CN116677367A - 一种基于随钻参数特征的智能实时岩层反演识别方法 - Google Patents

Abstract

本发明公开了一种基于随钻参数特征的智能实时岩层反演识别方法，包括在室内钻机试验平台上对不同种类的岩石样品开展模拟钻进试验，并通过在钻机上安装传感器的方式，采集岩块钻进过程中的随钻参数，对采集到的钻杆轴向振动信号进行时频分析处理并训练，以用于识别岩层的人工神经网络模型；在钻探作业现场将采集的随钻数据输入训练好的人工神经网络模型，人工神经网络模型实时输出钻遇岩层的界面及岩性种类等识别结果，以对地层地质及岩土体分级，并且在钻进过程中工作人员可以根据随钻岩层识别结果及时调整钻进参数及路径，有利于保证钻孔质量、提高钻探效率、节省大量的人力物力。

Description

一种基于随钻参数特征的智能实时岩层反演识别方法

技术领域

本发明涉及地质勘测技术领域，特别涉及一种基于随钻参数特征的智能实时岩层反演识别方法。

背景技术

在不同的工程领域，相关的地质勘探与分析是其中最复杂、最艰巨的一项任务。在工程地质勘察勘探的各个阶段，可以从野外获得各种地质信息，包括地表地形、地层界面、断层、地下水位、风化层厚度分布以及各种物探化探资料等。但这些信息都是离散不连续的数据，地质工作者很难直接利用它们分析其在地质体中的分布规律，必然会面临如何利用这些实测资料来推断地质信息在研究区域内的分布规律及其复杂关系的问题。其中，钻探、物探方法是目前工程地质勘探中最为常见的勘探手段。钻探方法通过撷取实体样本，能精确、直接地揭露异常地质体，但是撷取实体进行岩层识别耗时长、成本高，而若能在钻探过程中实时的识别出岩层的种类，则可及时根据情况调整钻进路径、钻进参数，对保证工程地质勘探钻孔质量，保障工程顺利实施具有以下重要意义。

发明内容

有鉴于此，本发明的目的是提供一种基于随钻参数特征的智能实时岩层反演识别方法，以解决在钻探过程中实时反映钻进岩层的种类的技术问题。

本发明基于随钻参数特征的智能实时岩层反演识别方法包括以下步骤：

1)在钻进试验台上对不同种类的岩石样品开展模拟钻进试验，并在钻机上设置传感器采集随钻参数，所述随钻参数包括钻进过程中的钻杆扭矩、钻进压力、钻进速度、钻杆转速和钻杆轴向振动信号；

①采用钻进比功来反映钻进过程中岩石破碎的综合特征，公式表示为：

式中，P_f为钻进过程中单位时间内钻头破碎岩石所做的功，是孔深(或地层深度)h的函数；D_b为钻头外直径；D_i为钻头内直径，当为破坏钻进时，D_i＝0；V为穿孔速率。

2)对采集到的钻杆轴向振动信号进行处理：

①对采集的钻杆轴向振动信号采用阈值截取法进行处理，将振幅小于设定阈值的数据全部删除，将大于设定阈值的数据全部保留；

②对保留下来的钻杆轴向振动信号进行分帧处理，将每个单位采样时间段t视为一个观测单位，每个观测单位内包含N个时间采样点，一个观测单位内的N个时间采样点构成一帧数据x(n)，其中0≤n＜N；

③对每帧数据提取特征参数，所述特征参数包括：方差、均方根值、波峰因素和峭度，信号特征参数的表达式分别如下：

方差：

均方根值：

波峰因素：

峭度：

以上算式中N表示时间采样点的数量，x_i表示一帧振动数据中第i个采样点的幅值，x表示一帧振动数据的N个采样点的振动幅值平均值，|x_i|_max表示一帧振动数据的N个采样点中的最大振幅，x_rms一帧振动数据的波形有效值；

提取得到的方差和均方根表示振动信号的平均能量，用于定量反映岩层界面的变化；提取得到的波峰因素表示硬岩和软岩的差异程度，峭度指数反映硬岩和软岩的变化率，波峰因素和峭度用于定性划分岩石性质；

④对每帧数据进行时域特征分析，得到用于区分岩层岩体结构特征的对数能量，其包括步骤：

a)对钻杆轴向振动信号进行分帧处理，N个时间采样点集合成一个观测单位x(n)，0≤n＜N，称为一帧；相邻两帧之间重叠W个样点，W值为

b)对每一帧数据进行快速傅里叶变换，计算频谱：

c)计算每一帧数据的对数能量：

d)将对数能量的振幅谱通过一组滤波器组，计算通过滤波器组后的对数能量，滤波器组采用三角滤波器，选定一组中心频率f^m，m＝1，2，...，M，三角滤波器频率响应为：

其中，/>

滤波后的对数能量

3)对通过采集随钻参数得到的钻进比功与钻杆轴向振动信号相同的分帧处理，并通过方差、均方根值、波峰因素和峭度分析振动信号的时域特征指数；

4)将同一个时间单位内的钻进比功和钻杆轴向振动信号的方差、均方根值、波峰因素和峭度以及同一个时间单位内的钻杆轴向振动信号的对数能量E和滤波后的对数能量S(m)作为一个数组，将全部的数据构成训练人工神经网络的训练集；

5)构建人工神经网络模型，所述人工神经网络模型由输入层、隐藏层、输出层构成，采用步骤4)中所述的训练集内的数据训练人工神经网络模型，训练算法采用KFCM算法，得到用于识别钻遇岩层类别的人工神经网络模型；KFCM算法的聚类目标函数为：

式中，k为聚类别数；N为原始特征空间样本数量；x_j为原始特征空间中第j个样本，j＝1,2...,N；μ_ij为第j个样本x_j对第i类的隶属度μ_ij∈[0，1]；m为模糊度；v_i为高维特征空间中第i类的聚类中心，i＝1,2...,k；d(φ(x_j)，v_i)为高维特征空间中第j个样本x_j与第i类的聚类中心v_i之间的距离；则KFCM算法的聚类中心v_i为

最小化目标函数可通过令其对隶属度矩阵U的偏导数为0进行求导，则隶属度μ_rs为：

式中，r＝1,2,...,N；s＝1,2,...,k；

通过式(3)和(4)可以不断循环优化计算出聚类中心v_i和隶属度μ_rs，从而得到聚类结果；

6)采用模糊C均值聚类算法进行地层界面的分类识别。算法定义如下：假设X＝{x₁,x₂,...,x_N}为待聚类的钻进过程中随钻参数钻进比功、采集到的钻杆特征参数数据集，FCM算法将每个对象x_j(1≤j≤N)分配给C个地层类别，使用C×N的隶属矩阵U＝{u_ij}表示对象与类别之间的隶属关系，其中u_ij表示第j个对象属于第i个类的隶属程度。针对X的模糊划分空间定义为：

7)在钻探现场的钻机上安装传感器实时采集钻杆扭矩、给进压力、钻进速度、钻机转速等参数通过计算得到实时的钻进比功，并将采集的钻杆轴向振动信号数据做分帧处理，然后对每帧数据提取特征参数：方差、均方根值、波峰因素和峭度，以及提取每帧数据中轴向振动信号的对数能量E和滤波后的对数能量S(m)，将数据实时输入训练好的人工神经网络模型，人工神经网络模型输出实时钻遇岩层的聚类分析结果。

本发明的有益效果：

本发明基于随钻参数特征的智能实时岩层反演识别方法，通过对不同种类的岩石进行钻进试验，并采集得到对应的随钻参数，特别是对采集得到的钻杆振动数据进行一系列处理后，得到了能反映岩石特性的振动信号特征，并用这些信号特征建成训练人工神经网络模型的数据集，通过训练成功的人工神经网络模型对现场实际钻探过程中实时采集的随钻参数进行处理，实现了对钻遇岩层的种类识别，能实时精确获取钻孔不同深度岩层情况，以对地层地质及岩土体分级，并且在钻进过程中工作人员可以根据随随钻岩层识别结果及时调整钻进参数及路径，有利于在钻进过程中指导钻进作业，是钻进作业能根据岩层种类及时调整钻进参数及路径，有利于保证钻孔质量、提高钻探效率、节省大量的人力物力，同时也是钻探工程的智能化发展的重要方向。

具体实施方式

下面结合实施例对本发明作进一步描述。

本实施例中基于随钻参数特征的智能实时岩层反演识别方法，其特征在于：包括以下步骤：

1)在钻进试验台上对不同种类的岩石样品开展模拟钻进试验，并在钻机上设置传感器采集随钻参数，所述随钻参数包括钻进过程中的钻杆扭矩、钻进压力、钻进速度、钻杆转速和钻杆轴向振动信号；

①采用钻进比功来反映钻进过程中岩石破碎的综合特征，公式表示为：

式中，P_f为钻进过程中单位时间内钻头破碎岩石所做的功，是孔深(或地层深度)h的函数；D_b为钻头外直径；D_i为钻头内直径，当为破坏钻进时，D_i＝0；V为穿孔速率。

2)对采集到的钻杆轴向振动信号进行处理：

①对采集的钻杆轴向振动信号采用阈值截取法进行处理，将振幅小于设定阈值的数据全部删除，将大于设定阈值的数据全部保留；

②对保留下来的钻杆轴向振动信号进行分帧处理，将每个单位采样时间段t视为一个观测单位，每个观测单位内包含N个时间采样点，一个观测单位内的N个时间采样点构成一帧数据x(n)，其中0≤n＜N；

③对每帧数据提取特征参数，所述特征参数包括：方差、均方根值、波峰因素和峭度，信号特征参数的表达式分别如下：

方差：

均方根值：

波峰因素：

峭度：

以上算式中N表示时间采样点的数量，x_i表示一帧振动数据中第i个采样点的幅值，表示一帧振动数据的N个采样点的振动幅值平均值，|x_i|_max表示一帧振动数据的N个采样点中的最大振幅，x_rms一帧振动数据的波形有效值；

提取得到的方差和均方根表示振动信号的平均能量，用于定量反映岩层界面的变化；提取得到的波峰因素表示硬岩和软岩的差异程度，峭度指数反映硬岩和软岩的变化率，波峰因素和峭度用于定性划分岩石性质；

④对每帧数据进行时域特征分析，得到用于区分岩层岩体结构特征的对数能量，其包括步骤：

a)对钻杆轴向振动信号进行分帧处理，N个时间采样点集合成一个观测单位x(n)，0≤n＜N，称为一帧；相邻两帧之间重叠W个样点，W值为

b)对每一帧数据进行快速傅里叶变换，计算频谱：

c)计算每一帧数据的对数能量：

d)将对数能量的振幅谱通过一组滤波器组，计算通过滤波器组后的对数能量，滤波器组采用三角滤波器，选定一组中心频率f^m，m＝1，2，...，M，三角滤波器频率响应为：

其中，/>

滤波后的对数能量

3)对通过采集随钻参数得到的钻进比功与钻杆轴向振动信号相同的分帧处理，并通过方差、均方根值、波峰因素和峭度分析振动信号的时域特征指数；

4)将同一个时间单位内的钻进比功和钻杆轴向振动信号的方差、均方根值、波峰因素和峭度以及同一个时间单位内的钻杆轴向振动信号的对数能量E和滤波后的对数能量S(m)作为一个数组，将全部的数据构成训练人工神经网络的训练集；

5)构建人工神经网络模型，所述人工神经网络模型由输入层、隐藏层、输出层构成，采用步骤4)中所述的训练集内的数据训练人工神经网络模型，训练算法采用KFCM算法，得到用于识别钻遇岩层类别的人工神经网络模型；KFCM算法的聚类目标函数为：

式中，k为聚类别数；N为原始特征空间样本数量；x_j为原始特征空间中第j个样本，j＝1,2...,N；μ_ij为第j个样本x_j对第i类的隶属度μ_ij∈[0，1]；m为模糊度；v_i为高维特征空间中第i类的聚类中心，i＝1,2...,k；d(φ(x_j)，v_i)为高维特征空间中第j个样本x_j与第i类的聚类中心v_i之间的距离；则KFCM算法的聚类中心v_i为

最小化目标函数可通过令其对隶属度矩阵U的偏导数为0进行求导，则隶属度μ_rs为：

式中，r＝1,2,...,N；s＝1,2,...,k；

通过式(3)和(4)可以不断循环优化计算出聚类中心v_i和隶属度μ_rs，从而得到聚类结果；

6)采用模糊C均值聚类算法进行地层界面的分类识别。算法定义如下：假设X＝{x₁,x₂,...,x_N}为待聚类的钻进过程中随钻参数钻进比功、采集到的钻杆特征参数数据集，FCM算法将每个对象x_j(1≤j≤N)分配给C个地层类别，使用C×N的隶属矩阵U＝{u_ij}表示对象与类别之间的隶属关系，其中u_ij表示第j个对象属于第i个类的隶属程度。针对X的模糊划分空间定义为：

7)在钻探现场的钻机上安装传感器实时采集钻杆扭矩、给进压力、钻进速度、钻机转速等参数通过计算得到实时的钻进比功，并将采集的钻杆轴向振动信号数据做分帧处理，然后对每帧数据提取特征参数：方差、均方根值、波峰因素和峭度，以及提取每帧数据中轴向振动信号的对数能量E和滤波后的对数能量S(m)，将数据实时输入训练好的人工神经网络模型，人工神经网络模型输出实时钻遇岩层的聚类分析结果。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于随钻参数特征的智能实时岩层反演识别方法，其特征在于：包括以下步骤：

1)在钻进试验台上对不同种类的岩石样品开展模拟钻进试验，并在钻机上安装传感器采集随钻参数，所述随钻参数包括钻进过程中的钻杆扭矩、钻进压力、钻进速度、钻杆转速和钻杆轴向振动信号；

①采用钻进比功来反映钻进过程中岩石破碎的综合特征，得到在钻进地层中，钻进比功随钻头位移的变化，公式表示为：

式中，P_f为钻进过程中单位时间内钻头破碎岩石所做的功；D_b为钻头外直径；D_i为钻头内直径，当为破坏钻进时，D_i＝0；V为穿孔速率；

2)对采集到的钻杆轴向振动信号进行处理：

①对采集的钻杆轴向振动信号采用阈值截取法进行处理，将振幅小于设定阈值的数据全部删除，将大于设定阈值的数据全部保留；

②对保留下来的钻杆轴向振动信号进行分帧处理，将每个单位采样时间段t视为一个观测单位，每个观测单位内包含N个时间采样点，一个观测单位内的N个时间采样点构成一帧数据x(n)，其中0≤n＜N；

③对每帧数据提取特征参数，所述特征参数包括：方差、均方根值、波峰因素和峭度，信号特征参数的表达式分别如下：

方差：

均方根值：

波峰因素：

峭度：

以上算式中N表示时间采样点的数量，x_i表示一帧振动数据中第i个采样点的幅值，表示一帧振动数据的N个采样点的振动幅值平均值，|x_i|_max表示一帧振动数据的N个采样点中的最大振幅，x_rms一帧振动数据的波形有效值；

提取得到的方差和均方根表示振动信号的平均能量，用于定量反映岩层界面的变化；提取得到的波峰因素表示硬岩和软岩的差异程度，峭度指数反映硬岩和软岩的变化率，波峰因素和峭度用于定性划分岩石性质；

④对每帧数据进行时域特征分析，得到用于区分岩层岩体结构特征的对数能量，其包括步骤：

a)对钻杆轴向振动信号进行分帧处理，N个时间采样点集合成一个观测单位x(n)，0≤n＜N，称为一帧；相邻两帧之间重叠W个样点，W值为

b)对每一帧数据进行快速傅里叶变换，计算频谱：

c)计算每一帧数据的对数能量：

d)将对数能量的振幅谱通过一组滤波器组，计算通过滤波器组后的对数能量，滤波器组采用三角滤波器，选定一组中心频率f^m，m＝1，2，...，M，三角滤波器频率响应为：

滤波后的对数能量

3)对通过采集随钻参数得到的钻进比功与钻杆轴向振动信号相同的分帧处理，并通过方差、均方根值、波峰因素和峭度分析振动信号的时域特征指数；

4)将同一个时间单位内的钻进比功和钻杆轴向振动信号的方差、均方根值、波峰因素和峭度以及同一个时间单位内的钻杆轴向振动信号的对数能量E和滤波后的对数能量S(m)作为一个数组，将全部的数据构成训练人工神经网络的训练集；

5)构建人工神经网络模型，所述人工神经网络模型由输入层、隐藏层、输出层构成，采用步骤4)中所述的训练集内的数据训练人工神经网络模型，训练算法采用KFCM算法，得到用于识别钻遇岩层类别的人工神经网络模型；KFCM算法的聚类目标函数为：

式中，k为聚类别数；N为原始特征空间样本数量；x_j为原始特征空间中第j个样本，j＝1，2…，N；μ_ij为第j个样本x_j对第i类的隶属度μ_ij∈[0，1]；m为模糊度；v_i为高维特征空间中第i类的聚类中心，i＝1，2...，k；d(φ(x_j)，v_i)为高维特征空间中第j个样本x_j与第i类的聚类中心v_i之间的距离；则KFCM算法的聚类中心v_i为

最小化目标函数可通过令其对隶属度矩阵U的偏导数为0进行求导，则隶属度μ_rs为：

式中，r＝1，2，...，N；s＝1，2，...，k；

通过式(3)和(4)可以不断循环优化计算出聚类中心v_i和隶属度μ_rs，从而得到聚类结果；

6)采用模糊C均值聚类算法进行地层界面的分类识别；算法定义如下：假设X＝{x₁，x₂，...，x_N}为待聚类的钻进过程中随钻参数钻进比功、采集到的钻杆特征参数数据集，FCM算法将每个对象x_j(1≤j≤N)分配给C个地层类别，使用C×N的隶属矩阵U＝{u_ij}表示对象与类别之间的隶属关系，其中u_ij表示第j个对象属于第i个类的隶属程度；针对X的模糊划分空间定义为：

7)在钻探现场的钻机上安装传感器实时采集钻杆扭矩、给进压力、钻进速度、钻机转速等参数通过计算得到实时的钻进比功，并将采集的钻杆轴向振动信号数据做分帧处理，然后对每帧数据提取特征参数：方差、均方根值、波峰因素和峭度，以及提取每帧数据中轴向振动信号的对数能量E和滤波后的对数能量S(m)，将数据实时输入训练好的人工神经网络模型，人工神经网络模型输出实时钻遇岩层的聚类分析结果。