CN117780249A - 一种基于人工智能的勘察现场安全监测系统及方法 - Google Patents

Abstract

本发明涉及人工智能技术领域，具体为一种基于人工智能的勘察现场安全监测系统及方法，包括：勘察钻机模块、岩土力学模块、振动控制模块、扰动关联模块和风险调整模块，勘察钻机模块用于记录钻机的钻进数据，岩土力学模块用于分析并预测岩层硬度的变化情况，振动控制模块用于调节钻机的工作参数，扰动关联模块用于预测地面振动幅度，所述风险调整模块用于修正风险系数，并调节钻机的工作参数，本发明能够减少钻头振动对勘察数据造成的影响，提高勘察现场安全监测的效率和准确性，也能够规避安全风险，降低事故发生的可能性，保障工程施工勘察的安全。

Description

一种基于人工智能的勘察现场安全监测系统及方法

技术领域

本发明涉及人工智能技术领域，具体为一种基于人工智能的勘察现场安全监测系统及方法。

背景技术

隧道勘察是指隧道工程项目施工前的实地调查和评估过程，通过对地形、土壤、地质、水文和气象等情况进行详细的调查和分析，以确定施工的可行性和工程设计的依据。隧道勘察可以帮助工程师了解地下地质结构，包括岩石类型、地层厚度、地下水位和其他地质特征，确保隧道建设的稳定性与可持续性。

隧道勘察过程中需要用到地质钻机对隧道下的岩层进行采样作业，常用钻机由支架系统，动力系统，传动系统，分级钻杆，钻头等组成，以固定速度进行岩层钻探，但由于岩层的特性不同，钻头在钻探较硬的岩石时晃动较大，不仅会对钻探数据的采集造成影响，也很容易折断钻杆，产生安全隐患。

此外，在实际进行钻机作业时，钻头的振动也会带来地面的振动，而地面的晃动也会使钻杆所需承担的压力增大，使钻杆更加容易断裂，当两种振动的波峰重合时，还会带来额外的共振，影响钻机的正常钻进工作。

发明内容

本发明的目的在于提供一种基于人工智能的勘察现场安全监测系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的勘察现场安全监测系统，包括：勘察钻机模块、岩土力学模块、振动控制模块、扰动关联模块和风险调整模块；

所述勘察钻机模块用于记录地质钻机在掘进时的钻进数据，将钻进数据上传到数据库中，并对钻机的工作状态进行分析，结合钻机的硬件参数，确定钻头振动幅度与岩层硬度间的第一相关函数；

所述岩土力学模块用于根据钻头在不同时刻的钻进数据与受力系数，计算岩层硬度，根据岩土数据库中的岩层大数据，结合岩层的硬度变化，分析岩层结构的变化情况，并构建岩土结构的力学状态函数；

所述振动控制模块用于根据岩土结构的状态函数，计算岩层硬度的变化，根据第一相关函数预测出钻头的未来振动幅度，结合钻杆材质，计算出钻头在当前速度下的风险系数，并调节钻头的掘进速度，将风险系数控制在预设范围内；

所述扰动关联模块用于记录地面的振动幅度，将地面的历史振动幅度与钻头的历史振动幅度输入神经网络进行关联性拟合，输出地面振动幅度与钻头振动幅度间的第二相关函数，根据第二相关函数与钻头的未来振动幅度，计算未来地面振动幅度；

所述风险调整模块用于根据地面的振动幅度修正风险系数，根据修正后的风险系数调节钻机的工作参数，将受力风险控制在预设范围内。

进一步的，所述勘察钻机模块包括：运行记录单元和工作分析单元；

所述运行记录单元用于记录地质钻机在掘进时的钻进数据，所述钻进数据包括：钻进速度、钻进压力和钻头振动幅度，将钻进数据存入数据库；

所述工作分析单元用于结合钻机的硬件参数对钻机的工作状态进行分析，计算钻头振动幅度与岩层硬度间的第一相关函数。

进一步的，所述岩土力学模块包括：硬度分析单元、岩土数据库单元和状态建立单元；

所述硬度分析单元用于根据钻头在不同时刻的钻进数据与受力系数，计算岩层的硬度与掘进深度之间的关系；

所述岩土数据库单元用于利用岩土数据库中的岩层大数据，分析岩层结构，预测未来岩层的硬度变化；

所述状态建立单元用于根据岩层硬度变化，计算出岩土结构的力学状态函数。

进一步的，所述振动控制模块包括：振动预测单元和钻进控制单元；

所述振动预测单元用于根据未来岩层的硬度变化，利用第一相关函数，计算未来钻头的抖动频率；

所述钻进控制单元用于根据钻杆材质，计算钻头在当前钻进速度下的风险，并调节钻头的掘进速度，将风险控制在预设范围内。

进一步的，所述扰动关联模块包括：地面监测单元、神经网络单元和关联建立单元；

所述地面监测单元用于利用设置在地面上的振动传感器，检测地面的振动幅度；

所述神经网络单元用于利用地面的历史振动幅度与钻头的历史振动幅度训练神经网络，得到关联模型；

所述关联建立单元用于根据关联模型，输出地面振动幅度与钻头振动幅度间的第二相关函数，并计算未来地面振动幅度。

进一步的，所述风险调整模块包括：风险叠加单元和参数调整单元；

所述支撑结构单元用于计算地面振动幅度带来的影响，调整风险系数的大小；

所述轴向收缩单元用于根据风险系数调整钻机的工作参数，使钻机在可控风险内进行工作。

一种基于人工智能的勘察现场安全监测方法，包括以下步骤：

S100.记录地质钻机的历史钻进数据，根据所述历史钻进数据，计算出不同深度岩层的硬度，根据岩土数据库与岩层的硬度变化，分析岩层结构的变化情况，并构建岩层硬度的状态函数；

S200.根据历史钻进数据与岩层硬度的状态函数，对钻机的工作状态进行分析，确定钻头振动幅度与岩层硬度间的第一相关函数；

S300.利用岩土数据库中的岩层大数据，预测未来的岩层硬度变化，根据第一相关函数，计算出钻头在下一时刻的振动幅度，结合钻机的工作参数，计算钻头在下一时刻的风险系数；

S400.在地面设置振动传感器，收集地面振动数据，将地面振动数据和钻头振动幅度输入神经网络模型进行关联性拟合，输出地面振动幅度与钻头振动幅度间的第二相关函数，结合钻头在下一时刻的振动幅度，预测地面下一时刻的振动幅度；

S500.根据地面的振动幅度，计算风险系数调整值，调整步骤S300中计算到的风险系数大小，再根据调整后的风险系数控制钻机的钻进压力。

进一步的，步骤S100包括：

步骤S101.每隔固定的时间C，记录异常地质钻机在掘进时的钻进数据，所述钻进数据包括：钻进速度、钻进压力和钻头的振动幅度，将钻进数据存入数据库，所述钻进数据的总数记为n，并按时间顺序对数据库中的钻进数据进行编号；

步骤S102.将钻头的半径记作r，钻进速度记作v，钻进压力记作F，按以下公式计算每条钻进数据所对应的岩层的单轴平均抗压强度：

其中，S表示岩层的单轴平均抗压强度，π代表圆周率；

步骤S103.将计算出的岩层单轴平均抗压强度记作数据集X，所述X＝{S1,S2,…,Sm…,Sn}，其中，Sm代表编号为m的钻进数据对应的岩层单轴平均抗压强度，所述数据集X中的元素不相等；

使用Matlab工具对数据集X中的岩层单轴抗压强度数据进行拟合，得到岩层硬度的状态函数S(t)，其中t为时间，S(t)代表t时刻的岩层单轴抗压强度。

进一步的，步骤S200包括：

步骤S201.将钻头的振动幅度记作数据集Y，所述Y＝{W1,W2,…,Wm,…,Wn}，其中Wm代表编号为m的钻进数据对应的钻头振动幅度，所述数据集Y中的元素不相等；

步骤S202.按以下公式，计算数据集X与数据集Y的相关系数：

其中，D代表数据集X与数据集Y的相关系数，Si代表编号为i的钻进数据对应的岩层单轴平均抗压强度，Wi表示编号为i的钻进数据对应的钻头振动幅度，代表数据集X中所有元素的均值，/>代表数据集Y中所有元素的均值，上述参数均大于0，且0＜D≤1；

步骤S203.根据相关系数D与岩层硬度的状态函数S(t)，建立钻头振动幅度与岩层硬度的第一相关函数W(t)，所述W(t)满足：

其中，0≤t＜t0，所述t0为当前时刻。

本步骤能够记录钻头的半径、钻进速度、钻进压力和钻头振动，根据所有检测到的数据，构建岩土结构的力学状态函数，并根据岩层硬度的变化，预测钻头的未来振动幅度。

进一步的，步骤S300包括：

步骤S301.获取岩层大数据库中的岩层数据，所述岩层大数据库由其他钻探项目的历史钻探数据构成，所述岩层数据包括：岩层深度与岩层硬度；

使用Matlab工具，以钻进深度为自变量，对数据集X中的岩层单轴抗压强度数据进行拟合，得到钻进深度与岩层硬度的关系函数S(h)，其中h代表钻进深度，且满足0≤h≤h0，其中h0＝v·C·n；

筛选出对应岩层深度高于h0的岩层数据，将筛选结果作为备选数据，按岩层深度对备选数据进行编号，并对所有备选数据中的岩层深度与岩层硬度进行拟合，得到数据集A，所述A＝{S1(h)，S2(h)，…，Sq(h)，…，Su(h)}，其中，u为备选数据的最大编号，Sq(h)代表编号为q的备选数据中岩层深度与岩层硬度的关系函数；

步骤S302.计算S(h)与Sq(h)的相关系数：

其中，Fq代表S(h)与Sq(h)的相关系数；

计算S(h)与数据集A中每个元素的相关系数，记作数据集B，所述B＝{F1,F2,…,Fq,…,Fu}，将集合B中的最小值所对应的备选数据，标记为匹配数据，匹配数据对应的函数记为S0(h)；

根据匹配数据，对岩层硬度进行预测，预测值ST＝S0(h0+v·C)；

步骤S303.根据第一相关函数W(t)，对下一采样时刻的振动幅度进行预测：

其中，WT为下一采样时刻钻头振动幅度的预测值，ST为下一采样时刻岩层硬度的预测值；

步骤S304.获取钻杆的工作参数，所述工作参数包括：钻杆的刚性系数、单位长度最大受力与总长度；

将钻杆的刚性系数记作G，单位长度最大受力记作P0，总长度记作L，按以下方法，计算钻机的风险系数：

其中，K代表钻机的风险系数，且L＞WT。

进一步的，步骤S400包括：

步骤S401.在地面上设置振动传感器，同步采集地面振动幅度，根据数据的采集时间，将所述地面振动幅度存入对应时间的历史钻进数据中；

步骤S402，将所有地面振动数据记作数据集Z，所述Z＝{Z1,Z2,…，Zm，…，Zn}，其中Zm代表编号为m的钻进数据对应的地面振动幅度；

步骤S403.利用数据集Y和数据集Z中的数据训练神经网络模型，拟合出钻头振动与地面振动之间的关联模型，将预测出的钻头振动幅度WT输入所述关联模型，输出地面振动幅度的预测值ZT，所述ZT＞0。

本步骤通过地面的振动检测仪检测地面振动数据，将钻头振动幅度与地面振动数据在神经网络模型中拟合，得到二者的关联函数，进一步预测出未来地面的振动幅度，可以及时发现和评估工程现场可能存在的安全隐患。

进一步的，步骤S500包括：

步骤S501.根据地面振动幅度计算风险系数的调整值：

其中，K0为风险系数调整值；

步骤S502.根据步骤S300计算出的风险系数K，计算调整后的风险系数KF，所述KF＝K+K0；

步骤S503.根据调整后的风险系数KF，调整钻机的钻进压力：

Fr＝F-KF·e

其中，Fr为调整后的钻进压力，e为预设的调整因子，且0＜e＜1。

与现有技术相比，本发明所达到的有益效果是：

1.本发明能够记录钻头的半径、钻进速度、钻进压力和钻头振动，根据所有检测到的数据，构建岩土结构的力学状态函数，并根据岩层硬度的变化，预测钻头的未来振动幅度，结合钻杆材质，控制钻头的钻进速度，减少钻头振动对勘察数据造成的影响，一定程度上规避了钻杆折断造成的安全风险，提高了勘察现场安全监测的效率和准确性，保障工程施工的安全。

2.本发明通过地面的振动检测仪检测地面振动数据，将钻头振动幅度与地面振动数据在神经网络模型中拟合，得到二者的关联函数，进一步预测出未来地面的振动幅度，可以及时发现和评估工程现场可能存在的安全隐患，包括现场设备晃动、结构稳定性问题和其他施工过程中的危险因素，从而采取相应的措施，可以预防钻头振动对支撑结构的扰动，导致支撑不足的问题，帮助发现潜在的安全风险，降低事故发生的可能性，保障工程的顺利进行。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于人工智能的勘察现场安全监测系统的结构示意图；

图2是本发明一种基于人工智能的勘察现场安全监测方法的步骤示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供技术方案：一种基于人工智能的勘察现场安全监测系统，包括：勘察钻机模块、岩土力学模块、振动控制模块、扰动关联模块和风险调整模块；

所述勘察钻机模块用于记录地质钻机在掘进时的钻进数据，将钻进数据上传到数据库中，并对钻机的工作状态进行分析，结合钻机的硬件参数，确定钻头振动幅度与岩层硬度间的第一相关函数；

所述勘察钻机模块包括：运行记录单元和工作分析单元；

所述运行记录单元用于记录地质钻机在掘进时的钻进数据，所述钻进数据包括：钻进速度、钻进压力和钻头振动幅度，将钻进数据存入数据库；

所述工作分析单元用于结合钻机的硬件参数对钻机的工作状态进行分析，计算钻头振动幅度与岩层硬度间的第一相关函数。

所述岩土力学模块用于根据钻头在不同时刻的钻进数据与受力系数，计算岩层硬度，根据岩土数据库中的岩层大数据，结合岩层的硬度变化，分析岩层结构的变化情况，并构建岩土结构的力学状态函数；

所述岩土力学模块包括：硬度分析单元、岩土数据库单元和状态建立单元；

所述硬度分析单元用于根据钻头在不同时刻的钻进数据与受力系数，计算岩层的硬度与掘进深度之间的关系；

所述岩土数据库单元用于利用岩土数据库中的岩层大数据，分析岩层结构，预测未来岩层的硬度变化；

所述状态建立单元用于根据岩层硬度变化，计算出岩土结构的力学状态函数。

所述振动控制模块用于根据岩土结构的状态函数，计算岩层硬度的变化，根据第一相关函数预测出钻头的未来振动幅度，结合钻杆材质，计算出钻头在当前速度下的风险系数，并调节钻头的掘进速度，将风险系数控制在预设范围内；

所述振动控制模块包括：振动预测单元和钻进控制单元；

所述振动预测单元用于根据未来岩层的硬度变化，利用第一相关函数，计算未来钻头的抖动频率；

所述钻进控制单元用于根据钻杆材质，计算钻头在当前钻进速度下的风险，并调节钻头的掘进速度，将风险控制在预设范围内。

所述扰动关联模块用于记录地面的振动幅度，将地面的历史振动幅度与钻头的历史振动幅度输入神经网络进行关联性拟合，输出地面振动幅度与钻头振动幅度间的第二相关函数，根据第二相关函数与钻头的未来振动幅度，计算未来地面振动幅度；

所述扰动关联模块包括：地面监测单元、神经网络单元和关联建立单元；

所述地面监测单元用于利用设置在地面上的振动传感器，检测地面的振动幅度；

所述神经网络单元用于利用地面的历史振动幅度与钻头的历史振动幅度训练神经网络，得到关联模型；

所述关联建立单元用于根据关联模型，输出地面振动幅度与钻头振动幅度间的第二相关函数，并计算未来地面振动幅度。

所述风险调整模块用于根据地面的振动幅度修正风险系数，根据修正后的风险系数调节钻机的工作参数，将受力风险控制在预设范围内。

所述风险调整模块包括：风险叠加单元和参数调整单元；

所述支撑结构单元用于计算地面振动幅度带来的影响，调整风险系数的大小；

所述轴向收缩单元用于根据风险系数调整钻机的工作参数，使钻机在可控风险内进行工作。

如图2所示，一种基于人工智能的勘察现场安全监测方法，包括以下步骤：

S100.记录地质钻机的历史钻进数据，根据所述历史钻进数据，计算出不同深度岩层的硬度，根据岩土数据库与岩层的硬度变化，分析岩层结构的变化情况，并构建岩层硬度的状态函数；

步骤S100包括：

步骤S101.每隔固定的时间C，记录异常地质钻机在掘进时的钻进数据，所述钻进数据包括：钻进速度、钻进压力和钻头的振动幅度，将钻进数据存入数据库，所述钻进数据的总数记为n，并按时间顺序对数据库中的钻进数据进行编号；

步骤S102.将钻头的半径记作r，钻进速度记作v，钻进压力记作F，按以下公式计算每条钻进数据所对应的岩层的单轴平均抗压强度：

其中，S表示岩层的单轴平均抗压强度，π代表圆周率；

步骤S103.将计算出的岩层单轴平均抗压强度记作数据集X，所述X＝{S1,S2,…,Sm…,Sn}，其中，Sm代表编号为m的钻进数据对应的岩层单轴平均抗压强度，所述数据集X中的元素不相等；

使用Matlab工具对数据集X中的岩层单轴抗压强度数据进行拟合，得到岩层硬度的状态函数S(t)，其中t为时间，S(t)代表t时刻的岩层单轴抗压强度。

步骤S200包括：

步骤S201.将钻头的振动幅度记作数据集Y，所述Y＝{W1,W2,…,Wm,…,Wn}，其中Wm代表编号为m的钻进数据对应的钻头振动幅度，所述数据集Y中的元素不相等；

步骤S202.按以下公式，计算数据集X与数据集Y的相关系数：

其中，D代表数据集X与数据集Y的相关系数，Si代表编号为i的钻进数据对应的岩层单轴平均抗压强度，Wi表示编号为i的钻进数据对应的钻头振动幅度，代表数据集X中所有元素的均值，/>代表数据集Y中所有元素的均值，上述参数均大于0，且0＜D≤1；

步骤S203.根据相关系数D与岩层硬度的状态函数S(t)，建立钻头振动幅度与岩层硬度的第一相关函数W(t)，所述W(t)满足：

其中，0≤t＜t0，所述t0为当前时刻。

S200.根据历史钻进数据与岩层硬度的状态函数，对钻机的工作状态进行分析，确定钻头振动幅度与岩层硬度间的第一相关函数；

S300.利用岩土数据库中的岩层大数据，预测未来的岩层硬度变化，根据第一相关函数，计算出钻头在下一时刻的振动幅度，结合钻机的工作参数，计算钻头在下一时刻的风险系数，根据所述风险系数调整钻机的工作数据；

步骤S300包括：

步骤S301.获取岩层大数据库中的岩层数据，所述岩层大数据库由其他钻探项目的历史钻探数据构成，所述岩层数据包括：岩层深度与岩层硬度；

使用Matlab工具，以钻进深度为自变量，对数据集X中的岩层单轴抗压强度数据进行拟合，得到钻进深度与岩层硬度的关系函数S(h)，其中h代表钻进深度，且满足0≤h≤h0，其中h0＝v·C·n；

筛选出对应岩层深度高于h0的岩层数据，将筛选结果作为备选数据，按岩层深度对备选数据进行编号，并对所有备选数据中的岩层深度与岩层硬度进行拟合，得到数据集A，所述A＝{S1(h)，S2(h)，…，Sq(h)，…，Su(h)}，其中，u为备选数据的最大编号，Sq(h)代表编号为q的备选数据中岩层深度与岩层硬度的关系函数；

步骤S302.计算S(h)与Sq(h)的相关系数：

其中，Fq代表S(h)与Sq(h)的相关系数；

计算S(h)与数据集A中每个元素的相关系数，记作数据集B，所述B＝{F1,F2,…,Fq,…,Fu}，将集合B中的最小值所对应的备选数据，标记为匹配数据，匹配数据对应的函数记为S0(h)；

根据匹配数据，对岩层硬度进行预测，预测值ST＝S0(h0+v·C)；

步骤S303.根据第一相关函数W(t)，对下一采样时刻的振动幅度进行预测：

其中，WT为下一采样时刻钻头振动幅度的预测值，ST为下一采样时刻岩层硬度的预测值；

步骤S304.获取钻杆的工作参数，所述工作参数包括：钻杆的刚性系数、单位长度最大受力与总长度；

将钻杆的刚性系数记作G，单位长度最大受力记作P0，总长度记作L，按以下方法，计算钻机的风险系数：

其中，K代表钻机的风险系数，且L＞WT。

S400.在地面设置振动传感器，收集地面振动数据，将地面振动数据和钻头振动幅度输入神经网络模型进行关联性拟合，输出地面振动幅度与钻头振动幅度间的第二相关函数，结合钻头在下一时刻的振动幅度，预测地面下一时刻的振动幅度；

步骤S400包括：

步骤S401.在地面上设置振动传感器，同步采集地面振动幅度，根据数据的采集时间，将所述地面振动幅度存入对应时间的历史钻进数据中；

步骤S402，将所有地面振动数据记作数据集Z，所述Z＝{Z1,Z2,…，Zm，…，Zn}，其中Zm代表编号为m的钻进数据对应的地面振动幅度；

步骤S403.利用数据集Y和数据集Z中的数据训练神经网络模型，拟合出钻头振动与地面振动之间的关联模型，将预测出的钻头振动幅度WT输入所述关联模型，输出地面振动幅度的预测值ZT，所述ZT＞0。

S500.根据地面的振动幅度，计算风险系数调整值，调整步骤S300中计算到的风险系数大小，再根据调整后的风险系数控制钻机的钻进压力。

步骤S500包括：

步骤S501.根据地面振动幅度计算风险系数的调整值：

其中，K0为风险系数调整值；

步骤S502.根据步骤S300计算出的风险系数K，计算调整后的风险系数KF，所述KF＝K+K0；

步骤S503.根据调整后的风险系数KF，调整钻机的钻进压力：

Fr＝F-KF·e

其中，Fr为调整后的钻进压力，e为预设的调整因子，且0＜e＜1。

实施例：

钻机工作时，每隔10s对钻机的工作数据进行采集，共采集5次，采集到的钻进速度分别为10mm/s、8mm/s、7mm/s、6mm/s和4mm/s，钻头的振动幅度分别为8mm、10mm、13mm、15mm和19mm，钻孔半径为20mm，钻机压力恒定为1000N，则每次采样时，岩层的单轴平均抗压强度分别为：0.79N/mm·s、0.98N/mm·s、1.12N/mm·s、1.30N/mm·s和1.96N/mm·s，将所有抗压强度记作数据集X，振动幅度记作数据集Y，计算出相关系数D＝0.78，根据岩土数据库中的数据，预测出下一个10s内钻头的振动幅度为20mm，钻机的风险系数K＝22N，e＝0.5，则调节钻机的掘进压力为989N，以平衡钻头振动带来的风险。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的勘察现场安全监测方法，其特征在于，所述方法包括以下步骤：

S100.记录地质钻机的历史钻进数据，根据所述历史钻进数据，计算出不同深度岩层的硬度，根据岩土数据库与岩层的硬度变化，分析岩层结构的变化情况，并构建岩层硬度的状态函数；

S200.根据历史钻进数据与岩层硬度的状态函数，对钻机的工作状态进行分析，确定钻头振动幅度与岩层硬度间的第一相关函数；

S300.利用岩土数据库中的岩层大数据，预测未来的岩层硬度变化，根据第一相关函数，计算出钻头在下一时刻的振动幅度，结合钻机的工作参数，计算钻头在下一时刻的风险系数；

S400.在地面设置振动传感器，收集地面振动数据，将地面振动数据和钻头振动幅度输入神经网络模型进行关联性拟合，输出地面振动幅度与钻头振动幅度间的第二相关函数，结合钻头在下一时刻的振动幅度，预测地面下一时刻的振动幅度；

S500.根据地面的振动幅度，计算风险系数调整值，调整步骤S300中计算到的风险系数大小，再根据调整后的风险系数控制钻机的钻进压力。

2.根据权利要求1所述的一种基于人工智能的勘察现场安全监测方法，其特征在于：

步骤S100包括：

步骤S101.每隔固定的时间C，记录异常地质钻机在掘进时的钻进数据，所述钻进数据包括：钻进速度、钻进压力、钻进深度和钻头的振动幅度，将钻进数据存入数据库，所述钻进数据的总数记为n，并按时间顺序对数据库中的钻进数据进行编号；

步骤S102.将钻头的半径记作r，钻进速度记作v，钻进压力记作F，按以下公式计算每条钻进数据所对应的岩层的单轴平均抗压强度：

其中，S表示岩层的单轴平均抗压强度，π代表圆周率；

步骤S103.将计算出的岩层单轴平均抗压强度记作数据集X，所述X＝{S1,S2,…,Sm…,Sn}，其中，Sm代表编号为m的钻进数据对应的岩层单轴平均抗压强度，所述数据集X中的元素不相等；

使用Matlab工具，以时间为自变量，对数据集X中的岩层单轴抗压强度数据进行拟合，得到岩层硬度的状态函数S(t)，其中t为时间，S(t)代表t时刻的岩层单轴抗压强度。

3.根据权利要求2所述的一种基于人工智能的勘察现场安全监测方法，其特征在于：

步骤S200包括：

步骤S201.将钻头的振动幅度记作数据集Y，所述Y＝{W1,W2,…,Wm,…,Wn}，其中Wm代表编号为m的钻进数据对应的钻头振动幅度，所述数据集Y中的元素不相等；

步骤S202.按以下公式，计算数据集X与数据集Y的相关系数：

其中，D代表数据集X与数据集Y的相关系数，Si代表编号为i的钻进数据对应的岩层单轴平均抗压强度，Wi表示编号为i的钻进数据对应的钻头振动幅度，S代表数据集X中所有元素的均值，W代表数据集Y中所有元素的均值，上述参数均大于0，且0＜D≤1；

步骤S203.根据相关系数D与岩层硬度的状态函数S(t)，建立钻头振动幅度与岩层硬度的第一相关函数W(t)，所述W(t)满足：

其中，0≤t＜t0，所述t0为当前时刻。

4.根据权利要求3所述的一种基于人工智能的勘察现场安全监测方法，其特征在于：

步骤S300包括：

步骤S301.获取岩层大数据库中的岩层数据，所述岩层大数据库由其他钻探项目的历史钻探数据构成，所述岩层数据包括：岩层深度与岩层硬度；

使用Matlab工具，以钻进深度为自变量，对数据集X中的岩层单轴抗压强度数据进行拟合，得到钻进深度与岩层硬度的关系函数S(h)，其中h代表钻进深度，且满足0≤h≤h0，其中h0＝v·C·n；

筛选出对应岩层深度高于h0的岩层数据，将筛选结果作为备选数据，按岩层深度对备选数据进行编号，并对所有备选数据中的岩层深度与岩层硬度进行拟合，得到数据集A，所述A＝{S1(h)，S2(h)，…，Sq(h)，…，Su(h)}，其中，u为备选数据的最大编号，Sq(h)代表编号为q的备选数据中岩层深度与岩层硬度的关系函数；

步骤S302.计算S(h)与Sq(h)的相关系数：

其中，Fq代表S(h)与Sq(h)的相关系数；

计算S(h)与数据集A中每个元素的相关系数，记作数据集B，所述B＝{F1,F2,…,Fq,…,Fu}，将集合B中的最小值所对应的备选数据，标记为匹配数据，匹配数据对应的函数记为S0(h)；

根据匹配数据，对岩层硬度进行预测，预测值ST＝S0(h0+v·C)；

步骤S303.根据第一相关函数W(t)，对下一采样时刻的振动幅度进行预测：

其中，WT为下一采样时刻钻头振动幅度的预测值，ST为下一采样时刻岩层硬度的预测值；

步骤S304.获取钻杆的工作参数，所述工作参数包括：钻杆的刚性系数、单位长度最大受力与总长度；

将钻杆的刚性系数记作G，单位长度最大受力记作P0，总长度记作L，按以下方法，计算钻机的风险系数：

其中，K代表钻机的风险系数，且L＞WT。

5.根据权利要求4所述的一种基于人工智能的勘察现场安全监测方法，其特征在于：

步骤S400包括：

步骤S401.在地面上设置振动传感器，同步采集地面振动幅度，根据数据的采集时间，将所述地面振动幅度存入对应时间的历史钻进数据中；

步骤S402，将所有地面振动数据记作数据集Z，所述Z＝{Z1,Z2,…，Zm，…，Zn}，其中Zm代表编号为m的钻进数据对应的地面振动幅度；

步骤S403.利用数据集Y和数据集Z中的数据训练神经网络模型，拟合出钻头振动与地面振动之间的关联模型，将预测出的钻头振动幅度WT输入所述关联模型，输出地面振动幅度的预测值ZT，所述ZT＞0；

步骤S500包括：

步骤S501.根据地面振动幅度计算风险系数的调整值：

其中，K0为风险系数调整值；

步骤S502.根据步骤S300计算出的风险系数K，计算调整后的风险系数KF，所述KF＝K+K0；

步骤S503.根据调整后的风险系数KF，调整钻机的钻进压力：

Fr＝F-KF·e

其中，Fr为调整后的钻进压力，e为预设的调整因子，且0＜e＜1。

6.一种基于人工智能的勘察现场安全监测系统，其特征在于，所述系统包括以下模块：

勘察钻机模块、岩土力学模块、振动控制模块、扰动关联模块和风险调整模块；

所述勘察钻机模块用于记录地质钻机在掘进时的钻进数据，将钻进数据上传到数据库中，并对钻机的工作状态进行分析，结合钻机的硬件参数，确定钻头振动幅度与岩层硬度间的第一相关函数；

所述岩土力学模块用于根据钻头在不同时刻的钻进数据与受力系数，计算岩层硬度，根据岩土数据库中的岩层大数据，结合岩层的硬度变化，分析岩层结构的变化情况，并构建岩土结构的力学状态函数；

所述振动控制模块用于根据岩土结构的状态函数，计算岩层硬度的变化，根据第一相关函数预测出钻头的未来振动幅度，结合钻杆材质，计算出钻头在当前速度下的风险系数，并调节钻头的掘进速度，将风险系数控制在预设范围内；

所述扰动关联模块用于记录地面的振动幅度，将地面的历史振动幅度与钻头的历史振动幅度输入神经网络进行关联性拟合，输出地面振动幅度与钻头振动幅度间的第二相关函数，根据第二相关函数与钻头的未来振动幅度，计算未来地面振动幅度；

所述风险调整模块用于根据地面的振动幅度修正风险系数，根据修正后的风险系数调节钻机的工作参数，将受力风险控制在预设范围内。

7.根据权利要求6所述的一种基于人工智能的勘察现场安全监测系统，其特征在于：

所述勘察钻机模块包括：运行记录单元和工作分析单元；

所述运行记录单元用于记录地质钻机在掘进时的钻进数据，所述钻进数据包括：钻进速度、钻进压力和钻头振动幅度，将钻进数据存入数据库；

所述工作分析单元用于结合钻机的硬件参数对钻机的工作状态进行分析，计算钻头振动幅度与岩层硬度间的第一相关函数。

8.根据权利要求7所述的一种基于人工智能的勘察现场安全监测系统，其特征在于：

所述岩土力学模块包括：硬度分析单元、岩土数据库单元和状态建立单元；

所述硬度分析单元用于根据钻头在不同时刻的钻进数据与受力系数，计算岩层的硬度与掘进深度之间的关系；

所述岩土数据库单元用于利用岩土数据库中的岩层大数据，分析岩层结构，预测未来岩层的硬度变化；

所述状态建立单元用于根据岩层硬度变化，计算出岩土结构的力学状态函数。

9.根据权利要求8所述的一种基于人工智能的勘察现场安全监测系统，其特征在于：

所述振动控制模块包括：振动预测单元和钻进控制单元；

所述振动预测单元用于根据未来岩层的硬度变化，利用第一相关函数，计算未来钻头的抖动频率；

所述钻进控制单元用于根据钻杆材质，计算钻头在当前钻进速度下的风险，并调节钻头的掘进速度，将风险控制在预设范围内；

所述扰动关联模块包括：地面监测单元、神经网络单元和关联建立单元；

所述地面监测单元用于利用设置在地面上的振动传感器，检测地面的振动幅度；

所述神经网络单元用于利用地面的历史振动幅度与钻头的历史振动幅度训练神经网络，得到关联模型；

所述关联建立单元用于根据关联模型，输出地面振动幅度与钻头振动幅度间的第二相关函数，并计算未来地面振动幅度。

10.根据权利要求9所述的一种基于人工智能的勘察现场安全监测系统，其特征在于：

所述风险调整模块包括：风险叠加单元和参数调整单元；

所述支撑结构单元用于计算地面振动幅度带来的影响，调整风险系数的大小；

所述轴向收缩单元用于根据风险系数调整钻机的工作参数，使钻机在可控风险内进行工作。