CN117456239B - 一种用于土壤修复的钻机设备监控系统及方法 - Google Patents
一种用于土壤修复的钻机设备监控系统及方法 Download PDFInfo
- Publication number
- CN117456239B CN117456239B CN202311392041.5A CN202311392041A CN117456239B CN 117456239 B CN117456239 B CN 117456239B CN 202311392041 A CN202311392041 A CN 202311392041A CN 117456239 B CN117456239 B CN 117456239B
- Authority
- CN
- China
- Prior art keywords
- soil
- drilling machine
- soil layer
- layer
- data
- 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 369
- 238000005553 drilling Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005067 remediation Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 230000003245 working effect Effects 0.000 claims abstract description 18
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 239000004973 liquid crystal related substance Substances 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 239000002105 nanoparticle Substances 0.000 claims abstract description 9
- 239000000523 sample Substances 0.000 claims abstract description 7
- 230000008439 repair process Effects 0.000 claims description 25
- 239000002245 particle Substances 0.000 claims description 20
- 230000035558 fertility Effects 0.000 claims description 16
- 230000035515 penetration Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 12
- 239000004927 clay Substances 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000009286 beneficial effect Effects 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 8
- 238000013079 data visualisation Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 239000011499 joint compound Substances 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 238000009418 renovation Methods 0.000 description 4
- 239000007800 oxidant agent Substances 0.000 description 3
- 239000012190 activator Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000007665 chronic toxicity Effects 0.000 description 1
- 231100000160 chronic toxicity Toxicity 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09C—RECLAMATION OF CONTAMINATED SOIL
- B09C1/00—Reclamation of contaminated soil
-
- 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
- E21B7/00—Special methods or apparatus for drilling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Geology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Environmental & Geological Engineering (AREA)
- Chemical & Material Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mining & Mineral Resources (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Biochemistry (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Soil Sciences (AREA)
- Fluid Mechanics (AREA)
- Biophysics (AREA)
- Geochemistry & Mineralogy (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明涉及设备监测技术领域，是一种用于土壤修复的钻机设备监控系统及方法，具体方法包括：通过探针型纳米探测器对待修复区域的土壤信息进行采集，判断土壤中各个土层的柔韧类别；构建神经网络模型，对土壤中各个土层的状态图像进行特征提取和分类处理；通过钻机设备上安装的微型传感器控制钻机设备进行土壤修复时的实时工作参数；通过对待修复区域的土壤进行纳米颗粒追踪，评估钻机设备的工作效果；将钻机设备的实时工作状态数据可视化到钻机设备所接的液晶显示屏。本发明解决了现有技术中，城市道路频繁填土挖土导致土壤土质不均匀性大，在通过钻机进行土壤修复时，存在不同土层对土壤修复剂的需求不一的问题。
Description
技术领域
本发明涉及设备监测技术领域，是一种用于土壤修复的钻机设备监控系统及方法。
背景技术
土壤是生态系统的重要组成部分，对于维持地球生态平衡、保护生物多样性和生态功能至关重要。因此，对于受到污染的土壤进行修复是保护环境和生态系统的重要举措。同时，受污染的土壤可能会对人类健康造成潜在威胁。污染物可通过土壤食物链进入人类体内，导致慢性毒性和健康问题。通过修复污染土壤，可以减少人们与污染物接触的风险，保护人类健康。
在现有已公开的发明技术中，如申请公开号为CN115785959A的专利公开了一种有机污染土壤原位高压旋喷修复材料及施工方法，其中，土壤修复材料包括高级氧化药剂、土壤固化剂和缓凝剂；高级氧化药剂包括氧化剂、激活剂和水；土壤固化剂包括固化材料和水；缓凝剂为无机缓凝剂，注入氧化剂和激活剂的同时，增加注入土壤固化剂。
上述专利所用的高级氧化药剂、土壤固化剂和缓凝剂等多种修复材料，修复成本较高，且不同待修复区域的土壤状况并不相同，所需的修复剂量也相应不同，存在土壤修复结果良莠不齐，可靠性差的问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
本发明所要解决的技术问题是针对现有技术中，城市道路整修频繁填土挖土导致道路下土壤的土质不均匀性大，在通过钻机进行土壤修复时，存在不同土层对土壤修复剂的需求不一的问题，提出了一种用于土壤修复的钻机设备监控系统及方法。
为了达到上述目的，本发明一种用于土壤修复的钻机设备监控方法的技术方案包括如下步骤：
S1：通过探针型纳米探测器对待修复区域的土壤信息进行采集，构建待修复区域的土壤状态模型，判断土壤中各个土层的柔韧类别；
S2：构建神经网络模型，根据S1中所述土壤状态模型输出的土壤状态图像，对土壤中各个土层的状态图像进行特征提取和分类处理；
S3：根据S2，通过钻机设备上安装的微型传感器控制钻机设备进行土壤修复时的实时工作参数；
S4：通过对待修复区域的土壤进行纳米颗粒追踪，计算钻机实时所在土层的渗透修复预估时长，并评估钻机设备的工作效果；
S5：根据S3-S4，将钻机设备的实时工作状态数据可视化到钻机设备所接的液晶显示屏。
具体的，所述探针型纳米传感器包括：土壤湿度传感器、土壤温度传感器、土壤导电率传感器和激光粒度分析器，其中，土壤湿度传感器用于探测土层的湿度数据随土层深度的变化数据；土壤温度传感器用于探测土层的温度数据随土层深度的变化数据；土壤导电率传感器用于探测土层的肥力数据随土层深度的变化数据；激光粒度分析器用于探测土层中沙子、粘土、泥的微粒含量。
具体的，所述待修复区域的土壤状态模型中的土壤状态数据包括：土层的湿度数据集、土层的温度数据集、土层的肥力数据和土层的柔韧类别数据集。
具体的，待修复区域的土壤的第i个土层的柔韧度θi的计算策略如下：
其中，从钻孔工作路面的钻孔中心点向下一个单位深度h，构成一个底面半径为r,高度为h的圆柱形单位土层；
αi为第i个单位土层中，沙子微粒的总体积；
βi为第i个单位土层中，粘土微粒的总体积；
γi为第i个单位土层中，泥土微粒的总体积；
I为待修复区域土壤中包含的单位土层总个数；π为圆周率。
具体的，所述土壤中第i个土层的柔韧类别ni的判断包括：
当θi≥0.7时，判断第i个单位土层为砂质土层，记为ni＝1；
当0.4≤θi＜0.7时，判断第i个单位土层为粘土土层，记为ni＝2；
当0≤θi＜0.4时，判断第i个单位土层为肥沃土层，记为ni＝3。
具体的，所述神经网络模型包括：输入层、i个卷积层、i-1个池化层、全连接层和输出层，其中，i个卷积层用于对i个土层的温度特征、湿度特征、肥力特征和柔韧种类特征进行特征提取和分类处理。
具体的，所述钻机设备进行土壤修复时的实时工作参数包括：钻机钻孔总深度H、钻孔中心点间的点间距D、钻孔速度v和土壤修复剂的注剂压力F。
具体的，所述钻机设备的工作效果的评估包括：
钻机实时所在第i个土层的渗透修复预估时长Xi的计算策略如下：
其中，ε1为第i个土层的温度影响因子，ε2为第i个土层的湿度影响因子，ε3为第i个土层的土层柔韧度影响因子；
Ti为第i个土层的温度均值数据，T0为待修复区域的地面环境温度数据；
Wi为第i个土层的湿度均值数据；
待修复区域的土壤修复有益系数Y的计算策略如下：
具体的，S5中，所述可视化到钻机设备所接的液晶显示屏上的实时工作状态数据包括：待修复区域的土层的单位土层总个数、各个土层的温度数据、湿度数据、肥力数据、柔韧种类数据、钻机实时所在第i个土层的渗透修复预估时长和待修复区域的土壤修复有益系数。
另外，本发明一种用于土壤修复的钻机设备监控系统包括如下模块：
土壤信息采集模块、深度学习模块、钻机参数控制模块、工作效果评估模块和实时数据可视化模块；
所述土壤信息采集模块用于通过探针型纳米探测器对待修复区域的土壤信息进行采集，构建待修复区域的土壤状态模型，判断土壤中各个土层的柔韧类别；
所述深度学习模块用于构建神经网络模型，根据S1中所述土壤状态模型输出的土壤状态图像，对土壤中各个土层的状态进行特征提取和分类处理；
所述钻机参数控制模块用于通过钻机设备上安装的微型传感器控制钻机设备进行土壤修复时的实时工作参数；
所述工作效果评估模块用于通过对待修复区域的土壤进行纳米颗粒追踪，计算钻机实时所在土层的渗透修复预估时长，并评估钻机设备的工作效果；
所述实时数据可视化模块用于将钻机设备的实时工作状态数据可视化到钻机设备所接的液晶显示屏。
与现有技术相比，本发明的技术效果如下：
1、本发明考虑到城市道路整修时频繁的挖土填土导致的待修复区域土壤的不同深度的土层状态不一样，构建了待修复区域的土壤状态模型，便于了解待修复区域的土壤状态，针对性的确定缺陷土壤所需的修复剂含量，提高土壤修复效果和修复效率。
2、本发明通过对待修复区域的土壤进行纳米颗粒追踪，计算钻机实时所在土层的渗透修复预估时长，评估钻机设备的工作效果，实现了待测区域土壤修复状态和修复进程的实时监控，优化了土壤修复计划，提高了钻机工作效率，增强了土壤修复效果的可靠性。
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性的前提下，还可以根据这些附图获得其它的附图。
其中：
图1为本发明的一种用于土壤修复的钻机设备监控方法的流程示意图；
图2为本发明的一种用于土壤修复的钻机设备监控系统的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例一：
如图1所示，本发明实施例的一种用于土壤修复的钻机设备监控方法，如图1所示，包括如下具体步骤：
以长江沿岸的河流冲积平原区的城市道路土壤为例，通过钻机对其进行土壤修复工作，并对钻机的工作过程进程监控，具体步骤如下：
S1：通过探针型纳米探测器对待修复区域的土壤信息进行采集，构建待修复区域的土壤状态模型，判断土壤中各个土层的柔韧类别；
所述探针型纳米传感器包括：土壤湿度传感器、土壤温度传感器、土壤导电率传感器和激光粒度分析器，其中，土壤湿度传感器用于探测土层的湿度数据随土层深度的变化数据；土壤温度传感器用于探测土层的温度数据随土层深度的变化数据；土壤导电率传感器用于探测土层的肥力数据随土层深度的变化数据；激光粒度分析器用于探测土层中沙子、粘土、泥的微粒含量。
所述待修复区域的土壤状态模型中的土壤状态数据包括：土层的湿度数据集、土层的温度数据集、土层的肥力数据集和土层的柔韧类别数据集。
待修复区域的土壤的第i个土层的柔韧度θi的计算策略如下：
其中，从钻孔工作路面的钻孔中心点向下一个单位深度h，构成一个底面半径为r,高度为h的圆柱形单位土层；
αi为第i个单位土层中，沙子微粒的总体积；
βi为第i个单位土层中，粘土微粒的总体积；
γi为第i个单位土层中，泥土微粒的总体积；
I为待修复区域土壤中包含的单位土层总个数；π为圆周率。
该长江沿岸的河流冲积平原区的城市道路土壤的第3个土层的柔韧度θ3＝0.38；
所述土壤中第i个土层的柔韧类别ni的判断包括：
当θi≥0.7时，判断第i个单位土层为砂质土层，记为ni＝1；
当0.4≤θi＜0.7时，判断第i个单位土层为粘土土层，记为ni＝2；
当0≤θi＜0.4时，判断第i个单位土层为肥沃土层，记为ni＝3。
获得土壤中第3个土层的柔韧类别n3＝3。
S2：构建神经网络模型，根据S1中所述土壤状态模型输出的土壤状态图像，对土壤中各个土层的状态图像进行特征提取和分类处理；
所述神经网络模型包括：输入层、i个卷积层、i-1个池化层、全连接层和输出层，其中，i个卷积层用于对i个土层的温度特征、湿度特征、肥力特征和柔韧种类特征进行特征提取和分类处理。
S3：根据S2，通过钻机设备上安装的微型传感器控制钻机设备进行土壤修复时的实时工作参数；
所述钻机设备进行土壤修复时的实时工作参数包括：钻机钻孔总深度H、钻孔中心点间的点间距D、钻孔速度v和土壤修复剂的注剂压力F。
其中，钻孔中心点间的点间距D＝0.8m、钻孔速度v＝12min/次，土壤修复剂的注剂压力F＝203N。
S4：通过对待修复区域的土壤进行纳米颗粒追踪，计算钻机实时所在土层的渗透修复预估时长，并评估钻机设备的工作效果；
所述钻机设备的工作效果的评估包括：
钻机实时所在第i个土层的渗透修复预估时长Xi的计算策略如下：
其中，ε1为第i个土层的温度影响因子，ε2为第i个土层的湿度影响因子，ε3为第i个土层的土层柔韧度影响因子；
Ti为第i个土层的温度均值数据，T0为待修复区域的地面环境温度数据；
Wi为第i个土层的湿度均值数据；
待修复区域的土壤修复有益系数Y的计算策略如下：
S5：根据S3-S4，将钻机设备的实时工作状态数据可视化到钻机设备所接的液晶显示屏。
S5中，所述可视化到钻机设备所接的液晶显示屏上的实时工作状态数据包括：待修复区域的土层的单位土层总个数、各个土层的温度数据、湿度数据、肥力数据、柔韧种类数据、钻机实时所在第i个土层的渗透修复预估时长和待修复区域的土壤修复有益系数。
实施例二：
如图2所示，本发明实施例的一种用于土壤修复的钻机设备监控系统，如图2所示，包括如下模块：
土壤信息采集模块、深度学习模块、钻机参数控制模块、工作效果评估模块和实时数据可视化模块；
以海岸线附近的河口河流三角洲地区的城市道路土壤为例，通过钻机对其进行土壤修复工作，并对钻机的工作过程进程监控，具体步骤如下：
所述土壤信息采集模块用于通过探针型纳米探测器对待修复区域的土壤信息进行采集，构建待修复区域的土壤状态模型，判断土壤中各个土层的柔韧类别；
所述探针型纳米传感器包括：土壤湿度传感器、土壤温度传感器、土壤导电率传感器和激光粒度分析器，其中，土壤湿度传感器用于探测土层的湿度数据随土层深度的变化数据；土壤温度传感器用于探测土层的温度数据随土层深度的变化数据；土壤导电率传感器用于探测土层的肥力数据随土层深度的变化数据；激光粒度分析器用于探测土层中沙子、粘土、泥的微粒含量。
所述待修复区域的土壤状态模型中的土壤状态数据包括：土层的湿度数据集、土层的温度数据集、土层的肥力数据和土层的柔韧类别数据集。
待修复区域的土壤的第i个土层的柔韧度θi的计算策略如下：
其中，从钻孔工作路面的钻孔中心点向下一个单位深度h，构成一个底面半径为r,高度为h的圆柱形单位土层；
αi为第i个单位土层中，沙子微粒的总体积；
βi为第i个单位土层中，粘土微粒的总体积；
γi为第i个单位土层中，泥土微粒的总体积；
I为待修复区域土壤中包含的单位土层总个数；π为圆周率。
该海岸线附近的河口河流三角洲地区的城市道路土壤的第8个土层的柔韧度θ3＝1.69；
所述土壤中第i个土层的柔韧类别ni的判断包括：
当θi≥0.7时，判断第i个单位土层为砂质土层，记为ni＝1；
当0.4≤θi＜0.7时，判断第i个单位土层为粘土土层，记为ni＝2；
当0≤θi＜0.4时，判断第i个单位土层为肥沃土层，记为ni＝3。
获得土壤中第8个土层的柔韧类别n8＝1。
所述深度学习模块用于构建神经网络模型，根据S1中所述土壤状态模型输出的土壤状态图像，对土壤中各个土层的状态进行特征提取和分类处理；
所述神经网络模型包括：输入层、i个卷积层、i-1个池化层、全连接层和输出层，其中，i个卷积层用于对i个土层的温度特征、湿度特征、肥力特征和柔韧种类特征进行特征提取和分类处理。
所述钻机参数控制模块用于通过钻机设备上安装的微型传感器控制钻机设备进行土壤修复时的实时工作参数；
所述钻机设备进行土壤修复时的实时工作参数包括：钻机钻孔总深度H、钻孔中心点间的点间距D、钻孔速度v和土壤修复剂的注剂压力F。
其中，钻孔中心点间的点间距D＝0.32m、钻孔速度v＝8min/次，土壤修复剂的注剂压力F＝452N。
所述工作效果评估模块用于通过对待修复区域的土壤进行纳米颗粒追踪，计算钻机实时所在土层的渗透修复预估时长，并评估钻机设备的工作效果；
所述钻机设备的工作效果的评估包括：
钻机实时所在第i个土层的渗透修复预估时长Xi的计算策略如下：
其中，ε1为第i个土层的温度影响因子，ε2为第i个土层的湿度影响因子，ε3为第i个土层的土层柔韧度影响因子；
Ti为第i个土层的温度均值数据，T0为待修复区域的地面环境温度数据；
Wi为第i个土层的湿度均值数据；
待修复区域的土壤修复有益系数Y的计算策略如下：
所述实时数据可视化模块用于将钻机设备的实时工作状态数据可视化到钻机设备所接的液晶显示屏。
S5中，所述可视化到钻机设备所接的液晶显示屏上的实时工作状态数据包括：待修复区域的土层的单位土层总个数、各个土层的温度数据、湿度数据、肥力数据、柔韧种类数据、钻机实时所在第i个土层的渗透修复预估时长和待修复区域的土壤修复有益系数。
综上实施例，与现有技术相比，本发明的技术效果如下：
1、本发明考虑到城市道路整修时频繁的挖土填土导致的待修复区域土壤的不同深度的土层状态不一样，构建了待修复区域的土壤状态模型，便于了解待修复区域的土壤状态，针对性的确定缺陷土壤所需的修复剂含量，提高土壤修复效果和修复效率。
2、本发明通过对待修复区域的土壤进行纳米颗粒追踪，计算钻机实时所在土层的渗透修复预估时长，评估钻机设备的工作效果，实现了待测区域土壤修复状态和修复进程的实时监控，优化了土壤修复计划，提高了钻机工作效率，增强了土壤修复效果的可靠性。
以上显示和描述了本发明的基本原理和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 (7)
1.一种用于土壤修复的钻机设备监控方法，其特征在于：所述方法包括如下具体步骤：
S1：通过探针型纳米探测器对待修复区域的土壤信息进行采集，构建待修复区域的土壤状态模型，判断土壤中各个土层的柔韧类别；
S2：构建神经网络模型，根据S1中所述土壤状态模型输出的土壤状态图像，对土壤中各个土层的状态图像进行特征提取和分类处理；
S3：根据S2，通过钻机设备上安装的微型传感器控制钻机设备进行土壤修复时的实时工作参数；
S4：通过对待修复区域的土壤进行纳米颗粒追踪，计算钻机实时所在土层的渗透修复预估时长，并评估钻机设备的工作效果；
S5：根据S3-S4，将钻机设备的实时工作状态数据可视化到钻机设备所接的液晶显示屏；
所述待修复区域的土壤状态模型中的土壤状态数据包括：土层的湿度数据集、土层的温度数据集、土层的肥力数据和土层的柔韧类别数据集；
待修复区域的土壤的第i个土层的柔韧度θi的计算策略如下：
其中，从钻孔工作路面的钻孔中心点向下一个单位深度h，构成一个底面半径为r,高度为h的圆柱形单位土层；
αi为第i个单位土层中，沙子微粒的总体积；
βi为第i个单位土层中，粘土微粒的总体积；
γi为第i个单位土层中，泥土微粒的总体积；
I为待修复区域土壤中包含的单位土层总个数；π为圆周率；
所述土壤中第i个土层的柔韧类别ni的判断包括：
当θi≥0.7时，判断第i个单位土层为砂质土层，记为ni＝1；
当0.4≤θi＜0.7时，判断第i个单位土层为粘土土层，记为ni＝2；
当0≤θi＜0.4时，判断第i个单位土层为肥沃土层，记为ni＝3。
2.根据权利要求1所述的一种用于土壤修复的钻机设备监控方法，其特征在于，所述探针型纳米传感器包括：土壤湿度传感器、土壤温度传感器、土壤导电率传感器和激光粒度分析器，其中，土壤湿度传感器用于探测土层的湿度数据随土层深度的变化数据；土壤温度传感器用于探测土层的温度数据随土层深度的变化数据；土壤导电率传感器用于探测土层的肥力数据随土层深度的变化数据；激光粒度分析器用于探测土层中沙子、粘土、泥的微粒含量。
3.根据权利要求2所述的一种用于土壤修复的钻机设备监控方法，其特征在于，所述神经网络模型包括：输入层、i个卷积层、i-1个池化层、全连接层和输出层，其中，i个卷积层用于对i个土层的温度特征、湿度特征、肥力特征和柔韧种类特征进行特征提取和分类处理。
4.根据权利要求3所述的一种用于土壤修复的钻机设备监控方法，其特征在于，所述钻机设备进行土壤修复时的实时工作参数包括：钻机钻孔总深度H、钻孔中心点间的点间距D、钻孔速度v和土壤修复剂的注剂压力F。
5.根据权利要求4所述的一种用于土壤修复的钻机设备监控方法，其特征在于，所述钻机设备的工作效果的评估包括：
钻机实时所在第i个土层的渗透修复预估时长Xi的计算策略如下：
其中，ε1为第i个土层的温度影响因子，ε2为第i个土层的湿度影响因子，ε3为第i个土层的土层柔韧度影响因子；
Ti为第i个土层的温度均值数据，T0为待修复区域的地面环境温度数据；
Wi为第i个土层的湿度均值数据；
待修复区域的土壤修复有益系数Y的计算策略如下：
6.根据权利要求5所述的一种用于土壤修复的钻机设备监控方法，其特征在于，S5中，所述可视化到钻机设备所接的液晶显示屏上的实时工作状态数据包括：待修复区域的土层的单位土层总个数、各个土层的温度数据、湿度数据、肥力数据、柔韧种类数据、钻机实时所在第i个土层的渗透修复预估时长和待修复区域的土壤修复有益系数。
7.一种用于土壤修复的钻机设备监控系统，其基于如权利要求1-6任一项所述的一种用于土壤修复的钻机设备监控方法实现，其特征在于，所述系统包括以下模块：
土壤信息采集模块、深度学习模块、钻机参数控制模块、工作效果评估模块和实时数据可视化模块；
所述土壤信息采集模块用于通过探针型纳米探测器对待修复区域的土壤信息进行采集，构建待修复区域的土壤状态模型，判断土壤中各个土层的柔韧类别；
所述深度学习模块用于构建神经网络模型，根据S1中所述土壤状态模型输出的土壤状态图像，对土壤中各个土层的状态进行特征提取和分类处理；
所述钻机参数控制模块用于通过钻机设备上安装的微型传感器控制钻机设备进行土壤修复时的实时工作参数；
所述工作效果评估模块用于通过对待修复区域的土壤进行纳米颗粒追踪，计算钻机实时所在土层的渗透修复预估时长，并评估钻机设备的工作效果；
所述实时数据可视化模块用于将钻机设备的实时工作状态数据可视化到钻机设备所接的液晶显示屏。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311392041.5A CN117456239B (zh) | 2023-10-25 | 2023-10-25 | 一种用于土壤修复的钻机设备监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311392041.5A CN117456239B (zh) | 2023-10-25 | 2023-10-25 | 一种用于土壤修复的钻机设备监控系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117456239A CN117456239A (zh) | 2024-01-26 |
| CN117456239B true CN117456239B (zh) | 2024-05-14 |
Family
ID=89595943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311392041.5A Active CN117456239B (zh) | 2023-10-25 | 2023-10-25 | 一种用于土壤修复的钻机设备监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117456239B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010005624A (ja) * | 2009-09-16 | 2010-01-14 | Nippon Sheet Glass Co Ltd | 汚染成分拡散防止用混合物及び汚染成分拡散防止方法 |
| CN104508472A (zh) * | 2012-07-27 | 2015-04-08 | 阿尔弗雷德·凯驰两合公司 | 具有多孔的进入元件的电容式土壤湿度测量设备 |
| JP2015128756A (ja) * | 2014-01-09 | 2015-07-16 | 株式会社不動テトラ | 汚染地盤の浄化方法 |
| AU2014326783A1 (en) * | 2013-09-24 | 2016-05-12 | The Regents Of The University Of California | Encapsulated sensors and sensing systems for bioassays and diagnostics and methods for making and using them |
| JP2019020395A (ja) * | 2017-07-20 | 2019-02-07 | 国立研究開発法人農業・食品産業技術総合研究機構 | 圃場における土壌物理性診断方法 |
| CN111060425A (zh) * | 2019-12-24 | 2020-04-24 | 交通运输部公路科学研究所 | 用于混凝土孔隙溶液检测传感器的敏感膜 |
| US10835938B1 (en) * | 2019-09-17 | 2020-11-17 | James Cheng-Shyong Lu | System and method for rapid reclamation of saline-sodic and heavy metal contaminated soils |
| WO2022037731A1 (en) * | 2020-08-20 | 2022-02-24 | Univerzita Pardubice | System for measuring temperature and moisture of air and soil with wireless data transmission and method of its production |
| CN114139467A (zh) * | 2021-11-04 | 2022-03-04 | 淮北矿业（集团）有限责任公司 | 一种承压含水松散层区域失水压缩量分布的计算方法 |
| DE102021005845A1 (de) * | 2020-11-24 | 2022-05-25 | Mobidiag Oy | Verfahren und System zur Durchführung einer kumulativen Nukleinsäure-Amplifikationsreaktion |
| CN114997502A (zh) * | 2022-06-07 | 2022-09-02 | 中国水利水电科学研究院 | 一种岩溶区光伏电站场区土壤微环境监测预测系统和应用 |
| CN115353874A (zh) * | 2022-08-29 | 2022-11-18 | 深圳大学 | 一种纤维集成的稀土离子掺杂纳米颗粒水分子传感器与应用 |
| CN115665690A (zh) * | 2022-12-29 | 2023-01-31 | 北方工程设计研究院有限公司 | 一种河流缓冲带土壤修复反馈系统及修复方法 |
| WO2023136846A1 (en) * | 2022-01-14 | 2023-07-20 | Soil In Formation, Pbc | Soil parameter sensor system |
| CN116523408A (zh) * | 2023-05-11 | 2023-08-01 | 常州大学 | 一种污染场地土壤修复技术的评估方法 |
-
2023
- 2023-10-25 CN CN202311392041.5A patent/CN117456239B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010005624A (ja) * | 2009-09-16 | 2010-01-14 | Nippon Sheet Glass Co Ltd | 汚染成分拡散防止用混合物及び汚染成分拡散防止方法 |
| CN104508472A (zh) * | 2012-07-27 | 2015-04-08 | 阿尔弗雷德·凯驰两合公司 | 具有多孔的进入元件的电容式土壤湿度测量设备 |
| AU2014326783A1 (en) * | 2013-09-24 | 2016-05-12 | The Regents Of The University Of California | Encapsulated sensors and sensing systems for bioassays and diagnostics and methods for making and using them |
| JP2015128756A (ja) * | 2014-01-09 | 2015-07-16 | 株式会社不動テトラ | 汚染地盤の浄化方法 |
| JP2019020395A (ja) * | 2017-07-20 | 2019-02-07 | 国立研究開発法人農業・食品産業技術総合研究機構 | 圃場における土壌物理性診断方法 |
| US10835938B1 (en) * | 2019-09-17 | 2020-11-17 | James Cheng-Shyong Lu | System and method for rapid reclamation of saline-sodic and heavy metal contaminated soils |
| CN111060425A (zh) * | 2019-12-24 | 2020-04-24 | 交通运输部公路科学研究所 | 用于混凝土孔隙溶液检测传感器的敏感膜 |
| WO2022037731A1 (en) * | 2020-08-20 | 2022-02-24 | Univerzita Pardubice | System for measuring temperature and moisture of air and soil with wireless data transmission and method of its production |
| DE102021005845A1 (de) * | 2020-11-24 | 2022-05-25 | Mobidiag Oy | Verfahren und System zur Durchführung einer kumulativen Nukleinsäure-Amplifikationsreaktion |
| CN114139467A (zh) * | 2021-11-04 | 2022-03-04 | 淮北矿业（集团）有限责任公司 | 一种承压含水松散层区域失水压缩量分布的计算方法 |
| WO2023136846A1 (en) * | 2022-01-14 | 2023-07-20 | Soil In Formation, Pbc | Soil parameter sensor system |
| CN114997502A (zh) * | 2022-06-07 | 2022-09-02 | 中国水利水电科学研究院 | 一种岩溶区光伏电站场区土壤微环境监测预测系统和应用 |
| CN115353874A (zh) * | 2022-08-29 | 2022-11-18 | 深圳大学 | 一种纤维集成的稀土离子掺杂纳米颗粒水分子传感器与应用 |
| CN115665690A (zh) * | 2022-12-29 | 2023-01-31 | 北方工程设计研究院有限公司 | 一种河流缓冲带土壤修复反馈系统及修复方法 |
| CN116523408A (zh) * | 2023-05-11 | 2023-08-01 | 常州大学 | 一种污染场地土壤修复技术的评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| Soil Sensors and Plant Wearables for Smart and Precision Agriculture;Heyu Yin等;《Advanced Materials》;20210520;第33卷(第20期);第1-24页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117456239A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gwendoline et al. | Influence of climate change on the ability of a cover with capillary barrier effects to control acid generation | |
| JP3723779B2 (ja) | 多層覆土の遮水性能評価装置 | |
| Bonanno et al. | Flow directions of stream‐groundwater exchange in a headwater catchment during the hydrologic year | |
| Rivett et al. | Cost-effective mini drive-point piezometers and multilevel samplers for monitoring the hyporheic zone | |
| CN117456239B (zh) | 一种用于土壤修复的钻机设备监控系统及方法 | |
| Al-Busaidi et al. | Sustainable risk-based analysis towards remediation of an aquifer impacted by crude oil spills | |
| Ozkan | Analytical study on flood induced seepage under river levees | |
| Donald et al. | Evaluation of wheat straw wattles for velocity reduction in ditch check installations | |
| Wang et al. | Application of cross-hole electrical resistivity tomography to groundwater contaminated remediation site. | |
| JP2010214282A (ja) | 汚染土壌の微生物分布および栄養塩分布の推定方法 | |
| Deshmukh et al. | Geoenvironmental behavior of lime-treated marine sediments | |
| Klein et al. | Results from a full scale funnel-and-gate system at the BEKA site in Tübingen (Germany) using zero-valent iron | |
| Radu et al. | Derivation of threshold values for groundwater in Romania, in order to distinguish point & diffuse pollution from natural background levels | |
| Elmore et al. | Modeling a ground water circulation well alternative | |
| Nzeribe et al. | Hydraulic performance of the horizontal reactive media treatment well: Pilot and numerical study | |
| Perez | Evaluation of Inlet Protection Practices (IPPs) Using Large-Scale Testing Techniques | |
| Handley | Gully erosion assessment and prediction on non-agricultural lands using logistic regression | |
| Surinaidu et al. | Hydrogeophysics and Numerical Solute Transport Modelling Techniques for Environmental Impact Assessment | |
| Khanbilvardi et al. | Occurrence and distribution of leachate in a solid waste landfill: A field‐scale study | |
| Rafiee et al. | Discovery of submerged springs: a step forward to effectively remediate and manage contaminated groundwater in a karst aquifer | |
| Desa et al. | Study on subsurface contamination flow path distribution using Electrical Resistivity Imaging (ERI) technique at waste disposal site: Taiping, Malaysia | |
| Koda et al. | Efficiency assessment of vertical barriers on the basis of flow and transport numerical modeling | |
| Mansperger | Senior Thesis | |
| Baawain et al. | Assessment of groundwater below a contaminated soil landfill including modeling of vadose zone | |
| Singh | sites in Malaysia |
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 |