CN116609828B - 深部岩体的应力场计算方法 - Google Patents

深部岩体的应力场计算方法 Download PDF

Info

Publication number
CN116609828B
CN116609828B CN202310209221.9A CN202310209221A CN116609828B CN 116609828 B CN116609828 B CN 116609828B CN 202310209221 A CN202310209221 A CN 202310209221A CN 116609828 B CN116609828 B CN 116609828B
Authority
CN
China
Prior art keywords
rock mass
model
deep
data
wave velocity
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
CN202310209221.9A
Other languages
English (en)
Other versions
CN116609828A (zh
Inventor
陶明
贾玉春
徐源泉
赵瑞
向恭梁
洪志先
杨政
邱贤朋
赵启政
隋易坤
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202310209221.9A priority Critical patent/CN116609828B/zh
Priority to CN202311809291.4A priority patent/CN118363066A/zh
Publication of CN116609828A publication Critical patent/CN116609828A/zh
Application granted granted Critical
Publication of CN116609828B publication Critical patent/CN116609828B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/303—Analysis for determining velocity profiles or travel times
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6222—Velocity; travel time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters
    • G01V2210/6242—Elastic parameters, e.g. Young, Lamé or Poisson
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/66—Subsurface modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geophysics (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本申请涉及一种深部岩体的应力场计算方法、组件及流程，其包括以下步骤；S1，数据采集；首先，在岩体中有震源，布设传感器；然后，采集数据信息；数据信息包括记录震源与传感器位置以及从震源到传感器间记录的旅行时间；S2，数据处理；收集并记录数据信息，针对数据信息，通过聚类分析方法进行预前处理，并将数据格式整理为设定格式；S3，建立初始模型；S3.1，在深部对岩体取样作为取样岩体并做标记；S3.2，对取样岩体进行波速检测；S3.3，以波速检测信息为依据，建立初始地层模型速度场；S4基于随机泰森多边形进行地震层析反演；S5构建深部岩体物理力学参数数据库；S6选择合理深度神经网络模型，进行深部岩体应力场计算。

Description

深部岩体的应力场计算方法
技术领域
本发明涉及深部岩体的深部岩体的应力场计算方法、组件及设备，涉及地球物理岩石力学领域。
背景技术
以资源开采与地下空间开发为主的深地工程已成为全球热点，深地工程处于地球岩石圈内，岩体应力大、构造复杂，冒顶、片帮、岩爆等重大岩体灾害事故频发，造成了大量的人员伤亡和经济损失。与浅部相比，深地工程灾害频率更高，程度更剧烈，成灾机理更复杂，灾害预测更困难。
为此，探知深部岩体初始应力场范围，超前预警由于应力与能量的聚集与转移产生的灾害时空范围极为重要。现有技术手段难以对各种深部岩体致灾因素进行有效时空检测，需要寻求一种可靠有效的深部岩体初始应力场推测方法。
发明内容
为了获得深部岩体初始应力场，本发明所要解决的技术问题总的来说是提供一种深部岩体的应力场计算方法、组件及流程。
为解决上述问题，本发明所采取的技术方案是：
一种深部岩体的应力场计算方法，方法包括以下步骤；
S1，数据采集；首先，在岩体中有震源，布设传感器；然后，采集数据信息；数据信息包括记录震源与传感器位置以及从震源到传感器间记录的旅行时间；
S2，数据处理；收集并记录数据信息，针对数据信息，通过聚类分析方法进行预前处理，并将数据格式整理为设定格式；
S3，建立初始模型；S3.1，在深部对岩体取样作为取样岩体并做标记；S3.2，对取样岩体进行波速检测；S3.3，以波速检测信息为依据，建立初始地层模型速度场，作为反演区域；在步骤S3.2，在波速检测时，根据取样岩体，用波速仪对不同深度的取样岩体试样进行波速检测，并记录对应深度的对应波速特征；
S4，基于泰森多边形反演，对反演区域进行随机泰森多边形划分，应用数值分析插值方法计算多边形各点速度；
首先，基于FSM算法、SpM算法、DSpM算法，建立取样岩体对应地层的模型，设定模拟震源和传感器位置，通过FSM算法、SpM算法、DSpM算法计算出模拟震源到传感器的时间和p波传播的路径；然后，对作为反演区域的研究区域用泰森多边形进行划分，求每一个划分区域的速度；
S5：获取深部岩体物理力学参数，对深部岩体取样，进行原位压力压缩与轴向波速测量，获得对应波速下岩石物理力学参数；岩石物理力学参数包括杨氏模量Ε、泊松比v、应变硬化模量H、峰值应变μ、峰后跌落模量M；
S6：深度学习模型建立，选择回归神经网络模型；
S7：进行模型训练，验证集验证，测试集测试，完成深部岩体初始应力场推测；
S8，模型评估：用已经得到的模型，对之前已有数据进行测试，在输入端输入岩石弹性常数、波速，计算获得应力，比较计算获得的用力与试验测得的应力，评估模型好坏。
作为上述技术方案的进一步改进：
震源为人工震源或地理震源；在S2中，设定格式为h5格式；
在步骤S3中，对于S2处理后的数据，在正演模型四面体参数化的基础上，应用方法FSM、SpM、DSpM，联合确定波阵面法线方向的轨迹，获取满足设定要求的波穿过成像区域的射线轨迹；
在S3.3中，首先，通过迭代求波速，根据对作为反演区域的研究区域，取样岩体进行取样测试；然后，将取样岩体测试的速度当作初始模型的速度；
在迭代求波速时，将初始模型的速度划分成若干立方体，形成对应的小区域，每个小区域匹配有对应速度值，之后，在反演时迭代求解速度。
在步骤S4中，通过多个投影矩阵，把模型参数投影到低维空间求广义逆矩阵，通过循环模型矩阵不同子空间后，将各个子空间反投影到高维空间，通过加权平均方式，求解反演波速场参数；
在步骤S5中，对研究区域进行钻孔取样，进行压力测试，测的数据有岩石物理力学参数、波速、应力值。
一种测压组件，测压组件包括试验机架；在试验机架上分别有加压框体部、设置在加压框体部中的试验测试组件及位于试验测试组件上方的试验悬挂头；
加压框体部包括外框体架；
在外框体架底部中部设置有磁悬浮底座；
在外框体架侧壁上设置有外框电磁板；
试验测试组件包括内框体架及设置在内框体架上的悬挂架部；
在内框体架上部设置有上盖板部；
在试验悬挂头下端连接有电动牵拉部，在电动牵拉部下端通过万向连接头连接悬挂架部；
在内框体架外侧壁上设置有与外框电磁板对应的内电磁板；
在上盖板部下部通过上弹簧部连接有上电磁板，在上电磁板下部设置有与上电磁板互斥设置的上加压部；
在内框体架中设置有用于放置取样岩体的承载框体，
在承载框体的加压内腔底部放置有工艺垫板；
上加压部用于下压取样岩体的上表面，在取样岩体底部设置有模拟震源，在取样岩体顶部设置有接收传感器组。
作为上述技术方案的进一步改进：
至少在外框体架底部内侧壁上分布有弹性辅助腿部；
在磁悬浮底座上设置有中心外限位部；
在内框体架上设置有导向套；
在内框体架底部设置有穿过导向套的导向柱；在内框体架与上盖板部之间连接有加压螺杆螺母组。
一种取样岩体的测压方法，测压方法如下；
步骤A，首先，在取样岩体底部安装模拟震源，在取样岩体顶部按照接收传感器组；然后，将取样岩体放置到对应的在承载框体的加压内腔中，并根据高度增减工艺垫板；
步骤B，首先，将承载框体放置到内框体架中；然后，将上加压部放置到下压取样岩体的上表面上；其次，导向柱穿过导向套，在内框体架与上盖板部之间连接加压螺杆螺母组；
步骤C，首先，将内框体架放置到外框体架，并将内框体架底部电磁板对正中心外限位部，通过磁悬浮底座产生分离，通过弹性辅助腿部进行辅助支撑；
步骤D，首先，将电动牵拉部与万向连接头连接；
试验机架；在试验机架上分别有加压框体部、设置在加压框体部中的试验测试组件及位于试验测试组件上方的试验悬挂头；
步骤E，首先，磁悬浮底座充电产生悬浮，内电磁板与外框电磁板充电产生电磁互斥，上电磁板与上加压部充电产生电磁互斥；然后，电动牵拉部向下加压，使得上加压部向下产生单向轴压；其次，通过加压螺杆螺母组旋转，调节压力松紧。
一种深部岩体的应力场计算方法，包括深部岩体的地震层析反演方法；在步骤S5中，进行压力测试时，执行测压方法；
根据步骤S1采集数据，进行压力测试。
作为上述技术方案的进一步改进：
借助于测压组件，进行压力测试。
本发明通过采用上述技术方法，在对深部岩体初始应力场推测前，采用震源(主动震源或微震)和布设传感器获取反演区域走时场数据信息，利用深部岩体试样先验信息建立初始速度模型，通过基于随机泰森多边形反演方法获得速度场信息，利用先验信息波速及岩石物理力学参数与应力对应关系建立深度学习神经网络模型，进行深度学习神经网络模型训练，进而对深部岩体初始应力场推测。
综上所述，集合地震层析成像技术，增加了深部岩体初始应力场推测必要的、准确的条件，同时，在微震作为震源的情况下，增加了反演区域的数据信息量，给反演区域提供了更多有效的求解约束；在无侧限压力条件下，测量深部岩体试样轴向波速(与反演波速相同)对应的岩石物理力学参数参数，为深度学习神经网络模型提供了更准确的输入特征；通过选择合理深度学习神经网络模型，并对输入特征进行归一化处理等操作，先择合理成本函数与正则化参数，避免了训练集偏差过大，或与验证集方差过大情况，使得模型收敛，有效推测深部岩体初始应力场。本发明相比《深部原位岩石力学构想与初步探索》等现有技术，其测量方法更先进，更真实的还原、再现真实地震情况，从而获取更真实的数据，建立有效模型。
本发明设计合理、成本低廉、结实耐用、安全可靠、操作简单、省时省力、节约资金、结构紧凑且使用方便。
附图说明
图1是本发明的深部岩体初始应力场推测方法结构示意图。
图2是本发明的激活函数示意图。
图3是本发明的反向传播算法示意图。
图4是本发明的深度学习模型示意图。
图5是本发明的基于泰森多边形反演模型示意图。
图6是本发明的测压组件示意图。
图7是本发明的悬挂架部结构示意图。
图8是本发明的外框体架结构示意图。
图9是本发明的内框体架使用结构示意图。
图10是本发明的上加压部结构示意图。
其中：1、试验机架；2、试验测试组件；3、试验悬挂头；4、加压框体部；5、悬挂架部；6、外框体架；7、弹性辅助腿部；8、磁悬浮底座；9、中心外限位部；10、外框电磁板；11、加压螺杆螺母组；12、导向柱；13、导向套；14、万向连接头；15、电动牵拉部；16、内框体架；17、内电磁板；18、上盖板部；19、上电磁板；20、上弹簧部；21、上加压部；22、承载框体；23、加压内腔；24、取样岩体；25、模拟震源；26、接收传感器组。
具体实施方式
如图1-10，本实施例采用如下的技术方案，其包括以下步骤：参照图1-图5，
S1，数据采集，在主动震源或深部岩体微震源布设传感器，采集数据信息；数据信息包括初至波从震源到达布设传感器的时空信息；采集的数据包括记录震源与传感器位置以及传感器接收到震源的时间，震源的时间也叫走时或旅行时。
数据可以参考中国大陆及海域深部构造探测研究成果数据集等，进行数据参考，(中文：数据来源深地震测深数据分中心(http://www.gecseis.org)，英文：The data setis provided by Deep Seismic Sounding Data Sub-center.(http://www.gecseis.org))。
S2，数据处理，收集并记录震源位置、传感器位置以及从震源到传感器间记录的旅行时间，针对反问题矩阵数据的冗余问题，通过聚类分析方法进行预前处理，并将数据格式整理为h5格式便于后期求解处理，从而满足求解条件。
在数据采集时，由于数据过多或者测量误差的原因，在计算各个方程时，同一位置计算的结果(即速度)并不一致，从而产生数据冗余问题，并通过聚类分析手段来处理。聚类分析是指对之前采集数据过多或者出现误差，把计算结果不一致的值进行平均在取值。
通过采用上述技术方法，可以有效解决由于局部震源数据过于密集导致求解不收敛或者因局部数据过多导致求解不准确的问题。
S3，建立初始模型，首先，在深部对岩体取样，进行波速检测；然后，以波速检测信息为依据，建立初始地层模型速度场；
在检测时，根据深部岩体取样，用波速仪对不同深度试样进行波速检测，并记录不同深度对应波速特征；
可选的，在步骤S3中，应用FSM、SPM、DSPM等方法，在正演模型四面体参数化的基础上，联合确定波阵面法线方向的轨迹，获取更准确的波穿过成像区域的射线轨迹。
在求解速度的问题上，用的主要方法时迭代求解，根据对研究区域进行取样测试，进行试样测试的速度当作初始模型的速度。这类初始模型的速度也是先划分成小的正六面体或者不规则四面体建立的，即一个大的区域分割成小区域，每个小区域都有自己的速度值，之后在反演时方便快速迭代求解速度。
通过采用上述技术方法，综合考虑三种追踪震源信号最短路径的方法，能够使深部反演区域p波最短路径更加准确，获得反演结果更加精确。
S4：基于泰森多边形反演，对反演区域进行随机泰森多边形划分，应用数值分析插值方法计算多边形各点速度；
可选的，在步骤S4中，针对正则化参数选取问题，找到多个投影矩阵，把模型参数投影到低维空间求广义逆。通过循环模型矩阵不同子空间后，将各个子空间反投影到高维空间，通过加权平均方式，求解反演波速场参数。
见图5，首先，基于现有的求走时和路径的FSM算法、SPM算法、DSPM算法，通过一个地层的模型，给了震源和传感器位置，通过上述算法计算出震源到传感器的时间和p波传播的路径；之后，对作为反演区域的研究区域用泰森多边形进行划分，求每一个划分区域的速度。
通过采用上述技术方法，避免了重复调整正则化参数问题，便于整个反演区域快速求解。
S5：获取深部岩体物理力学参数，对深部岩体取样，进行原位压力压缩与轴向波速测量，获得对应波速下岩石弹性常数参量；
对研究区域进行钻孔取样，进行原位压力测试，测的数据有岩石物理力学参数、波速、压力大小(即应力值)；岩石物理力学参数包括杨氏模量Ε、泊松比ν、应变硬化模量H、峰值应变μ、峰后跌落模量M；
S6：深度学习模型建立，选择回归神经网络模型；
在步骤S6中，S6.1,首先，在神经网络输入端对p波波速、岩石物理力学参数进行归一化处理，包括零均值化、归一化方差；
零均值化：x(i)＝x(i)-μ；公式(1)
μ是x(i)的平均值，i是每一个x1，x2，x3，x4，x5，x6的样本数。
归一化方差：x(i)＝x(i)/σ；公式(2)
x(i)为输入端样本特征值，即P波波速、岩石物理力学参数参数，m为数据样本量。σ是x1，x2，x3，x4，x5，x6的均方根。
通过采用上述技术方法，使得代价函数的梯度下降图更加平均对称，在进行梯度下降法中可以使用较大步长，而不需要使用一个非常小的学习效率反复执行，甚至迭代多次而无法收敛。其中，梯度下降法为；
j为成本函数，即损失函数的加和平均，w为权重参数，b为偏置参数；
S6.2,选择成本函数，即代价函数，
m是样本数量，i是第几个样本，,y(i),分别为模型计算的应力与原位试验测得的应力；
L为损失函数，即单个样本预测输出值与实际值的距离；
通过成本函数来衡量预测输出值和实际值有接近程度。用预测值和实际值的平方差或者它们平方差的一半，用来衡量本算法的运行情况。
S6.3，参照图2，可选的，在模型中，隐藏层、输出层采用激活函数；激活函数采用修正线性单元的ReLu函数，
ReLu函数公式为
g(z)＝max(0,z)；
a[l]＝g[l](z[l])； 公式(5)
当z是正值的情况下，导数恒等于1，当z是负值的时候，导数恒等于0，使得成本函数梯度下降时朝最快方向下降，获得公式(4)的w和b的最优值。
在步骤S6中，完成深度学习神经网络第一次迭代循环，应用成本函数J(w,b)首次训练得到参数w和b，重复迭代循环，直至成本函数J(w,b)收敛；
进行过拟合处理(L2正则化)；
l是整个模型(全连接模型)的第几层，n是对应层的第几个单元。
正则项为该矩阵范数被称作“弗罗贝尼乌斯范数”，用下标F标注；
用backprop计算出正则项的梯度下降，backprop给出公式(6)J对W的偏导数，是把W[l]替换为W[l]减去学习率乘以dW。
W[l]＝W[l]-adW[l]；
通过采用上述技术方法，给矩阵W乘以倍的权重，即矩阵W减去/>倍的它，也就是/>乘以矩阵W，该系数小于1，因此L2正则化也被称为权重衰减，防止深度学习神经网络过拟合。
S7：进行模型训练，验证集验证，测试集测试，完成深部岩体初始应力场推测。
参照图3，在步骤S6中，
具有多元非线性回归，前向传播(向量化)：
Z[l]＝W[l]·A[l-1]+b[l]；
A[l]＝g[l](Z[l])；
A[0]＝X；
X为归一化输入m个样本特征矩阵；W为隐藏层矩阵；b为实数；g[l]为第L层激活函数；A[l]为隐藏层或输出层单元；
参照图3，反向传播(向量化)：根据之前的前向传播反推超参数w、b，通过反向传播，不断更新w、b，让计算的y与真实的y之间的距离变小，直到满足设定的误差阈值，则定义为该模型为成功。
dZ[l]＝dA[l]*g[l]′(Z[l])
dA[l-1]＝W[l]T·Z[l]
dZ、dW、db为成本函数J对Z、W的偏导数；g[l]′为第L层激活函数导数；np.sum是python的numpy命令，axis＝1表示水平相加求和，keepdims是防止python输出那些古怪的秩数(n,1)，加上这个确保阵矩阵db[l]这个向量输出的维度为(n,1)这样标准的形式。
参照图4，深度学习模型建立，选择SNN模型，进行模型训练，验证集验证，测试集测试，完成深部岩体初始应力场推测。
最后，模型评估：最后用已经得到的模型，对之前已有数据进行测试，在输入端输入岩石弹性常数、波速，计算获得应力，比较计算获得的用力与试验测得的应力，评估模型好坏。
如图6-10所示，本实施例的测压组件，测压组件包括试验机架1，可以常规架体；在试验机架1上分别有加压框体部4、设置在加压框体部4中的试验测试组件2及位于试验测试组件2上方的试验悬挂头3；从而实现进行测压试验。
加压框体部4包括外框体架6，其可以是固定支撑；
在外框体架6底部中部设置有磁悬浮底座8，从而实现磁悬浮支撑；
作为同样的技术构思，在外框体架6侧壁上设置有外框电磁板10；
试验测试组件2包括内框体架16及设置在内框体架16上的悬挂架部5，以便于悬挂支撑；在内框体架16上部设置有上盖板部18；其活动设置，通过下压实现单向支撑，模拟所在深度压力，其深度一般在地表20米以下。
在试验悬挂头3下端连接有电动牵拉部15，在电动牵拉部15下端通过万向连接头14连接悬挂架部5；从而实现取样岩体24快速下降到工作台面上。
在内框体架16外侧壁上设置有与外框电磁板10对应的内电磁板17；
在上盖板部18下部通过上弹簧部20连接有上电磁板19，在上电磁板19下部设置有与上电磁板19互斥设置的上加压部21，从而实现电磁加压；
在内框体架16中设置有用于放置取样岩体24的承载框体22，其起到托载作用，保持取样岩体24的整体性与稳定性。
在承载框体22的加压内腔23底部放置有工艺垫板，从而实现垫高从而满足压力行程；
上加压部21用于下压取样岩体24的上表面，在取样岩体24底部设置有模拟震源25，在取样岩体24顶部设置有接收传感器组26，从而进行真实震源监测模拟。
至少在外框体架6底部内侧壁上分布有弹性辅助腿部7；启动辅助支撑，提高稳定性。
在磁悬浮底座8上设置有中心外限位部9；从而实现中心定位支撑。
在内框体架16上设置有导向套13；
在内框体架16底部设置有穿过导向套13的导向柱12；在内框体架16与上盖板部18之间连接有加压螺杆螺母组11。在导向作用下，通过螺栓实现
本实施例的取样岩体的测压方法，测压方法如下；
步骤A，首先，在取样岩体24底部安装模拟震源25，在取样岩体24顶部按照接收传感器组26；然后，将取样岩体24放置到对应的在承载框体22的加压内腔23中，并根据高度增减工艺垫板；
步骤B，首先，将承载框体22放置到内框体架16中；然后，将上加压部21放置到下压取样岩体24的上表面上；其次，导向柱12穿过导向套13，在内框体架16与上盖板部18之间连接加压螺杆螺母组11；
步骤C，首先，将内框体架16放置到外框体架6，并将内框体架16底部电磁板对正中心外限位部9，通过磁悬浮底座8产生分离，通过弹性辅助腿部7进行辅助支撑；
步骤D，首先，将电动牵拉部15与万向连接头14连接；
试验机架1；在试验机架1上分别有加压框体部4、设置在加压框体部4中的试验测试组件2及位于试验测试组件2上方的试验悬挂头3；
步骤E，首先，磁悬浮底座8充电产生悬浮，内电磁板17与外框电磁板10充电产生电磁互斥，上电磁板19与上加压部21充电产生电磁互斥；然后，电动牵拉部15向下加压，使得上加压部21向下产生单向轴压；其次，通过加压螺杆螺母组11旋转，调节压力松紧。
本实施例的深部岩体的应力场计算方法，包括深部岩体的地震层析反演方法；在步骤S5中，进行压力测试时，执行测压方法；
根据步骤S1采集数据，进行压力测试。
借助于测压组件，进行压力测试。
本发明的实施例，其采用试验机架1为支撑，通过试验测试组件2进行测试，实现模拟仿真，施加高压，还原并模拟再现取样岩体24在地球深层高压状态的情况，试验悬挂头3实现悬挂，加压框体部4实现支撑，悬挂架部5实现连接，外框体架6为外支撑，弹性辅助腿部7实现辅助支撑，优选为弹簧，从而实现振动隔绝。本发明通过磁悬浮底座8实现隔绝，从而减少振动的干扰，中心外限位部9实现支撑为定位支撑，外框电磁板10与内电磁板17实现隔离，减少振动干扰，通过加压螺杆螺母组11实现驱动加压锁紧与微调整，通过导向柱12，导向套13实现导向，万向连接头14实现柔性连接，电动牵拉部15实现框架的升降，实现大距离调节，内框体架16可以镂空或整体，上盖板部18通过上加压部21进行加压上电磁板19，上弹簧部20实现缓冲，承载框体22放置样本散碎，从而模拟震源25，接收传感器组26实现模拟测试。本发明压测组件，通过悬浮实现与外界隔离，从而减少外界振动的干扰，从而避免模拟震源产生的振动，向外界释放，通过架体再次传递到样本而干扰测量数据。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (5)

1.一种深部岩体的应力场计算方法，其特征在于：计算方法包括以下步骤；
S1，数据采集；首先，在岩体中有震源，布设传感器；然后，采集数据信息；数据信息包括记录震源与传感器位置以及从震源到传感器间记录的旅行时间；
S2，数据处理；收集并记录数据信息，针对数据信息，通过聚类分析方法进行预前处理，并将数据格式整理为设定格式；
S3，建立初始模型；S3.1，在深部对岩体取样作为取样岩体(24)并做标记；S3.2，对取样岩体(24)进行波速检测；S3.3，以波速检测信息为依据，建立初始地层模型速度场；
在步骤S3.2，在波速检测时，根据取样岩体(24)，用波速仪对不同深度的取样岩体(24)试样进行波速检测，并记录对应深度的对应波速特征；
S4，基于泰森多边形反演，对反演区域进行随机泰森多边形划分，应用数值分析插值方法计算多边形各点速度；
首先，基于FSM算法、SPM算法、DSPM算法，建立取样岩体(24)对应地层的模型，设定模拟震源和传感器位置，通过FSM算法、SPM算法、DSPM算法计算出模拟震源到传感器的时间和p波传播的路径；然后，对作为反演区域的研究区域用泰森多边形进行划分，求每一个划分区域的速度；
S5：获取深部岩石物理力学参数，对深部岩体取样，进行原位压力压缩与轴向波速测量，获得对应波速下岩石物理力学参数；岩石物理力学参数包括杨氏模量E、泊松比v、应变硬化模量H、峰值应变μ、峰后跌落模量M；
S6：深度学习模型建立，选择回归神经网络模型；
S7：进行模型训练，验证集验证，测试集测试，完成深部岩体初始应力场计算；
S8，模型评估：用已经得到的模型，对之前已有数据进行测试，在输入端输入岩石弹性常数、波速，计算获得应力，比较计算获得的应力与试验测得的应力，评估模型好坏。
2.根据权利要求1所述的深部岩体的地震层析反演方法，其特征在于：震源为人工震源或地理震源；在S2中，设定格式为h5格式；
在步骤S3中，对于S2处理后的数据，在正演模型四面体参数化的基础上，应用方法FSM、SPM、DSPM，联合确定波阵面法线方向的轨迹，获取满足设定要求的波穿过成像区域的射线轨迹；
在S3.3中，首先，通过迭代求波速，根据对作为反演区域的研究区域，取样岩体(24)进行取样测试；然后，将取样岩体(24)测试的速度当作初始模型的速度；
在迭代求波速时，将初始模型的速度划分成若干立方体，形成对应的小区域，每个小区域匹配有对应速度值，之后，在反演时迭代求解速度。
3.根据权利要求1所述的深部岩体的地震层析反演方法，其特征在于：在步骤S4中，通过多个投影矩阵，把模型参数投影到低维空间求广义逆矩阵，通过循环模型矩阵不同子空间后，将各个子空间反投影到高维空间，通过加权平均方式，求解反演波速场参数；
在步骤S5中，对研究区域进行钻孔取样，进行压力测试，测的数据有岩石物理力学参数、波速、应力值。
4.根据权利要求1所述的深部岩体的地震层析反演方法，其特征在于：在步骤S6中，S6.1,首先，在神经网络输入端对步骤S4的p波波速、岩石物理力学参数进行归一化处理，归一化处理包括零均值化及归一化方差；
零均值化：
μ是x(i)的平均值，i是每一个x1，x2，x3，x4，x5，x6的样本数；
归一化方差：
x(i)为输入端样本特征值，即P波波速、岩石物理力学参数参数，m为数据样本量；σ是x1，x2，x3，x4，x5，x6的均方根；
S6.2,选择成本函数，即代价函数，
m是样本数量，i是第几个样本，y(i),分别为模型计算的应力与原位试验测得的应力；L为损失函数，即单个样本预测输出值与实际值的距离；
通过成本函数来衡量预测输出值和实际值有接近程度；
然后，执行梯度下降法；
梯度下降法为；
j为成本函数，即损失函数的加和平均，w为权重参数，b为偏置参数；
S6.3，在模型中，隐藏层、输出层采用激活函数计算；激活函数采用修正线性单元的ReLu函数；
ReLu函数公式为
g(z)＝max(0，z)；
a[l]＝g[l](z[l])； 公式(5)
当z是正值的情况下，导数恒等于1，当z是负值的时候，导数恒等于0，使得成本函数梯度下降时朝最快方向下降，获得公式(4)的w和b的最优值；
w和b是整个模型的超参数，即为多元非线性回归中的w和b；
在步骤S6中，完成深度学习神经网络第一次迭代循环，应用成本函数J(w，b)首次训练得到参数W和b，重复迭代循环，直至成本函数J(w，b)收敛；
S6.4，首先，进行过拟合处理，通过L2正则化；
l是整个模型(全连接模型)的第几层，n是对应层的第几个单元；
正则项为
然后，用backprop计算出正则项的梯度下降，backprop给出公式(6)中的J对W的偏导数，把W[l]替换为W[l]减去学习率乘以dW；
W[l]＝W[l]-adW[l]；
5.根据权利要求4所述的深部岩体的地震层析反演方法，其特征在于：在S6.1中，进行归一化时，前向传播，向量化：
Z[l]＝W[l]·A[l-1]+b[l]；
A[l]＝g[l](Z[l])；
A[0]＝X； 公式(9)
X为归一化输入m个样本特征矩阵；W为隐藏层矩阵；b为实数；g[l]为第L层激活函数；A[l]为隐藏层或输出层单元；
S6.1.2，进行反向传播，向量化：根据S6.1.1的前向传播反推超参数w、b，通过反向传播，不断更新w、b，让计算的y与真实的y之间的距离变小，直到满足设定的误差阈值，并通过测试集测试，则定义为该模型为成功。
CN202310209221.9A 2023-03-07 2023-03-07 深部岩体的应力场计算方法 Active CN116609828B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310209221.9A CN116609828B (zh) 2023-03-07 2023-03-07 深部岩体的应力场计算方法
CN202311809291.4A CN118363066A (zh) 2023-03-07 2023-03-07 一种测压组件及测压方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310209221.9A CN116609828B (zh) 2023-03-07 2023-03-07 深部岩体的应力场计算方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311809291.4A Division CN118363066A (zh) 2023-03-07 2023-03-07 一种测压组件及测压方法

Publications (2)

Publication Number Publication Date
CN116609828A CN116609828A (zh) 2023-08-18
CN116609828B true CN116609828B (zh) 2024-03-12

Family

ID=87675302

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310209221.9A Active CN116609828B (zh) 2023-03-07 2023-03-07 深部岩体的应力场计算方法
CN202311809291.4A Pending CN118363066A (zh) 2023-03-07 2023-03-07 一种测压组件及测压方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202311809291.4A Pending CN118363066A (zh) 2023-03-07 2023-03-07 一种测压组件及测压方法

Country Status (1)

Country Link
CN (2) CN116609828B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117741734B (zh) * 2024-02-20 2024-05-07 四川公路桥梁建设集团有限公司 一种隧道围岩的应力测量方法及其在岩爆防治中的应用

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104656124A (zh) * 2015-02-06 2015-05-27 山东大学 一种基于物探方法的多参量综合岩爆预测方法
CN114861519A (zh) * 2022-03-07 2022-08-05 成都理工大学 复杂地质条件下初始地应力场加速优化反演方法
CN115017833A (zh) * 2022-08-09 2022-09-06 中国科学院武汉岩土力学研究所 基于深度神经网络的高地应力软岩体地应力计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230031116A1 (en) * 2022-09-27 2023-02-02 Chengdu University Of Technology Method of quantitative evaluation on structural disturbance characteristics of present in-situ geo-stress in deep shale gas reservoirs

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104656124A (zh) * 2015-02-06 2015-05-27 山东大学 一种基于物探方法的多参量综合岩爆预测方法
CN114861519A (zh) * 2022-03-07 2022-08-05 成都理工大学 复杂地质条件下初始地应力场加速优化反演方法
CN115017833A (zh) * 2022-08-09 2022-09-06 中国科学院武汉岩土力学研究所 基于深度神经网络的高地应力软岩体地应力计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
神经网络在岩体力学参数和地应力场反演中的应用;金长宇;马震岳;张运良;沙瑞华;陈庆发;;岩土力学;20060828(第08期);全文 *
钻井岩石力学参数三维建模方法及其现场应用;刘建华;吴超;陶兴华;;钻采工艺;20200125(第01期);全文 *

Also Published As

Publication number Publication date
CN118363066A (zh) 2024-07-19
CN116609828A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
Grosse et al. Localization and classification of fracture types in concrete with quantitative acoustic emission measurement techniques
US20180292553A1 (en) Method and Apparatus for Separating Seismic Diffracted Wave
Toomey et al. Microearthquakes beneath median valley of Mid‐Atlantic Ridge near 23° N: Tomography and tectonics
US8755249B2 (en) Automatic dispersion extraction of multiple time overlapped acoustic signals
US20050190649A1 (en) Method for monitoring seismic events
CN116609828B (zh) 深部岩体的应力场计算方法
US4809239A (en) Method for evaluating parameters related to the elastic properties of subsurface earth formations
US11789173B1 (en) Real-time microseismic magnitude calculation method and device based on deep learning
WO2012139082A1 (en) Event selection in the image domain
CN106918836A (zh) 基于主成分分析的钻孔应变数据异常提取方法
CN105549068A (zh) 一种三维各向异性微地震干涉逆时定位方法及系统
MX2014003060A (es) Sistemas y metodos de filtracion de dominio de frecuencia y discriminacion de dominio de espacio-tiempo de datos sismicos.
CN103238087A (zh) 基于耦合振动器的大地模型的地震数据滤波
CN110018517A (zh) 一种多尺度地面微地震逆时干涉定位方法
CN109884710A (zh) 针对激发井深设计的微测井层析成像方法
CN104166159B (zh) 四维微地震监测的裂缝形态处理方法和系统
CN108828660A (zh) 一种裂缝介质pp波与分裂ps波avo联合反演方法
CN112965102A (zh) 一种基于阻抗敏感核函数的最小二乘逆时偏移成像方法
CN111781639A (zh) 针对obs多分量数据的炮检互易弹性波全波形反演方法
CN111694053A (zh) 初至拾取方法及装置
CN111308558A (zh) 页岩气水平井纵波时差校正方法
KR101318994B1 (ko) 복수의 가중치를 이용한 지하매질 구조 추정 방법 및 장치
CN113777654B (zh) 一种基于伴随状态法初至波走时层析的海水速度建模方法
Jreij et al. Improving point-sensor image resolution with distributed acoustic sensing at Brady’s enhanced geothermal system
US11226425B2 (en) Method of compressing seismic waves using Gabor frames for subsurface geology characterization

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