CN116696323B - 钻进过程预警装置及方法 - Google Patents

Abstract

本发明公开一种钻进过程预警装置及方法。所述预警装置包括第一振动传感器、至少两个第二振动传感器及计算机终端；所述第一振动传感器获取钻进时的第一振动数据；至少两个所述第二振动传感器获取在钻进时的第二振动数据；所述计算机根据所述第一振动数据及至少两个所述第二振动数据构建有振动数据矩阵；所述计算机终端根据至少一神经网络模型预测与所述振动数据矩阵关联的钻进状态。本实施例公开预警装置基于钻杆在钻进达到及未到达深部空区时产生振动及其沿钻杆方向衰减的信号特征，利用神经网络模型对此信号特征作出预测，以在地表完成对当前钻进是否达到深部空区的预测，帮助智能探杆仅在达到深部空区后展开其传感器组合，避免设备损坏。

Description

钻进过程预警装置及方法

技术领域

本发明涉及地质勘探领域，具体而言，涉及一种钻进过程预警装置及方法。

背景技术

深部空区的窥视成像一种是测量人员持探测仪器深入地下空间开展探测，另一种是通过钻孔将探测仪器送入到深部空区开展探测。

对于现有的探测仪器，如声呐、激光雷达、摄像装置等，必须事先形成稳定的钻孔通道，使探测仪器能够进入深部空区实施探测，但探测仪器的探测深度有限，无法实施在前述深部空区的探测。

那么，对于深部煤矿开采形成的深部空区，无论是工作面后方的冒落空区，还是井下事故的救援现场，测量人员都不能进入，且由于深部空区的上覆岩层曾发生剧烈的开采扰动破坏，地面不能形成有效的钻孔通道，难以将探测仪器送入深部空区。那么在应急救援工作中，由于时间紧、任务重，则对深部空区的人员测量及钻孔探测都无法满足事故处理要求。

因此，使多种探测设备跟随地质钻头同步进入深部空区，实施随钻随探作业，是当前对深部空区进行探测的关键技术。

随钻作业中在钻头达到深部空区后需要将智能探杆的传感器组合部分展出，使传感器组合能够在深部空区内实时数据采集。但在传感器组合展开前是无法对深部空区内数据进行采集，那么传感器组合无法帮助判断智能探杆是否到达深部空区，而在到达深部空区前如果将传感器组合展开则容易对设备造成损坏。

发明内容

本发明实施例为克服现有技术存在缺陷公开钻进过程预警装置及方法。

第一方面，本发明实施例公开一种钻进过程预警装置，所述预警装置应用在钻杆系统；所述钻杆系统包括钻头、智能探杆及通信钻杆，所述智能探杆沿竖向连接在所述钻头及所述通信钻杆之间；所述预警装置包括第一振动传感器、至少两个第二振动传感器及计算机终端；所述第一振动传感器部署在所述智能探杆，并且获取所述钻头在钻进时在所述智能探杆位置反馈的第一振动数据；至少两个所述第二振动传感器竖向部署在所述通信钻杆，并且获取所述钻头在钻进时在所述通信钻杆位置反馈的第二振动数据；所述计算机终端部署在地表，并且经所述通信钻杆接收所述第一振动数据及所述第二振动数据；所述计算机终端根据所述第一振动数据及至少两个所述第二振动数据构建有振动数据矩阵；所述计算机终端根据至少一神经网络模型预测与所述振动数据矩阵关联的钻进状态；所述计算机终端根据所述钻进状态判断所述钻头达到深部空区的状态。

此外，本发明实施例中所述计算机终端获取所述第一振动数据沿钻进方向的第一振动加速度；所述计算机终端获取所述第二振动数据沿钻进方向的第二振动加速度；所述计算机终端根据所述第一振动加速度及至少两个所述第二加速度据构建所述振动数据矩阵。

此外，本发明实施例中所述计算机终端获取所述第一振动加速度的第一频域数据，所述第二振动加速度的第二频域数据；所述计算机终端获取所述第一频域数据中不同频率分量的第一振幅点，所述第二频域数据中不同频率分量的第二振幅点；所述计算机终端根据所述第一振幅点及至少两个所述第二振幅点创建所述振动数据矩阵。

此外，本发明实施例中所述计算机终端根据快速傅里叶变换获取所述第一振动加速度为所述第一频域数据。

此外，本发明实施例中所述计算机终端根据快速傅里叶变换获取所述第二振动加速度为所述第二频域数据。

此外，本发明实施例中所述计算机终端通过主成分分析法降维所述振动数据矩阵为降维数据矩阵；所述计算机终端根据所述神经网络模型预测与所述降维数据矩阵关联的所述钻进状态。

此外，本发明实施例中所述神经网络模型配置有，所述计算机终端获取所述钻头在达到深部空区时在智能探杆位置反馈的第一样本数据；所述计算机终端获取所述钻头在达到深部空区时在通信钻杆位置反馈的至少两个第二样本数据；所述计算机终端获取所述第一样本数据及所述第二样本数据沿钻进方向的第一样本加速度及第二样本加速度；所述计算机终端获取所述第一样本加速度的第一样本频域数据，所述第二样本加速度的第二样本频域数据；所述计算机终端获取所述第一样本频域数据及所述第二样本频域数据的第一样本振幅点及第二样本振幅点；所述计算机终端根据所述第一样本振幅点及所述第二样本振幅点创建样本数据矩阵；所述计算机终端标记有所述样本数据矩阵关联的样本标签；所述计算机终端通过至少一个所述样本数据矩阵与所述样本标签的数据集合训练所述神经网络模型。

此外，本发明实施例中所述计算机终端通过仿真模拟所述钻头在达到深部空区时在智能探杆位置反馈的所述第一样本数据，在通信钻杆反馈的所述第二样本数据。

此外，本发明实施例中所述样本标签的类型至少包括深部空区、深部积水区、深部破碎岩区的一个或多种。

第二方面，本发明实施例公开一种钻进过程预警方法，所述预警方法应用在所述预警装置，所述预警方法包括，所述第一振动传感器获取所述钻头在钻进时在所述智能探杆位置反馈的第一振动数据；至少两个所述第二振动传感器获取所述钻头在钻进时在所述通信钻杆位置反馈的第二振动数据；所述计算机终端部署接收所述第一振动数据及所述第二振动数据；所述计算机终端根据所述第一振动数据及至少两个所述第二振动数据构建有振动数据矩阵；所述计算机终端根据至少一神经网络模型预测与所述振动数据矩阵关联的钻进状态；所述计算机终端根据所述钻进状态判断所述钻头达到深部空区的状态。

本发明实施例与现有技术相比，本实施例公开预警装置基于钻杆在钻进达到深部空区时产生振动及其沿通信钻杆的长度方向衰减，与钻进过程中未到达深部空区前振动及其沿通信钻杆的长度方向衰减的信号特征，利用神经网络模型对此信号特征作出预测，以在地表完成对当前钻进是否达到深部空区的预测，使智能探杆能够在达到深部空区后再展开其传感器组合，避免对传感器组合中的设备造成损坏。

针对上述方案，本发明通过以下参照附图对公开的示例性实施例作详细描述，亦使本发明实施例的其它特征及其优点清楚。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示为本实施例钻进过程预警装置在钻杆系统部署的结构示意图；

图2示为本实施例预测智能探杆达到深部空区的流程示意图；

图3为本实施例获取频域数据的流程示意图。

具体实施方式

为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，公开这些实施例的目的是使本申请的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

在此使用时，单数形式的“一”、“一个”和“/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。

本实施例公开有用于钻进过程预警装置。所述钻进过程预警装置应用在钻杆系统。所述钻杆系统包括钻头110、智能探杆120、通信钻杆130及中继杆节140；所述智能探杆120沿竖向连接在所述钻头110及所述通信钻杆130之间。

图1示出本实施例预警装置在钻杆系统部署的结构示意图。图1示出预警系统包括一个第一振动传感器、多个第二振动传感器及计算机终端。一个第一振动传感器部署在智能探杆120，用于在钻头110钻进时实时获取振动传感器在智能探杆120的部署位置附近的第一振动数据。多个第二振动传感器沿通信钻杆130的杆向间隔的部署，具体是第二振动传感器分别部署在相邻两个通信钻杆130之间的中继杆节140，用于在钻头110钻进时实时获取第二振动传感器在中继杆节140的部署位置附近的第二振动数据。计算机终端部署在地表，并且通过线缆读取来自通信钻杆130内通信链路的电信号，由此计算机终端通过通信链路接收第一振动数据及第二振动数据，并且根据第一振动数据及第二振动数据的组合预测智能探杆120的部分是否已达到深部空区及其相关区域。

图2示出本实施例计算机终端根据振动数据预测智能探杆120是否达到深部空区的流程示意图。图2示出计算机终端根据振动数据预测智能探杆120是否达到深部空区包括如下步骤。

步骤S10计算机终端沿通信钻杆130接收来自地层的第一振动数据及多个第二振动数据。

步骤S20计算机终端根据第一振动数据及多个第二振动数据构建振动数据矩阵。

步骤S30计算机终端根据一在先训练的神经网络模型预测与振动数据矩阵关联的钻进状态。

步骤S40计算机终端根据钻进状态判断钻头110达到深部空区的状态，达到深部空区的状态包括深部空区、深部积水区、深部破碎岩区的任意一种。

本实施例在步骤S10的技术方案中，计算机终端获取振动加速度的频域数据。图3示出本实施例计算机终端获取频域数据的流程示意图。图3示出计算机终端获取频域数据包括如下步骤。

步骤S11计算机终端沿钻进方向获取第一振动数据的第一振动加速度，第二振动数据的第二振动加速度。

步骤S12计算机终端根据第一振动加速度及多个第二加速度据构建所述振动数据矩阵。

步骤S13计算机终端根据快速傅里叶变换获取第一振动加速度为第一频域数据，第二振动加速度为第二频域数据。

本实施例在步骤S20的技术方案中，计算机终端获取第一频域数据中多个频率分量的第一振幅点集，第二频域数据中多个频率分量的第二振幅点集，并且沿各设备从地层向上设置的顺序依次排列第一振幅点集及多个第二振幅点集，以创建振动数据矩阵。

进一步的，在步骤S20中本实施例计算机终端通过主成分分析法降维所述振动数据矩阵为降维数据矩阵。计算机终端获取降维数据矩阵包括如下步骤。

步骤S21计算机终端获取振动数据矩阵，其中振动数据矩阵包括钻头110在至少一连续钻进周期中全部的振幅点。

其中，第一振幅点集有1个并排列在首行。第二振幅点集有N-1个，并且根据地层下到上部署的顺序排列有多行。每个振幅点集选择前M个振幅点，由此振动数据矩为，

步骤S22计算振动数据矩阵X的协方差矩阵C。

一般协方差公式为， 为特征均值。

优选的，其中X、Y样本且在协方差公式为正时，说明X和Y是正相关关系；协方差公式为负时，说明X和Y是负相关关系，协方差为0时X和Y相互独立。

步骤S23获取所有特征点的特征均值。

步骤S24根据特征均值对振动数据矩阵X的所有特征点进行零均值化处理，即使/>及/>均为0。

简化协方差公式为，

步骤S25由于振动数据矩阵X的协方差是对称方阵，那么

进一步协方差公式为，

步骤S26、本实施例对协方差矩C进行奇异值分解，计算协方差矩阵C的特征值及特征向量。

步骤S27根据特征值及特征向量构建降维矩阵P。

步骤S28根据特征值的大小对特征值对应的特征向量进行次序排列；

步骤S29根据排列的特征向量建立特征向量矩阵Z。

步骤S210选取特征向量矩阵Z的前K行构建降维矩阵P，K小于N且为正整数。

步骤S211计算振动数据矩阵X与降维矩阵P的乘积，作为降维后的降维数据矩阵。

本实施例在步骤S30的技术方案中，计算机终端对神经网络模型选择包括如下步骤。

S31计算机终端获取所述钻头110在达到深部空区时在智能探杆120位置反馈的第一样本数据；获取所述钻头110在达到深部空区时在通信钻杆130位置反馈的至少两个第二样本数据。

优选的，所述计算机终端通过仿真模拟所述钻头110在达到深部空区时在智能探杆120位置反馈的所述第一样本数据，在通信钻杆130反馈的所述第二样本数据。

S32计算机终端获取所述第一样本数据及所述第二样本数据沿钻进方向的第一样本加速度及第二样本加速度。

S33计算机终端获取所述第一样本加速度的第一样本频域数据，所述第二样本加速度的第二样本频域数据；

S34所述计算机终端获取所述第一样本频域数据及所述第二样本频域数据的第一样本振幅点及第二样本振幅点；

S35所述计算机终端根据所述第一样本振幅点及所述第二样本振幅点创建样本数据矩阵；

S36所述计算机终端标记有所述样本数据矩阵关联的样本标签，其中样本标签的类型优选区分为深部空区、深部积水区、深部破碎岩区等多种。

S37所述计算机终端通过至少一个所述样本数据矩阵与所述样本标签的数据集合训练所述神经网络模型。

本实施例在步骤S30的技术方案中，本实施例中神经网络模型配置为卷积神经网络模型。所述本实施例在步骤S30的技术方案中，本实施例中神经网络模型配置为卷积神经网络模型配置卷积层的个数以及所有卷积层应用的特征图个数和尺寸；卷积层A共有16去个特征向量，每个特征向量使用一个11×1的卷积核去卷积，移动步长设为2，该层输出32个93×1大小的特征向量；卷积层B采用9×1的卷积核，输出32个85×1大小的特征向量；池化层a采用3×1的池化核，移动步长为2，产生32个42×1大小的特征向量；卷积层C采用7×1的卷积核，移动步长为2，输出32个18×1大小的卷积核；卷积层D采用5×1的卷积核，输出32个14×1大小的特征向量；池化层b采用3×1的池化核，移动步长为2，产生32个6×1大小的特征向量；卷积层E采用6×1的卷积核，输出32个1×1大小的特征向量。

进一步的，本实施例公开有一种钻进过程预警方法。预警方法应用在前述预警装置。本实施例中预警方法包括一振动传感器获取钻头110在钻进时在智能探杆120位置反馈的第一振动数据；至少两个第二振动传感器获取钻头110在钻进时在通信钻杆130位置反馈的第二振动数据。计算机终端部署接收第一振动数据及第二振动数据；计算机终端根据第一振动数据及至少两个第二振动数据构建有振动数据矩阵。计算机终端根据至少一神经网络模型预测与振动数据矩阵关联的钻进状态，根据钻进状态判断钻头110达到深部空区的状态。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。

基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (6)

1.一种钻进过程预警装置，

所述钻进过程预警装置应用在钻杆系统；

所述钻杆系统包括钻头、智能探杆及通信钻杆；

所述智能探杆沿竖向连接在所述钻头及所述通信钻杆之间；

其特征在于，所述预警装置包括第一振动传感器、至少两个第二振动传感器及计算机终端；

所述第一振动传感器部署在所述智能探杆，并且获取所述钻头在钻进时在所述智能探杆位置反馈的第一振动数据；

至少两个所述第二振动传感器竖向部署在所述通信钻杆，并且获取所述钻头在钻进时在所述通信钻杆位置反馈的第二振动数据；

所述计算机终端部署在地表，并且经所述通信钻杆接收所述第一振动数据及所述第二振动数据；

所述计算机终端获取所述第一振动数据沿钻进方向的第一振动加速度；所述计算机终端获取所述第二振动数据沿钻进方向的第二振动加速度；

所述计算机终端获取所述第一振动加速度的第一频域数据，所述第二振动加速度的第二频域数据；所述计算机终端获取所述第一频域数据中不同频率分量的第一振幅点，所述第二频域数据中不同频率分量的第二振幅点；

所述计算机终端根据所述第一振幅点及至少两个所述第二振幅点创建振动数据矩阵；

所述计算机终端根据至少一神经网络模型预测与所述振动数据矩阵关联的钻进状态；

所述计算机终端根据所述钻进状态判断所述钻头达到深部空区的状态；

所述神经网络模型配置有，

所述计算机终端获取所述钻头在达到深部空区时在智能探杆位置反馈的第一样本数据；

所述计算机终端获取所述钻头在达到深部空区时在通信钻杆位置反馈的至少两个第二样本数据；

所述计算机终端获取所述第一样本数据及所述第二样本数据沿钻进方向的第一样本加速度及第二样本加速度；

所述计算机终端获取所述第一样本加速度的第一样本频域数据，所述第二样本加速度的第二样本频域数据；

所述计算机终端获取所述第一样本频域数据及所述第二样本频域数据的第一样本振幅点及第二样本振幅点；

所述计算机终端根据所述第一样本振幅点及所述第二样本振幅点创建样本数据矩阵；

所述计算机终端标记有所述样本数据矩阵关联的样本标签；

所述计算机终端通过至少一个所述样本数据矩阵与所述样本标签的数据集合训练所述神经网络模型。

2.根据权利要求1所述的钻进过程预警装置，其特征在于，

所述计算机终端根据快速傅里叶变换获取所述第一振动加速度为所述第一频域数据。

3.根据权利要求1所述的钻进过程预警装置，其特征在于，

所述计算机终端根据快速傅里叶变换获取所述第二振动加速度为所述第二频域数据。

4.根据权利要求2所述的钻进过程预警装置，其特征在于，

所述计算机终端通过仿真模拟所述钻头在达到深部空区时在智能探杆位置反馈的所述第一样本数据，在通信钻杆反馈的所述第二样本数据。

5.根据权利要求2所述的钻进过程预警装置，其特征在于，

所述样本标签的类型至少包括深部空区、深部积水区、深部破碎岩区的一个或多种。

6.一种钻进过程预警方法，所述钻进过程预警方法应用在如权利要求1所述钻进过程预警装置，其特征在于，所述钻进过程预警方法包括，所述第一振动传感器获取所述钻头在钻进时在所述智能探杆位置反馈的第一振动数据；

所述第二振动传感器获取所述钻头在钻进时在所述通信钻杆位置反馈的第二振动数据；

所述计算机终端经所述通信钻杆接收所述第一振动数据及所述第二振动数据；

所述计算机终端获取所述第一振动数据沿钻进方向的第一振动加速度；所述计算机终端获取所述第二振动数据沿钻进方向的第二振动加速度；

所述计算机终端获取所述第一振动加速度的第一频域数据，所述第二振动加速度的第二频域数据；所述计算机终端获取所述第一频域数据中不同频率分量的第一振幅点，所述第二频域数据中不同频率分量的第二振幅点；

所述计算机终端根据所述第一振幅点及至少两个所述第二振幅点创建振动数据矩阵；

所述计算机终端根据至少一神经网络模型预测与所述振动数据矩阵关联的钻进状态；

所述计算机终端根据所述钻进状态判断所述钻头达到深部空区的状态；

所述神经网络模型配置有，

所述计算机终端获取所述钻头在达到深部空区时在智能探杆位置反馈的第一样本数据；

所述计算机终端获取所述钻头在达到深部空区时在通信钻杆位置反馈的至少两个第二样本数据；

所述计算机终端获取所述第一样本数据及所述第二样本数据沿钻进方向的第一样本加速度及第二样本加速度；

所述计算机终端获取所述第一样本加速度的第一样本频域数据，所述第二样本加速度的第二样本频域数据；

所述计算机终端获取所述第一样本频域数据及所述第二样本频域数据的第一样本振幅点及第二样本振幅点；

所述计算机终端根据所述第一样本振幅点及所述第二样本振幅点创建样本数据矩阵；

所述计算机终端标记有所述样本数据矩阵关联的样本标签；

所述计算机终端通过至少一个所述样本数据矩阵与所述样本标签的数据集合训练所述神经网络模型。