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 PDFInfo
- 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
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
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):
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):
其中,为应力函数;为应力分量;为岩体在x方向正应力分量;为岩
体在y方向正应力分量;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:
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:
式中,为任意方向上的孔壁正应变;~为6个孔壁应变与远场地应力转
换公式;为岩体在x方向上的地应力分量;为岩体在y方向上的地应力分量;岩体
在z方向上的地应力分量,为岩体在xy方向上的切向地应力分量;为岩体在xz方向
上的切向地应力分量;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。
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:
所述岩体材料的岩体损伤参数通过式(2)获得:
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:
岩体材料的应力函数g通过式(4)获得:
其中,为应力函数;为应力分量;为岩体在x方向正应力分量;为岩
体在y方向正应力分量;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:
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:
其中,为样本对象总数;为评价指标总数;为样本序号;为评价指标序
号;为第个样本对象的第个评价指标取值;为学习样本中个样本对象和
个评价指标中第i个样本对象的第j个评价指标取值构成的原始数值矩阵;为学习样
本的平均值;为标准化后的样本值;
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,其中第层的每个神经元和第-1层的所有神经元
相连,同一层的神经元之间没有连接;假设第层有个神经元,则这些神经元输入组成的
向量通过式(9)获得:
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:
其中,Bemoulli函数是为了以概率随机生成一个0,1的向量;在训练阶段,每个
神经元都可能以概率去除;在测试阶段,每个神经元都是存在的;为第-1层的
个神经元输出组成的向量;为第-1层的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):
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、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;其中,
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;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、最大水平主应力
分量以及最小水平主应力分量;其中
弹性力学应力解除算法根据式(25)获得:
式中,为任意方向上的孔壁正应变;~为6个孔壁应变与远场地应力转
换公式;为岩体在x方向上的地应力分量;为岩体在y方向上的地应力分量;岩体
在z方向上的地应力分量,为岩体在xy方向上的切向地应力分量;为岩体在xz方向上
的切向地应力分量;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;
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。
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。
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)
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)
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 |
-
2022
- 2022-08-09 CN CN202210947850.7A patent/CN115017833B/zh active Active
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 |