CN116401965B - 基于随钻测试数据的岩土强度参数约束随机场模拟方法 - Google Patents
基于随钻测试数据的岩土强度参数约束随机场模拟方法 Download PDFInfo
- Publication number
- CN116401965B CN116401965B CN202310679965.7A CN202310679965A CN116401965B CN 116401965 B CN116401965 B CN 116401965B CN 202310679965 A CN202310679965 A CN 202310679965A CN 116401965 B CN116401965 B CN 116401965B
- Authority
- CN
- China
- Prior art keywords
- rock
- soil
- data
- drilling
- field
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 224
- 238000005553 drilling Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000005259 measurement Methods 0.000 title claims abstract description 42
- 238000004088 simulation Methods 0.000 title claims abstract description 39
- 239000011435 rock Substances 0.000 claims abstract description 153
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 48
- 238000010606 normalization Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000005314 correlation function Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000009527 percussion Methods 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 abstract description 10
- 230000035772 mutation Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明公开了一种基于随钻测试数据的岩土强度参数约束随机场模拟方法,包括以下步骤:获取钻机钻进时的随钻测试数据;对获得的随钻测试数据进行预处理,提取纯钻进过程的随钻数据;对岩土试样进行室内岩土强度参数试验;基于遗传算法构建深度神经网络模型;采用深度神经网络模型,结合随钻测试数据和室内试验结果对预测模型进行训练,构建岩土强度参数预测模型;结合随钻测试数据对场地内多个钻孔进行岩土强度参数预测;利用连续的多个钻孔随钻测试数据,建立考虑场地信息的约束随机场模型。本发明将随钻测试和约束随机场模型构建联系起来,解决岩土体样本有限带来的参数估计不确定性较大和地质模型不确定性较强的问题,易于推广应用。
Description
技术领域
本发明属于岩土工程技术领域,具体涉及一种基于随钻测试数据的岩土强度参数约束随机场模拟方法。
背景技术
岩土力学性质不仅表现出变异性,也表现出相关性。如果将岩土强度参数当作随机变量处理,在同一地层内,试验结果是离散的,依靠这些点来推断整个地层的平均性质,具有很强的不确定性。随机场理论利用相关函数和相关距离,能够更好地描述岩土体的空间相关性和变异性,但仅凭相关距离和相关函数等信息生成的随机场模型,如果岩土强度参数变异性较大,每次模拟所产生的随机场在某些点差别会很大,不符合场地实际情况。
本申请发明人考虑使用岩土工程勘察时取样点的数据作为随机场的约束条件,建立约束随机场模拟,可以降低随机场模拟结果的变异性,从而降低地质模型的不确定性。然而在研究中发现,如果需要构建出比较符合实际场地信息的约束随机场模型通常需要较多的试验数据,对于大部分岩土工程来说,由于勘察成本过高,往往很难得到大量的试验数据,在不额外增加成本条件下,如何获取更多的试验数据样本,是岩土强度参数约束随机场模拟面临的难题。因此如何克服现有技术的不足是目前岩土工程技术领域亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足,提高岩土强度参数约束随机场模拟的准确性,更好地对研究场地的岩土强度空间变异性进行合理模拟,提供一种基于随钻测试数据的岩土强度参数约束随机场模拟方法。
为实现上述目的,本发明采用的技术方案如下:
一种基于随钻测试数据的岩土强度参数约束随机场模拟方法,包括以下步骤:
S01、根据待模拟场地区域地质勘测需求,获取钻机钻进时的随钻测试数据;
S02、获取待模拟场地内岩土试样并进行试验,获得岩土强度参数;
S03、对获得的随钻测试数据进行预处理,提取纯钻进过程的随钻数据;
S04、构建基于遗传算法构建深度神经网络岩土强度参数预测模型;
S05、基于岩土试样的岩土强度参数数据与对应位置的纯钻进过程的随钻数据,进行深度神经网络岩土强度参数预测模型的训练,得到最终的深度神经网络岩土强度参数预测模型;
S06、采用待模拟场地内的随钻测试数据,利用最终的深度神经网络岩土强度参数预测模型进行预测,得到待模拟场地内随钻测试位置所对应的岩土强度参数;
S07、利用递推空间法获得待模拟场地内岩土相关距离,建立考虑场地信息的约束随机场模型对待模拟场地内岩土强度参数空间变异性进行模拟。
进一步,优选的是,步骤S01中,随钻测试数据包括钻进过程中钻进压力、回转力、冲击压力、钻杆转数和钻头位移。
进一步,优选的是,步骤S02中,岩土强度参数包括粘聚力和内摩擦角。
进一步,优选的是,步骤S03中,对获得的随钻测试数据进行预处理采用的方法是:遍历并分析随钻测试数据,保留同时满足钻进压力大于0、回转压力大于0、钻杆转数大于0和钻孔深度为递增趋势的随钻测试数据,作为纯钻进过程的随钻数据。
进一步,优选的是,步骤S04中,所述的深度神经网络岩土强度参数预测模型包括输入层、Batch Normalization层、三层带有dropout处理的全连接层和输出层;输入层、Batch Normalization层、三层带有dropout处理的全连接层和输出层顺序连接。
进一步,优选的是,步骤S05中,以岩土试样的岩土强度参数数据作为输出,以对应位置的纯钻进过程的随钻数据作为输入,对深度神经网络岩土强度参数预测模型进行训练,得到深度神经网络岩土强度参数预测模型的超参数。
进一步,优选的是,步骤S05的具体方法为:
以岩土试样的岩土强度参数数据作为输出,以该岩土试样的对应位置的纯钻进过程的随钻数据作为输入,对深度神经网络岩土强度参数预测模型进行训练;
将深度神经网络岩土强度参数预测模型的输入数据表示为一个大小为的矩阵X,其中/>表示样本数量,/>表示特征数量;
对于第个样本中的第/>个特征/>,计算其在所有样本上的均值/>和方差/>;
利用公式,对该数据进行Batch Normalization处理,获得(0,1)的正态分布;
其中,为Batch Normalization 后的特征值,/>为避免除数为0时所使用的微小正数;
在全连接层,假设Batch Normalization层的输出为Z,将Z作为输入,通过线性变换和非线性激活,得到全连接层的输出H,H=g(Zw+b);
其中,w和b分别表示全连接层的权重和偏置,g表示激活函数;
对于每个神经元k,按照概率p随机生成一个掩码L k,其中L k为1或者0;若L k=1,则表示保留该神经元,否则丢弃该神经元;
将最后一层全连接层的输出作为输出层的输入,通过一个输出层进行线性变换和非线性激活,得到最终的深度神经网络岩土强度参数预测模型的输出y,y=f(DV+c);
其中,V和c分别为输出层的权重和偏置,f表示输出层的激活函数;
根据输出y和真实标签ytrue,利用损失函数L,得到损益值;其中,真实标签即为岩土试样的岩土强度参数数据;
根据损益值,利用反向传播算法计算各层的梯度,然后利用梯度下降算法更新模型参数。
进一步,优选的是,步骤S07中的具体方法为:
S071、基于S06得到的待模拟场地岩土强度参数数据,利用递推空间法,获取待模拟场地岩土体的水平和垂直相关距离;
S072、将岩土强度参数数据转换为正态分布数据,计算得到转换后岩土强度参数数据均值和方差,利用局部平均法建立二维完全随机场;
S073、使用普通克里金方法,利用基于S06得到的待模拟场地岩土强度参数数据作为已知点数据,得到待模拟场地内未知点的最佳线性无偏估计,建立基于预测岩土强度参数数据的克里金场;
S074、以基于S06得到的待模拟场地岩土强度参数数据在场地中的位置作为提取位置,提取利用S072中所建立的二维完全随机场中相应位置的岩土强度参数数据作为已知点数据,再次得到待模拟场地内未知点的最佳线性无偏估计,建立基于完全随机场数据的克里金场;
S075、将S072中二维完全随机场、S073中基于预测岩土强度参数数据的克里金场和S074中基于完全随机场数据的克里金场叠加起来,最终得到建立考虑场地信息的约束随机场。
进一步,优选的是,步骤S07中的具体方法为:
采用递推空间法,首先基于S06得到的岩土强度参数数据P(p 1,p 2,……,p n),计算该岩土强度参数数据P的均值和点方差/>,p n为待模拟场地内第n点预测岩土强度参数值;
表示用于计算方差折减函数/>的岩土强度参数数量;
取,计算两相邻岩土强度参数数据的方差/>;
根据式,计算方差折减函数/>的值;
取,计算三个相邻岩土强度参数数据的方差/>,重复计算/>,以此类推取,取/>、/>……,重复计算/>,并绘制/>曲线;
在曲线中找出/>趋于稳定时第一个平稳点的/>值,根据式,计算相关距/>的值;其中/>为岩土体两点间距,/>,/>为情况下的局部平均值的方差;
根据相关距离、均值/>和点方差/>,选用指数相关函数/>,利用局部平均法构建二维完全随机场X u;其中/>表示任意两点之间的距离为/>时的相关函数;
利用基于S06得到的岩土强度参数数据P,使用普通克里金插值方法,得到待模拟场地内未知点的最佳线性无偏估计,建立基于预测岩土强度参数数据的克里金场X k;
以基于S06得到的待模拟场地岩土强度参数数据在场地中的位置作为提取位置,提取二维完全随机场X u中相应位置的岩土强度参数数据作为已知点数据,再次得到待模拟场地内未知点的最佳线性无偏估计,建立基于完全随机场数据的克里金场X s;
生成的三个随机场按照公式X c=X k+[X u-X s]叠加起来,最终得到约束随机场X c 。
本发明中,为避免除数为0时所使用的微小正数,取10e-6;为了减少过拟合,在全连接层的输出H上应用Dropout技术。
通过上述技术方案,利用钻机钻进时的随钻测试数据,构建预测模型,并通过遗传算法确定模型超参数,通过训练后的模型对岩土强度参数进行预测,根据预测结果建立考虑场地信息的约束随机场模型对场地内岩土强度参数空间变异性进行模拟,可为工程项目建设和地质勘察提供参考依据。
通过本发明的预处理能够剔除钻头回退、增加钻杆、待机等辅助性操作过程中产生的数据,使得随钻测试数据连续性好,便于后续的处理。本发明利用遗传算法对模型超参数进行寻优,再进行深度神经网络模型的训练,从而可以建立基于随钻测试数据的岩土强度参数深度神经网络模型。本发明通过利用已知连续的岩土强度参数预测结果,建立考虑场地信息的约束随机场模型
本发明在深度神经网络模型每轮训练时设置隐藏层节点保留概率为80%,随机删除隐藏层神经网络节点,并删除网络与移除节点之间的连接;
利用遗传算法对模型中的隐藏层神经网络节点数、激活函数和损失函数进行随机寻优搜索,所优化的超参数如下表1所示。
表1
;
首先随机生成一个种群作为深度神经网络岩土强度参数预测模型的初始超参数选择,种群中包含50个个体,每个个体都包含了一组随机的神经网络节点数、激活函数和损失函数的超参数组合,与实测岩土强度参数对比,评估每个体所构建模型的预测准确率,如果预测准确率不满足设定的期望精度,则依次进行“选择”、“交叉”和“变异”的遗传算法步骤,期望精度一般可设为95%以上。“选择”步骤会选择在种群中识别准确率较高的10个个体,“交叉”步骤对选择出个体中的超参数进行随机组合,成为新的个体,“变异”将会随机对某些超参数的值进行随机变化;
当识别准确率满足期望精度后则停止遗传算法迭代,选取种群中准确率最优个体的超参数作为深度神经网络模型。
本发明通过随钻测试手段获取更多的岩土强度参数试验数据,将其作为约束条件构建考虑场地特性的约束随机场,有效地解决了岩土强度参数约束随机场模拟中样本有限带来的参数估计不确定性较大和模型不确定性较强的难题。
本发明与现有技术相比,其有益效果为:
本发明基于随钻测试数据的岩土强度参数约束随机场模拟方法,该方法利用钻机钻进时的随钻测试数据,建立基于遗传算法优化的深度神经网络模型对岩土强度参数进行识别,利用预测模型,获取场地内多个钻孔连续的岩土强度参数,结合预测结果,利用递推空间法获得场地内岩土相关距离,建立考虑场地信息的约束随机场模型对场地内岩土强度参数空间变异性进行模拟。将随钻测试和约束随机场模型构建联系起来,解决岩土体样本有限带来的参数估计不确定性较大和地质模型不确定性较强的难题,对于提高岩土工程勘察效率和准确性,降低工程建设的投入和人员伤亡,加快工程建设速度方面将会产生较大的经济和社会效益。能减少工程灾害造成的岩土环境扰动和资源环境破坏,降低工程建设当地生态环境的影响,具有显著的环境效益。
本发明利用遗传算法对深度神经网络模型的每层节点数、激活函数和损失函数的选用进行分析,相比直接采用适用于其他专业的神经网络模型超参数配置,优化后的深度神经网络更适用于岩土强度参数的预测;
相较于传统随机场模拟方法受制于地质勘测的成本和效率,获取岩土强度参数数据量有限,本发明将随钻测试技术用于岩土强度参数约束随机场模拟,可获得钻孔中连续位置的岩土强度参数数据,使已知约束点增加,待预测场地内岩土强度参数的统计不确定性降低,随机场的方差折减率提高,地质随机场模型的可靠性增加。
附图说明
图1为本发明基于随钻测试数据的岩土强度参数约束随机场模拟方法的流程图;
图2为本发明深度神经网络岩土强度参数预测模型的结构示意图;
图3为应用实例中锚索孔位置示意图。
图4为ZK2部分预处理后提取的纯钻进过程的随钻数据;其中,(a)为旋转压力,(b)为推进力,(c)为冲击力,(d)为转速,(e)为钻进速率;
图5为利用ZK2提取的纯钻进过程随钻数据作为预测模型的输入数据所得到的粘聚力预测结果;
图6为利用ZK2提取的纯钻进过程随钻数据作为预测模型的输入数据所得到的内摩擦角预测结果;
图7为本发明方法模拟的岩土强度参数约束随机场;其中,(a)为粘聚力;(b)为内摩擦角;
图8为两次内摩擦角完全随机场模拟结果;其中,(a)为第一次模拟结果;(b)为第二次模拟结果;
图9为两次内摩擦角约束随机场模拟结果;其中,(a)为第一次模拟结果;(b)为第二次模拟结果。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
如图1所示,一种基于随钻测试数据的岩土强度参数约束随机场模拟方法,包括以下步骤:
S01、根据待模拟场地区域地质勘测需求,获取钻机钻进时的随钻测试数据;
S02、获取待模拟场地内岩土试样并进行试验,获得岩土强度参数;
S03、对获得的随钻测试数据进行预处理,提取纯钻进过程的随钻数据;
S04、构建基于遗传算法构建深度神经网络岩土强度参数预测模型;
S05、基于岩土试样的岩土强度参数数据与对应位置的纯钻进过程的随钻数据,进行深度神经网络岩土强度参数预测模型的训练,得到最终的深度神经网络岩土强度参数预测模型;
S06、采用待模拟场地内的随钻测试数据,利用最终的深度神经网络岩土强度参数预测模型进行预测,得到待模拟场地内随钻测试位置所对应的岩土强度参数;
S07、利用递推空间法获得待模拟场地内岩土相关距离,建立考虑场地信息的约束随机场模型对待模拟场地内岩土强度参数空间变异性进行模拟。
步骤S01中,随钻测试数据包括钻进过程中钻进压力、回转力、冲击压力、钻杆转数和钻头位移。
步骤S02中,岩土强度参数包括粘聚力和内摩擦角。
步骤S03中,对获得的随钻测试数据进行预处理采用的方法是:遍历并分析随钻测试数据,保留同时满足钻进压力大于0、回转压力大于0、钻杆转数大于0和钻孔深度为递增趋势的随钻测试数据,作为纯钻进过程的随钻数据。
步骤S04中,所述的深度神经网络岩土强度参数预测模型包括输入层、BatchNormalization层、三层带有dropout处理的全连接层和输出层;输入层、BatchNormalization层、三层带有dropout处理的全连接层和输出层顺序连接。
步骤S05中,以岩土试样的岩土强度参数数据作为输出,以对应位置的纯钻进过程的随钻数据作为输入,对深度神经网络岩土强度参数预测模型进行训练,得到深度神经网络岩土强度参数预测模型的超参数。
步骤S05的具体方法为:
以岩土试样的岩土强度参数数据作为输出,以该岩土试样的对应位置的纯钻进过程的随钻数据作为输入,对深度神经网络岩土强度参数预测模型进行训练;
将深度神经网络岩土强度参数预测模型的输入数据表示为一个大小为的矩阵X,其中/>表示样本数量,/>表示特征数量;本发明中,特征数量为5,即为钻进过程中钻进压力、回转力、冲击压力、钻杆转数和钻头位移。
对于第个样本中的第/>个特征/>,计算其在所有样本上的均值/>和方差/>;
利用公式,对该数据进行Batch Normalization处理,获得(0,1)的正态分布;
其中,为Batch Normalization 后的特征值,/>为避免除数为0时所使用的微小正数;
在全连接层,假设Batch Normalization层的输出为Z,将Z作为输入,通过线性变换和非线性激活,得到全连接层的输出H,H=g(Zw+b);
其中,w和b分别表示全连接层的权重和偏置,g表示激活函数;
对于每个神经元k,按照概率p随机生成一个掩码L k,其中L k为1或者0;若L k=1,则表示保留该神经元,否则丢弃该神经元;
将最后一层全连接层的输出作为输出层的输入,通过一个输出层进行线性变换和非线性激活,得到最终的深度神经网络岩土强度参数预测模型的输出y,y=f(DV+c);
其中,V和c分别为输出层的权重和偏置,f表示输出层的激活函数;
根据输出y和真实标签ytrue,利用损失函数L,得到损益值;其中,真实标签即为岩土试样的岩土强度参数数据;
根据损益值,利用反向传播算法计算各层的梯度,然后利用梯度下降算法更新模型参数。
步骤S07中的具体方法为:
S071、基于S06得到的待模拟场地岩土强度参数数据,利用递推空间法,获取待模拟场地岩土体的水平和垂直相关距离;
S072、将岩土强度参数数据转换为正态分布数据,计算得到转换后岩土强度参数数据均值和方差,利用局部平均法建立二维完全随机场;
S073、使用普通克里金方法,利用基于S06得到的待模拟场地岩土强度参数数据作为已知点数据,得到待模拟场地内未知点的最佳线性无偏估计,建立基于预测岩土强度参数数据的克里金场;
S074、以基于S06得到的待模拟场地岩土强度参数数据在场地中的位置作为提取位置,提取利用S072中所建立的二维完全随机场中相应位置的岩土强度参数数据作为已知点数据,再次得到待模拟场地内未知点的最佳线性无偏估计,建立基于完全随机场数据的克里金场;
S075、将S072中二维完全随机场、S073中基于预测岩土强度参数数据的克里金场和S074中基于完全随机场数据的克里金场叠加起来,最终得到建立考虑场地信息的约束随机场。
步骤S07中的具体方法为:
采用递推空间法,首先基于S06得到的岩土强度参数数据P(p 1,p 2,……,p n),计算该岩土强度参数数据P的均值和点方差/>,p n为待模拟场地内第n点预测岩土强度参数值;
表示用于计算方差折减函数/>的岩土强度参数数量;
取,计算两相邻岩土强度参数数据的方差/>;
根据式,计算方差折减函数/>的值;
取,计算三个相邻岩土强度参数数据的方差/>,重复计算/>,以此类推取,取/>、/>……,重复计算/>,并绘制/>曲线;
在曲线中找出/>趋于稳定时第一个平稳点的/>值,根据式,计算相关距/>的值;其中/>为岩土体两点间距,/>,/>为情况下的局部平均值的方差;
根据相关距离、均值/>和点方差/>,选用指数相关函数/>,利用局部平均法构建二维完全随机场X u;其中/>表示任意两点之间的距离为/>时的相关函数;
利用基于S06得到的岩土强度参数数据P,使用普通克里金插值方法,得到待模拟场地内未知点的最佳线性无偏估计,建立基于预测岩土强度参数数据的克里金场X k;
以基于S06得到的待模拟场地岩土强度参数数据在场地中的位置作为提取位置,提取二维完全随机场X u中相应位置的岩土强度参数数据作为已知点数据,再次得到待模拟场地内未知点的最佳线性无偏估计,建立基于完全随机场数据的克里金场X s;
生成的三个随机场按照公式X c=X k+[X u-X s]叠加起来,最终得到约束随机场X c 。
应用实例
参照图1,本实施例公开了一种基于随钻测试数据的岩土强度参数约束随机场模拟方法,包括以下步骤:
S01、根据待模拟场地区域地质勘测需求,获取钻机钻进时的随钻测试数据;
S02、获取待模拟场地内岩土试样并进行试验,获得岩土强度参数;
S03、对获得的随钻测试数据进行预处理,提取纯钻进过程的随钻数据;
S04、构建基于遗传算法构建深度神经网络岩土强度参数预测模型;
S05、基于岩土试样的岩土强度参数数据与对应位置的纯钻进过程的随钻数据,进行深度神经网络岩土强度参数预测模型的训练,得到最终的深度神经网络岩土强度参数预测模型;
S06、采用待模拟场地内的随钻测试数据,利用最终的深度神经网络岩土强度参数预测模型进行预测,得到待模拟场地内随钻测试位置所对应的岩土强度参数;
S07、利用递推空间法获得待模拟场地内岩土相关距离,建立考虑场地信息的约束随机场模型对待模拟场地内岩土强度参数空间变异性进行模拟。
步骤S01、随钻测试数据获取:
根据待模拟场地区域地质勘测需求,获取钻机钻进时的随钻测试数据;随钻测试数据包括钻进过程中钻进压力、回转力、冲击压力、钻杆转数和钻头位移。
本实例中,使用的是云南墨临高速公路工程一长110m边坡的锚索孔随钻测试数据,包括钻机钻进时的钻进压力、回转力、冲击压力、钻杆转数和钻头位移;图3为部分锚索孔位置示意图,图3中锚索孔数量为3,编号为ZK2、ZK3和ZK6,长度为12m。
步骤S02、岩土体试样室内岩土强度参数试验:
获取待模拟场地内岩土试样并进行试验,获得岩土强度参数;岩土强度参数包括粘聚力和内摩擦角。
具体地,对现场采取的岩土试样进行直剪试验,获得试样的粘聚力和内摩擦角,其中部分试验数据如表2所示。根据统计分析结果,试样粘聚力的均值为25.115 kPa、内摩擦角的均值为28.01。
表2
;
步骤S03、随钻测试数据预处理:
对获得的随钻测试数据进行预处理,提取纯钻进过程的随钻数据;
具体地,对获得的随钻测试数据进行预处理采用的方法是:遍历并分析随钻测试数据,保留同时满足钻进压力大于0、回转压力大于0、钻杆转数大于0和钻孔深度为递增趋势的随钻测试数据,作为纯钻进过程的随钻数据。图4为ZK2中部分预处理后的随钻测试数据。
S04、构建基于遗传算法构建深度神经网络岩土强度参数预测模型;
所述的深度神经网络岩土强度参数预测模型包括输入层、Batch Normalization层、三层带有dropout处理的全连接层和输出层;输入层、Batch Normalization层、三层带有dropout处理的全连接层和输出层顺序连接。
S05、基于岩土试样的岩土强度参数数据与对应位置的纯钻进过程的随钻数据,进行深度神经网络岩土强度参数预测模型的训练,得到最终的深度神经网络岩土强度参数预测模型;
步骤S05中,以岩土试样的岩土强度参数数据作为输出,以对应位置的纯钻进过程的随钻数据作为输入,对深度神经网络岩土强度参数预测模型进行训练,得到深度神经网络岩土强度参数预测模型的超参数。
以岩土试样的岩土强度参数数据作为输出,以该岩土试样的对应位置的纯钻进过程的随钻数据作为输入,对深度神经网络岩土强度参数预测模型进行训练;
将深度神经网络岩土强度参数预测模型的输入数据表示为一个大小为的矩阵X,其中/>表示样本数量,/>表示特征数量;
对于第个样本中的第/>个特征/>,计算其在所有样本上的均值/>和方差/>;
利用公式,对该数据进行Batch Normalization处理,获得(0,1)的正态分布;
其中,为Batch Normalization 后的特征值,/>为避免除数为0时所使用的微小正数;
在全连接层,假设Batch Normalization层的输出为Z,将Z作为输入,通过线性变换和非线性激活,得到全连接层的输出H,H=g(Zw+b);
其中,w和b分别表示全连接层的权重和偏置,g表示激活函数;
对于每个神经元k,按照概率p随机生成一个掩码L k,其中L k为1或者0;若L k=1,则表示保留该神经元,否则丢弃该神经元;
将最后一层全连接层的输出作为输出层的输入,通过一个输出层进行线性变换和非线性激活,得到最终的深度神经网络岩土强度参数预测模型的输出y,y=f(DV+c);
其中,V和c分别为输出层的权重和偏置,f表示输出层的激活函数;
根据输出y和真实标签ytrue,利用损失函数L,得到损益值;其中,真实标签即为岩土试样的岩土强度参数数据;
根据损益值,利用反向传播算法计算各层的梯度,然后利用梯度下降算法更新模型参数。
利用遗传算法对模型中的隐藏层神经网络节点数、激活函数和损失函数进行随机寻优搜索,所优化的超参数如表3所示。
表3
;
首先随机生成一个种群作为深度神经网络岩土强度参数预测模型的初始超参数选择,种群中包含50个个体,每个个体都包含了一组随机的神经网络节点数、激活函数和损失函数的超参数组合,与实测岩土强度参数对比,评估每个体所构建神经网络模型的预测准确率,如果预测准确率不满足设定的期望精度,则依次进行“选择”、“交叉”和“变异”的遗传算法步骤,期望设为95%。“选择”步骤会选择在种群中识别准确率较高的10个个体,“交叉”步骤对选择出个体中的超参数进行随机组合,成为新的个体,“变异”将会随机对某些超参数的值进行随机变化;
当识别准确率满足期望精度后则停止遗传算法迭代,选取种群中准确率最优个体的超参数作为深度神经网络模型,优化后的超参数值如表4所示。
表4
;
利用ZK2提取的纯钻进过程随钻数据作为预测模型的输入数据所得到的粘聚力预测结果和内摩擦角预测结果如图5和图6所示,预测结果粘聚力的均值为27.35kPa、内摩擦角均值为29.29,与步骤S02获得的试样室内实验的粘聚力和内摩擦角均值较为接近。
S06、采用待模拟场地内的随钻测试数据,利用最终的深度神经网络岩土强度参数预测模型进行预测,得到待模拟场地内随钻测试位置所对应的岩土强度参数;
S07、利用递推空间法获得待模拟场地内岩土相关距离,建立考虑场地信息的约束随机场模型对待模拟场地内岩土强度参数空间变异性进行模拟。
步骤S07中的具体方法为:
S071、基于S06得到的待模拟场地岩土强度参数数据,利用递推空间法,获取待模拟场地岩土体的水平和垂直相关距离;
S072、将岩土强度参数数据转换为正态分布数据,计算得到转换后岩土强度参数数据均值和方差,利用局部平均法建立二维完全随机场;
S073、使用普通克里金方法,利用基于S06得到的待模拟场地岩土强度参数数据作为已知点数据,得到待模拟场地内未知点的最佳线性无偏估计,建立基于预测岩土强度参数数据的克里金场;
S074、以基于S06得到的待模拟场地岩土强度参数数据在场地中的位置作为提取位置,提取利用S072中所建立的二维完全随机场中相应位置的岩土强度参数数据作为已知点数据,再次得到待模拟场地内未知点的最佳线性无偏估计,建立基于完全随机场数据的克里金场;
S075、将S072中二维完全随机场、S073中基于预测岩土强度参数数据的克里金场和S074中基于完全随机场数据的克里金场叠加起来,最终得到建立考虑场地信息的约束随机场。
步骤S07中的具体方法为:
采用递推空间法,首先基于S06得到的岩土强度参数数据P(p 1,p 2,……,p n),计算该岩土强度参数数据P的均值和点方差/>,p n为待模拟场地内第n点预测岩土强度参数值;/>
表示用于计算方差折减函数/>的岩土强度参数数量;
取,计算两相邻岩土强度参数数据的方差/>;
根据式,计算方差折减函数/>的值;
取,计算三个相邻岩土强度参数数据的方差/>,重复计算/>,以此类推取,取/>、/>……,重复计算/>,并绘制/>曲线;
在曲线中找出/>趋于稳定时第一个平稳点的/>值,根据式,计算相关距/>的值;其中/>为岩土体两点间距,/>,/>为情况下的局部平均值的方差;
根据相关距离、均值/>和点方差/>,选用指数相关函数/>,利用局部平均法构建二维完全随机场X u;其中/>表示任意两点之间的距离为/>时的相关函数;
利用基于S06得到的岩土强度参数数据P,使用普通克里金插值方法,得到待模拟场地内未知点的最佳线性无偏估计,建立基于预测岩土强度参数数据的克里金场X k;
以基于S06得到的待模拟场地岩土强度参数数据在场地中的位置作为提取位置,提取二维完全随机场X u中相应位置的岩土强度参数数据作为已知点数据,再次得到待模拟场地内未知点的最佳线性无偏估计,建立基于完全随机场数据的克里金场X s;
生成的三个随机场按照公式X c=X k+[X u-X s]叠加起来,最终得到约束随机场X c, 如图7。
图8为根据相关距离、均值和点方差,选用指数相关函数,利用局部平均法模拟的两次完全随机场,图9为利用本发明模拟的两次基于随钻测试数据的岩土强度参数约束随机场模拟,对比可看出完全随机场由于没有考虑场地特性,两次模拟的数值差别较大,且没有规律性,地质模型的不确定性较大,利用本发明模拟的约束随机场在锚索孔处的数值相等,锚索孔附近由于空间相关影响,两次模拟结果也比较接近,整体上看,地质模型的不确定性较小。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于随钻测试数据的岩土强度参数约束随机场模拟方法,其特征在于,包括以下步骤:
S01、根据待模拟场地区域地质勘测需求,获取钻机钻进时的随钻测试数据;
S02、获取待模拟场地内岩土试样并进行试验,获得岩土强度参数;
S03、对获得的随钻测试数据进行预处理,提取纯钻进过程的随钻数据;
S04、构建基于遗传算法构建深度神经网络岩土强度参数预测模型;
S05、基于岩土试样的岩土强度参数数据与对应位置的纯钻进过程的随钻数据,进行深度神经网络岩土强度参数预测模型的训练,得到最终的深度神经网络岩土强度参数预测模型;
S06、采用待模拟场地内的随钻测试数据,利用最终的深度神经网络岩土强度参数预测模型进行预测,得到待模拟场地内随钻测试位置所对应的岩土强度参数;
S07、利用递推空间法获得待模拟场地内岩土相关距离,建立考虑场地信息的约束随机场模型对待模拟场地内岩土强度参数空间变异性进行模拟。
2.根据权利要求1所述的基于随钻测试数据的岩土强度参数约束随机场模拟方法,其特征在于,步骤S01中,随钻测试数据包括钻进过程中钻进压力、回转力、冲击压力、钻杆转数和钻头位移。
3.根据权利要求1所述的基于随钻测试数据的岩土强度参数约束随机场模拟方法,其特征在于,步骤S02中,岩土强度参数包括粘聚力和内摩擦角。
4.根据权利要求1所述的基于随钻测试数据的岩土强度参数约束随机场模拟方法,其特征在于,步骤S03中,对获得的随钻测试数据进行预处理采用的方法是:遍历并分析随钻测试数据,保留同时满足钻进压力大于0、回转压力大于0、钻杆转数大于0和钻孔深度为递增趋势的随钻测试数据,作为纯钻进过程的随钻数据。
5.根据权利要求1所述的基于随钻测试数据的岩土强度参数约束随机场模拟方法,其特征在于,步骤S04中,所述的深度神经网络岩土强度参数预测模型包括输入层、BatchNormalization层、三层带有dropout处理的全连接层和输出层;输入层、BatchNormalization层、三层带有dropout处理的全连接层和输出层顺序连接。
6.根据权利要求5所述的基于随钻测试数据的岩土强度参数约束随机场模拟方法,其特征在于,步骤S05中,以岩土试样的岩土强度参数数据作为输出,以对应位置的纯钻进过程的随钻数据作为输入,对深度神经网络岩土强度参数预测模型进行训练,得到深度神经网络岩土强度参数预测模型的超参数。
7.根据权利要求6所述的基于随钻测试数据的岩土强度参数约束随机场模拟方法,其特征在于,步骤S05的具体方法为:
以岩土试样的岩土强度参数数据作为输出,以该岩土试样的对应位置的纯钻进过程的随钻数据作为输入,对深度神经网络岩土强度参数预测模型进行训练;
将深度神经网络岩土强度参数预测模型的输入数据表示为一个大小为的矩阵X,其中/>表示样本数量,/>表示特征数量;
对于第个样本中的第/>个特征/>,计算其在所有样本上的均值/>和方差/>;
利用公式,对该数据进行Batch Normalization处理,获得(0,1)的正态分布;
其中,为Batch Normalization 后的特征值,/>为避免除数为0时所使用的微小正数;
在全连接层,假设Batch Normalization层的输出为Z,将Z作为输入,通过线性变换和非线性激活,得到全连接层的输出H,H=g(Zw+b);
其中,w和b分别表示全连接层的权重和偏置,g表示激活函数;
对于每个神经元k,按照概率p随机生成一个掩码L k,其中L k为1或者0;若L k=1,则表示保留该神经元,否则丢弃该神经元;
将最后一层全连接层的输出作为输出层的输入,通过一个输出层进行线性变换和非线性激活,得到最终的深度神经网络岩土强度参数预测模型的输出y,y=f(DV+c);
其中,V和c分别为输出层的权重和偏置,f表示输出层的激活函数;
根据输出y和真实标签ytrue,利用损失函数L,得到损益值;其中,真实标签即为岩土试样的岩土强度参数数据;
根据损益值,利用反向传播算法计算各层的梯度,然后利用梯度下降算法更新模型参数。
8.根据权利要求1所述的基于随钻测试数据的岩土强度参数约束随机场模拟方法,其特征在于,步骤S07中的具体方法为:
S071、基于S06得到的待模拟场地岩土强度参数数据,利用递推空间法,获取待模拟场地岩土体的水平和垂直相关距离;
S072、将岩土强度参数数据转换为正态分布数据,计算得到转换后岩土强度参数数据均值和方差,利用局部平均法建立二维完全随机场;
S073、使用普通克里金方法,利用基于S06得到的待模拟场地岩土强度参数数据作为已知点数据,得到待模拟场地内未知点的最佳线性无偏估计,建立基于预测岩土强度参数数据的克里金场;
S074、以基于S06得到的待模拟场地岩土强度参数数据在场地中的位置作为提取位置,提取利用S072中所建立的二维完全随机场中相应位置的岩土强度参数数据作为已知点数据,再次得到待模拟场地内未知点的最佳线性无偏估计,建立基于完全随机场数据的克里金场;
S075、将S072中二维完全随机场、S073中基于预测岩土强度参数数据的克里金场和S074中基于完全随机场数据的克里金场叠加起来,最终得到建立考虑场地信息的约束随机场。
9.根据权利要求8所述的基于随钻测试数据的岩土强度参数约束随机场模拟方法,其特征在于,步骤S07中的具体方法为:
采用递推空间法,首先基于S06得到的岩土强度参数数据P(p 1,p 2,……,p n),计算该岩土强度参数数据P的均值和点方差/>,p n为待模拟场地内第n点预测岩土强度参数值;
表示用于计算方差折减函数/>的岩土强度参数数量;
取,计算两相邻岩土强度参数数据的方差/>;
根据式,计算方差折减函数/>的值;
取,计算三个相邻岩土强度参数数据的方差/>,重复计算/>,以此类推取,取、/>……,重复计算/>,并绘制/>曲线;
在曲线中找出/>趋于稳定时第一个平稳点的/>值,根据式/>,计算相关距/>的值;其中/>为岩土体两点间距,/>,/>为/>情况下的局部平均值的方差;
根据相关距离、均值/>和点方差/>,选用指数相关函数/>,利用局部平均法构建二维完全随机场X u;其中/>表示任意两点之间的距离为/>时的相关函数;
利用基于S06得到的岩土强度参数数据P,使用普通克里金插值方法,得到待模拟场地内未知点的最佳线性无偏估计,建立基于预测岩土强度参数数据的克里金场X k;
以基于S06得到的待模拟场地岩土强度参数数据在场地中的位置作为提取位置,提取二维完全随机场X u中相应位置的岩土强度参数数据作为已知点数据,再次得到待模拟场地内未知点的最佳线性无偏估计,建立基于完全随机场数据的克里金场X s;
生成的三个随机场按照公式X c=X k+[X u-X s]叠加起来,最终得到约束随机场X c 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310679965.7A CN116401965B (zh) | 2023-06-09 | 2023-06-09 | 基于随钻测试数据的岩土强度参数约束随机场模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310679965.7A CN116401965B (zh) | 2023-06-09 | 2023-06-09 | 基于随钻测试数据的岩土强度参数约束随机场模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116401965A CN116401965A (zh) | 2023-07-07 |
CN116401965B true CN116401965B (zh) | 2023-09-15 |
Family
ID=87010979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310679965.7A Active CN116401965B (zh) | 2023-06-09 | 2023-06-09 | 基于随钻测试数据的岩土强度参数约束随机场模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401965B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805938B (zh) * | 2024-02-29 | 2024-05-28 | 山东科技大学 | 一种基于深度学习的围岩地质力学参数智能预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536665A (zh) * | 2021-06-18 | 2021-10-22 | 云南省交通规划设计研究院有限公司 | 基于特征工程和lstm的路表温度短临预测方法及系统 |
CN114839024A (zh) * | 2022-07-04 | 2022-08-02 | 中国矿业大学(北京) | 破碎岩体特性随钻测试与评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2787851C (en) * | 2010-02-05 | 2020-03-24 | The University Of Sydney | Rock property measurements while drilling |
-
2023
- 2023-06-09 CN CN202310679965.7A patent/CN116401965B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536665A (zh) * | 2021-06-18 | 2021-10-22 | 云南省交通规划设计研究院有限公司 | 基于特征工程和lstm的路表温度短临预测方法及系统 |
CN114839024A (zh) * | 2022-07-04 | 2022-08-02 | 中国矿业大学(北京) | 破碎岩体特性随钻测试与评价方法 |
Non-Patent Citations (2)
Title |
---|
Ching,JY等.On characterizing spatially variable soil shear strength using spatial average.《Probabilistic engineering mechanics》.2016,31-43. * |
土体参数空间变异性模拟和土坡可靠度分析方法应用研究;吴振君;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》(第10期);C038-63 * |
Also Published As
Publication number | Publication date |
---|---|
CN116401965A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
CN110346831B (zh) | 一种基于随机森林算法的智能化地震流体识别方法 | |
CN105069303A (zh) | 一种低渗透储层产能定量评价方法 | |
CN116401965B (zh) | 基于随钻测试数据的岩土强度参数约束随机场模拟方法 | |
Hanifah et al. | Smotebagging algorithm for imbalanced dataset in logistic regression analysis (case: Credit of bank x) | |
CN111767674B (zh) | 一种基于主动域适应的测井岩性识别方法 | |
Zhang et al. | First arrival picking of microseismic signals based on nested U-Net and Wasserstein Generative Adversarial Network | |
CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
Zhao et al. | 3D tight sandstone digital rock reconstruction with deep learning | |
CN115130934B (zh) | 基于zel模型和多源数据的区域井漏风险预评价方法 | |
CN104570109B (zh) | 一种储层油气预测的方法 | |
CN115017791A (zh) | 隧道围岩级别识别方法和装置 | |
Gan et al. | A new spatial modeling method for 3D formation drillability field using fuzzy c-means clustering and random forest | |
CN111310331B (zh) | 基于条件变分自编码的地壳模型构造方法 | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
CN111191502B (zh) | 基于钻柱振动信号的粘滑和跳钻异常工况识别方法 | |
CN115204277A (zh) | 一种基于多阈值量化输出观测的渐近最优岩性预测方法 | |
CN110135112A (zh) | 一种基于粒子滤波算法的页岩各向异性估计方法 | |
CN110441815A (zh) | 基于差分进化及块坐标下降改进的模拟退火瑞雷波反演方法 | |
CN113419278B (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
Abbas et al. | Unsupervised machine learning technique for classifying production zones in unconventional reservoirs | |
CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 |
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 |