CN117805938B - 一种基于深度学习的围岩地质力学参数智能预测方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的围岩地质力学参数智能预测方法，属于岩性预测技术领域。步骤如下：根据不同的钻进条件进行钻进实验；获取实时监测数据，并对实时监测数据和岩体地质力学参数进行数据预处理，以生成训练数据集和测试数据集；使用训练集数据训练深度学习模型，深度学习模型采用自适应学习率的优化算法，进行深度学习模型的训练；使用测试集数据测试深度学习模型精度；使用满足精度要求的深度学习模型进行岩层识别。本发明基于室内实验，建立深度学习预测模型，利用深度学习技术，大大提高预测精度，解决了传统的围岩地质力学参数预测方法存在的精度不高、试验成本高、模拟结果与实际情况差异较大等问题。

Description

一种基于深度学习的围岩地质力学参数智能预测方法

技术领域

本发明涉及一种基于深度学习的围岩地质力学参数智能预测方法，属于岩性预测技术领域。

背景技术

在地下工程中，围岩地质力学参数的计算和分析是确定支护参数、围岩分级、分析围岩稳定性的基础。围岩地质力学参数的快速预测，不仅可以选择适当的支护措施和施工工艺，提高施工效率和工程质量，降低工程成本，还可以判断围岩的破坏特征、变形模式以及可能出现的工程难点，有效地规避潜在的安全风险。因此，实现对围岩地质力学参数的快速预测具有十分重要的意义。

传统的围岩地质力学参数预测方法主要基于经验公式、物理模型试验和数值模拟。这些方法存在一定的局限性，如精度不高、试验成本高、模拟结果与实际情况差异较大等。近年来，科技迅猛发展带动了技术的变革，越来越多的神经网络、深度学习等机器学习算法及模型被应用于智能钻机与围岩地质力学参数预测的研究中。利用深度学习技术，可以自动从大量数据中提取与围岩地质力学参数相关的特征，并建立高精度的预测模型。这种方法可以大大提高预测精度，降低试验成本，缩短工程设计、施工周期。此外，深度学习技术还可以处理非线性复杂问题，对复杂地质条件下的围岩地质力学参数进行准确预测。

由于实现智能预测需对各种钻进工况条件进行建模试验研究，而煤矿井下开采工程具有钻进施工空间狭小、工作时间有限、影响正常矿井生产的局限性，导致难以实现井下现场直接进行大量钻进施工和建模试验。因此，基于地面室内随钻系统开展批量多工况钻进试验获取大量样本数据，对进行钻进参数与围岩地质力学参数间相关性的建模研究具有重要意义。基于深度学习技术的围岩地质力学参数智能预测室内试验方法，可以利用深度学习技术对室内试验数据进行处理和分析，建立高精度预测模型，实现对围岩地质力学参数的智能预测。该方法可以提高预测精度，降低试验成本，为地下工程建设提供有力支持。

为提升岩性预测精度及效率，中国专利文件CN116542345A公开了一种用于测井岩性预测的机器学习模型训练方法，包括：基于专家经验选择、衍生测井数据特征曲线，基于专家经验对标签进行检查和合并，之后选择机器模型进行训练和预测。这种算法对于数据有不错的拟合作用，但随着数据量的增大，传统机器学习方法的性能表现会趋于平缓。而深度学习作为机器学习的一种形式，与传统机器学习最重要的区别是，其性能会随着数据量的增加而不断提高，当数据量十分充足时，传统机器学习方法的性能及表现相对深度学习方法则会出现较大差距。为此，提出本发明。

发明内容

针对现有技术的不足，本发明提供一种基于深度学习的围岩地质力学参数智能预测方法，基于室内实验，建立深度学习预测模型，利用深度学习技术，大大提高预测精度，解决了传统的围岩地质力学参数预测方法存在的精度不高、试验成本高、模拟结果与实际情况差异较大等问题。

本发明的技术方案如下：

一种基于深度学习的围岩地质力学参数智能预测方法，步骤如下：

步骤一：根据不同的钻进条件进行钻进实验；

步骤二：获取实时监测数据，并对实时监测数据和岩体地质力学参数进行数据预处理，以生成训练数据集和测试数据集；

步骤三：使用训练集数据训练深度学习模型，深度学习模型采用自适应学习率的优化算法，进行深度学习模型的训练；

步骤四：使用测试集数据测试深度学习模型精度；

步骤五：使用满足精度要求的深度学习模型进行岩层识别。

根据本发明优选的，步骤一中，钻进实验对岩石试件进行不同角度钻进，包括水平方向、倾斜某一固定角度、垂直方向，记录随钻参数，步骤如下：

（1）制作试件，从工程现场分别采集具有不同岩性和不同力学性质的岩块，将岩块处理为大小为300mm×300mm×300mm的正方体原岩试件；采用不同配比的水泥、石膏、河砂、铁粉、硼砂和水浇筑具有不同力学性质的正方体浇筑试件，尺寸大小为300mm×300mm×300mm；取一部分制作好的原岩和浇筑试件进行取芯，并进行单轴压缩实验，得到试件的力学性质参数，包括单轴抗压强度和弹性模量；

（2）钻进试件，对未进行取芯的具有不同力学性质的原岩或浇筑试件进行围压加载操作，加载到预定的范围后停止，确保试件在钻进过程中保持稳定，对钻机设定钻进的角度，包括水平方向、倾斜某一固定角度、垂直方向等，设定给进速度或旋转速度，对试件完成钻进作业；

（3）数据采集，记录钻进角度，钻进过程中随钻采集工作参数，包括：位移、进给压力、旋转压力、扭矩、功率、给进速度和旋转速度。

根据本发明优选的，步骤一中，将岩性相同的多个岩石试件水平紧凑排列摆放，模拟真实环境下的围压应力曲线进行加围压操作，对试件组进行钻进实验，记录随钻参数，步骤如下：

①制作试件，与上述步骤（1）一致，制作多块岩性相同的岩石试件，将其水平紧凑排列摆放，模拟不同深度的钻进情况；所述岩石试件包括原岩和浇筑试件。

②对试件组加围压，将多块岩性相同的岩石试件水平紧凑摆放后视为一个试件组，根据真实环境下的围压条件形成应力曲线，根据应力曲线对试件组中的每一块试件加载不同的围压；

③钻进试件，设定钻机的给进速度和旋转速度，对设置好围压的试件组完成钻进作业；

④数据采集，记录钻进过程中的随钻参数。

根据本发明优选的，步骤二中，实时监测数据为钻进实验时实时显示、记录并导出的随钻参数，随钻参数包括：位移、进给压力、旋转压力、扭矩、功率、给进速度和旋转速度；位移指钻杆钻进深度，进给压力指给进油缸的液压油压力，旋转压力是指马达液压油压力，旋转压力和进给压力都由传感器测量，功率是指供电的功率，给进速度是指给进机构在钻进中送进钻具的速度，旋转速度是指主轴的转速，岩体地质力学参数包括试件所受应力、单轴抗压强度和弹性模量等，应力为试件受到围压加载产生的应力，通过系统传感器获取。单轴抗压强度、弹性模量等是对同类原岩和试件进行单轴压缩实验获取的参数。

根据本发明优选的，步骤二中，预处理过程为，对实时监测数据进行清洗，得到筛选出的数据集，由于实验检测到的数据繁多，类型复杂，直接作为输入参数容易使模型体量庞大、效率降低，因此使用逐步特征选择算法实现特征选择，提高模型学习效率，将监测数据通过特征选择后作为模型的输入参数，对岩石地质力学参数进行筛选处理后作为模型的输出参数，对筛选后的输入数据集和输出数据集进行归一化处理和滑动窗口处理，生成样本数据，将样本数据按7：3的比例生成训练数据集和测试数据集。

进一步优选的，逐步特征选择算法的原理是逐步增加特征，从最初的一个特征开始，不断添加新的特征，直到达到停止条件，具体步骤如下：

2.1 算法初始化，设定初始特征子集为空集；

2.2 设定停止条件为连续若干次加入新特征但准确率未提高；

2.3 使用交叉验证算法对每个未选择的特征进行单独评估，选择表现最佳的特征加入当前特征子集中；

2.4在当前特征子集中加入新的特征后重新评估特征组合的表现，如果表现提高，则保留新的特征，否则排除新的特征；

2.5 重复步骤2.3和2.4，直到达到预设的停止条件。

根据本发明优选的，步骤三中，深度学习模型的训练步骤如下：

3.1 初始化参数：对模型的参数进行初始化，从训练数据集中选择预训练的参数进行初始化；

3.2 计算梯度：使用反向传播算法计算损失函数对模型参数的梯度值；

3.3 计算梯度平方：对计算出的梯度值进行平方操作，使用向量化操作进行计算，以提高计算效率；

3.4 更新参数：根据梯度的历史信息计算调整后的学习率，使用该学习率更新模型参数，更新公式为：

其中，θ表示模型参数，l _r 表示学习率，g表示梯度，ρ表示衰减因子，s _g 表示梯度的平方，s _go 表示上一步的梯度平方的累加值，sign（g）为符号函数，当x>0，sign(x)=1；当x=0，sign(x)=0；当x<0，sign(x)=-1；

3.5 更新梯度平方累加值：将当前的梯度平方值加到历史梯度平方的累加值中，用于下一次参数更新；

3.6 监视训练过程：在训练过程中监视损失函数值和梯度值的变化情况，及时调整参数。

初始化模型选用ReLU激活函数，学习率设置为0.001，训练轮次选择50，将训练数据集输入深度学习模型进行训练，并根据预设结果判断训练有效性，其中衰减因子ρ和学习率的选择对于算法的效果影响大，要通过多轮次训练进行调整和优化。

根据本发明优选的，步骤四具体方法为，预设预测精度，设置预测值与真实值误差小于等于10%，将测试数据集输入训练后的深度学习模型中，对产生的预测结果进行判断，若符合预测精度的要求，则模型训练完成，输出预测结果；若不满足，则返回步骤三，调整模型参数（衰减因子、学习率、训练轮次、训练数据量等），再次进行模型训练，直至满足预测精度要求。

根据本发明优选的，步骤五中，具体步骤如下：

将性质不同的岩石试件垂直摆放，模拟地层情况，如石灰岩层-泥岩层-砂岩层，对试件组进行垂直钻进，记录随钻参数；

将实验产生的随钻参数通过数据预处理后作为输入数据，输入训练好的深度学习模型中，得到预测结果，根据预测出的围岩地质力学参数确定岩层情况。

本发明的有益效果在于：

1、本发明提供的室内实验方案，包括但不限于相同属性岩石的多角度钻进方法、相同属性岩石不同围压下的钻进方法（模拟真实地下所受应力情况）、不同属性岩石垂直钻进方法（模拟不同地层情况进行岩性识别），为进行室内试验提供更多的思路。

2、本发明基于室内实验，建立深度学习预测模型，利用深度学习技术，大大提高预测精度，解决了传统的围岩地质力学参数预测方法存在的精度不高、试验成本高、模拟结果与实际情况差异较大等问题。通过逐步特征选择算法进行特征选择，解决因实验数据繁多、类型复杂，直接作为输入参数容易使模型体量庞大、效率降低的问题。通过采用自适应学习率优化算法对模型进行优化，提高优化算法的效率和稳定性，使模型具有更强的泛化能力。本发明提供的深度学习模型可以解决更为复杂的围岩地质力学参数问题，实现围岩地质力学参数的快速、准确预测。

3、本发明室内试验获得的研究结果，可用于指导井下围岩地质力学参数随钻智能预测研究。可用于指导支护参数的确定、围岩分级、分析围岩稳定性，可提高预测精度，降低试验成本，为地下工程建设提供有力支持。

附图说明

图1是本发明实施例中的钻进实验试件钻进状态示意图；

图2是本发明实施例中的岩石试件模拟地层情况示意图；

图3是本发明的流程框图。

图4是本发明的实施流程图。

具体实施方式

下面通过实施例并结合附图对本发明做进一步说明，但不限于此。

实施例1：

本实施例提供一种基于深度学习的围岩地质力学参数智能预测方法，步骤如下：

步骤一：根据不同的钻进条件进行钻进实验，具体包括两种实验方案：

方案1：钻进实验对岩石试件进行不同角度钻进，包括水平方向、倾斜某一固定角度、垂直方向，记录随钻参数，步骤如下：

（1）制作试件，从工程现场分别采集具有不同岩性和不同力学性质的岩块，将岩块处理为大小为300mm×300mm×300mm的正方体原岩试件；采用不同配比的水泥、石膏、河砂、铁粉、硼砂和水浇筑具有不同力学性质的正方体浇筑试件，尺寸大小为300mm×300mm×300mm；取一部分制作好的原岩和浇筑试件进行取芯，并进行单轴压缩实验，得到试件的力学性质参数，包括单轴抗压强度和弹性模量；

（2）钻进试件，对未进行取芯的具有不同力学性质的原岩或浇筑试件进行围压加载操作，加载到预定的范围后停止，确保试件在钻进过程中保持稳定，对钻机设定钻进的角度，包括水平方向、倾斜某一固定角度、垂直方向等，设定给进速度或旋转速度，对试件完成钻进作业；

（3）数据采集，记录钻进角度，钻进过程中随钻采集工作参数，包括：位移、进给压力、旋转压力、扭矩、功率、给进速度和旋转速度。

方案2：将岩性相同的多个岩石试件水平紧凑排列摆放，模拟真实环境下的围压应力曲线进行加围压操作，对试件组进行钻进实验，记录随钻参数，步骤如下：

①制作试件，与上述步骤（1）一致，制作多块岩性相同的岩石试件，将其水平紧凑排列摆放，模拟不同深度的钻进情况；所述岩石试件包括原岩和浇筑试件。

②对试件组加围压，将多块岩性相同的岩石试件水平紧凑摆放后视为一个试件组，根据真实环境下的围压条件形成应力曲线，根据应力曲线对试件组中的每一块试件加载不同的围压，如图1所示；

③钻进试件，设定钻机的给进速度和旋转速度，对设置好围压的试件组完成钻进作业；

④数据采集，记录钻进过程中的随钻参数。

步骤二：获取实时监测数据，并对实时监测数据和岩体地质力学参数进行数据预处理，以生成训练数据集和测试数据集；

预处理过程为，对实时监测数据进行清洗，得到筛选出的数据集，由于实验检测到的数据繁多，类型复杂，直接作为输入参数容易使模型体量庞大、效率降低，因此使用逐步特征选择算法实现特征选择，提高模型学习效率，将监测数据通过特征选择后作为模型的输入参数，对岩石地质力学参数进行筛选处理后作为模型的输出参数，对筛选后的输入数据集和输出数据集进行归一化处理和滑动窗口处理，生成样本数据，将样本数据按7：3的比例生成训练数据集和测试数据集。

逐步特征选择算法的原理是逐步增加特征，从最初的一个特征开始，不断添加新的特征，直到达到停止条件，具体步骤如下：

2.1 算法初始化，设定初始特征子集为空集；

2.2 设定停止条件为连续若干次加入新特征但准确率未提高；

2.3 使用交叉验证算法对每个未选择的特征进行单独评估，选择表现最佳的特征加入当前特征子集中；

2.4在当前特征子集中加入新的特征后重新评估特征组合的表现，如果表现提高，则保留新的特征，否则排除新的特征；

2.5 重复步骤2.3和2.4，直到达到预设的停止条件。

步骤三：使用训练集数据训练深度学习模型，深度学习模型采用自适应学习率的优化算法，进行深度学习模型的训练：

3.1 初始化参数：对模型的参数进行初始化，从训练数据集中选择预训练的参数进行初始化；

3.2 计算梯度：使用反向传播算法计算损失函数对模型参数的梯度值；

3.3 计算梯度平方：对计算出的梯度值进行平方操作，使用向量化操作进行计算，以提高计算效率；

3.4 更新参数：根据梯度的历史信息计算调整后的学习率，使用该学习率更新模型参数，更新公式为：

其中，θ表示模型参数，l _r 表示学习率，g表示梯度，ρ表示衰减因子，s _g 表示梯度的平方，s _go 表示上一步的梯度平方的累加值，sign（g）为符号函数，当x>0，sign(x)=1；当x=0，sign(x)=0；当x<0，sign(x)=-1；

3.5 更新梯度平方累加值：将当前的梯度平方值加到历史梯度平方的累加值中，用于下一次参数更新；

3.6 监视训练过程：在训练过程中监视损失函数值和梯度值的变化情况，及时调整参数。

初始化模型选用ReLU激活函数，学习率设置为0.001，训练轮次选择50，将训练数据集输入深度学习模型进行训练，并根据预设结果判断训练有效性，其中衰减因子和学习率的选择对于算法的效果影响大，要通过多轮次训练进行调整和优化。

步骤四：使用测试集数据测试深度学习模型精度；

预设预测精度，设置预测值与真实值误差小于等于10%，将测试数据集输入训练后的深度学习模型中，对产生的预测结果进行判断，若符合预测精度的要求，则模型训练完成，输出预测结果；若不满足，则返回步骤三，调整模型参数（衰减因子、学习率、训练轮次、训练数据量等），再次进行模型训练，直至满足预测精度要求。

步骤五：使用满足精度要求的深度学习模型进行岩层识别：将性质不同的岩石试件垂直摆放，模拟地层情况，如石灰岩层-泥岩层-砂岩层，如图2所示，对试件组进行垂直钻进，记录随钻参数；

将实验产生的随钻参数通过数据预处理后作为输入数据，输入训练好的深度学习模型中，得到预测结果，根据预测出的围岩地质力学参数确定岩层情况。

以上所述是本发明的优选实施方式，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和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤如下：

步骤一：根据不同的钻进条件进行钻进实验，钻进实验对岩石试件进行不同角度钻进，包括水平方向、倾斜某一固定角度和垂直方向，记录随钻参数；

步骤二：获取实时监测数据，实时监测数据为钻进实验时实时显示、记录并导出的随钻参数，并对实时监测数据和岩体地质力学参数进行数据预处理，以生成训练数据集和测试数据集；

步骤三：使用训练数据集数据训练深度学习模型，深度学习模型采用自适应学习率的优化算法，进行深度学习模型的训练，步骤如下：

3.1初始化参数：对模型的参数进行初始化，从训练数据集中选择预训练的参数进行初始化；

3.2计算梯度：使用反向传播算法计算损失函数对模型参数的梯度值；

3.3计算梯度平方：对计算出的梯度值进行平方操作，使用向量化操作进行计算；

3.4更新参数：根据梯度的历史信息计算调整后的学习率，使用该学习率更新模型参数，更新公式为：

其中，θ表示模型参数，l_r表示学习率，g表示梯度，ρ表示衰减因子，s_g表示梯度的平方，s_go表示上一步的梯度平方的累加值，sign(g)为符号函数；

3.5更新梯度平方累加值：将当前的梯度平方值加到历史梯度平方的累加值中，用于下一次参数更新；

3.6监视训练过程：在训练过程中监视损失函数值和梯度值的变化情况，及时调整参数；

步骤四：使用测试数据集数据测试深度学习模型精度；

步骤五：使用满足精度要求的深度学习模型进行岩层识别。

2.如权利要求1所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤一中，钻进实验具体步骤如下：

(1)制作试件，从工程现场分别采集具有不同岩性和不同力学性质的岩块，将岩块处理为大小为300mm×300mm×300mm的正方体原岩试件；采用不同配比的水泥、石膏、河砂、铁粉、硼砂和水浇筑具有不同力学性质的正方体浇筑试件，尺寸大小为300mm×300mm×300mm；取一部分制作好的原岩和浇筑试件进行取芯，并进行单轴压缩实验，得到试件的力学性质参数，包括单轴抗压强度和弹性模量；

(2)钻进试件，对未进行取芯的具有不同力学性质的原岩或浇筑试件进行围压加载操作，加载到预定的范围后停止，对钻机设定钻进的角度，包括水平方向、倾斜某一固定角度、垂直方向，设定给进速度或旋转速度，对试件完成钻进作业；

(3)数据采集，记录钻进角度，钻进过程中随钻采集工作参数，包括：位移、进给压力、旋转压力、扭矩、功率、给进速度和旋转速度。

3.如权利要求1所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤一中，将岩性相同的多个岩石试件水平紧凑排列摆放，模拟真实环境下的围压应力曲线进行加围压操作，对试件组进行钻进实验，记录随钻参数，步骤如下：

①制作试件，制作多块岩性相同的岩石试件，将其水平紧凑排列摆放，模拟不同深度的钻进情况；②对试件组加围压，将多块岩性相同的岩石试件水平紧凑摆放后视为一个试件组，根据真实环境下的围压条件形成应力曲线，根据应力曲线对试件组中的每一块试件加载不同的围压；

③钻进试件，设定钻机的给进速度和旋转速度，对设置好围压的试件组完成钻进作业；

④数据采集，记录钻进过程中的随钻参数。

4.如权利要求3所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤二中，随钻参数包括：位移、进给压力、旋转压力、扭矩、功率、给进速度和旋转速度；位移指钻杆钻进深度，进给压力指给进油缸的液压油压力，旋转压力是指马达液压油压力，旋转压力和进给压力都由传感器测量，功率是指供电的功率，给进速度是指给进机构在钻进中送进钻具的速度，旋转速度是指主轴的转速，岩体地质力学参数包括试件所受应力、单轴抗压强度和弹性模量。

5.如权利要求4所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤二中，预处理过程为，对实时监测数据进行清洗，得到筛选出的数据集，使用逐步特征选择算法实现特征选择，将监测数据通过特征选择后作为模型的输入参数，对岩石地质力学参数进行筛选处理后作为模型的输出参数，对筛选后的输入数据集和输出数据集进行归一化处理和滑动窗口处理，生成样本数据，将样本数据按7：3的比例生成训练数据集和测试数据集。

6.如权利要求5所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，逐步特征选择算法，具体步骤如下：

2.1算法初始化，设定初始特征子集为空集；

2.2设定停止条件为连续若干次加入新特征但准确率未提高；

2.3使用交叉验证算法对每个未选择的特征进行单独评估，选择表现最佳的特征加入当前特征子集中；

2.4在当前特征子集中加入新的特征后重新评估特征组合的表现，如果表现提高，则保留新的特征，否则排除新的特征；

2.5重复步骤2.3和2.4，直到达到预设的停止条件。

7.如权利要求6所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤四具体方法为，预设预测精度，设置预测值与真实值误差，将测试数据集输入训练后的深度学习模型中，对产生的预测结果进行判断，若符合预测精度的要求，则模型训练完成，输出预测结果；若不满足，则返回步骤三，调整模型参数，再次进行模型训练，直至满足预测精度要求。

8.如权利要求7所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤五中，具体步骤如下：

将性质不同的岩石试件垂直摆放，模拟地层情况，对试件组进行垂直钻进，记录随钻参数；

将实验产生的随钻参数通过数据预处理后作为输入数据，输入训练好的深度学习模型中，得到预测结果，根据预测出的围岩地质力学参数确定岩层情况。