CN118211700B - 隧道裂隙岩体多尺度属性表征与渗透灾害评估系统及方法 - Google Patents
隧道裂隙岩体多尺度属性表征与渗透灾害评估系统及方法 Download PDFInfo
- Publication number
- CN118211700B CN118211700B CN202410260845.8A CN202410260845A CN118211700B CN 118211700 B CN118211700 B CN 118211700B CN 202410260845 A CN202410260845 A CN 202410260845A CN 118211700 B CN118211700 B CN 118211700B
- Authority
- CN
- China
- Prior art keywords
- fracture
- attribute
- scale
- data
- permeability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012512 characterization method Methods 0.000 title claims abstract description 26
- 239000011435 rock Substances 0.000 title claims abstract description 24
- 230000035515 penetration Effects 0.000 title claims abstract 11
- 238000011156 evaluation Methods 0.000 title claims abstract 7
- 230000035699 permeability Effects 0.000 claims abstract description 62
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005553 drilling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 239000003673 groundwater Substances 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 239000000284 extract Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 239000012530 fluid Substances 0.000 description 5
- 238000007500 overflow downdraw method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Computer Graphics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本公开提供了隧道裂隙岩体多尺度属性表征与渗透灾害评估系统及方法，涉及地下结构评估技术领域，包括：分别提取大尺度裂缝数据以及中尺度裂缝数据，并分别建模；对不同尺度的裂隙属性模型进行融合，基于CNN和Swin变压器网络结构，从局部和全局角度提取多尺度裂隙特征，Swin变压器中引入t分布自关注机制作为先验知识，对裂隙的精确空间特征进行提取，使用全连接层促进输入数据到权重空间的映射，并通过转置卷积进行上采样重构，输出多尺度裂缝属性图像，并构建多尺度裂缝属性模型；获取地下结构的渗透性数据，获得渗透性的空间分布信息，建立裂缝融合属性与渗透性之间的关系模型，对地下结构进行数值模拟，对地下结构进行灾害评估。
Description
技术领域
本公开涉及地下结构评估技术领域，具体涉及隧道裂隙岩体多尺度属性表征与渗透灾害评估系统及方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
在地质领域，裂隙是地下岩石中的重要特征，对地下水流、岩土工程稳定性等具有显著影响。裂隙属性建模是为了更准确地描述地下结构中裂隙的分布、形态和属性，准确模拟裂隙分布和属性有助于更好地理解地下结构的复杂性，为地质灾害防控、水资源管理等提供精细化信息。而渗透性是指岩石或土壤介质对流体(如，水)渗透的能力，对于地下水流和地下工程设计至关重要。准确模拟渗透性分布有助于预测地下水流动、污染传播等，为工程规划和自然资源管理提供基础数据。
早期裂隙属性的获取主要依赖于实地地质勘探，但这种方法受限于区域范围和深度，信息获取相对有限。在数据较为有限的情况下，研究者采用统计学方法，通过有限的采样点获取对裂隙属性的估计，但这种方法难以准确反映地下结构的复杂性。地球物理勘探技术的进步使得裂隙属性的获取更加便捷。地震勘探、地电法等技术可以提供更广泛、更深层次的信息。但当前裂隙属性建模存在以下问题：目前常见的裂隙属性建模往往忽略了不同尺度上裂隙的分布差异，导致模型过于简化。实际中裂隙属性的获取通常依赖于地质勘探，但获取裂隙信息具有一定难度，特别是在深部或复杂地质条件下。
对于渗透性属性建模，地下介质的渗透性通常表现出较大的空间异质性，传统模型难以准确刻画这种复杂性。传统上，属性建模主要依赖于统计学方法和简单的物理实验，未能满足对裂隙和渗透性复杂性的深入理解。随着计算能力的提高，数值模拟成为裂隙和渗透性属性建模的主流手段，能够更精细地描述地下结构的复杂性。但是，现有的裂隙和渗透性属性建模的方法并未对多尺度效应以及属性之间的耦合关系作深入挖掘，缺少更精细化的描述，无法更好理解地下结果的复杂性，对风险评估以及决策制定缺少一定的研究基础以及可靠的依据。
发明内容
本公开为了解决上述问题，提出了隧道裂隙岩体多尺度属性表征与渗透灾害评估系统及方法，综合考虑多尺度效应和属性之间的耦合关系，通过对多尺度裂隙属性和渗透性属性进行建模，更好的识别地下结构的复杂性。
根据一些实施例，本公开采用如下技术方案：
隧道裂隙岩体多尺度属性表征与渗透灾害评估方法，包括：
根据地震波传播路径反演重建地下结构，识别地下不同层次的速度和密度变化，以获取大尺度裂缝数据进行大尺度裂缝属性建模；获取地下结构钻孔裂隙图像，提取钻孔裂隙图像中不连续面的产状参数，以获取中尺度裂缝数据进行中尺度裂缝属性建模；
利用多尺度裂隙属性融合的方式对不同尺度的裂隙属性模型进行融合，基于CNN和Swin变压器网络结构，从局部和全局角度提取多尺度裂隙特征，Swin变压器中引入t分布自关注机制作为先验知识，对裂隙的精确空间特征进行提取，使用全连接层促进输入数据到权重空间的映射，并通过转置卷积进行上采样重构，输出多尺度裂缝属性图像，并构建多尺度裂缝属性模型；
获取地下结构的渗透性数据，获得渗透性的空间分布信息，建立裂缝融合属性与渗透性之间的关系模型，对地下结构进行数值模拟，对地下结构进行灾害评估。
根据一些实施例，本公开采用如下技术方案：
隧道裂隙岩体多尺度属性表征与渗透灾害评估系统，包括：
属性模块构建模块，用于根据地震波传播路径反演重建地下结构，识别地下不同层次的速度和密度变化，以获取大尺度裂缝数据进行大尺度裂缝属性建模；获取地下结构钻孔裂隙图像，提取钻孔裂隙图像中不连续面的产状参数，以获取中尺度裂缝数据进行中尺度裂缝属性建模；
多尺度裂缝属性模型构建模块，利用多尺度裂隙属性融合的方式对不同尺度的裂隙属性模型进行融合，基于CNN和Swin变压器网络结构，从局部和全局角度提取多尺度裂隙特征，Swin变压器中引入t分布自关注机制作为先验知识，对裂隙的精确空间特征进行提取，使用全连接层促进输入数据到权重空间的映射，并通过转置卷积进行上采样重构，输出多尺度裂缝属性图像，并构建多尺度裂缝属性模型；
渗流属性模型构建模块，用于获取地下结构的渗透性数据，获得渗透性的空间分布信息，建立裂缝融合属性与渗透性之间的关系模型，对地下结构进行数值模拟，对地下结构进行模拟灾害评估。
与现有技术相比，本公开的有益效果为：
本公开的隧道裂隙岩体多尺度属性表征与渗透灾害评估方法，多尺度裂隙属性建模方法，利用地震波获取大尺度裂隙属性信息与机器视觉获取的中尺度裂隙信息进行属性融合，实现地下结构中裂隙的分布、形态和属性更准确的刻画；
本公开的多尺度裂隙属性与渗透性属性耦合表征的方法，借助渗流理论与裂隙属性对渗透属性进行表征；基于裂隙属性表征模型与渗流属性模型，提出一种地层灾害评估系统，可以实现地质灾害评估与预测。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例的方法流程架构图；
图2为本公开实施例的融合网络模型图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本公开的一种实施例中提供了一种隧道裂隙岩体多尺度属性表征与渗透灾害评估方法，包括：
步骤一：根据地震波传播路径反演重建地下结构，识别地下不同层次的速度和密度变化，以获取大尺度裂缝数据进行大尺度裂缝属性建模；获取地下结构钻孔裂隙图像，提取钻孔裂隙图像中不连续面的产状参数，以获取中尺度裂缝数据进行中尺度裂缝属性建模；
步骤二：利用多尺度裂隙属性融合的方式对不同尺度的裂隙属性模型进行融合，基于CNN和Swin变压器网络结构，从局部和全局角度提取多尺度裂隙特征，Swin变压器中引入t分布自关注机制作为先验知识，对裂隙的精确空间特征进行提取，使用全连接层促进输入数据到权重空间的映射，并通过转置卷积进行上采样重构，输出多尺度裂缝属性图像，并构建多尺度裂缝属性模型；
步骤三：获取地下结构的渗透性数据，获得渗透性的空间分布信息，建立裂缝融合属性与渗透性之间的关系模型，对地下结构进行数值模拟，对地下结构进行灾害评估。
作为一种实施例，本公开的隧道裂隙岩体多尺度属性表征与渗透灾害评估方法的具体实施方式如下：
步骤1：根据地震波传播路径反演重建地下结构，识别地下不同层次的速度和密度变化，以获取大尺度裂缝数据进行大尺度裂缝属性建模；获取地下结构钻孔裂隙图像，提取钻孔裂隙图像中不连续面的产状参数，以获取中尺度裂缝数据进行中尺度裂缝属性建模；
具体的，1)大尺度裂缝属性建模方法包括：
(1)地震数据采集：首先，需要在感兴趣的区域布置地震传感器(地震仪)。这些传感器会记录地震事件引起的地震波。地震波通过地下岩石和构造时，会受到不同材料的影响，因此可以通过地震波的传播路径来推断地下结构和裂缝的位置。
(2)数据处理：收集到的地震波数据需要进行处理，以提取有关地下结构的信息。包括使用地震记录仪记录的地震波到达时间，来确定地下不同层次的速度和密度变化，获取地震波的传播路径。
(3)反演技术：利用地震波的传播路径，使用反演技术来重建地下结构。这种技术可以使用数学模型和计算方法，通过与观测数据拟合，逐渐改进对地下结构的理解。
(4)裂缝特征提取：通过对地下结构的反演结果进行分析，识别裂缝和其他地下特征。裂缝通常表现为速度或密度的突变，这些突变可以通过分析地震波的反演结果来识别。
(5)成像和建模：最后，根据地震波数据的分析，生成地下结构的图像，显示裂缝的位置和特征，这些图像可用于更深入地理解地下地质过程和裂缝的性质。
根据大尺度裂缝属性数据建立三维模型，每个坐标点带有参数属性，每个坐标点是否有裂隙，有裂隙属性则为1，没有则为0。
2)中尺度裂缝属性建模方法包括：
利用钻孔裂隙图像提取中尺度裂缝，包括：从获取的钻孔裂隙图像中识别及提取裂隙面的产状数据，并转换为裂隙面的数字属性表征，将获取的数字属性表征赋予中尺度裂缝结构，完成进行中尺度裂缝属性建模。
进一步的，21)从获取的钻孔裂隙图像中识别及提取裂隙面的产状数据，包括裂隙面的倾向倾角、裂隙面所在深度、裂隙面对应平面方程的平面法向量、裂隙面的离散度，具体方式为：利用迁移学习建立的岩体裂隙识别模型对钻孔电视获取的裂隙图像进行识别提取，并通过软件自带产状提取算法提取钻孔图像中裂隙面的倾向倾角；根据裂隙面的倾向倾角，建立裂隙面对应的平面方程；记录该裂隙面所在钻孔的深度位置；随机提取裂隙图像中的离散点，并计算离散点到最佳拟合平面的正态距离的标准差，作为裂隙面的离散度。
进一步的，22)转换为裂隙面的数字属性表征，具体为：结合钻孔本身方位角与顶角，对提取的裂隙面的产状数据进行坐标转换，得到统一绝对坐标系下的裂隙面的数字属性表征；
所述裂隙面的数字属性表征，包括裂隙面的倾向倾角、裂隙面所在圆心坐标、裂隙面对应平面方程的相关参数、裂隙面的离散度。
步骤2：基于三维地震波提取的大尺度裂缝和钻孔提取的不连续面参数的中尺度裂隙分别进行裂隙属性建模后，再将裂隙属性模型精确融合以及高效建模，提出一种多尺度裂隙属性融合建模方法，具体的：
多尺度裂隙属性融合的方式为利用DBFusion融合网络实现对不同尺度裂隙的融合，DBFusion融合网络基于CNN和Swin变压器，包括编码器和解码器结构，融合网络主要分为输入、融合网络和输出三个部分，在输入阶段，对地震属性进行三个方向(Xline、Inline和Depth即XYZ三轴方向)的切片操作，以固定间隔进行切片，模型精度取决于切片间隔，以更全面地提取裂隙特征。
编码器和解码器组成了融合网络。所采用的编码器结构包括两个分支，以从局部和全局角度提取多尺度裂隙特征。此外，引入了t分布自关注机制作为先验知识，融入Swin变压器体系结构中，以实现对裂隙的精确空间特征提取。解码器使用全连接层促进输入数据到权重空间的映射，并通过转置卷积进行上采样重构。最终的结果是融合后的图像。
具体的模型结构如图2所示，编码器和解码器的结合以平行的方式进行，为了获取细粒度的局部特征并捕获全局特征的远程依赖关系，编码器通过两个分支(CNN和Swin变压器)对局部和全局信息进行建模，从而生成更高级的特征输出。该方法充分利用了CNN的局部特征，为网络提供了丰富的位置信息和高级的语义信息，以增强对裂缝的检测能力。同时，Swin变压器为网络提供全局上下文信息和远程特征之间的相关性，提高了网络识别裂缝的能力。通过将CNN分支与Transformer分支互补结合，丰富了编码器对特征的表示，提高了断裂属性融合的性能。在编码器提取出全局和局部特征后，需要对它们进行融合。具体而言，对于Swin变压器分支提取的特征，通过patch分割和线性嵌入操作，将特征映射大小转换为32×32，通道数变为48个。然后，利用Patch merged对feature map进行下采样，最终得到4×4、768通道的feature map。CNN分支由3个连续残差单元组成，每个残差块包含两个卷积层，然后是批归一化(BN)和一个整流线性单元(ReLU)激活函数。这导致CNN分支的最终特征图大小为4×4，有768个通道。两个分支都有相同大小和通道号的特征图，将Swin变压器和CNN提取的特征合并，实现了全局和局部特征的融合。在Swin变压器分支中，引入了基于t分布的自注意机制作为先验知识，与软注意相乘，得到最终的后置注意分布。
解码器使用转置卷积重建提取的特征，并逐步对其进行上采样，以获得最终的融合图像。通过以上步骤，成功地实现了全局和局部特征的有机融合，提高了对裂缝属性的准确性和融合图像的质量，根据融合图像构建多尺度裂缝属性模型。
步骤3：将裂隙属性与渗透性进行耦合，包括：
建立三维体元框架模型与规则模拟网格之间的映射关系，确保模型的一致性和连贯性。考虑多尺度特征的映射，使得模拟结果更好地反映真实地质结构的多样性。
首先，获取渗透性参数数据，设置水压测试等实地实验，获取地下结构的渗透性数据，监测地下水位、测定水质参数，了解地下水流动状态，从而获得渗透性的空间分布信息。借助地质物理学理论，建立裂隙属性与渗透性之间的关系模型。考虑裂隙对渗透性的影响机制，如裂隙密度增大可能导致渗透性增强，裂隙方向对渗透性的影响等。
进一步的，借助布洛赫方程和达西定律建立裂隙属性与渗透性之间的映射关系，达西定律表明渗透性与流体流动之间存在线性关系。流体通过孔隙介质的速度(Darcy速度)正比于渗透性。如式，Q是流体体积流量，k是渗透性，A是截面积，ΔP是压力差，L是流体流动的路径长度：
其中k通过达西定律结合布洛赫方程指出，渗透性与裂隙密度之间存在非线性关系。c是裂隙密度对渗透性的影响参数，k0是孔隙率为1时的基础渗透性，φ是孔隙率。
k＝k0exp(-cφ)
通过综合考虑布洛赫方程和达西定律，可以建立一个复杂的、多参数的模型，以更全面地描述裂隙属性与渗透性之间的关系。将地下结构划分为三维体元，确保模型的立体表达，每个体元代表地下结构的一个体积单元。在体元中嵌入裂隙属性数据，确保每个体元都包含裂隙属性的信息。将裂隙属性数据与渗透性数据进行对应，通过裂隙属性与渗透性之间的定量映射关系，建立渗透性属性模型，即渗流属性模型。
设计规则模拟网格生成算法，确保生成的网格在模拟过程中具有合适的分辨率和拓扑结构。这个模型可以通过实验数据的拟合和验证来优化参数，以适应不同地质条件和裂隙属性的变化。模型的形式和参数选择可能因地质背景而异，需要结合具体的地质情况进行调整。
具体的，网格生成中，体元划分的具体方法包括：
1.体元划分：
将地下结构划分为三维体元，确保每个体元都代表一个地下结构的体积单元。考虑地质条件，确定合适的体元大小，以平衡模型的计算效率和准确性。
2.裂隙属性嵌入：
在每个体元中嵌入裂隙属性数据，确保每个体元都包含裂隙属性的信息。可以采用插值或者采样方法，将裂隙属性从实际测量数据映射到每个体元。
3.渗透性属性建模：
将裂隙属性数据与渗透性数据进行对应，建立裂隙属性与渗透性之间的定量映射关系，即渗透性属性模型。使用布洛赫方程和达西定律等地下水流模型来支持渗透性属性模型的建立。
4.规则模拟网格生成：设计规则模拟网格生成算法，确保生成的网格在模拟过程中具有合适的分辨率和拓扑结构。确保网格的密度能够充分反映地下结构的复杂性，特别是在裂隙密集区域。
5.参数优化：使用实验数据进行模型的参数拟合和验证，以优化模型的准确性。参数可能包括体元大小、裂隙属性与渗透性之间的映射关系等。
6.地质背景调整：结合具体的地质情况进行调整，考虑地层的不均匀性、地下水流的方向等因素。灵活调整模型的形式和参数，以适应不同地质条件和裂隙属性的变化。
进一步的，网格生成过程包括：初始化：根据地下结构的边界条件，初始化一个起始网格。
迭代优化：在每次迭代中，根据规则模拟算法，对网格进行调整和优化，以适应地下结构的复杂性。考虑裂隙属性的影响，确保在裂隙密集区域有更高的分辨率。
收敛检测：设定收敛准则，检测网格生成过程是否趋于稳定。
根据需要，可以设置最大迭代次数或者其他终止条件。
结果输出：生成最终的适应性网格，用于后续地下结构的模拟和分析。
进一步的，对地下结构进行数值模拟，对地下结构进行灾害评估包括：
基于实际工程设定模型的边界条件，包括入流边界和出流边界。入流边界可以是降雨、河流或其他地下水源，而出流边界通常是地下水流出区域的地表。利用数值方法，对建立的数学模型进行离散化和数值模拟。利用建立的模型，模拟地下水位在不同时间和空间上的变化。这将提供地下水位的时空分布情况，包括地下水位上升或下降的趋势。通过模拟得到的地下水位变化情况，评估地下水位上升或下降对工程结构的潜在影响。特别关注可能引发的涌水风险，即地下水通过孔隙或裂隙进入地下结构的情况。
实施例2
本公开的一种实施例中提供了一种隧道裂隙岩体多尺度属性表征与渗透灾害评估系统，包括：
属性模块构建模块，用于根据地震波传播路径反演重建地下结构，识别地下不同层次的速度和密度变化，以获取大尺度裂缝数据进行大尺度裂缝属性建模；获取地下结构钻孔裂隙图像，提取钻孔裂隙图像中不连续面的产状参数，以获取中尺度裂缝数据进行中尺度裂缝属性建模；
多尺度裂缝属性模型构建模块，利用多尺度裂隙属性融合的方式对不同尺度的裂隙属性模型进行融合，基于CNN和Swin变压器网络结构，从局部和全局角度提取多尺度裂隙特征，Swin变压器中引入t分布自关注机制作为先验知识，对裂隙的精确空间特征进行提取，使用全连接层促进输入数据到权重空间的映射，并通过转置卷积进行上采样重构，输出多尺度裂缝属性图像，并构建多尺度裂缝属性模型；
渗流属性模型构建模块，用于获取地下结构的渗透性数据，获得渗透性的空间分布信息，建立裂缝融合属性与渗透性之间的关系模型，对地下结构进行数值模拟，对地下结构进行模拟灾害评估。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (9)
1.隧道裂隙岩体多尺度属性表征与渗透灾害评估方法，其特征在于，包括：
根据地震波传播路径反演重建地下结构，识别地下不同层次的速度和密度变化，以获取大尺度裂缝数据进行大尺度裂缝属性建模；获取地下结构钻孔裂隙图像，提取钻孔裂隙图像中不连续面的产状参数，以获取中尺度裂缝数据进行中尺度裂缝属性建模；
利用多尺度裂隙属性融合的方式对不同尺度的裂隙属性模型进行融合，基于CNN和Swin变压器网络结构，从局部和全局角度提取多尺度裂隙特征，Swin变压器中引入t分布自关注机制作为先验知识，对裂隙的精确空间特征进行提取，使用全连接层促进输入数据到权重空间的映射，并通过转置卷积进行上采样重构，输出多尺度裂缝属性图像，并构建多尺度裂缝属性模型；
获取地下结构的渗透性数据，获得渗透性的空间分布信息，建立裂缝融合属性与渗透性之间的关系模型，对地下结构进行数值模拟，对地下结构进行灾害评估；
通过布洛赫方程和达西定律建立多尺度裂隙属性与渗透性之间的映射关系，将地下结构划分为三维体元，确保模型的立体表达，每个体元代表地下结构的一个体积单元，在体元中嵌入裂隙属性数据，每个体元都包含裂隙属性的信息，将多尺度裂隙属性数据与渗透性数据进行对应，通过裂隙属性与渗透性之间的定量映射关系，建立渗流属性模型。
2.如权利要求1所述的隧道裂隙岩体多尺度属性表征与渗透灾害评估方法，其特征在于，获取地震事件中的地震波数据，根据地震波达到时间确定地下不同层次的速度和密度变化，得到地震波传播路径，利用地震波的传播路径，使用反演的方式重建地下结构，生成地下结构的图像，显示大尺度裂缝位置和特征，并根据大尺度裂缝的数据进行大尺度裂缝属性的三维建模。
3.如权利要求1所述的隧道裂隙岩体多尺度属性表征与渗透灾害评估方法，其特征在于，获取地下结构钻孔裂隙图像，从钻孔裂隙图像中提取裂隙面的产状数据，并转换为裂隙面的数字属性表征，作为中尺度裂缝属性数据，并根据中尺度裂缝数据进行三维建模。
4.如权利要求3所述的隧道裂隙岩体多尺度属性表征与渗透灾害评估方法，其特征在于，所述裂隙面的产状数据包括裂隙面的倾向倾角、裂隙面所在深度、裂隙面对应平面方程的平面法向量以及裂隙面的离散度，获取的方式为：利用岩体裂隙识别模型对钻孔裂隙图像进行识别提取，并通过产状提取算法提取钻孔图像中裂隙面的倾向倾角；根据裂隙面的倾向倾角，建立裂隙面对应的平面方程；记录该裂隙面所在钻孔的深度位置；随机提取裂隙图像中的离散点，并计算离散点到最佳拟合平面的正态距离的标准差，作为裂隙面的离散度。
5.如权利要求3所述的隧道裂隙岩体多尺度属性表征与渗透灾害评估方法，其特征在于，转换为裂隙面的数字属性表征，包括：结合钻孔本身方位角与顶角，对提取的裂隙面的产状数据进行坐标转换，得到统一绝对坐标系下的裂隙面的数字属性表征。
6.如权利要求5所述的隧道裂隙岩体多尺度属性表征与渗透灾害评估方法，其特征在于，裂隙面的数字属性表征，包括裂隙面的倾向倾角、裂隙面所在圆心坐标、裂隙面对应平面方程的相关参数以及裂隙面的离散度。
7.如权利要求1所述的隧道裂隙岩体多尺度属性表征与渗透灾害评估方法，其特征在于，多尺度裂隙属性融合的方式为利用DBFusion融合网络实现对不同尺度裂隙的融合，DBFusion融合网络基于CNN和Swin变压器，包括编码器和解码器结构，其中，编码器结构包括两个分支，分别从局部和全局角度提取多尺度裂隙特征，获取细粒度的局部特征并捕获全局特征的远程依赖关系。
8.如权利要求7所述的隧道裂隙岩体多尺度属性表征与渗透灾害评估方法，其特征在于，Swin变压器提取全局上下文信息和远程特征之间的相关性，将CNN分支与Transformer分支互补结合，编码器提取出全局和局部特征后，对其进行融合，转化成相同大小和通道大小的特征图，将Swin变压器和CNN提取的特征合并，实现全局和局部特征的融合；在Swin变压器分支中，引入基于t分布的自注意机制作为先验知识，与软注意相乘，得到最终的后置注意分布，解码器使用转置卷积重建提取的特征，并逐步对其进行上采样，以获得最终的融合图像。
9.隧道裂隙岩体多尺度属性表征与渗透灾害评估系统，其特征在于，包括：
属性模块构建模块，用于根据地震波传播路径反演重建地下结构，识别地下不同层次的速度和密度变化，以获取大尺度裂缝数据进行大尺度裂缝属性建模；获取地下结构钻孔裂隙图像，提取钻孔裂隙图像中不连续面的产状参数，以获取中尺度裂缝数据进行中尺度裂缝属性建模；
多尺度裂缝属性模型构建模块，利用多尺度裂隙属性融合的方式对不同尺度的裂隙属性模型进行融合，基于CNN和Swin变压器网络结构，从局部和全局角度提取多尺度裂隙特征，Swin变压器中引入t分布自关注机制作为先验知识，对裂隙的精确空间特征进行提取，使用全连接层促进输入数据到权重空间的映射，并通过转置卷积进行上采样重构，输出多尺度裂缝属性图像，并构建多尺度裂缝属性模型；
渗流属性模型构建模块，用于获取地下结构的渗透性数据，获得渗透性的空间分布信息，建立裂缝融合属性与渗透性之间的关系模型，对地下结构进行数值模拟，对地下结构进行模拟灾害评估；
通过布洛赫方程和达西定律建立多尺度裂隙属性与渗透性之间的映射关系，将地下结构划分为三维体元，确保模型的立体表达，每个体元代表地下结构的一个体积单元，在体元中嵌入裂隙属性数据，每个体元都包含裂隙属性的信息，将多尺度裂隙属性数据与渗透性数据进行对应，通过裂隙属性与渗透性之间的定量映射关系，建立渗流属性模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410260845.8A CN118211700B (zh) | 2024-03-07 | 2024-03-07 | 隧道裂隙岩体多尺度属性表征与渗透灾害评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410260845.8A CN118211700B (zh) | 2024-03-07 | 2024-03-07 | 隧道裂隙岩体多尺度属性表征与渗透灾害评估系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118211700A CN118211700A (zh) | 2024-06-18 |
| CN118211700B true CN118211700B (zh) | 2024-10-22 |
Family
ID=91456587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410260845.8A Active CN118211700B (zh) | 2024-03-07 | 2024-03-07 | 隧道裂隙岩体多尺度属性表征与渗透灾害评估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118211700B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113761699A (zh) * | 2020-06-05 | 2021-12-07 | 中国石油化工股份有限公司 | 裂缝模型构建方法、装置、电子设备及介质 |
| CN113838005A (zh) * | 2021-09-01 | 2021-12-24 | 山东大学 | 基于维度转换的岩体裂隙智能识别与三维重构方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272042B (zh) * | 2018-09-21 | 2021-04-16 | 中国石油大学(北京) | 基于pr模型的小尺度裂缝建模方法、装置、设备及介质 |
| CN115019006B (zh) * | 2022-08-05 | 2022-11-18 | 中国科学院地质与地球物理研究所 | 一种多尺度三维工程地质模型构建系统及方法 |
| CN116305751A (zh) * | 2022-12-19 | 2023-06-23 | 中国石油天然气集团有限公司 | 一种裂缝型变质岩潜山油藏裂缝建模方法及装置 |
| CN116882221B (zh) * | 2023-09-08 | 2023-12-01 | 山东科技大学 | 基于三维裂隙型热储模型的地热开采数值模拟方法及系统 |
| CN117408191B (zh) * | 2023-12-15 | 2024-04-02 | 山东大学 | 一种裂隙岩体渗透-流动注浆模拟方法及系统 |
-
2024
- 2024-03-07 CN CN202410260845.8A patent/CN118211700B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113761699A (zh) * | 2020-06-05 | 2021-12-07 | 中国石油化工股份有限公司 | 裂缝模型构建方法、装置、电子设备及介质 |
| CN113838005A (zh) * | 2021-09-01 | 2021-12-24 | 山东大学 | 基于维度转换的岩体裂隙智能识别与三维重构方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118211700A (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106934860B (zh) | 一种基于t样条的三维地质建模方法 | |
| CA2879773C (en) | Multi-level reservoir history matching | |
| Borghi et al. | A pseudo-genetic stochastic model to generate karstic networks | |
| EP3018502A2 (en) | Modeling fluid-conducting fractures in reservoir simulation grids | |
| US11371333B2 (en) | Visualizations of reservoir simulations with fracture networks | |
| US9383465B2 (en) | Quantitative analysis of time-lapse seismic data | |
| US11294095B2 (en) | Reservoir simulations with fracture networks | |
| CN112231818B (zh) | 一种基于bim的山地城市三维地质建模方法 | |
| CN117852416B (zh) | 基于数字化地质模型的多模态注浆预控分析方法及系统 | |
| WO2016001697A1 (en) | Systems and methods for geologic surface reconstruction using implicit functions | |
| WO2017030725A1 (en) | Reservoir simulations with fracture networks | |
| Comola et al. | Efficient global optimization of reservoir geomechanical parameters based on synthetic aperture radar-derived ground displacements | |
| US20220244424A1 (en) | Geological Grid Analysis | |
| RU2565325C2 (ru) | Моделирование геологического процесса | |
| Jiang et al. | Deep learning based optimization framework for full-waveform inversion in tunnels | |
| CN119689558A (zh) | 一种地震和电磁联合反演分析方法 | |
| CN118211700B (zh) | 隧道裂隙岩体多尺度属性表征与渗透灾害评估系统及方法 | |
| Liao et al. | Data assimilation for strongly nonlinear problems by transformed ensemble Kalman filter | |
| US11209572B2 (en) | Meshless and mesh-based technique for modeling subterranean volumes | |
| US10269170B2 (en) | Three dimensional surface representation for modeling geological surfaces | |
| CN111815769A (zh) | 逆冲推覆构造带构造的建模方法、计算设备及存储介质 | |
| Mulligan et al. | Modelling catchment and fluvial processes and their interactions | |
| Partsinevelou | Using the SWAT model in analyzing hard rock hydrogeological environments. Application in Naxos Island, Greece. | |
| Verga et al. | Validation of near-wellbore fracture-network models with MDT | |
| Ghandehari | Digital Elevation Model Approximation from Stream Networks: a Reversed Approach |
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 |