CN117350145A - 一种基于振动信号的岩石力学参数随钻预测方法 - Google Patents
一种基于振动信号的岩石力学参数随钻预测方法 Download PDFInfo
- Publication number
- CN117350145A CN117350145A CN202311122112.XA CN202311122112A CN117350145A CN 117350145 A CN117350145 A CN 117350145A CN 202311122112 A CN202311122112 A CN 202311122112A CN 117350145 A CN117350145 A CN 117350145A
- Authority
- CN
- China
- Prior art keywords
- rock
- neural network
- parameters
- noise reduction
- characteristic value
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 119
- 238000005553 drilling Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 96
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims description 63
- 238000003062 neural network model Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 239000003245 coal Substances 0.000 abstract description 17
- 230000002265 prevention Effects 0.000 abstract description 2
- 239000002689 soil Substances 0.000 description 10
- 239000010438 granite Substances 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 235000019738 Limestone Nutrition 0.000 description 5
- 239000006028 limestone Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000010998 test method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004154 testing of material Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 101100234002 Drosophila melanogaster Shal gene Proteins 0.000 description 1
- 235000015076 Shorea robusta Nutrition 0.000 description 1
- 244000166071 Shorea robusta Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/12—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
- G01N3/06—Special adaptations of indicating or recording means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Chemical & Material Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Geophysics (AREA)
- Remote Sensing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于振动信号的岩石力学参数随钻预测方法,属于煤矿冲击地压防治技术领域。采取的技术措施是获取各种类型不同强度的岩石试件,在室内采集钻取不同岩性试件的振动信号,并测得试件单轴抗压强度、弹性模量以及泊松比等岩石力学参数,提取振动信号的特征值作为输入值,力学参数为输出值,建立人工神经网络模型,并经过优化得到最佳神经网络预测模型。当应用在煤矿井下时,井下巷道锚杆支护需要钻进大量的锚杆钻孔,那么可在现场钻机钻进岩石时,实时监测获取振动信号,再利用建立的预测模型对待预测岩石进行预测。可实现钻进的同时对岩石进行实时、高效预测。
Description
技术领域
本发明涉及煤矿冲击地压防治技术领域,尤其涉及一种基于随钻参数的岩石力学参数随钻预测方法。
背景技术
巷道掘进过程中,岩层断裂、岩柱塌落现象以及冲击地压动力灾害时有发生,合理有效的的巷道支护方式是保证煤炭安全开采的强有力手段。近年来,锚杆支护技术飞速发展,一度成为使用频率最高的井巷支护方式。而锚杆支护参数的设置普遍依据以往类似煤矿的支护经验,这使得支护参数准确性较差,总是出现支护强度不够或支护过剩的情况。
锚杆钻机钻孔时产生大量的随钻参数,通过锚杆钻机钻孔感知巷道的构造情况是煤矿领域简便易操作的方法之一,但是煤矿领域的随钻测量一直缺乏科学定量的研究。利用锚杆钻机随钻参数实时精准感知岩石力学参数变化对巷道支护参数的设置具有重要意义。
目前利用随钻参数预测岩石力学参数的方法大多是反演法,比如中国专利公开号CN116291271A公开了一种基于随钻测试的岩土体参数反演方法及系统,基于钻进参数采集和钻探过程记录获取钻进过程中的随钻监测数据,对随钻监测数据进行标准化处理得到标准化随钻数据;基于现场岩性编录和岩心物理力学试验获取岩土体参数;建立标准化随钻数据与岩土体参数映射关系数据集;根据建立的数据集,对随钻数据进行反演,获取对应的岩土体参数,进而实现基于随钻测试的岩土体参数反演。该发明基于现场岩性编录和岩心物理力学试验获取岩土体参数,受限于现场空间、天气等复杂条件限制,难以实现在现场用高精准试验机对岩心进行单轴压缩实验,同时,由于钻取岩土体前对岩土体的力学参数是未知的,因此,现场钻进建立的数据库是具有盲目性和不可控性,不便于大量采集不同种类(强度)岩石的随钻参数和岩土体参数。
中国专利公开号CN115659783A公开了一种基于智能融合策略的复杂地层岩石力学参数预测方法,该方法通过收集资料获取基本岩石物理参数;得到岩石力学参数;确定研究区的岩石力学参数与岩石纵波时差、横波时差、密度间的关系式;利用机器学习算法建立复杂地层岩石力学参数的预测模型;优选每个岩石力学参数的基模型;以基模型的预测结果为基础,基于智能融合策略构建复杂地层岩石力学参数系列智能预测方法的融合模型,利用Pearson相关系数准则的计算基模型的权重系数,最后通过融合模型对复杂地层岩石力学参数进行预测。该发明虽然同样是采用智能模型预测岩石力学参数,但采用的输入参数为岩石岩性、岩石密度、纵波时差、横波时差等室内测试数据,这些输入参数的获取需要在室内做相关测试实验获取。此外,在应用建立的预测模型对现场待预测岩石进行预测时,还要将预测岩石带回实验室测试岩石岩性、岩石密度、纵波时差、横波时差等输入参数。这个获取输入参数的步骤耗时耗力,最终导致无法实现现场岩石力学参数的快速预测。
因此提出一种基于振动信号的岩石力学参数随钻预测试验方法,在钻机钻进过程中,采集钻取不同岩性试件的随钻参数,测得试件单轴抗压强度、弹性模量以及泊松比等岩石力学参数,建立人工神经网络模型和优化的神经网络模型,通过随钻信号对岩石力学参数进行智能预测。
发明内容
本发明的目的在于提供一种基于振动信号的岩石力学参数随钻预测方法,在实验室内条件下,通过采集、分析原岩试件的振动信号作为随钻参数,实现其岩石力学参数的智能预测,进而实现现场岩石力学参数的快速预测。
为了达到上述目的,本发明所采用的技术方案如下:
一种基于振动信号的岩石力学参数随钻预测方法,所述方法包括如下步骤:
第一步:试件制备
根据岩石坚硬程度分类和矿井工作面岩石柱状图选取试验所需岩石种类,将不同种类的岩石按照单轴抗压强度进行等级划分,应最大限度的获取各个强度范围的岩石试件,也就是说每类岩石的每个等级都要获取一组原岩试件,将所有原岩试件都制成立方体试件,试件的大小要便于后期标准取芯;
第二步:数据获取
将制备好的原岩试件采用取芯机取标准岩芯,取芯过程中手持动态信号分析仪采集振动信号,在动态信号分析仪中新建一个采集文件,将所有原岩试件的振动信号保存在该采集文件中,并赋予每个振动信号一个编号,编号的目的是便于区分,以确保后期所有原岩试件的振动信号都被用到;
再将原岩试件的标准岩芯进行单轴加载,同时监测试件的轴向变形和侧向变形,分别获取原岩试件对应的单轴抗压强度、弹性模量、泊松比等力学参数;
第三步:数据预处理
3.1:原始数据特征值提取
将步骤二监测到的振动信号分析处理,依次导出各原岩试件的振动信号波形图,导出成Exce l数据;把同一种岩石的Exce l数据通过MATLAB进行数据预处理,提取时域特征值a1:平均值、标准差、均方差、最大值、最小值、峰峰值、偏度、峭度、振幅因数、波形因数、冲击因数、裕度因数及能量13个参数;时域信号经傅里叶变换提取频域特征值b1:重心频率、均方频率、均方根频率、频率方差、频率标准差5个参数;
3.2:小波降噪
利用MATLAB小波工具箱对原始振动波形信号依次进行降噪,设置小波降噪工具箱内阈值处理的规则、软阈值、小波包的分解成熟等参数进行降噪,保存降噪过后的波形信号,导出降噪数据;
3.3:降噪数据特征值提取
将导出的降噪数据通过MATLAB数据预处理,提取降噪后时域特征值a2,降噪后的时域信号经傅里叶变换提取降噪后频域特征值b2;
3.4:实验数据整理
把所有原岩试件的振动信号特征值a1、b1,降噪的振动信号特征值a2、b2以及原岩试件的单轴抗压强度、弹性模量、泊松比等力学参数也就是力学参数的实际值整理到同一文件中,方便后续步骤调取使用;
第四步:预测模型构建
4.1:采用神经网络对单轴抗压强度、弹性模量、泊松比等力学参数进行预测,得到最佳神经网络模型,具体操作如下:
4.1.1:将实验数据分成训练集和测试集利用神经网络进行训练,其中随钻参数也就是原岩试件的振动信号特征值为输入值,力学参数为输出值,神经网络的输入维度设置4个对照试验如下:第一组输入代表时域特征值a1和代表频域特征值b1的所有参数,第二组输入代表时域特征值a1的所有参数,第三组输入代表频域特征值b1的所有参数,第四组输入代表时域特征值a1和代表频域特征值b1的所有参数经过主成分分析法降维处理的特征值组合样本;设置不同的神经网络的隐含层数和隐含层节点数,对训练集进行训练,输出训练集对应的力学参数的预测值;将测试集的钻进参数输入训练后的神经网络,输出测试集对应的力学参数的预测值;
4.1.2:根据力学参数的预测值和实际值分别计算训练集和测试集的模型评价指标RMSE和R2值,根据训练集和测试集的模型评价指标RMSE和R2值选出最佳神经网络模型,为了便于区分,称为降噪前的最佳神经网络模型;
4.1.3:改变神经网络的四个输入维度重新对神经网络进行训练,即将步骤4.1.1神经网络的四个输入维度特征值均改为降噪后振动信号特征值进行训练,其中:第一组输入代表时域特征值a2和频域特征值b2的所有参数;第二组输入代表时域特征值a2的所有参数;第三组输入代表频域特征值b2的所有参数;第四组输入代表时域特征值a2和频域特征值b2的所有参数经过主成分分析法降维处理的特征值组合样本;训练结束后再次选出最佳神经网络模型,称为降噪后的最佳神经网络模型;
4.1.4:根据降噪前后最佳神经网络模型的模型评价指标值RMSE和R2判断降噪前后的预测结果精度,如果降噪后的预测结果精度低于降噪前的,则需调整3.2小波降噪参数或者更换降噪方法,重复步骤3.2-3.4和步骤4.1.3,得到新的预测结果,直到降噪后的预测结果精度高于降噪前的预测结果精度,此时,满足预测结果精度的神经网络模型便为最佳神经网络模型;
4.2:神经网络优化
分别采用遗传算法和粒子群算法优化步骤4.1.4的最佳神经网络模型,得到遗传算法优化的最佳神经网络模型和粒子群算法优化的最佳神经网络模型;
4.3:对步骤4.1.4以及步骤4.2得到的三种最佳神经网络模型根据评价指标RMSE、R2值再进行选优,最终选出最佳的神经网络模型,该模型便为随钻预测岩石力学参数的最佳预测模型;
第五步:岩石力学参数预测
用第四步确定的最佳预测模型对目标岩石进行力学参数的预测。
进一步:步骤第一步中所述的岩石种类包括花岗岩、石灰岩、砂岩、页岩和煤五种。
进一步:步骤3.3中代表时域特征值a1和降噪后时域特征值a2的参数均有13个,分别为平均值、标准差、均方差、最大值、最小值、峰峰值、偏度、峭度、振幅因数、波形因数、冲击因数、裕度因数及能量13个参数;代表频域特征值b1和降噪后频域特征值b2均有5个,分别为重心频率、均方频率、均方根频率、频率方差及频率标准差5个参数。
相比于现有技术,本发明的优点如下:
(1)本发明试验方法不受限于现场空间、天气等复杂条件限制,可在室内采用标准化的试验机进行岩心的单轴压缩实验,获取的岩石力学参数更准确;原岩材料可根据实验要求批量获取,可提前规划岩石试件的种类和数量,因此,建立的训练集和测试集数据具有针对性和可控性。
(2)本发明预测模型的输入参数为振动信号,该参数易于获取,当应用在煤矿井下时,井下巷道锚杆支护需要钻进大量的锚杆钻孔,那么可在现场钻机钻进岩石时,实时监测获取振动信号,再利用建立的预测模型对待预测岩石进行预测。可实现钻进的同时对岩石进行实时、高效预测。
总之,本发明提出的采用原岩试件进行室内试验的方法,其一,原岩试件的种类丰富,可依据所研究矿井的岩石柱状图进行岩石试件的选取制备,能够真实的感知各类岩石的振动信号;其二原岩试件强度范围跨度大,使得预测模型的适应性更强,利用预测模型预测岩石的力学参时,能够极大限度的反映煤矿巷道内部岩石力学参数的真实情况,这为快速、准确感知岩石采动应力具有重大意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例的流程图。
具体实施方式
下面结合附图1对本发明实施例的施工过程进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
参照图1,本发明基于振动信号的岩石力学参数随钻预测试验方法按照以下步骤操作:
第一步:试件制备
根据岩石坚硬程度分类(强度范围为20Mpa-150 Mpa之中的较软岩、较硬岩、坚硬岩)和工作面岩石柱状图选取试验所需岩石种类,包括花岗岩、石灰岩、砂岩、页岩和煤五种。将不同种类的岩石按照单轴抗压强度进行等级划分,应最大限度的获取各个强度范围的岩石试件。
1.1:花岗岩试件
选取强度范围分别为40Mpa-60 Mpa,100Mpa-120 Mpa,120Mpa-150 Mpa的三种花岗岩原岩材料,制作成尺寸为70*70*100mm的立方体试件,每一种强度范围内制作5块,花岗岩试件总共制备15块。
1.2:石灰岩试件
选取强度范围分别为60-70Mpa,70-80Mpa,80-90Mpa,90-100Mpa的四种石灰岩原岩材料,制作成尺寸为70*70*100mm的立方体试件,每一种强度范围内制作5块,石灰岩试件总共制备20块。
1.3:砂岩试件
选取强度范围分别为20Mpa-30Mpa,30Mpa-40 Mpa,40Mpa-60 Mpa,90Mpa-100Mpa的四种砂岩(其中包括绿砂岩、粉砂岩、红砂岩和橙色砂岩)原岩材料,制作成尺寸为70*70*100mm的立方体试件,每一种强度范围内制作5块,砂岩试件总共制备20块。
1.4:页岩试件
页岩强度范围为40-50Mpa,选取一种常见的页岩,制作成尺寸为70*70*100mm的立方体试件,总共制作5块。
1.5:原煤试件
选取一种质地较为坚硬的煤作为原煤试件材料,制作成尺寸为70*70*100mm的立方体试件,总共制作5块。
共计选出13种,每种5块,共65块原岩(煤)。
第二步:数据获取
将制备好的试件采用取芯机取标准岩心(Φ50mm*100mm),取芯过程中连接DH5909N手持式动态信号分析仪,采集振动信号;再将标准岩心用WDW-3100微控电子万能材料试验机进行单轴加载,同时监测试样的轴向变形和侧向变形,分别获取原岩试件对应的单轴抗压强度、弹性模量、泊松比等力学参数,具体方法为:
2.1:设备连接
将I EPE压电式加速度传感器连接至DH5909N手持式动态信号分析仪,调试仪器至正常工作状态;将制备的试件夹好,取芯机准备就绪,连接加速度传感器至取芯机上。
2.2:振动信号采集
仪器连接就绪,在动态信号分析仪中新建一个采集文件,启动取芯机钻取岩心的同时点击开始采集,采集完整的振动信号,依次采集每一个试件的振动信号,将采集的所有试件的振动信号保存在采集文件中,并赋予每个振动信号一个编号,其中编号用各类岩石的专用英文单词的前一个或两个字母进行缩写编号:花岗岩(gran ite)为Gmn(m为种类,n为试件次序),石灰岩(l imestone)为Lmn(m为种类,n为试件次序),砂岩(sandstone)为SAmn(m为种类,n为试件次序),页岩(shale)为SHmn(m为种类,n为试件次序),煤(coal)为Cmn(m为种类,n为试件次序);
2.3:试件岩石力学参数获取
取好的标准岩芯使用WDW-3100微控电子万能材料试验机进行单轴加载,同时监测试样轴向变形和侧向变形,分别获得试件对应的单轴抗压强度、弹性模量、泊松比等力学参数的实际值。
第三步:数据预处理
3.1:原始数据特征值提取
将步骤2.2监测到的振动信号经由DHDAS动态信号采集分析系统分析处理,依次导出各原岩试件的振动信号波形图,导出成Exce数据;把同一种岩石的Excel数据通过MATLAB进行数据预处理,提取时域特征值a1:平均值、标准差、均方差、最大值、最小值、峰峰值、偏度、峭度、振幅因数、波形因数、冲击因数、裕度因数及能量13个参数;时域信号经傅里叶变换提取频域特征值b1:重心频率、均方频率、均方根频率、频率方差、频率标准差5个参数;
3.2:小波降噪
由于振动信号采集过程中混杂了环境中的杂音,为了更准确的分析振动信号与岩石力学参数的关系,利用MATLAB小波工具箱对原始振动波形信号依次进行降噪,通过改变小波降噪工具箱内阈值处理的规则、软阈值、小波包的分解成熟等参数进行降噪,保存降噪过后的波形信号,导出降噪数据;
3.3:降噪数据特征值提取
将导出的降噪数据通过MATLAB数据预处理,提取降噪后时域特征值a2:平均值、标准差、均方差、最大值、最小值、峰峰值、偏度、峭度、振幅因数、波形因数、冲击因数、裕度因数及能量等13个参数;降噪后的时域信号经傅里叶变换等一些列计算变换提取降噪后频域特征值b2:重心频率、均方频率、均方根频率、频率方差、频率标准差等5个参数。
3.4:实验数据整理
把所有原岩试件的振动信号特征值a1、b1,降噪的振动信号特征值a2、b2以及原岩试件的单轴抗压强度和弹性模量整理到同一文件中;
第四步:智能预测模型构建
4.1:采用神经网络对单轴抗压强度、弹性模量、泊松比等力学参数进行预测,得到最佳神经网络预测模型,具体操作如下:
4.1.1:将步骤3.4整理的实验数据分成训练集和测试集对神经网络进行训练,其中随钻参数也就是原岩试件的振动信号特征值为输入值,力学参数为输出值,神经网络的输入维度设置4个对照试验如下:第一组输入原始振动信号提取的时域特征值a1和原始振动信号的频域特征值b1共18个参数,第二组输入原始振动信号提取的时域特征值a1共13个参数,第三组输入原始振动信号提取的频域特征值b1共5个参数,第四组输入原始振动信号提取的时域特征值a1和原始信号的频域特征值b1共18个参数经过主成分分析法降维处理的特征值组合样本;对应设置不同的神经网络的隐含层数和隐含层节点数,对训练集进行训练,输出训练集对应的力学参数的预测值;将测试集的钻进参数输入训练后的神经网络,输出测试集对应的力学参数的预测值;
4.1.2:根据力学参数的预测值和实际值分别计算训练集和测试集的模型评价指标RMSE和R2值,根据训练集和测试集的模型评价指标值选出降噪前的最佳神经网络模型;
4.1.3:将降噪后的振动信号特征值作为神经网络的输入值,力学参数为输出值,采取和步骤4.1.1-4.1.2同样的方法重新训练神经网络,从而得到降噪后的模型评价指标值,具体操作如下:
神经网络的输入维度设置4个对照试验如下:第一组输入降噪后振动信号提取的时域特征值a2和降噪后振动信号的频域特征值b2共18个参数;第二组输入降噪后振动信号提取的时域特征值a2共13个参数;第三组输入降噪后振动信号提取的频域特征值b2共5个参数;第四组输入降噪后振动信号提取的时域特征值a2和降噪后振动信号的频域特征值b2共18个参数经过主成分分析法降维处理的特征值组合样本;设置不同的神经网络的隐含层数,对训练集进行训练。将测试集的钻进参数输入训练后的神经网络,分别记录训练集和测试集对应的力学参数的预测值,根据力学参数的预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2值,根据训练集和测试集的模型评价指标值选出降噪后的最佳神经网络模型;
4.1.4:比较降噪前后的最佳神经网络模型的模型评价指标值RMSE和R2,根据二者RMSE和R2值判断降噪前后的预测结果精度,如果降噪后的预测结果精度低于降噪前的,则需调整3.2小波降噪参数或者更换降噪方法,重复步骤3.2-3.4和步骤4.1.3,得到新的降噪后的模型评价指标值,再与步骤4.1.2降噪前的模型评价指标值进行对比,看看新的降噪后的预测结果精度是否高于降噪前的预测结果精度,以此类推,直到降噪后的预测结果精度大于降噪前的预测结果精度,此时,满足预测精度的模型评价指标RMSE、R2值对应的神经网络预测模型便为最佳神经网络预测模型;
4.2:神经网络优化
分别采用遗传算法和粒子群算法优化步骤4.1.4的最佳神经网络预测模型,得到遗传算法优化的最佳神经网络模型和粒子群算法优化的最佳神经网络模型;
对步骤4.1.4以及步骤4.2得到的三种最佳神经网络模型根据评价指标RMSE、R2值再进行选优,最终选出最佳的神经网络模型,该模型便为随钻预测岩石力学参数的最佳神经网络预测模型。
第五步:岩石力学参数预测
利用锚杆支护围岩时,如果想知道围岩的力学参数以便制定精准支护方案,只需在钻孔过程中采取钻机的振动信号,利用步骤4.2的最佳神经网络预测模型直接进行单轴抗压强度、弹性模量、泊松比等力学参数的预测,即可快速、高效获得围岩的力学参数。
本发明利用模型评价指标RMSE和R2值选出最佳神经网络模型是已有技术,不是本发明的创新,因此材料中并没有详细记载。以上所述是本发明的优选实施方式,并不作为对本发明技术方案的限制,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (3)
1.一种基于振动信号的岩石力学参数随钻预测方法,其特征在于,所述方法包括如下步骤:
第一步:试件制备
将不同种类的岩石按照单轴抗压强度进行等级划分,获取各个强度范围的原岩试件,将所有原岩试件都制成立方体试件,试件的大小要便于后期标准取芯;
第二步:数据获取
将原岩试件取标准岩芯,取芯过程中采集振动信号;再获取各个原岩试件对应的力学参数;
第三步:数据预处理
提取振动信号的时域特征值a1和频域特征值b1;再对原始振动波形信号进行降噪提取降噪后的时域特征值a2和降噪后的频域特征值b2;
第四步:预测模型构建
4.1:采用神经网络对试件的力学参数进行预测,得到最佳神经网络模型,具体操作如下:
4.1.1:利用神经网络对获取和预处理后的数据进行训练,其中振动信号特征值为输入值,力学参数为输出值,设置不同的神经网络的隐含层数和隐含层节点数,神经网络的输入维度设置4个,对照试验如下:第一组输入代表时域特征值a1和代表频域特征值b1的所有参数,第二组输入代表时域特征值a1的所有参数,第三组输入代表频域特征值b1的所有参数,第四组输入代表时域特征值a1和代表频域特征值b1的所有参数经过主成分分析法降维处理的特征值组合样本,比较训练集和测试集的模型评价指标值选出最佳神经网络模型,称为降噪前的最佳神经网络模型;
4.1.2:将步骤4.1.1神经网络的四个输入维度特征值均改为降噪后振动信号特征值,且不断调整步骤三中小波降噪参数或者更换降噪方法重新对实验数据进行训练,直到降噪后的预测结果精度高于降噪前的预测结果精度,此时,满足预测结果精度的神经网络模型便为最佳神经网络模型;
4.2:神经网络优化
分别采用遗传算法和粒子群算法优化最佳神经网络模型,得到两种优化的最佳神经网络模型;
4.3:对最佳神经网络模型和两种优化的最佳神经网络模型再进行选优,最终选出用于预测的最佳神经网络预测模型;
第五步:岩石力学参数预测
用最佳神经网络预测模型对目标岩石进行力学参数的预测。
2.如权利要求1所述的基于振动信号的岩石力学参数随钻预测试验方法,其特征在于,代表时域特征值a1和降噪后时域特征值a2的参数均有13个,分别为平均值、标准差、均方差、最大值、最小值、峰峰值、偏度、峭度、振幅因数、波形因数、冲击因数、裕度因数及能量13个参数;代表频域特征值b1和降噪后频域特征值b2的参数均有5个,分别为重心频率、均方频率、均方根频率、频率方差及频率标准差5个参数。
3.如权利要求1所述的基于振动信号的岩石力学参数随钻预测试验方法,其特征在于,所述的力学参数包括单轴抗压强度、弹性模量和泊松比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311122112.XA CN117350145A (zh) | 2023-09-01 | 2023-09-01 | 一种基于振动信号的岩石力学参数随钻预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311122112.XA CN117350145A (zh) | 2023-09-01 | 2023-09-01 | 一种基于振动信号的岩石力学参数随钻预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117350145A true CN117350145A (zh) | 2024-01-05 |
Family
ID=89370000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311122112.XA Pending CN117350145A (zh) | 2023-09-01 | 2023-09-01 | 一种基于振动信号的岩石力学参数随钻预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350145A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805938A (zh) * | 2024-02-29 | 2024-04-02 | 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 |
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 |
-
2023
- 2023-09-01 CN CN202311122112.XA patent/CN117350145A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805938A (zh) * | 2024-02-29 | 2024-04-02 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10546072B2 (en) | Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation | |
CN106248494B (zh) | 一种用于页岩气井储层脆性综合评价的方法 | |
Sui et al. | A quantification method for shale fracability based on analytic hierarchy process | |
Rajesh Kumar et al. | Prediction of uniaxial compressive strength, tensile strength and porosity of sedimentary rocks using sound level produced during rotary drilling | |
CN110864966B (zh) | 一种适用于裂缝型岩石的可压性评价方法 | |
CN106405640A (zh) | 基于深度信念神经网络的微震信号到时自动拾取方法 | |
CN104775810A (zh) | 一种页岩气储层可压性评价方法 | |
CN109740119B (zh) | 一种tbm掘进隧洞围岩单轴抗压强度快速估算方法 | |
CN113820750A (zh) | 基于弹塑性力学定量预测泥岩构造裂缝的方法 | |
CN112987125B (zh) | 一种基于测井数据的页岩脆性指数预测方法 | |
US20140373616A1 (en) | Mechanical characterization of core samples | |
CN108561126B (zh) | 一种确定页岩气储层有机孔隙度的简易方法 | |
CN107060714B (zh) | 研究薄互层压裂裂缝延伸规律的大型真三轴物模试验方法 | |
CN110795793A (zh) | 一种隧道围岩快速分级设备系统及其操作方法 | |
Gholamnejad et al. | Prediction of the deformation modulus of rock masses using Artificial Neural Networks and Regression methods | |
CN106202737A (zh) | 一种致密储层体积压裂适应区筛选方法及装置 | |
CN116291271A (zh) | 一种基于随钻测试的岩土体参数反演方法及系统 | |
CN115586086A (zh) | 一种基于大数据的井壁失稳分析方法 | |
CN112746838A (zh) | 发育天然裂缝储层的水平井不同井段岩石可压性判定方法 | |
CN114202160A (zh) | 一种岩石可钻性的模糊综合评价方法 | |
CN111706322B (zh) | 一种岩石钻进响应的预测方法和预测系统 | |
Tang et al. | Indirect estimation of rock uniaxial compressive strength from simple index tests: review and improved least squares regression tree predictive model | |
CN117251802A (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
CN117350145A (zh) | 一种基于振动信号的岩石力学参数随钻预测方法 | |
Ghobadi et al. | Rock brittleness prediction using geomechanical properties of Hamekasi limestone: regression and artificial neural networks analysis |
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 |