WO2020125668A1 - 一种应用随钻参数来自动识别围岩级别的方法和系统 - Google Patents

一种应用随钻参数来自动识别围岩级别的方法和系统 Download PDF

Info

Publication number
WO2020125668A1
WO2020125668A1 PCT/CN2019/126247 CN2019126247W WO2020125668A1 WO 2020125668 A1 WO2020125668 A1 WO 2020125668A1 CN 2019126247 W CN2019126247 W CN 2019126247W WO 2020125668 A1 WO2020125668 A1 WO 2020125668A1
Authority
WO
WIPO (PCT)
Prior art keywords
parameters
drilling
data
surrounding rock
lwd
Prior art date
Application number
PCT/CN2019/126247
Other languages
English (en)
French (fr)
Inventor
刘飞香
郑大桥
廖金军
杜义康
易达云
肖正航
蒋海华
杜洋
伍容
Original Assignee
中国铁建重工集团股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 中国铁建重工集团股份有限公司 filed Critical 中国铁建重工集团股份有限公司
Publication of WO2020125668A1 publication Critical patent/WO2020125668A1/zh

Links

Images

Classifications

    • 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

Definitions

  • the present invention relates to the field of engineering machinery, and in particular, to a method and system for automatically identifying surrounding rock levels using parameters while drilling.
  • a tunnel is a cavity structure system built in a variety of surrounding rock media with certain stress history and structural signs.
  • the surrounding rock of a tunnel refers to a rock and soil body that affects the stability of the tunnel within a certain range around the tunnel. Regardless of whether the stratum is rock mass or soil mass, it is called tunnel surrounding rock.
  • the comprehensive rock index should be used to divide the surrounding rock into different levels, namely the surrounding rock classification.
  • the correct evaluation of the surrounding rock grade of the tunnel is not only related to the design, construction plan and engineering cost of the tunnel, but also related to the safety and stability during the construction and operation of the tunnel. Therefore, the correct evaluation of the surrounding rock classification is an important basis for the tunnel's advanced support scheme.
  • One of the technical problems to be solved by the present invention is to provide a solution for a machine that automatically recognizes the surrounding rock level with higher working efficiency, more convenient use, and higher accuracy.
  • the embodiments of the present application first provide a method for automatically identifying the surrounding rock grades using the parameters while drilling.
  • the method includes the following steps: Step 1: Pre-collect the data sets of the parameters while drilling Processing; Step two: Analyze the pre-processed data set of LWD parameters, apply different data dimensionality reduction methods to determine the relationship and contribution rate of each variable in the LWD parameters, and apply the ordered weighted average operator method to the LWD
  • the multiple contribution rates calculated for each variable of the parameter are weighted averagely calculated, sorted and selected according to the calculated contribution rate, and the main feature variables of the LWD parameters are determined.
  • Step three Use the established neural network and expert knowledge system to train the main feature parameters of different classifications to obtain stable weight coefficients and thresholds, and apply the tested sample data to the established neural network mathematical model for surrounding rock recognition Verification of surrounding rock identification.
  • the data set of the LWD parameters includes drilling rate, propulsion pressure, impact pressure, rotation pressure, rotation speed, water pressure and water flow rate; further, in the second step, the analysis of the drilling rate and impact pressure , The linear correlation between propulsion pressure, rotation pressure, rotation speed, water pressure and water flow.
  • the principal component analysis method and the factor analysis method are applied to determine the contribution rate of each variable in the LWD parameters.
  • the data sample set of the LWD parameters is subjected to culling of abnormal data; the data set of the parameter while drilling after performing the culling process is normalized and converted into a dimensionless index Measure the value and complete the data preprocessing.
  • the ordered weighted average operator method is used to perform a combined calculation on the contribution rate of each variable obtained by the principal component analysis method and the factor analysis method, and the results of the combined scheme are sorted and selected to obtain the random
  • the main characteristic parameters of the drilling parameters the K-means method is used to classify the sample set of the main characteristic parameters.
  • the method uses a data set of parameters while drilling acquired during the drilling process of the rock drilling rig.
  • a system for identifying surrounding rock grades using LWD parameters includes: a data pre-processing module that pre-processes the collected data sets of LWD parameters; Parameter determination module, which analyzes the pre-processed data set of LWD parameters, applies different data dimensionality reduction methods to determine the relationship and contribution rate of each variable in the LWD parameters, and applies the ordered weighted average operator method to the LWD
  • the multiple contribution rates calculated for each variable of the parameter are weighted averagely calculated, sorted and selected according to the calculated contribution rate, and the main feature variables of the LWD parameters are determined.
  • the sample set of the main feature parameters is Classification; wall rock identification module, which uses the established neural network and expert knowledge system to train the main feature parameters of different classifications, obtain stable weight coefficients and thresholds, and apply the test sample data to the established neural network related to wall rock identification
  • the mathematical model is used to verify the identification of surrounding rocks.
  • the data set of the LWD parameters includes drilling rate, propulsion pressure, impact pressure, rotation pressure, rotation speed, water pressure and water flow rate; further, the main parameter determination module analyzes the drilling rate, impact The linear correlation between pressure, propulsion pressure, turning pressure, turning speed, water pressure and water flow rate.
  • the principal parameter determination module applies principal component analysis methods and factor analysis methods to determine the contribution rate of each variable in the LWD parameters.
  • the data preprocessing module performs abnormal data culling on the data set of the parameters while drilling; normalizes the data set of the parameters while drilling after performing the culling process, and converts them into dimensionless indicators Measure the value and complete the data preprocessing.
  • the principal parameter determination module uses an ordered weighted average operator method to calculate the contribution rate of each variable obtained by principal component analysis and factor analysis method, and sorts and selects the results of the combined scheme to obtain random
  • the main characteristic parameters of the drilling parameters the K-means method is used to classify the sample set of the main characteristic parameters.
  • one or more embodiments in the above solution may have the following advantages or beneficial effects:
  • the method of the present invention is based on the normalized data of the parameters while drilling, and applies an ordered weighted average method to determine the main variables while drilling. On this basis, through the algorithm of neural network and expert system, automatically learn the characteristic information of rock type, and realize the automatic classification of rock type. Through the invention, a machine automatic identification scheme with higher working efficiency, more convenient use and higher precision can be realized, which is one of the key technologies for intelligent construction of tunnels.
  • FIG. 1 is a schematic flowchart of a method for identifying surrounding rock grades using parameters while drilling according to an embodiment of the present application.
  • FIG. 2 is a schematic flowchart of a method for identifying surrounding rock grades using parameters while drilling according to an embodiment of the present application.
  • FIG. 3 is a schematic structural diagram of a system for identifying surrounding rock levels using parameters while drilling according to an embodiment of the present application.
  • FIG. 4 is a schematic structural diagram of an expert system based on a neural network according to an embodiment of the present application.
  • the main impacts are the Platts rock firmness coefficient classification method, the Thai sand base classification method, the rock quality index (RQD) classification method, the rock structure evaluation (RSR) classification method, the Q system classification method, Japan according to the elastic wave velocity Surrounding rock classification method, China's railway and highway tunnel surrounding rock classification method, etc.
  • the surrounding rock classification methods that have greater impact and are more widely used include the following: 1) The Platts firmness coefficient method.
  • the surrounding rock classification method was proposed by the former Soviet Union Protogya Konov in 1907.
  • the classification method comprehensively considered five indicators including rock hardness and rock body integrity; 5) rock body quality classification law.
  • American engineer Deree proposed the rock mass quality classification method based on RQD value, and divided the rock mass into five levels.
  • RQD value Rock Quality Designation
  • which is the quality index of rock mass is a kind of index recommended by Deree to count the integrity of core during drilling
  • 6) Japanese quasi-wall rock tensile strength classification method According to the three indicators of tensile strength, rock mass average crack spacing and rock elastic wave velocity, the Rock Mechanics Commission of Japan divides the rock into eight grades, and the rock body is divided into six categories. The combination of the two totals 48 grades; 7) RSR Rock grade structure method.
  • the RSR method was founded by American engineer Wickham in 1972. It is based on the geological conditions for the rock mass geological structure, joint status, groundwater conditions three scores, the cumulative RSR value, and then the rock mass according to the size of the RSR value evaluation; 8) RMR surrounding rock classification method.
  • the RMR classification method is based on the South African engineer Bieniawski summing up the surrounding rock classification experience of 249 tunnels to obtain the tunnel surrounding rock classification method. This method first scores six classification indexes such as rock uniaxial compressive strength, structural plane spacing, RQD, etc. according to the geological conditions, and then accumulates the scores to obtain the final RMR value. According to the RMR value, the rock mass is divided into five levels; 9) Q value method.
  • the Q-value method was created by Norwegian engineer Barton from 1971 to 1974. This method first scores six indicators such as RQD, number of joint groups, joint roughness, stress reduction coefficient, and then calculates the Q value according to the corresponding formula, and divides the rock mass into eleven levels according to the size of the Q value;
  • RMR wall rock classification method of Bieniawski in South Africa and the Q wall rock classification method of Barton in Norway are currently the two most influential and widely used wall rock classification systems in the world.
  • the surrounding rock classification method was to give a qualitative evaluation of the geological environment of the tunnel and the stability status after excavation, so as to classify the surrounding rock of the tunnel.
  • This method of grading the surrounding rocks classifies the surrounding rocks from grade I to grade VI (the grade I rocks have the best quality and are ideal hard rocks, but the grade rocks are rarely encountered in highway tunnels; VI)
  • the surrounding rock has the worst quality, basically soft soil and soft plastic clay.
  • This surrounding rock classification method mainly considers the strength grade of the rock, the degree of influence by the geological structure, the degree of development of the joint of the surrounding rock, the influence of weathering and groundwater According to relevant data, only about 50% of the surrounding rock grades obtained according to the surrounding rock classification method are consistent with the actual surrounding rock grades exposed by the excavation, and there is a difference of 30% to 40% of the surrounding rock Grades 1 to 2. This is because this classification method basically uses qualitative expressions to classify surrounding rocks, which is susceptible to subjective factors and experience in actual operation.
  • the automatic identification of surrounding rock in the classification system of surrounding rock in the robotized construction equipment of a rock drilling trolley in a tunnel intelligent construction project is taken as a research object.
  • the automatic identification of surrounding rock in the classification system of surrounding rock in the robotized construction equipment of a rock drilling trolley in a tunnel intelligent construction project is taken as a research object.
  • FIG. 1 is a schematic flowchart of a method for automatically identifying a surrounding rock level using drilling data according to an embodiment of the present application.
  • step S110 pre-process the sample data set of the parameters acquired while drilling.
  • the Bevel data collection system is used to collect a large number of sample data of rock drilling while drilling parameters. These data include drilling rate, propulsion pressure, impact pressure, rotation pressure, rotation speed, water pressure, water flow and so on. Then these sample data are normalized, that is, the collected physical quantities are dimensionlessly processed and converted into dimensionless index evaluation values to complete the data preprocessing. More specifically, after normalizing the sample data of the LWD parameters, it can be converted into dimensionless index evaluation values, and each index value is at the same quantity level, and comprehensive evaluation and analysis can be performed. Preferably, correlation analysis and abnormal data removal can also be performed on the parameters while drilling (see the process shown in FIG. 2), and the correlation analysis is used to analyze the linear correlation coefficients between various variables.
  • step S120 the pre-processed data set of the LWD parameters is analyzed, different data dimensionality reduction methods are applied to determine the relationship and contribution rate of each variable in the LWD parameters, and the ordered weighted average operator method is applied to the LWD
  • the multiple contribution rates calculated for each variable of the parameter are weighted averagely calculated, sorted and selected according to the calculated contribution rate, and the main feature variables of the LWD parameters are determined.
  • the sample set of the main feature parameters is classification.
  • a data dimensionality reduction method (such as principal component analysis method and factor analysis method) is used to map the original sample points of the LWD parameters to a low-dimensional space through linear transformation to determine The contribution rate of each variable in the drilling parameters, that is to say, analyze the linear correlation between the drilling rate, impact pressure, propulsion pressure, turning pressure, turning speed, water pressure and water flow rate.
  • the ordered weighted average operator method is used to combine the contribution rates calculated by the above single prediction methods, and the results of the combined scheme are ranked and selected, that is, the weighting is performed by the position where the contribution rate value is located.
  • the K-means method is used to classify the sample set of the main characteristic parameters. The calculation process of each method is explained below.
  • the principal component analysis method is a technique for analyzing and simplifying data sets.
  • the original LWD parameters are converted to the new coordinate system for representation through coordinate transformation, which realizes that most of the original sample information is represented with fewer variables while drilling. Applying this method can reduce the dimension of the LWD parameters while maintaining the feature of the largest variance contribution in the data set.
  • mapping matrix of step 4 uses the mapping matrix of step 4 to map the standardized LWD parameter data to achieve the purpose of data dimensionality reduction.
  • factor analysis studies the dependence relationship within the correlation matrix of the original variables, and expresses the variables of complex relationships as a linear combination of a few common factors and special factors that have an effect on a certain variable. That is, extract a few common factors that explain the variables from the data.
  • the calculation steps are as follows:
  • the K-means cluster analysis method of unsupervised learning can be used to classify the surrounding rocks of the palm face. That is, the data set of more than one hundred holes in the same palm face is divided into different classes, so that the similarity of the data while drilling in the same class is as large as possible, and the difference of the data while drilling in the same class is as large as possible. , To achieve the same type of data gathered as much as possible, as far as possible to separate data of different types.
  • the K-means algorithm clusters samples into k clusters.
  • the specific algorithm is described as follows:
  • ⁇ j is the guess value of the sample center point of the same class. On this basis, the corresponding objects are re-divided based on the calculated minimum distance, and the average value of each cluster is recalculated;
  • the order weighted average (OWA) operator is used to combine the contribution rates calculated by the principal component analysis method and the factor analysis method. Then, weight and sort by the position where the contribution rate is located.
  • step S130 the established BP neural network and expert knowledge system are used to train the feature parameters of different classifications to obtain stable weight coefficients and thresholds, and the test sample data is used to carry out the established neural network mathematical model related to wall rock recognition. Verification of surrounding rock identification.
  • neural network is one of artificial intelligence learning methods, which is applied to system pattern classification and mathematical model parameter recognition.
  • the embodiment of the present invention uses a neural network intelligent algorithm, so that the knowledge acquisition module obtains a new network weight distribution and updates the knowledge base by learning new instances (see the structure diagram of FIG. 4).
  • the expert system needs to be logically divided into two parts: knowledge base and inference engine.
  • An expert knowledge system is established based on the expert experience and relevant knowledge of expert surrounding rock grading, which includes a surrounding rock grading module, information interaction module, and case database module.
  • the specific structure and learning algorithm of the neural network can be determined. Therefore, the establishment of knowledge base is actually the learning process of neural network.
  • the neural network stores the knowledge in the network in the form of weights and thresholds by learning the input samples.
  • the input of the network is different characteristic values of the parameters while drilling, and the output is the surrounding rock grade (RMR).
  • RRR rock grade
  • Inference engine For the conditions or known information of the surrounding rock classification problem, iteratively matches the rules in the knowledge base, completes the nonlinear mapping relationship between the input mode and the output mode, and explains the mathematical representation of the output model.
  • Interpreter use expert system principles, that is, empirical and ambiguous expert knowledge, and make decisions based on reasoning ideas.
  • Surrounding rock grading is a qualitative evaluation of the rock's hardness and rock mass integrity during the underground construction process. According to the results of the qualitative evaluation, the surrounding rock grade is initially divided. Finally, the tested sample data is used to verify the established neural network mathematical model for surrounding rock identification.
  • the present invention also provides a system for automatically identifying the surrounding rock grades using the parameters while drilling.
  • the system includes: a data preprocessing module 310, a main parameter determination module 320, and a surrounding rock identification module 330.
  • a data pre-processing module 310 which pre-processes the collected data set of the parameters while drilling.
  • the data pre-processing module 310 performs abnormal data culling on the data set of the parameters while drilling; normalizes the data set of the parameters while drilling after performing the culling process, and converts them into dimensionless index evaluation values To complete the data preprocessing.
  • the main parameter determination module 320 which analyzes the pre-processed data set of LWD parameters, applies different data dimensionality reduction methods to determine the relationship and contribution rate of each variable in the LWD parameters, and applies the ordered weighted average operator method to The multiple contribution rates calculated for each variable of the LWD parameter are weighted averagely calculated, and sorted and selected according to the calculated contribution rate to determine the main characteristic parameters of the LWD parameter. On this basis, the main characteristic parameters Sample set for classification.
  • the data set of the LWD parameters includes drilling rate, propulsion pressure, impact pressure, turning pressure, turning speed, water pressure and water flow rate. Further, the main parameter determining module 320 analyzes the linear correlation between the drilling rate, impact pressure, propulsion pressure, turning pressure, turning speed, water pressure and water flow rate.
  • the principal parameter determination module 320 applies principal component analysis method and factor analysis method to determine the contribution rate (percentage) of each variable in the LWD parameters.
  • the main parameter determination module 320 which uses an ordered weighted average operator method to perform a combined calculation on the contribution rate obtained by the main component and factor analysis methods, and sorts and selects the results of the combined scheme to obtain the main characteristics of the parameters while drilling Parameters; applying K-means method to classify the sample set of main feature parameters.
  • Surrounding rock recognition module 330 which uses the established neural network and expert knowledge system to train the main feature parameters of different classifications to obtain stable weight coefficients and thresholds, and applies the test sample data to the established neural network mathematics related to surrounding rock recognition The model is validated for surrounding rock identification.
  • modules of the system can perform the above steps S110, S120 and S130 respectively, which will not be repeated here.
  • modules or steps of the present invention can be implemented by a general-purpose computing device. They can be concentrated on a single computing device or distributed on a network composed of multiple computing devices. Alternatively, they can be implemented with program code executable by the computing device, so that they can be stored in the storage device and executed by the computing device, or they can be made into individual integrated circuit modules separately, or many of them Each module or step is made into a single integrated circuit module to achieve. In this way, the present invention is not limited to any specific combination of hardware and software.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
  • Earth Drilling (AREA)

Abstract

一种应用随钻参数来识别围岩级别的方法和系统，该方法包括如下步骤：对采集到的随钻参数的数据集进行预处理（S110）；分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量的贡献率，应用有序加权平均算子方法对计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类（S120）；应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用样本数据对建立的神经网络数学模型进行围岩识别的验证（S130）。通过本方法，可以实现工作效率更高、使用更方便，精度更高的机器自动判识方案。

Description

一种应用随钻参数来自动识别围岩级别的方法和系统 技术领域
本发明涉及工程机械领域，尤其涉及一种应用随钻参数来自动识别围岩级别的方法和系统。
背景技术
隧道是修筑在具有一定应力履历和构造迹象的多种围岩介质中的一种洞室结构体系，隧道围岩是指隧道周围一定范围内对隧道稳定性产生影响的岩土体，隧道周围的地层不管是岩体还是土体统称为隧道围岩。为满足隧道施工的需要，根据围岩的稳定程度，应用综合岩石指标将围岩分成不同级别，即围岩分级。正确评价隧道的围岩级别不仅关系到隧道的设计、施工方案、工程造价，而且还关系到隧道施工与运营期间的安全与稳定。因此，正确评价围岩分级是隧道超前支护方案的重要依据。
隧道设计与施工过程中涉及了多种不确定因素，许多问题的解决方案依靠工程经验丰富的专家。对于隧道围岩分级，虽然国内外规范给出了隧道围岩的相关计算方法，但目前围岩分级的各项指标与围岩等级尚未建立精确的数学模型，且各级围岩之间没有明确界限，所以对隧道围岩分级而言，其分级标准受主观因素的影响更大。
发明内容
本发明所要解决的技术问题之一是需要提供一种工作效率更高、使用更方便，精度更高的机器自动判识围岩级别的方案。
为了解决上述技术问题，本申请的实施例首先提供了一种应用随钻参数来自动识别围岩级别的方法，该方法包括如下步骤：步骤一，对采集到的随钻参数的数据集进行预处理；步骤二，分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；步骤三，应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值， 并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。
优选地，所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量；进一步，在所述步骤二中，分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。
优选地，在所述步骤二中，应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率。
优选地，在所述步骤一中，对随钻参数的数据样本集进行异常数据的剔除处理；将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的预处理。
优选地，在所述步骤二中，应用有序加权平均算子方法对主成分分析方法和因子分析方法得到的各变量贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主要特征参数；应用K-means方法对主要特征参数的样本集进行分类。
优选地，所述方法应用凿岩台车钻进过程中获取的随钻参数的数据集。
根据本发明的另一方面，还提供了一种应用随钻参数来识别围岩级别的系统，该系统包括：数据预处理模块，其对采集到的随钻参数的数据集进行预处理；主参数确定模块，其分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；围岩识别模块，其应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。
优选地，所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量；进一步，所述主参数确定模块，其分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。
优选地，所述主参数确定模块，其应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率。
优选地，所述数据预处理模块，其对随钻参数的数据集进行异常数据的剔除处理；将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的预处理。
优选地，所述主参数确定模块，其应用有序加权平均算子方法对主成分分析和因子分析方法得到的各变量贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主要特征参数；应用K-means方法对主要特征参数的样本集进行分类。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
本发明方法基于随钻参数的归一化数据，应用有序加权平均方法，确定主要的随钻变量。在此基础上，通过神经网络和专家系统相结合的算法，自动学习岩石类型的特征信息，实现岩石类别的自动分类。通过本发明，可以实现工作效率更高、使用更方便，精度更高的机器自动判识方案，是隧道智能建造施工的关键技术之一。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明的技术方案而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构和/或流程来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。
图1为本申请实施例的应用随钻参数来识别围岩级别的方法的概略流程示意图。
图2为本申请实施例的应用随钻参数来识别围岩级别的方法的具体流程示意图。
图3为本申请实施例的应用随钻参数来识别围岩级别的系统的结构示意图。
图4为本申请实施例的基于神经网络的专家系统的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。
另外，附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在人类进行隧道建造的长期研究中，国内外学者对隧道围岩分级方法进行了大量的研究，并提出上百种分级方法。其中有影响的主要有普氏岩石坚固性系数分级方法、泰沙基分级方法、岩石质量指标(RQD)分类法、岩石结构评价(RSR)分类法、Q系统分类法、日本按弹性波速度的围岩分级方法、我国铁路和公路隧道围岩分级方法等。在国外诸多围岩分级方法中，影响较大、应用较为广泛的围岩分级方法包括以下几种：1)普氏坚固系数法。该围岩分级方法是由前苏联普洛托吉雅柯诺夫于1907年提出的，他采用普氏坚固系数f来描述岩石的坚硬程度，并按f取值的大小将岩体分为十级；2)Terzaghi荷载分级法。1946年Terzaghi根据岩石种类和荷载因素对岩石进行分级，随后Terzaghi又加入了RQD值和节理间距两个分级指标；3)自稳时间ts法。1958年，奥地利的Laufer提出根据隧道短暂的自稳时间ts对隧道围岩进行分级。并按稳定性将隧道围岩分为七级；4)Caotes岩石分类法。1963年，加拿大工程师Caotes首次提出了一种包含定性分级与定量分级的岩石分级方法，该分级方法综合考虑了包含岩石坚硬程度和岩体完整程度在内的五项指标；5)岩体质量分级法。1967年美国工程师Deree根据RQD值提出了岩体质量分级法，将岩体分为五级。RQD值(Rock Quality Designation)，即岩体质量指标，是Deree推荐的一种在钻进时统计岩芯完整程度的指标；6)日本准围岩抗拉强度分级法。日本岩石力学委员会根据抗拉强度、岩体平均龟裂间距和岩石弹性波速度三个指标将岩石分为八级，岩体分为六类，二者相结合共计48个级类；7)RSR岩石等级结构法。RSR法是由美国工程师Wickham于1972年创立的。它是根据地质条件为岩体地质结构、节理状态、地下水情况三个指标进行评分，累加后得到RSR值，然后根据RSR值的大小对岩体给出评价；8)RMR围岩分级法。RMR分级法是由南非工程师Bieniawski总结了249条隧道的围岩分级经验得出隧道围岩分级方法。该方法首先根据地质状况对岩石单轴抗压强度、结构面间距、RQD等六个分级指标进行评分，再把分值累加得出最后的RMR值。根据RMR值将岩体分为五级；9)Q值法。Q值法由挪威工程师Barton于1971～1974年间创立。该方法首先对RQD、节理组数、节理粗糙程度、应力折减系数等六项指标进行评分，再根据相应公式计算出Q值，并按Q值的大小将岩体分为十一级；其中，南非Bieniawski的RMR围岩分级法和挪威Barton的Q围岩分级法是当前国际上影响最大、应用最为广泛的两大围岩分级体系。
2004年以前我国公路隧道的围岩分级主要依照的是《公路隧道勘测规程》(JTJ063—85)和《公路隧道设计规范》(JTJ 026—90)。当时的围岩分级方法是对隧道所在的地质环境以及开挖后的稳定性状况给予定性的评价，从而对隧道的围岩进行分级。这种围岩分级方法将围岩从好到差分为Ⅰ～Ⅵ级(Ⅰ级围岩质量最好，为理想的硬质岩石，但该级别 的围岩在公路隧道中一般很少遇见；Ⅵ级围岩质量最差，基本上为软土和软塑性粘土。这种围岩分级方法主要考虑了岩石的强度等级、受地质构造的影响程度、围岩节理发育程度、风化作用的影响和地下水的影响。根据有关资料显示，依照该围岩分级方法获得的围岩级别，与开挖所暴露出来的实际围岩级别相一致的只占50％左右，有30％～40％的围岩相差1～2级。这是由于这种分级方法基本上是用定性的表述进行围岩分类，在实际操作中易受主观因素和经验的影响。
本发明实施例以隧道智能建造项目中凿岩台车机器人化施工装备中围岩等级分类系统中围岩自动判识为研究对象，具体内容请参考如下。
图1为本申请实施例的应用钻进数据来自动识别围岩级别的方法的概略流程示意图。
如图1所示，首先，在步骤S110中，对采集到的随钻参数的样本数据集进行预处理。
具体地，应用Bevel数据采集系统采集大量的凿岩机随钻参数的样本数据，这些数据包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力、水流量等。然后将这些样本数据进行归一化处理，即将采集的物理量进行无量纲化处理，转化为无量纲化指标测评值，完成数据的预处理。更具体地，将随钻参数的样本数据经过归一化处理后，可以转化为无量纲化指标测评值，各指标值处于同一数量级别，可进行综合测评分析。优选地，还可以对随钻参数进行相关性分析和剔除异常数据(参见图2所示的流程)，相关性分析用于分析各个变量之间的线性相关系数。
在步骤S120中，分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类。
具体地，如图2所示，在该步骤中，应用数据降维方法(例如主成分分析方法、因子分析方法)将原始随钻参数样本点通过线性变换映射到一个低维空间，分别确定随钻参数中各变量的贡献率，也就是说分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。在此基础上，应用有序加权平均算子方法对以上单个预测方法计算的贡献率进行组合，并对组合方案的结果进行排序和择优，即通过贡献率值所在的位置进行加权在进行集结，获得随钻参数的主要特征参数，最后，在此基础上，应用K-means方法对主要特征参数的样本集进行分类。下面分别说明各方法的计算过程。
其中，主成分分析方法是一种分析、简化数据集的技术。通过坐标变换将原始随钻参 数转换到新的坐标系下进行表示，实现用较少的随钻变量表示原始样本大部分信息。应用此方法可以减少随钻参数的维数，同时保持数据集中的对方差贡献最大的特征。
主成分分析方法的具体实现步骤如下所示：
1、应用z-score标准化随钻参数的样本集，并将随钻参数的7个变量的样本组合成一个矩阵。
2、计算组合后矩阵的协方差矩阵。
3、计算步骤2中协方差矩阵的特征值和特征向量。
4、将求解的特征向量按照特征值的大小顺序重新组合形成一个映射矩阵，并根据PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵。
5、用步骤4的映射矩阵对标准化的随钻参数数据进行映射，实现数据降维的目的。
其中，因子分析研究原始变量相关矩阵内部的依赖关系，将复杂关系的变量表示为少数公共因子和对某个变量有作用的特殊因子线性组合。即从数据中提取对变量起解释作用的少数公共因子。其计算步骤如下：
1、计算标准化的随钻参数样本的相关矩阵R。
2、计算步骤1中相关矩阵R的特征根和特征向量。
3、根据要求的累积贡献率确定主因子的个数。
4、计算因子载荷矩阵。
5、确定因子模型。
基于选取的随钻特征变量数据，按照特定标准，应用无监督学习的K-means聚类分析方法可以将掌子面的围岩进行分类。即将同一个掌子面一百多个钻孔的数据集分割成不同的类，使得相同类内的随钻数据的相似性尽可能大，而不同类内的随钻数据的差异性尽可能大，实现同一类的数据尽可能聚集到一起，不同类的数据尽量分离。
K-means算法是将样本聚类成k个簇，具体算法描述如下：
1)从n个数据对象随机选取k个对象作为初始聚类中心；
2)计算每个聚类对象的均值以及每个对象与这些中心对象的距离c (i)：＝arg min||x (i)-μ j|| 2
Figure PCTCN2019126247-appb-000001
3)μ j属于同一个类的样本中心点的猜测值。在此基础上，基于计算的最小距离重新划分相应的对象，重新计算每个聚类的均值；
4)循环(2)到(3)直到每个聚类不再发生变化为止。
最后，应用有序加权平均(OWA)算子将主成分分析方法和因子分析方法计算得到的贡献率进行组合计算。然后，通过贡献率所在的位置进行加权与排序。定义：设F:R n→R，若
Figure PCTCN2019126247-appb-000002
其中ω＝(ω 1,ω 2,...,ω n) T是与F相关联的加权向量，ω j∈[0,1]，
Figure PCTCN2019126247-appb-000003
b j是一组数据a i(i∈N)中第j个最大元素，则称函数F是n维有序加权平均(OWA)算子。
需要说明的是，上述涉及的各方法仅为本发明的一个优选例子，并不限定本发明的保护范围，因此，其他的可以用来获取主要特征参数的方法也可以应用到本发明中，此处不作限定。
在步骤S130中，应用建立的BP神经网络和专家知识系统对不同分类的特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。
需要说明的是，神经网络是人工智能学习方法之一，应用于系统模式分类与数学模型的参数识别。本发明实施例应用神经网络智能算法，使得知识获取模块通过对新实例的学习，获得新的网络权值分布，更新知识库(参见图4的结构图)。专家系统在逻辑上需要划分为知识库和推理机两部分。根据专家围岩分级的专家经验以及相关知识建立专家知识系统，该系统包括围岩分级模块、信息交互模块、案例库模块。通过建立知识库可以确定神经网络的具体结构以及学习算法。因而，知识库的建立实际上就是神经网络的学习过程。
神经网络通过对输入样本的学习，将知识以权值和阈值的形式存储在网络中。网络的输入为随钻参数的不同特征值，输出是围岩级别(RMR)。具体参见图4所示的基于神经网络的专家系统的结构示意图。
BP神经网络模块：
1)建立网络：确定输入层、隐含层、输出层的数目；
2)确定激励函数以及迭代误差、迭代次数，并对网络进行初始化；
3)网络训练并更新网络权值；
4)将更新的网络权值矩阵存储到知识库；
专家知识系统各个功能模块：
1)知识获取：学习选取的随钻参数数据集，将知识分布存储在网络的连接权上，包括网络结构、输入学习样本模式的组织形式、网络学习算法等，主要表现为系统对围岩类型识别方法的信息搜集。
2)知识库：BP神经网络系统经过大量训练后，多个神经元节点间的联接权重以及节点阈值就形成了知识库。
3)推理机：针对围岩分级问题的条件或已知信息，反复匹配知识库中的规则，完成输入模式到输出模式的非线性映射关系，解释输出模型的数学表示。
4)解释器：利用专家系统原理，即经验性、模糊性的专家知识，并基于推理思路做出决策。
围岩分级是地下施工过程中对岩石的坚硬程度和岩体完整程度进行定性评价，根据定性评价的结果初步划分围岩等级。最后，应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。
另一方面，本发明还提供了一种应用随钻参数来自动识别围岩级别的系统，如图3所示，该系统包括：数据预处理模块310、主参数确定模块320和围岩识别模块330。
数据预处理模块310，其对采集到的随钻参数的数据集进行预处理。所述数据预处理模块310，其对随钻参数的数据集进行异常数据的剔除处理；将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的预处理。
主参数确定模块320，其分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各个变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数中的主要特征参数，在此基础上，对主要特征参数的样本集进行分类。
所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量。进一步，所述主参数确定模块320，其分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。所述主参数确定模块320，其应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率(百分比)。所述主参数确定模块320，其应用有序加权平均算子方法对主成分和因子分析方法得到的贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主 要特征参数；应用K-means方法对主要特征参数的样本集进行分类。
围岩识别模块330，其应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。
该系统的这些模块可以分别执行上述的步骤S110、S120和S130，此处不再赘述。
本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (11)

  1. 一种应用随钻参数来识别围岩级别的方法，其特征在于，该方法包括如下步骤：
    步骤一，对采集到的随钻参数的数据集进行预处理；
    步骤二，分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；
    步骤三，应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。
  2. 根据权利要求1所述的方法，其特征在于，
    所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量；
    进一步，在所述步骤二中，分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。
  3. 根据权利要求1或2所述的方法，其特征在于，在所述步骤二中，
    应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率。
  4. 根据权利要求1～3中任一项所述的方法，其特征在于，在所述步骤一中，
    对随钻参数的数据样本集进行异常数据的剔除处理；
    将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的预处理。
  5. 根据权利要求3所述的方法，其特征在于，在所述步骤二中，
    应用有序加权平均算子方法对主成分分析方法和因子分析方法得到的各变量贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主要特征参数；
    应用K-means方法对主要特征参数的样本集进行分类。
  6. 根据权利要求1～5中任一项所述的方法，其特征在于，所述方法应用凿岩台车钻进过程中获取的随钻参数的数据集。
  7. 一种应用随钻参数来识别围岩级别的系统，其特征在于，该系统包括：
    数据预处理模块，其对采集到的随钻参数的数据集进行预处理；
    主参数确定模块，其分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；
    围岩识别模块，其应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证。
  8. 根据权利要求7所述的系统，其特征在于，
    所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量；
    进一步，所述主参数确定模块，其分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。
  9. 根据权利要求7或8所述的系统，其特征在于，
    所述主参数确定模块，其应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率。
  10. 根据权利要求7～9中任一项所述的系统，其特征在于，
    所述数据预处理模块，其对随钻参数的数据集进行异常数据的剔除处理；将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的 预处理。
  11. 根据权利要求9所述的系统，其特征在于，
    所述主参数确定模块，其应用有序加权平均算子方法对主成分分析和因子分析方法得到的各变量贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主要特征参数；应用K-means方法对主要特征参数的样本集进行分类。
PCT/CN2019/126247 2018-12-18 2019-12-18 一种应用随钻参数来自动识别围岩级别的方法和系统 WO2020125668A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811547294.4A CN109635461B (zh) 2018-12-18 2018-12-18 一种应用随钻参数来自动识别围岩级别的方法和系统
CN201811547294.4 2018-12-18

Publications (1)

Publication Number Publication Date
WO2020125668A1 true WO2020125668A1 (zh) 2020-06-25

Family

ID=66074946

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/126247 WO2020125668A1 (zh) 2018-12-18 2019-12-18 一种应用随钻参数来自动识别围岩级别的方法和系统

Country Status (2)

Country Link
CN (1) CN109635461B (zh)
WO (1) WO2020125668A1 (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783214A (zh) * 2020-07-13 2020-10-16 中电建路桥集团有限公司 一种类岩堆体隧道围岩质量评价方法
CN111965255A (zh) * 2020-08-14 2020-11-20 广西大学 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置
CN112214886A (zh) * 2020-09-28 2021-01-12 中国石油天然气集团有限公司 基于天然气碳同位素分析产能贡献率的评价方法
CN112598061A (zh) * 2020-12-23 2021-04-02 中铁工程装备集团有限公司 一种隧道围岩聚类分级方法
CN112668200A (zh) * 2021-01-06 2021-04-16 西安理工大学 一种特种设备安全性分析的方法及系统
CN112818439A (zh) * 2020-12-31 2021-05-18 长安大学 一种软岩隧道围岩亚级分级方法
CN112963160A (zh) * 2021-02-10 2021-06-15 上海市隧道工程轨道交通设计研究院 一种用盾构实时掘进参数来识别确定地层特性的方法
CN112990227A (zh) * 2021-02-08 2021-06-18 中国铁建重工集团股份有限公司 掌子面地质检测方法
CN113065664A (zh) * 2021-02-20 2021-07-02 北京三一智造科技有限公司 一种地质层识别模型构建方法和地质层识别方法
CN113295850A (zh) * 2021-05-24 2021-08-24 中交一公局集团有限公司 基于多源数据融合的隧道围岩定量快速分级方法与装置
CN113689915A (zh) * 2021-08-25 2021-11-23 合肥工业大学 基于常规水化学矿井异常导水构造探测方法
CN113688446A (zh) * 2021-07-12 2021-11-23 南通大学 一种围岩判别分级方法
CN113960667A (zh) * 2021-06-09 2022-01-21 新疆建筑科学研究院（有限责任公司） 围岩质量预测方法、预测系统、计算机设备、介质及终端
CN114117590A (zh) * 2021-11-11 2022-03-01 山东大学 基于随钻测试与地化特征分析的隧道围岩分级系统及方法
CN115271636A (zh) * 2022-07-01 2022-11-01 中铁二十局集团有限公司 高原隧道围岩分级系统
CN115840921A (zh) * 2023-02-24 2023-03-24 中南大学 基于机器学习的岩体质量分级方法
CN117077027A (zh) * 2023-07-24 2023-11-17 西南交通大学 基于智能分级模型分级概率的围岩亚级分级方法及装置
CN117112999A (zh) * 2023-07-24 2023-11-24 西南交通大学 基于动态线性分段表示的钻进参数标准化清洗方法及装置
CN117494570A (zh) * 2023-11-15 2024-02-02 中南大学 基于集成线性森林和随钻参数的岩体抗剪强度测定方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635461B (zh) * 2018-12-18 2022-04-29 中国铁建重工集团股份有限公司 一种应用随钻参数来自动识别围岩级别的方法和系统
CN110852908A (zh) * 2019-05-31 2020-02-28 西南交通大学 围岩分级方法
CN110362859B (zh) * 2019-06-06 2023-05-16 绍兴文理学院 考虑不同方向起伏贡献率的三维结构面表面形态构建方法
CN110359905A (zh) * 2019-06-13 2019-10-22 山东大学 一种基于人工神经网络获取围岩力学参数的装置及方法
CN111898178B (zh) * 2019-07-12 2021-03-26 江苏科能岩土工程有限公司 一种成层地基联合预压的固结度计算方法
CN110533109A (zh) * 2019-09-03 2019-12-03 内蒙古大学 一种喷涂生产监测数据的存储及特征分析方法及其装置
CN110674868A (zh) * 2019-09-23 2020-01-10 中煤科工集团西安研究院有限公司 一种基于高维钻进参数信息的地层岩性识别系统及其方法
CN110889440A (zh) * 2019-11-15 2020-03-17 山东大学 基于主成分分析和bp神经网络的岩爆等级预测方法及系统
CN111197500B (zh) * 2020-01-06 2021-04-13 山东大学 适用于tbm掘进隧道围岩等级实时判别方法及系统
CN111340275B (zh) * 2020-02-18 2022-04-29 山东科技大学 基于随钻探测技术的隧道支护模式选型实时预测方法
CN111458748B (zh) * 2020-03-30 2021-03-05 青岛理工大学 基于三层数据集神经网络的性能地震动危险性分析方法
CN112465347B (zh) * 2020-11-26 2024-06-21 湖南科技大学 基于聚类分析与改进神经网络协同预测顶板稳定性的方法
CN115628930B (zh) * 2022-12-16 2023-03-10 太原理工大学 一种基于rbf神经网络的掘进机井下截割工况预测方法
CN117288587B (zh) * 2023-11-24 2024-02-20 中国矿业大学(北京) 岩体抗拉强度随钻测试方法与系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537067A (zh) * 2014-12-30 2015-04-22 广东电网有限责任公司信息中心 一种基于k-means聚类的分箱方法
CN105353427A (zh) * 2015-12-14 2016-02-24 大连海事大学 隧道围岩动态分级方法及其装置
CN106203478A (zh) * 2016-06-27 2016-12-07 南昌大学 一种用于智能电表大数据的负荷曲线聚类方法
CN108363970A (zh) * 2018-02-02 2018-08-03 鲁东大学 一种鱼种类的识别方法和系统
CN108519284A (zh) * 2018-03-30 2018-09-11 山东大学 地下工程围岩数字钻探实时分级方法
CN109635461A (zh) * 2018-12-18 2019-04-16 中国铁建重工集团有限公司 一种应用随钻参数来自动识别围岩级别的方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496059A (zh) * 2011-11-25 2012-06-13 中冶集团武汉勘察研究院有限公司 矿山竖井工程围岩人工智能分级方法
CN104732070B (zh) * 2015-02-27 2018-03-13 广西大学 一种基于信息向量机的岩爆等级预测方法
CN105938611B (zh) * 2016-07-06 2019-08-20 山东大学 基于随钻参数对地下工程围岩快速实时分级的方法
US11775313B2 (en) * 2017-05-26 2023-10-03 Purdue Research Foundation Hardware accelerator for convolutional neural networks and method of operation thereof

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537067A (zh) * 2014-12-30 2015-04-22 广东电网有限责任公司信息中心 一种基于k-means聚类的分箱方法
CN105353427A (zh) * 2015-12-14 2016-02-24 大连海事大学 隧道围岩动态分级方法及其装置
CN106203478A (zh) * 2016-06-27 2016-12-07 南昌大学 一种用于智能电表大数据的负荷曲线聚类方法
CN108363970A (zh) * 2018-02-02 2018-08-03 鲁东大学 一种鱼种类的识别方法和系统
CN108519284A (zh) * 2018-03-30 2018-09-11 山东大学 地下工程围岩数字钻探实时分级方法
CN109635461A (zh) * 2018-12-18 2019-04-16 中国铁建重工集团有限公司 一种应用随钻参数来自动识别围岩级别的方法和系统

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783214B (zh) * 2020-07-13 2023-09-22 中电建路桥集团有限公司 一种类岩堆体隧道围岩质量评价方法
CN111783214A (zh) * 2020-07-13 2020-10-16 中电建路桥集团有限公司 一种类岩堆体隧道围岩质量评价方法
CN111965255B (zh) * 2020-08-14 2023-04-14 广西大学 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置
CN111965255A (zh) * 2020-08-14 2020-11-20 广西大学 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置
CN112214886A (zh) * 2020-09-28 2021-01-12 中国石油天然气集团有限公司 基于天然气碳同位素分析产能贡献率的评价方法
CN112598061A (zh) * 2020-12-23 2021-04-02 中铁工程装备集团有限公司 一种隧道围岩聚类分级方法
CN112818439A (zh) * 2020-12-31 2021-05-18 长安大学 一种软岩隧道围岩亚级分级方法
CN112818439B (zh) * 2020-12-31 2023-07-28 长安大学 一种软岩隧道围岩亚级分级方法
CN112668200A (zh) * 2021-01-06 2021-04-16 西安理工大学 一种特种设备安全性分析的方法及系统
CN112668200B (zh) * 2021-01-06 2023-08-29 西安理工大学 一种特种设备安全性分析的方法及系统
CN112990227A (zh) * 2021-02-08 2021-06-18 中国铁建重工集团股份有限公司 掌子面地质检测方法
CN112990227B (zh) * 2021-02-08 2022-12-27 中国铁建重工集团股份有限公司 掌子面地质检测方法
CN112963160B (zh) * 2021-02-10 2024-06-11 上海市隧道工程轨道交通设计研究院 一种用盾构实时掘进参数来识别确定地层特性的方法
CN112963160A (zh) * 2021-02-10 2021-06-15 上海市隧道工程轨道交通设计研究院 一种用盾构实时掘进参数来识别确定地层特性的方法
CN113065664A (zh) * 2021-02-20 2021-07-02 北京三一智造科技有限公司 一种地质层识别模型构建方法和地质层识别方法
CN113065664B (zh) * 2021-02-20 2024-05-14 北京三一智造科技有限公司 一种地质层识别模型构建方法和地质层识别方法
CN113295850A (zh) * 2021-05-24 2021-08-24 中交一公局集团有限公司 基于多源数据融合的隧道围岩定量快速分级方法与装置
CN113960667A (zh) * 2021-06-09 2022-01-21 新疆建筑科学研究院（有限责任公司） 围岩质量预测方法、预测系统、计算机设备、介质及终端
CN113688446A (zh) * 2021-07-12 2021-11-23 南通大学 一种围岩判别分级方法
CN113688446B (zh) * 2021-07-12 2023-09-15 南通大学 一种围岩判别分级方法
CN113689915A (zh) * 2021-08-25 2021-11-23 合肥工业大学 基于常规水化学矿井异常导水构造探测方法
CN114117590A (zh) * 2021-11-11 2022-03-01 山东大学 基于随钻测试与地化特征分析的隧道围岩分级系统及方法
CN114117590B (zh) * 2021-11-11 2024-02-20 山东大学 基于随钻测试与地化特征分析的隧道围岩分级系统及方法
CN115271636A (zh) * 2022-07-01 2022-11-01 中铁二十局集团有限公司 高原隧道围岩分级系统
CN115840921A (zh) * 2023-02-24 2023-03-24 中南大学 基于机器学习的岩体质量分级方法
CN117077027A (zh) * 2023-07-24 2023-11-17 西南交通大学 基于智能分级模型分级概率的围岩亚级分级方法及装置
CN117112999A (zh) * 2023-07-24 2023-11-24 西南交通大学 基于动态线性分段表示的钻进参数标准化清洗方法及装置
CN117077027B (zh) * 2023-07-24 2024-03-15 西南交通大学 基于智能分级模型分级概率的围岩亚级分级方法及装置
CN117112999B (zh) * 2023-07-24 2024-03-29 西南交通大学 基于动态线性分段表示的钻进参数标准化清洗方法及装置
CN117494570A (zh) * 2023-11-15 2024-02-02 中南大学 基于集成线性森林和随钻参数的岩体抗剪强度测定方法

Also Published As

Publication number Publication date
CN109635461B (zh) 2022-04-29
CN109635461A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
WO2020125668A1 (zh) 一种应用随钻参数来自动识别围岩级别的方法和系统
WO2020125682A1 (zh) 一种应用随钻数据计算岩石强度的方法和系统
CN110346831B (zh) 一种基于随机森林算法的智能化地震流体识别方法
CN109948647A (zh) 一种基于深度残差网络的心电图分类方法及系统
CN108564129A (zh) 一种基于生成对抗网络的轨迹数据分类方法
CN105760673B (zh) 一种河流相储层地震敏感参数模板分析方法
CN105678332A (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统
CN106407649A (zh) 基于时间递归神经网络的微震信号到时自动拾取方法
CN112529341A (zh) 一种基于朴素贝叶斯算法的钻井漏失机率预测方法
CN106257498A (zh) 基于异构纹理特征的锌浮选工况状态划分方法
CN106203377A (zh) 一种煤粉尘图像识别方法
CN110889440A (zh) 基于主成分分析和bp神经网络的岩爆等级预测方法及系统
CN112948932A (zh) 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法
CN105184260A (zh) 一种图像特征提取方法及行人检测方法及装置
CN113344050A (zh) 一种基于深度学习的岩性智能化识别方法及系统
CN111915022B (zh) 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置
CN113674862A (zh) 一种基于机器学习的急性肾功能损伤发病预测方法
CN113779880A (zh) 一种基于超前钻探数据的隧道围岩二维质量评价方法
CN112614021A (zh) 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法
CN117292148A (zh) 一种基于定向钻探及测试数据的隧道围岩级别评估方法
CN112926267B (zh) 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统
Rofik et al. The Optimization of Credit Scoring Model Using Stacking Ensemble Learning and Oversampling Techniques
CN111985782B (zh) 基于环境感知的自动驾驶有轨电车运行风险评估方法
CN105335763A (zh) 一种基于改进型极速学习机的织物疵点分类方法
CN115860582B (zh) 一种基于自适应提升算法的冲击危险性智能预警方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19899351

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19899351

Country of ref document: EP

Kind code of ref document: A1