IMAGE088
、偏一阶矩估计
Figure 851732DEST_PATH_IMAGE089
、修正一阶矩的 偏差
Figure 281577DEST_PATH_IMAGE090
、二阶矩估计
Figure 992044DEST_PATH_IMAGE091
、修正二阶矩的偏差
Figure 860642DEST_PATH_IMAGE092
、每步迭代的更新量
Figure 769693DEST_PATH_IMAGE093
以及更新后的迭 代量
Figure 636017DEST_PATH_IMAGE094
对参数进行更新后，重复步骤S33～S36获得远场地应力分量；其中，
计算迭代梯度
Figure 707484DEST_PATH_IMAGE095
，依据式（15）获得：
Figure 255140DEST_PATH_IMAGE096
（15）
式中，
Figure 346592DEST_PATH_IMAGE097
为第t次迭代梯度；
Figure 118239DEST_PATH_IMAGE042
为样本对象总数；
Figure 537719DEST_PATH_IMAGE098
为初始化参数；
Figure 13700DEST_PATH_IMAGE099
为初始 化参数
Figure 631763DEST_PATH_IMAGE098
的梯度;L为Laplace变换、
Figure 511994DEST_PATH_IMAGE100
为第i个样本中输入的指标值；
Figure 543404DEST_PATH_IMAGE101
为第i个样本中 输出的指标值；
Figure 698442DEST_PATH_IMAGE102
为损失函数；
计算偏一阶矩估计
Figure 171012DEST_PATH_IMAGE103
，依据式（16）获得：
Figure 612357DEST_PATH_IMAGE104
（16）
式中，
Figure 6430DEST_PATH_IMAGE105
为指数衰减速率，取0.9；
Figure 496317DEST_PATH_IMAGE106
为t-1次迭代的偏一阶矩估计；t为迭代次 数；
计算修正一阶矩的偏差
Figure 151289DEST_PATH_IMAGE090
，依据式（17）获得：
Figure 904482DEST_PATH_IMAGE107
（17）
式中，
Figure 317008DEST_PATH_IMAGE103
为偏一阶矩估计；
Figure 672903DEST_PATH_IMAGE108
为
Figure 323327DEST_PATH_IMAGE109
的t次方；
Figure 44159DEST_PATH_IMAGE110
为指数衰减速率，取0.9；
计算偏二阶矩估计
Figure 537457DEST_PATH_IMAGE111
，依据式（18）获得：
Figure 306830DEST_PATH_IMAGE112
（18）
式中，
Figure 608498DEST_PATH_IMAGE113
为指数衰减速率，取0.9；
Figure 831057DEST_PATH_IMAGE114
为指数衰减速率，取0.999；
Figure 155859DEST_PATH_IMAGE115
为第t-1次 迭代的偏二阶矩估计；
Figure 119136DEST_PATH_IMAGE116
为第t次迭代梯度；
计算修正二阶矩的偏差
Figure 540890DEST_PATH_IMAGE092
，依据式（19）获得：
Figure 541207DEST_PATH_IMAGE117
（19）
式中，
Figure 415622DEST_PATH_IMAGE118
为
Figure 917010DEST_PATH_IMAGE119
的t次方；
Figure 130954DEST_PATH_IMAGE120
为指数衰减速率，取0.999；
Figure 692385DEST_PATH_IMAGE111
为偏二阶矩估计；
计算每步迭代的更新量
Figure 54097DEST_PATH_IMAGE121
，依据式（20）获得：
Figure 968963DEST_PATH_IMAGE122
（20）
式中，
Figure 693205DEST_PATH_IMAGE090
为修正一阶矩的偏差；
Figure 97642DEST_PATH_IMAGE123
为偏二阶矩估计；
Figure 618753DEST_PATH_IMAGE124
为初始化常数，取值10-8；
计算更新后的迭代量
Figure 727523DEST_PATH_IMAGE094
，依据式（21）获得：
Figure 978376DEST_PATH_IMAGE125
（21）
式中，
Figure 756976DEST_PATH_IMAGE126
为第一权重系数；
Figure 890017DEST_PATH_IMAGE127
为第t-1步的迭代量；
Figure 209003DEST_PATH_IMAGE128
为第二权重系数；
Figure 517625DEST_PATH_IMAGE129
为每 步迭代的更新量；
S4：进行现场地应力测试，采用局部壁面应力解除法测量获得多组孔壁正应变数据；具体测试过程如下：
S41：下放定位，将地应力测试系统下放至指定深度后启动定位机构对中并定位，使得应变传感器探头与钻井井壁垂直布置；
S42：应力解除，启动侧向取芯钻头对测试点处的岩芯进行应力解除作业，同时将按压式应变传感器探头伸出并按压在井壁表面的测试点处，采集应变信号并记录按压式应变传感器探头的伸出长度；
S43：设备回收，测量得到所需的孔壁应变数据后将测量设备回收至地表；
S5：采用侧壁取芯设备取出深部测试岩层的岩芯，回到地面后开展室内三轴压缩 试验获得岩体力学参数；岩体力学参数包括岩体变形参数、强度参数和损伤参数；其中，岩 体变形参数包括弹性模量E和泊松比μ；强度参数包括岩体粘聚力C和摩擦角
Figure 326181DEST_PATH_IMAGE130
；损伤参数通 过损伤变量体现，通过波速测试确定；
S6：将测试深度代入地应力估算公式获得应力值，将岩体力学参数代入弹性力学 应力解除算法计算获得岩体弹性应变范围；其中，岩体弹性应变范围的确定通过判断岩体 测量点是否会出现弹性、塑性状态实现；应力值包括垂直主应力分量
Figure 149780DEST_PATH_IMAGE131
、最大水平主应力 分量
Figure 210140DEST_PATH_IMAGE132
以及最小水平主应力分量
Figure 500832DEST_PATH_IMAGE133
；其中
垂直主应力分量
Figure 621235DEST_PATH_IMAGE134
通过式（22）获得：
Figure 666551DEST_PATH_IMAGE135
（22）
式中：
Figure 389656DEST_PATH_IMAGE136
为垂直主应力分量；g为重力加速度；
Figure 672870DEST_PATH_IMAGE137
为最大深度；
Figure 760912DEST_PATH_IMAGE138
为不 同深度处的密度；
Figure 355841DEST_PATH_IMAGE139
为测试深度；
Figure 23583DEST_PATH_IMAGE140
为积分符号；
最大水平主应力分量
Figure 958041DEST_PATH_IMAGE141
通过式（23）获得：
Figure 544880DEST_PATH_IMAGE142
（23）
最小水平主应力分量
Figure 502472DEST_PATH_IMAGE143
通过式（24）获得：
Figure 770642DEST_PATH_IMAGE144
（24）
其中，
Figure 887503DEST_PATH_IMAGE145
为测试深度；
弹性力学应力解除算法根据式（25）获得：
Figure 255030DEST_PATH_IMAGE023
（25）
式中，
Figure 762235DEST_PATH_IMAGE024
为任意方向上的孔壁正应变；
Figure 896413DEST_PATH_IMAGE025
～
Figure 477567DEST_PATH_IMAGE026
为6个孔壁应变与远场地应力转 换公式；
Figure 671788DEST_PATH_IMAGE027
为岩体在x方向上的地应力分量；
Figure 400709DEST_PATH_IMAGE028
为岩体在y方向上的地应力分量；
Figure 948365DEST_PATH_IMAGE029
岩体 在z方向上的地应力分量，
Figure 446343DEST_PATH_IMAGE030
为岩体在xy方向上的切向地应力分量；
Figure 811465DEST_PATH_IMAGE031
为岩体在xz方向上 的切向地应力分量；
Figure 965366DEST_PATH_IMAGE032
为岩体在yz方向上的切向地应力分量；x、y、z为互相两两垂直的三 个维度方向；
Figure 444276DEST_PATH_IMAGE033
～
Figure 62339DEST_PATH_IMAGE034
分别通过式（26）～式（31）获得：
Figure 473729DEST_PATH_IMAGE035
(26)
Figure 239560DEST_PATH_IMAGE036
(27)
Figure 191335DEST_PATH_IMAGE037
(28)
Figure 867167DEST_PATH_IMAGE038
(29)
Figure 308513DEST_PATH_IMAGE039
(30)
Figure 499323DEST_PATH_IMAGE040
(31)
其中，E为弹性模量、μ为泊松比、α为应变片夹角、
Figure 192472DEST_PATH_IMAGE146
为测试点方位角；
S7：如果步骤S4测量得到的孔壁正应变数据在步骤S6获得的岩体弹性应变范围内，则根据步骤S3获得的孔壁应力与远场地应力之间的关系，采用损伤弹性力学本构方程（式（1）和式（2））计算得到远场地应力；如果步骤S4测量得到的孔壁正应变数据在步骤S6获得的岩体弹性应变范围之外，则采用弹塑性力学本构方程（式（3）～式（5））计算得到远场地应力。
本发明提供基于深度神经网络的高地应力软岩体地应力计算方法的工作原理：在FLAC3D数值模拟软件中建立不同直径钻孔的三维地应力计算模型；将岩体材料的不同弹塑性参数、岩体损伤参数、强度参数和地应力边界条件代入三维地应力计算模型中，计算并获得孔壁不同位置处的正应变数据；将岩体材料的不同弹塑性参数、岩体损伤参数、强度参数和地应力边界条件及孔壁不同位置处的正应变数据代入深度神经网络算法的框架中，通过反复计算学习，建立弹塑性力学应力解除法计算方法,最终获得孔壁应力与远场地应力之间的关系；通过进行现场地应力测试，采用局部壁面应力解除法测量获得足够多的孔壁正应变数据；采用侧壁取芯设备取出深部测试岩层的岩芯，回到地面后开展室内三轴压缩试验获得岩体力学参数；将测试深度代入地应力估算公式获得应力值，将岩体力学参数代入弹性力学应力解除算法计算获得岩体弹性应变范围；如果测量得到的孔壁正应变在地应力弹性变形范围内，根据孔壁应力与远场地应力之间的关系，采用损伤弹性力学本构方程计算得到远场地应力；如果测量得到的岩体应变在弹性应变范围之外，则采用弹塑性力学本构方程计算得到远场地应力；本发明综合考虑弹塑性应力应变关系和岩体受到钻头冲击后受到损伤情况，采用深度神经网络方法，解决弹塑性问题具有多解性无法得到地应力与孔壁应变之间解析解的难题；借助FLAC3D数值模拟软件，建立三维仿真计算模型，首次在地应力计算方法中考虑了高地应力软岩的大变形特征，能够适应于高地应力软岩的大变形的工况；采用Dropout方法对深度神经网络模型进行正则化和采用改进Adam算法对深度神经网络方法进行优化计算，具有更强大的非线性学习能力和更深的网络深度，能更好适应高地应力软岩地应力计算的要求。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度神经网络的高地应力软岩体地应力计算方法，其特征在于，包括如下步骤：
S1：在FLAC3D数值模拟软件中建立不同直径钻孔的三维地应力计算模型，包括损伤弹性力学本构方程、弹塑性力学本构方程、屈服函数以及地应力边界条件的建立；
S2：将岩体材料的不同弹塑性参数、岩体损伤参数、强度参数和地应力边界条件代入步骤S1获得的三维地应力计算模型中，计算并获得孔壁不同位置处的正应变数据；
S3：将岩体材料的不同弹塑性参数、岩体损伤参数、强度参数和地应力边界条件及步骤S2获得的孔壁不同位置处的正应变数据代入深度神经网络算法的框架中，通过反复计算学习，建立弹塑性力学应力解除法计算方法,最终获得孔壁应力与远场地应力之间的关系；
S4：进行现场地应力测试，采用局部壁面应力解除法测量获得多组孔壁正应变数据；
S5：采用侧壁取芯设备取出深部测试岩层的岩芯，回到地面后开展室内三轴压缩试验获得岩体力学参数；
S6：将测试深度代入地应力估算公式获得应力值，将岩体力学参数代入弹性力学应力解除算法计算获得岩体弹性应变范围；
S7：如果步骤S4测量得到的孔壁正应变数据在步骤S6获得的岩体弹性应变范围内，则根据步骤S3获得的孔壁应力与远场地应力之间的关系，采用损伤弹性力学本构方程计算得到远场地应力；如果步骤S4测量得到的孔壁正应变数据在步骤S6获得的岩体弹性应变范围外，则采用弹塑性力学本构方程计算得到远场地应力。
2.根据权利要求1所述的基于深度神经网络的高地应力软岩体地应力计算方法，其特征在于，步骤S4还包括：
S41：下放定位，将地应力测试系统下放至指定深度后启动定位机构对中并定位，使得应变传感器探头与钻井井壁垂直布置；
S42：应力解除，启动侧向取芯钻头对测试点处的岩芯进行应力解除作业，同时将按压式应变传感器探头伸出并按压在井壁表面的测试点处，采集应变信号并记录按压式应变传感器探头的伸出长度；
S43：设备回收，测量得到所需的孔壁应变数据后将测量设备回收至地表。
3.根据权利要求2所述的基于深度神经网络的高地应力软岩体地应力计算方法，其特征在于，步骤S1还包括采用损伤弹性力学本构方程获得岩体材料的弹性应变参数和岩体损伤参数；
损伤弹性力学本构方程包括式（1）和式（2）：
Figure 882570DEST_PATH_IMAGE001
(1)
式中，
Figure 494817DEST_PATH_IMAGE002
为弹性应变参数；
Figure 172923DEST_PATH_IMAGE003
为有效应力；E为弹性模量；D为岩体损伤参数；
Figure 404185DEST_PATH_IMAGE004
(2)
式中：
Figure 179243DEST_PATH_IMAGE005
为岩体损伤参数；
Figure 900074DEST_PATH_IMAGE006
为损伤岩体纵波速；
Figure 3159DEST_PATH_IMAGE007
为损伤岩体横波速；
Figure 897166DEST_PATH_IMAGE008
为无损伤 岩体纵波速；
Figure 464413DEST_PATH_IMAGE009
为无损伤岩体横波速；
Figure 559408DEST_PATH_IMAGE010
为损伤岩体比重；
Figure 8844DEST_PATH_IMAGE011
为无损伤岩体比重。
4.根据权利要求3所述的基于深度神经网络的高地应力软岩体地应力计算方法，其特征在于，步骤S1还包括采用弹塑性力学本构方程获得岩体材料的塑性应变分量参数和应力函数；弹塑性力学本构方程包括式（3）～式（5）：
Figure 847487DEST_PATH_IMAGE012
（3）
其中，
Figure 269241DEST_PATH_IMAGE013
为塑性应变分量参数；g为应力函数；β为增量参数；∂为偏分符号；
Figure 394192DEST_PATH_IMAGE014
（4）
其中，
Figure 471870DEST_PATH_IMAGE015
为应力函数；
Figure 645362DEST_PATH_IMAGE016
为应力分量；
Figure 983939DEST_PATH_IMAGE017
为岩体在x方向正应力分量；
Figure 420737DEST_PATH_IMAGE018
为岩体在y 方向正应力分量；
Figure 782448DEST_PATH_IMAGE019
为岩体在z方向正应力分量；τ xy 为岩体在xy方向剪应力分量；τ yz 为岩 体在yz方向剪应力分量；τ xz 为岩体在xz方向剪应力分量；x、y、z为互相两两垂直的三个维度 方向。
5.根据权利要求4所述的基于深度神经网络的高地应力软岩体地应力计算方法，其特征在于，步骤S1还包括通过岩体材料的屈服函数获得岩体材料的强度参数；岩体材料的屈服函数采用莫尔库伦强度准则式（5）获得：
Figure 90457DEST_PATH_IMAGE020
（5）
式中，Q为岩体材料的屈服函数；
Figure 158907DEST_PATH_IMAGE021
为岩体所受的第一主应力；
Figure 891240DEST_PATH_IMAGE022
为岩体所受的第三主 应力；Φ为岩体内摩擦角；C为岩体粘聚力。
6.根据权利要求1-5中任一项所述的基于深度神经网络的高地应力软岩体地应力计算方法，其特征在于，步骤S3还包括如下步骤：
S31：将步骤S2获得的孔壁应变数据以3:1:1的比例依次划分为训练集、验证集、测试集；首先从步骤S2获得的样本数据中随机抽取五分之一组作为测试集，剩余的样本数据作为深度神经网络模型的学习样本；
S32：采用z-core方法对深度神经网络模型的学习样本矩阵中的各指标进行标准化，包括输入向量标准化和输出向量编码化；
S33：将深度神经网络方法内部分为输入层、隐藏层和输出层，计算各层神经元输入组成的向量和输出组成的向量；
S35：采用Dropout方法对深度神经网络模型进行正则化；
S36：计算交叉熵误差Error确定损失函数；
S37：如果交叉熵误差Error满足要求，建立弹塑性力学应力解除法计算方法，获得远场地应力分量和孔壁正应变之间的关系，输入步骤S31获得的测试集样本，获得远场地应力分量。
7.根据权利要求6所述的基于深度神经网络的高地应力软岩体地应力计算方法，其特征在于，步骤S37还包括：如果交叉熵误差Error不满足要求，则采用改进Adam算法对深度神经网络方法进行优化计算；具体包括如下步骤：
S371：将参数初始化，如果满足要求则重复步骤S33～S36获得远场地应力分量；
S372：如果不满足要求，则依次计算迭代梯度、偏一阶矩估计、修正一阶矩的偏差、二阶矩估计、修正二阶矩的偏差、每步迭代的更新量以及更新后的迭代量对参数进行更新后，重复步骤S33～S36获得远场地应力分量。
8.根据权利要求7所述的基于深度神经网络的高地应力软岩体地应力计算方法，其特征在于，步骤S6还包括：岩体弹性应变范围的确定通过判断岩体测量点是否会出现弹性、塑性状态实现。
9.根据权利要求8所述的基于深度神经网络的高地应力软岩体地应力计算方法，其特征在于，步骤S6还包括：弹性力学应力解除算法根据式（25）获得：
Figure 740247DEST_PATH_IMAGE023
(25)
式中，
Figure 458805DEST_PATH_IMAGE024
为任意方向上的孔壁正应变；
Figure 771974DEST_PATH_IMAGE025
～
Figure 347312DEST_PATH_IMAGE026
为6个孔壁应变与远场地应力转换公 式；
Figure 886878DEST_PATH_IMAGE027
为岩体在x方向上的地应力分量；
Figure 268181DEST_PATH_IMAGE028
为岩体在y方向上的地应力分量；
Figure 576802DEST_PATH_IMAGE029
岩体在z方 向上的地应力分量，
Figure 323041DEST_PATH_IMAGE030
为岩体在xy方向上的切向地应力分量；
Figure 208958DEST_PATH_IMAGE031
为岩体在xz方向上的切 向地应力分量；
Figure 66055DEST_PATH_IMAGE032
为岩体在yz方向上的切向地应力分量；x、y、z为互相两两垂直的三个维 度方向。
10.根据权利要求9所述的基于深度神经网络的高地应力软岩体地应力计算方法，其特 征在于，
Figure 229183DEST_PATH_IMAGE033
～
Figure 474220DEST_PATH_IMAGE034
分别通过式（26）～式（31）获得；
Figure 722799DEST_PATH_IMAGE035
(26)
Figure 383587DEST_PATH_IMAGE036
(27)
Figure 525855DEST_PATH_IMAGE037
(28)
Figure 613897DEST_PATH_IMAGE038
(29)
Figure 349772DEST_PATH_IMAGE039
(30)
Figure 876568DEST_PATH_IMAGE040
(31)
其中，E为弹性模量、μ为泊松比、α为应变片夹角、κ为测试点方位角。
CN202210947850.7A 2022-08-09 2022-08-09 基于深度神经网络的高地应力软岩体地应力计算方法 Active CN115017833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210947850.7A CN115017833B (zh) 2022-08-09 2022-08-09 基于深度神经网络的高地应力软岩体地应力计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210947850.7A CN115017833B (zh) 2022-08-09 2022-08-09 基于深度神经网络的高地应力软岩体地应力计算方法

Publications (2)

Publication Number Publication Date
CN115017833A CN115017833A (zh) 2022-09-06
CN115017833B true CN115017833B (zh) 2022-12-16

Family

ID=83066322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210947850.7A Active CN115017833B (zh) 2022-08-09 2022-08-09 基于深度神经网络的高地应力软岩体地应力计算方法

Country Status (1)

Country Link
CN (1) CN115017833B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169163B (zh) * 2022-09-06 2022-12-16 中国科学院武汉岩土力学研究所 考虑不规则钻孔和裂隙形状的水压致裂地应力计算方法
CN116609828B (zh) * 2023-03-07 2024-03-12 中南大学 深部岩体的应力场计算方法
CN117189092B (zh) * 2023-08-16 2024-04-09 中国矿业大学 一种基于钻屑粒度分布的软岩地应力测试方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105181199B (zh) * 2015-05-13 2017-08-25 中国科学院武汉岩土力学研究所 一种地应力测试的旁孔应力解除法
US10546072B2 (en) * 2016-03-28 2020-01-28 Baker Huges, A Ge Company, Llc Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation
CN110006568B (zh) * 2019-04-12 2020-01-07 中国地质科学院地质力学研究所 一种利用岩芯获取三维地应力的方法及获取系统
CN110333024B (zh) * 2019-07-19 2021-04-02 东北大学 一种基于应力解除法确定岩体三维初始地应力的方法
CN110705165A (zh) * 2019-10-08 2020-01-17 中国石油大学(华东) 一种构建岩石材料弹塑性-损伤耦合力学本构模型的方法
CN110907086B (zh) * 2019-11-27 2020-10-09 中国科学院武汉岩土力学研究所 一种基于钻孔壁面位移测量的三维地应力确定方法
CN111695285B (zh) * 2020-06-17 2023-12-22 大连海事大学 一种各向异性岩体应力-损伤-渗流耦合数值模拟方法
CN113610945B (zh) * 2021-08-10 2023-05-26 西南石油大学 一种基于混合神经网络的地应力曲线预测方法

Also Published As

Publication number Publication date
CN115017833A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN115017833B (zh) 基于深度神经网络的高地应力软岩体地应力计算方法
US10546072B2 (en) Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation
Lee et al. Prediction of pile bearing capacity using artificial neural networks
CA2820942C (en) A method to improve reservoir simulation and recovery from fractured reservoirs
US8423337B2 (en) Method for multi-scale geomechanical model analysis by computer simulation
US8078405B2 (en) Method of estimating the permeability of a fracture network from a connectivity analysis
CN113820750B (zh) 基于弹塑性力学定量预测泥岩构造裂缝的方法
US10102311B2 (en) Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation
CN112036098A (zh) 一种深层油气藏水力裂缝扩展数值模拟的方法
CA2690992A1 (en) Method for predicting well reliability by computer simulation
CN113553780B (zh) 一种基于机器学习的地层孔隙压力预测方法
CN108572401B (zh) 缝洞组合模型的构建方法及探测储层缝洞变形的方法
CN113792479A (zh) 一种基于物理约束的煤层气藏压裂效果评价方法
CN115510778A (zh) 一种陆相页岩储层无限级压裂工艺优化方法及系统
CN112883646B (zh) 联合机器学习和土力学模型的建筑沉降量提取方法、系统及装置
CN117471532A (zh) 一种基于爆破地震波速的深部岩体的地应力反演方法
CN110032777B (zh) 一种基于不确定性分析的钻井液密度安全窗口估计方法
CN113464126A (zh) 监测钻机在钻探过程中地层变化的装置及方法
CN112329287A (zh) 一种基于试桩监测数据的p-y曲线贝叶斯学习方法
Zhang et al. BPNN-GA-based intelligence information approach to characterize deep fractured strata
Andersen et al. Modelling geomechanical impact of co2 injection and migration using precomputed response functions
Zhang et al. Application of computational intelligence method in petroleum geomechanics characterization
Dano et al. Interpretation of dilatometer tests in a heavy oil reservoir
Wu et al. Prediction of the Maximum Horizontal Principal Stress from Breakout Data Using Generative Adversarial Networks and Backpropagation Neural Network
CN117709069A (zh) 一种金属矿山三维冒落数值模拟方法

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