CN114135278B - 一种随钻感知不良地质智能识别与预报***及方法 - Google Patents
一种随钻感知不良地质智能识别与预报***及方法 Download PDFInfo
- Publication number
- CN114135278B CN114135278B CN202111333942.8A CN202111333942A CN114135278B CN 114135278 B CN114135278 B CN 114135278B CN 202111333942 A CN202111333942 A CN 202111333942A CN 114135278 B CN114135278 B CN 114135278B
- Authority
- CN
- China
- Prior art keywords
- drilling
- geology
- parameters
- rock mass
- slag powder
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000011435 rock Substances 0.000 claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000011010 flushing procedure Methods 0.000 claims abstract description 24
- 239000012530 fluid Substances 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 10
- 230000008447 perception Effects 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims description 107
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 56
- 239000000843 powder Substances 0.000 claims description 37
- 239000002893 slag Substances 0.000 claims description 37
- 230000004807 localization Effects 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 25
- 238000006073 displacement reaction Methods 0.000 claims description 23
- 239000007864 aqueous solution Substances 0.000 claims description 15
- 150000001450 anions Chemical class 0.000 claims description 14
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 14
- 239000011707 mineral Substances 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 12
- 239000000706 filtrate Substances 0.000 claims description 11
- 150000001768 cations Chemical class 0.000 claims description 10
- 238000001237 Raman spectrum Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000004876 x-ray fluorescence Methods 0.000 claims description 7
- 239000002243 precursor Substances 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 229910003460 diamond Inorganic materials 0.000 claims description 4
- 239000010432 diamond Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000005641 tunneling Effects 0.000 claims description 4
- 239000012528 membrane Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000009412 basement excavation Methods 0.000 claims 2
- 239000007788 liquid Substances 0.000 description 7
- 230000004075 alteration Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Fluid Mechanics (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Remote Sensing (AREA)
- Geophysics (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Earth Drilling (AREA)
Abstract
本公开提供了一种随钻感知不良地质智能识别与预报***及方法，本公开结合超前地质钻探，从隧道围岩的物理力学性质变化和地化特征参数变化两方面来全面反映不良地质特征，通过对超前钻探过程中的钻进参数和冲洗液的采集与分析，融合大数据和智能学习算法，最终实现对隧道掌子面前方不良地质的有效超前识别。
Description
技术领域
本公开属于不良地质识别技术领域，具体涉及一种随钻感知不良地质智能识别与预报***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。
隧道施工过程中突水突泥、塌方、大变形等地质灾害时常发生，导致施工机械报废甚至人员伤亡，造成严重的工期延误、重大的经济损失。隧道地质灾害的发生往往与穿越断层破碎带、蚀变带、岩溶等不良地质及其影响区有关。由于隧址区地质条件复杂，加之断层破碎带、蚀变带、岩溶等不良地质体具有较强的隐蔽性，在勘察设计阶段难以对隧道沿线不良地质情况的全面准确的掌握，因此在隧道施工过程中开展不良地质识别工作对工程防灾减灾更具有重要意义。
目前常用的隧道不良地质识别和超前地质预报方法主要有地质分析法、物探法和超前钻探法，其中传统隧道内地质分析法主要依靠经验定性分析，主观性强、误差大，常出现误判漏判现象；物探法因缺少地质定量信息约束，又存在多解性的固有难题；现有的超前钻探法是通过对掌子面前方的钻探过程进行取芯和记录，由岩土工程人员观察岩芯结构面分布和判断填充物的性质，定性分析隧道围岩的宏观特征并对其进行工程分类，从而完成对隧道前方的地质情况的判断。该方法虽然是直接揭露掌子面前方的地质情况，相比于地质分析法和物探法其预报结果最为直观有效，但是该方法对不良地质识别的来源主要是岩芯，对于超前钻探其他方面信息的利用率太低，且存在过度依赖人工分析、识别结果主观误差较大的问题。
不良地质的岩体较为软弱、破碎，且多充填有黏土和水，因此其与隧道正常围岩的最大区别就是物理力学性质不同，同时在元素和矿物富集的地化特征方面与正常围岩也有较大不同。超前钻探过程中除了能够获取岩芯可供施工人员观察判断外，其钻进参数还蕴藏着大量能够直接反映掌子面前方隧道岩体物理力学参数的信息。另外，钻进过程中流出的冲洗液中所携带的渣粉同样蕴藏着大量能够直接反映掌子面前方岩体地化特征的信息。
经发明人检索发现，现有的技术(CN112253049A、CN111238982A、CN110130883A等)对于钻进参数的利用主要集中在某种岩体的特定力学性质测试方面，如抗压强度或耐磨性等，无法做到对隧道掌子面前方岩体力学性质的连续测试和宏观反应，更无法做到对不良地质的识别；对于随钻测试岩体地化特征方面的技术更是尚属空白。申请人基于在断层破碎带、蚀变带、溶洞等不良地质出现之前，一般都会出现元素与矿物变化的不良地质前兆特征标志这一原理，前期已提出了基于岩性与不良地质智能识别的技术(CN201910271921)，该技术虽然为不良地质识别和隧道超前地质预报另辟了一条独特而有效的途径，但对于隧道围岩的地化特征分析都是已开挖段的而不是掌子面前方的，仅能识别不良地质性质，无法做到对其位置和规模的有效超前识别。
发明内容
本公开为了解决上述问题，提出了一种随钻感知不良地质智能识别与预报***及方法，本公开结合超前地质钻探，从隧道围岩的物理力学性质变化和地化特征参数变化两方面来全面反映不良地质特征，通过对超前钻探过程中的钻进参数和冲洗液的采集与分析，融合大数据和智能学习算法，最终实现对隧道掌子面前方不良地质的有效超前识别。
根据一些实施例，本公开采用如下技术方案：
一种随钻感知不良地质智能识别与预报***，包括平台机构，以及设置于平台机构上的钻进机构、供水机构、钻进参数测试机构、力学性质分析***、冲洗液收集机构、渣粉过滤机构、地化特征分析机构和不良地质识别***，其中：
所述供水机构和钻进机构连接，为所述钻进机构的钻头提供一定压力的水流；所述冲洗液收集机构设置于所述钻进机构下端，所述渣粉过滤机构设置于冲洗液收集机构的下端，以过滤钻孔冲洗液中的渣粉；
所述钻进参数测试机构，包括多个传感器，分别用于获取钻进机构在钻进过程中的相关作业参数；
所述地化特征分析机构包括X射线荧光分析仪、拉曼光谱分析仪和水化学分析仪，分别用于获取钻进过程中岩体中的元素种类及含量、岩体中的矿物种类及含量，和钻进过程中滤液中的阴阳离子种类及含量；
所述力学性质分析***，用于接收所述钻进参数测试机构采集的钻进过程中的相关作业参数，将其转化为岩体的物性参数；
所述不良地质识别***，用于根据地化特征分析机构的检测结果，确定地化特征，结合所述岩体的物性参数，利用深度学习方法进行不良地质智能识别并预报。
作为可选择的实施方式，所述平台机构包括多个支撑腿、平台和座台，其中，座台安装在平台上，支撑腿固定安装在平台下方的四个角落处；所述支撑腿为液压杆结构，且长度可调。
作为可选择的实施方式，所述钻进机构包括旋转电机、两个液压给进杆、后盘、卡盘、套管、钻杆和金刚石取芯钻头，钻进机构固定安装在平台上，平台上方固定安装有卡盘，卡盘的中间处安装有套管，套管为旋转电机的中轴，套管内径可通过钻杆，所述套管后端处有卡扣，可将套管内部的钻杆卡住；
在卡盘的两侧固定安装有两个液压给进杆，用来提供钻进过程中所需的钻进压力；液压给进钻杆的另一端固定安装有后盘；在后盘中间处还安装有提供旋转动力的旋转电机；钻杆的前端安装有取芯钻头，后端为供水***的出水口。
作为可选择的实施方式，所述供水机构包括水箱、水泵和水管，水管的进水口设置于水箱内部，水管和水泵连接，水管的出水口与钻进机构后端的钻杆相连接。
作为可选择的实施方式，所述钻进参数测试机构包括激光位移传感器、扭矩传感器、转速传感器、压力传感器和数据采集器；其中激光位移传感器安装在钻进机构后方一定距离处，在钻进机构的底盘后部设有与激光位移传感器在同一直线上的标靶，激光测距传感器通过校准与标准靶的间距以检测钻进位移；扭矩传感器设置于钻杆尾部，通过扭矩传感器内部转子随钻杆转动时测量受力；转速传感器安装在座台上且为套筒尾部的正下方，同时在套筒尾部设立标志点，用于获取钻进的转速；压力传感器安装于液压给进钻杆的输油管道，用于获取钻进压力；
所述数据采集器用于接收位激光移传感器、转速传感器、扭矩传感器和压力传感器的电信号。
作为可选择的实施方式，所述岩体的物性参数包括岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性。
作为可选择的实施方式，所述冲洗液收集机构包括收集筒、滚珠、橡胶垫、液压支撑杆和引流管，收集筒前端嵌有橡胶垫，在收集钻孔中流出的冲洗液时，收集筒的前端紧贴钻孔处的围岩；收集筒后端有一个略大于钻杆直径的圆孔，在圆孔的内部嵌有滚珠，确保钻杆与收集筒之间的移动为滚动滑动；收集筒后端的下部有一液压支撑杆，液压支撑杆的根部连接在钻进机构的卡盘上，可用来控制收集筒沿着钻杆的移动，同时还可以提供推力保证收集筒的顶端紧钻孔处围岩；收集筒的底部还设有引流管，可将收集筒所收集到的钻孔冲洗液引流至下方的渣粉过滤机构中。
作为可选择的实施方式，所述渣粉过滤机构放置在平台靠近围岩的一侧且位于地化特征分析机构的正下方，包括渣粉过滤仓和滤液收集器，渣粉过滤仓底部设有微米级滤膜，在渣粉过滤仓下部设有滤液收集器，以收集过滤后的水溶液。
作为可选择的实施方式，所述X射线荧光分析仪、拉曼光谱分析仪的后端配置有液压伸缩杆，用于控制其在垂直方向上的移动。
作为可选择的实施方式，所述不良地质识别***被配置为基于训练后的不良地质智能识别与预报模型进行识别，所述不良地质智能识别与预报模型的构建及训练过程包括：利用已知各类不良地质岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性的物性参数，以及元素种类及含量、矿物种类及含量和水溶液中阴阳离子种类及含量，基于数据挖掘的方式，挖掘隧道掘进路线上的岩体中能够反映不良地质前兆特征信息的物理力学参数和地化特征渐变演化信息，应用深度学习算法所建立基于岩体物性参数与地化特征随钻感知不良地质智能识别与预报模型。
作为可选择的实施方式，所述不良地质识别***被配置为根据隧道围岩物性参数和地化特征参数以及不良地质识别结果，不断更新、优化不良地质智能识别与预报模型。
一种基于随钻感知不良地质智能识别与预报***的工作方法，包括以下步骤：
利用钻进参数测试机构获取钻进机构在钻进过程中的钻进位移、钻进压力、转动速度和钻进扭矩，力学性质分析***对其进行转化，得到隧道岩体的物性参数；
渣粉过滤机构收集钻进过程中产生并冲洗后的渣粉；
地化特征分析机构对渣粉的元素和岩体的元素以及对过滤后水溶液中阴阳离子进行测量，获取隧道岩体中的地化特征参数，包括岩体中的元素种类及含量、矿物种类及含量和水溶液中的阴阳离子种类及含量；
不良地质识别***根据所获取的隧道岩体物性参数和地化特征参数，利用深度学习方法，识别不良地质，并进行预报。
作为可选择的实施方式，利用深度学习方法，预测或识别不良地质的具体过程包括：利用已有数据集，对深度学习算法所建立的基于岩体物性参数与地化特征的不良地质智能识别与预报模型进行训练，利用训练后的不良地质智能识别与预报模型对实际获取数据进行分析识别。
作为进一步的限定，已有数据集的挖掘过程包括：利用已知各类不良地质岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性的物性参数，以及元素种类及含量、矿物种类及含量和水溶液中阴阳离子种类及含量，基于数据挖掘的方式，挖掘隧道掘进路线上的岩体中能够反映不良地质前兆特征信息的物理力学参数和地化特征渐变演化信息。
作为可选择的实施方式，随着钻进过程的进行，根据隧道围岩物性参数和地化特征参数以及不良地质识别结果，不断更新、优化不良地质智能识别与预报模型。
与现有技术相比，本公开的有益效果为：
本公开根据超前钻探施工的特点，设置了冲洗液采集机构及地化特征分析机构，可在超前钻探测试过程中实现钻探冲洗液有效采集及其地化特征定量化分析；
本公开基于超前钻探测试过程，通过钻进参数测试和冲洗液渣粉测试，解译出钻进过程中所蕴藏的大量地质信息，包括隧道岩体的多种物理力学性质和地化特征等重要信息；
本公开结合超前钻探测试工作，从岩体的物理力学性质和地化特征两方面来综合反映掌子面前方不良地质的前兆特征，即解决了传统超前钻探测试容易出现漏判误判的弊端，又解决了仅从地化特征识别不良地质精细化程度不够和无法超前识别难题。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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是本公开的总体结构示意图；
图2是本公开的钻进机构和钻进参数测试机构结构示意图；
图3是本公开的冲洗液收集机构结构示意图；
图4是本公开的工作方法流程图；
其中，1.支撑腿；2.平台；3.座台；4.钻进机构；5.水箱；6.水泵；7.水管；8.钻进参数测试机构；9.冲洗液收集机构；10.渣粉过滤仓；11.滤液收集器；12.X射线荧光分析仪13.拉曼光谱分析仪；14.水化学分析仪；15.微机；4-1.旋转电机；4-2.液压给进杆；4-3.后盘；4-4.卡盘；4-5.套管；4-6.钻杆；4-7.金刚石取芯钻头；8-1.激光位移传感器；8-2扭矩传感器；8-3转速传感器；8-4.压力传感器；8-5.标靶；9-1.收集筒；9-2.滚珠；9-3.橡胶垫；9-4.液压支撑杆；9-5.引流管。
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。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例一：
本实施例提供了一种基于岩体物性参数与地化特征随钻感知不良地质智能识别与预报***，如图1所示，包括平台机构、钻进机构4、供水***、钻进参数测试机构8、冲洗液收集机构9、渣粉过滤机构、地化特征分析机构、力学性质分析***和不良地质识别***，其中力学性质分析***和不良地质识别***内置于微机15中。
所述平台机构包括四个支撑腿1、平台2和座台3，其中，座台3安装在平台2上，支撑腿1固定安装在平台下方的四个角落处；所述支撑腿1为液压杆***，可自由调节其长度，从而保证整个***在工作时，即使在地面不平整的情况下仍可保持稳定。
如图2所示，所述钻进机构4包括旋转电机4-1、两个液压给进杆4-2、后盘4-3、卡盘4-4、套管4-5、钻杆4-6和金刚石取芯钻头4-7。其中，座台3固定安装于平台2上；在座台3上方固定安装有卡盘4-4；卡盘的中间处安装有套管4-5，套管同样为旋转电机4-1的中轴，套管内径可通过钻杆4-6，便于钻进过程中加装钻杆，同时套管后端处有卡扣，可将套管内部的钻杆卡住；在卡盘的两侧固定安装有两个液压给进杆4-2，用来提供钻进过程中所需的钻进压力；液压给进钻杆的另一端固定安装有后盘4-3；在后盘中间处还安装有提供旋转动力的旋转电机4-1；钻杆的前端安装有取芯钻头4-7，后端连接供水***的出水口；
所述供水机构包括水箱5、水泵6和水管7，水管7进水口放置于水箱内部，出水口与钻进机构后端的钻杆相连接；
同样如图2所示，所述钻进参数测试机构8包括激光位移传感器8-1、扭矩传感器8-2、转速传感器8-3、压力传感器8-4和数据采集器；其中激光位移传感器8-1安装在钻进机构后方一定距离处，在钻进机构的底盘后部设有与激光位移传感器在同一直线上的标靶8-5，激光测距传感器通过校准与标准靶的间距可测得钻进位移S；扭矩传感器8-2设置于钻杆尾部，通过扭矩传感器内部转子随钻杆转动时测量受力，由外部定子解译信号从而获取钻进扭矩N；转速传感器安装在座台3上且为套筒4-5尾部的正下方，同时在套筒尾部设立标志点，可用于获取钻进的转速N；压力传感器8-4安装于液压给进钻杆的输油管道，用于获取钻进压力F；数据采集器内置于微机13中，负责接收位激光移传感器、转速传感器、扭矩传感器和压力传感器的电信号，控制采集频率，实时显示并保存所获取的各类钻进参数数据。
所述力学性质分析***内置于微机13中，为基于海量现场实测钻进参数和多种岩体的物理力学参数(包括岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性等)采用机器学习方法所建立的经验模型，该模型可将钻进测试机构所获取的钻进参数转化为岩体的物理力学参数。
如图3所示，所述冲洗液收集机构9包括收集筒9-1、滚珠9-2、橡胶垫9-3、液压支撑杆9-4和引流管9-5。收集筒9-1顶端嵌有橡胶垫9-3，在收集钻孔中流出的冲洗液时，液压支撑杆9-4伸长使收集筒9-1的顶端紧贴钻孔处的围岩；液压支撑杆9-4一端垂直安装在卡盘4-4上，另一端与收集筒9-1后端的下部连接；收集筒底部连接有引流管9-5，可使收集到的钻孔冲洗液引流到下方的渣粉过滤仓10中。
所述渣粉过滤机构放置在平台2靠近围岩的一侧，包括渣粉过滤仓10和滤液收集器11，渣粉过滤仓10底部设有微米级滤膜，可将钻孔冲洗液中的渣粉过滤出来，在渣粉过滤仓下部设有滤液收集器11，用来收集过滤后的水溶液。
所述地化特征分析机构包括X射线荧光分析仪12、拉曼光谱分析仪13和水化学分析仪14，其中X射线荧光分析12和拉曼光谱分析仪13依次安装在渣粉过滤仓的上方，水化学分析仪14安装在滤液收集器11的底部；X射线荧光分析仪12可用来获取钻进过程中岩体中的元素种类及含量，拉曼光谱分析仪13可用来获取钻进过程中岩体中的矿物种类及含量，水化学分析仪14可用来获取钻进过程中滤液中的阴阳离子种类及含量。
所述不良地质识别***内置于15微机中，其核心为应用深度学习算法所建立基于岩体物性参数与地化特征随钻感知不良地质智能识别与预报模型；
作为进一步的实现方式，基于岩体物性参数与地化特征随钻感知不良地质智能识别与预报模型建立途径为：前期通过开展大量的现场钻进测试工作所建立隧道正常围岩和各类不良地质岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性等物理力学参数，以及元素种类及含量、矿物种类及含量和水溶液中阴阳离子种类及含量3种地化特征参数定量表征的数据库；基于数据挖掘的方式，揭示隧道掘进路线上的岩体中能够反映不良地质前兆特征信息的物理力学参数和地化特征渐变演化信息，在此基础上应用深度学习算法所建立基于岩体物性参数与地化特征随钻感知不良地质智能识别与预报模型，实现随钻感知掌子面前方的不良地质赋存特征，包括不良地质类型、位置、规模、岩性、力学性质、岩体完整程度、充填物等特征；
作为进一步的实现方式，在实际钻进过程中，将力学性质分析***和地化特征分析***中所获取的隧道围岩物性参数和地化特征参数输入至该不良地质预测模型中即可实现掌子面前方不良地质的智能识别；
作为进一步的实现方式，在实际钻进过程中，根据所输入的隧道围岩物性参数和地化特征参数以及不良地质识别结果，不断补充随钻感知参数数据库，从而不断优化识别模型，提高不良地质智能识别的准确度。
实施例二：
如图4所示，还提供了一种基于岩体物性参数与地化特征随钻感知不良地质智能识别与预报方法，包括：
1、通过调整平台机构的支撑腿1，将所述的不良地质智能识别***移动至掌子面处，启动钻进机,4实施超前钻进工作，供水机构的水泵6同步工作；
2、同时将钻进参数测试机构8设置一定的采集频率，采集钻进过程中的钻进位移(S，mm)、钻进压力(F，N)、转动速度(N，r/s)和钻进扭矩(M，N.m)共计4种钻进参数，并传输至力学性质分析***中，获取隧道岩体的多种物性参数(抗压强度、粘聚力、内摩擦角、磨蚀性和完整性等)；
3、按需求设置一定的冲洗液采集频率，通过液压支撑杆9-4调整收集筒9-1，使收集筒顶端的橡胶垫9-3紧贴钻处的围岩，收集钻孔中流出的冲洗液，并经引流管9-5将冲洗液引流至下方的渣粉过滤仓10中，随后获取过滤后的渣粉和水溶液；
4、启动地化特征分析机构，开展对渣粉的元素和矿物分析工作以及对过滤后水溶液中阴阳离子的测量工作，获取隧道岩体中的地化特征参数，包括岩体中的元素种类及含量、矿物种类及含量和水溶液中的阴阳离子种类及含量；
5、将力学性质分析***和地化特征分析***中所获取的隧道岩体物性参数和地化特征参数输入至该不良地质识别***中，最终实现掌子面前方不良地质的智能识别。
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)
1.一种随钻感知不良地质智能识别与预报***，其特征是：包括平台机构，以及设置于平台机构上的钻进机构、供水机构、钻进参数测试机构、力学性质分析***、冲洗液收集机构、渣粉过滤机构、地化特征分析机构和不良地质识别***，其中：
所述供水机构和钻进机构连接，为所述钻进机构的钻头提供一定压力的水流；所述冲洗液收集机构设置于所述钻进机构下端，所述渣粉过滤机构设置于冲洗液收集机构的下端，以过滤钻孔冲洗液中的渣粉；
所述钻进参数测试机构，包括多个传感器，分别用于获取钻进机构在钻进过程中的相关作业参数；
所述地化特征分析机构包括X射线荧光分析仪、拉曼光谱分析仪和水化学分析仪，分别用于获取钻进过程中岩体中的元素种类及含量、岩体中的矿物种类及含量，和钻进过程中滤液中的阴阳离子种类及含量；
所述力学性质分析***，用于接收所述钻进参数测试机构采集的钻进过程中的相关作业参数，将其转化为岩体的物性参数；
所述不良地质识别***，用于根据地化特征分析机构的检测结果，确定地化特征，结合所述岩体的物性参数，利用深度学习方法进行不良地质智能识别并预报；
所述不良地质识别***被配置为基于训练后的不良地质智能识别与预报模型进行识别，所述不良地质智能识别与预报模型的构建及训练过程包括：利用已知各类不良地质岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性的物性参数，以及元素种类及含量、矿物种类及含量和水溶液中阴阳离子种类及含量，基于数据挖掘的方式，挖掘隧道掘进路线上的岩体中能够反映不良地质前兆特征信息的物理力学参数和地化特征渐变演化信息，应用深度学习算法建立基于岩体物性参数与地化特征的随钻感知不良地质智能识别与预报模型；所述不良地质识别***被配置为根据隧道围岩物性参数和地化特征参数以及不良地质识别结果，不断更新、优化不良地质智能识别与预报模型。
2.如权利要求1所述的一种随钻感知不良地质智能识别与预报***，其特征是：所述平台机构包括多个支撑腿、平台和座台，其中，座台安装在平台上，支撑腿固定安装在平台下方的四个角落处；所述支撑腿为液压杆结构，且长度可调。
3.如权利要求1所述的一种随钻感知不良地质智能识别与预报***，其特征是：所述钻进机构包括旋转电机、两个液压给进杆、后盘、卡盘、套管、钻杆和金刚石取芯钻头，钻进机构固定安装在平台机构上，平台机构上方固定安装有卡盘，卡盘的中间处安装有套管，套管为旋转电机的中轴，套管内径可通过钻杆，所述套管后端处有卡扣；
在卡盘的后侧固定安装有两个液压给进杆，液压给进钻杆的另一端固定安装有后盘；在后盘中间处还安装有提供旋转动力的旋转电机；钻杆的前端安装有取芯钻头，后端为供水***的出水口。
4.如权利要求1所述的一种随钻感知不良地质智能识别与预报***，其特征是：所述供水机构包括水箱、水泵和水管，水管的进水口设置于水箱内部，水管和水泵连接，水管的出水口与钻进机构后端的钻杆相连接。
5.如权利要求1所述的一种随钻感知不良地质智能识别与预报***，其特征是：所述钻进参数测试机构包括激光位移传感器、扭矩传感器、转速传感器、压力传感器和数据采集器，其中：
激光位移传感器安装在钻进机构后方一定距离处，用于检测钻进位移；
扭矩传感器设置于钻杆上，用于测量钻杆转动的力；
转速传感器安装钻进机构上，用于获取钻进的转速；
压力传感器安装钻进机构上，用于获取钻进压力；
所述数据采集器用于接收位激光移传感器、转速传感器、扭矩传感器和压力传感器的电信号。
6.如权利要求1所述的一种随钻感知不良地质智能识别与预报***，其特征是：所述冲洗液收集机构包括收集筒、滚珠、橡胶垫、液压支撑杆和引流管，收集筒前端嵌有橡胶垫，收集筒后端有一个直径大于钻杆直径的圆孔，在圆孔的内部圆周嵌有多个滚珠，收集筒后端的下部有一液压支撑杆，液压支撑杆的根部连接在钻进机构的卡盘上，收集筒的底部还设有连接至渣粉过滤机构的引流管。
7.如权利要求1所述的一种随钻感知不良地质智能识别与预报***，其特征是：所述渣粉过滤机构放置在平台靠近围岩的一侧且位于地化特征分析机构的正下方，包括渣粉过滤仓和滤液收集器，渣粉过滤仓底部设有微米级滤膜，在渣粉过滤仓下部设有滤液收集器，以收集过滤后的水溶液。
8.一种基于权利要求1-7中任一项所述的随钻感知不良地质智能识别与预报***的工作方法，其特征是：包括以下步骤：
利用钻进参数测试机构获取钻进机构在钻进过程中的钻进位移、钻进压力、转动速度和钻进扭矩，力学性质分析***对其进行转化，得到隧道岩体的物性参数；
渣粉过滤机构收集钻进过程中产生并冲洗后的渣粉；
地化特征分析机构对渣粉的元素和岩体的元素以及对过滤后水溶液中阴阳离子进行测量，获取隧道岩体中的地化特征参数，包括岩体中的元素种类及含量、矿物种类及含量和水溶液中的阴阳离子种类及含量；
不良地质识别***根据所获取的隧道岩体物性参数和地化特征参数，利用深度学习方法，识别不良地质，并进行预报。
9.如权利要求8所述的一种随钻感知不良地质智能识别与预报***的工作方法，其特征是：利用深度学习方法，预测或识别不良地质的具体过程包括：利用已有数据集，对深度学习算法所建立的基于岩体物性参数与地化特征的不良地质智能识别与预报模型进行训练，利用训练后的不良地质智能识别与预报模型对实际获取数据进行分析识别；
已有数据集的形成过程包括：利用已知各类不良地质岩体的抗压强度、粘聚力、内摩擦角、磨蚀性和完整性的物性参数，以及元素种类及含量、矿物种类及含量和水溶液中阴阳离子种类及含量，基于数据挖掘的方式，挖掘隧道掘进路线上的岩体中能够反映不良地质前兆特征信息的物理力学参数和地化特征渐变演化信息；
随着钻进过程的进行，根据隧道围岩物性参数和地化特征参数以及不良地质识别结果，不断更新、优化不良地质智能识别与预报模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111333942.8A CN114135278B (zh) | 2021-11-11 | 2021-11-11 | 一种随钻感知不良地质智能识别与预报***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111333942.8A CN114135278B (zh) | 2021-11-11 | 2021-11-11 | 一种随钻感知不良地质智能识别与预报***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114135278A CN114135278A (zh) | 2022-03-04 |
| CN114135278B true CN114135278B (zh) | 2024-01-02 |
Family
ID=80392996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111333942.8A Active CN114135278B (zh) | 2021-11-11 | 2021-11-11 | 一种随钻感知不良地质智能识别与预报***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114135278B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2617339B (en) * | 2022-04-04 | 2024-06-05 | Anglo American Technical & Sustainability Services Ltd | Method of and system for predicting strata-related risk in an underground environment |
| CN114753761B (zh) * | 2022-04-06 | 2024-07-05 | 中国铁建重工集团股份有限公司 | 一种工程现场原位测量的数字钻进设备及测量方法 |
| CN115346114A (zh) * | 2022-07-21 | 2022-11-15 | 中铁二院工程集团有限责任公司 | 一种铁路隧道航空电磁法不良地质体识别定位方法及设备 |
| CN115656053B (zh) * | 2022-10-19 | 2024-05-31 | 山东大学 | 岩石矿物含量测试方法及*** |
| CN115753632B (zh) * | 2022-10-19 | 2024-05-31 | 山东大学 | 基于图像光谱的隧道内不良地质体实时判识方法及*** |
| CN116883852B (zh) * | 2023-08-29 | 2024-03-08 | 北京建工环境修复股份有限公司 | 一种基于高光谱的岩芯数据获取方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103018788A (zh) * | 2012-12-10 | 2013-04-03 | 山东大学 | 深长隧道不良地质和岩体力学性质超前探测装置及方法 |
| CN206824374U (zh) * | 2017-01-22 | 2018-01-02 | 王柱 | 空调钻孔定位用污水收集装置 |
| CN108104719A (zh) * | 2017-11-24 | 2018-06-01 | 四川品亿科技有限公司 | 一种对复杂砂卵石地层的环保钻探取心方法 |
| CN110043267A (zh) * | 2019-04-04 | 2019-07-23 | 山东大学 | 基于岩性与不良地质前兆特征识别的tbm搭载式超前地质预报***及方法 |
| 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 |
| CN110672411A (zh) * | 2019-09-22 | 2020-01-10 | 中国科学院武汉岩土力学研究所 | 一种岩体力学特性室内钻进感知试验*** |
| CN112647881A (zh) * | 2020-12-28 | 2021-04-13 | 山东大学 | 一种车载式全自动隧道围岩取芯***及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107620593A (zh) * | 2017-08-08 | 2018-01-23 | 中国科学院地质与地球物理研究所 | 一种油气田现场随钻岩屑扫描***及方法 |
| US11492901B2 (en) * | 2019-03-07 | 2022-11-08 | Elgamal Ahmed M H | Shale shaker system having sensors, and method of use |
-
2021
- 2021-11-11 CN CN202111333942.8A patent/CN114135278B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103018788A (zh) * | 2012-12-10 | 2013-04-03 | 山东大学 | 深长隧道不良地质和岩体力学性质超前探测装置及方法 |
| CN206824374U (zh) * | 2017-01-22 | 2018-01-02 | 王柱 | 空调钻孔定位用污水收集装置 |
| CN108104719A (zh) * | 2017-11-24 | 2018-06-01 | 四川品亿科技有限公司 | 一种对复杂砂卵石地层的环保钻探取心方法 |
| CN110043267A (zh) * | 2019-04-04 | 2019-07-23 | 山东大学 | 基于岩性与不良地质前兆特征识别的tbm搭载式超前地质预报***及方法 |
| 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 |
| CN110672411A (zh) * | 2019-09-22 | 2020-01-10 | 中国科学院武汉岩土力学研究所 | 一种岩体力学特性室内钻进感知试验*** |
| AU2020101353A4 (en) * | 2019-09-22 | 2020-08-20 | China University Of Geosciences (Wuhan) | Indoor drilling perception test system for mechanical properties of rock masses |
| CN112647881A (zh) * | 2020-12-28 | 2021-04-13 | 山东大学 | 一种车载式全自动隧道围岩取芯***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114135278A (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114135278B (zh) | 一种随钻感知不良地质智能识别与预报***及方法 | |
| CN103760005B (zh) | 一种深孔钻进岩土体强度分布测试装置 | |
| CN101761328B (zh) | 一种地层地质界面仪器钻探感应识别*** | |
| CN103806906B (zh) | 岩/土体钻孔原位测试装置及方法 | |
| CN103674539B (zh) | 一种岩石模拟钻进与测试装置及使用方法 | |
| CN101846604B (zh) | 隧道内注浆加固效果检验方法 | |
| CN106321093A (zh) | 一种利用随钻监测技术测试岩体强度的方法与装置 | |
| CN105178951B (zh) | 单孔多层位地下水监测***及方法 | |
| CN110486007A (zh) | 煤矿随钻围岩力学参数原位测试装置及方法 | |
| CN103115832A (zh) | 一种土壤承压和剪切试验测试仪 | |
| CN101082277A (zh) | 石油钻井地质x射线荧光岩屑录井方法 | |
| CN104793264A (zh) | 应用于钻机的地质状况实时反映与超前探测***及方法 | |
| CN104453842B (zh) | 油气井井下故障诊断***及其诊断方法 | |
| CN208239220U (zh) | 原位孔内剪切测试仪 | |
| CN101260803A (zh) | 一种监测油田高渗条带的方法 | |
| CN105863626A (zh) | 一种钻井液与泥页岩地层理化作用的评价方法 | |
| CN219672822U (zh) | 一种深孔抽压水装置 | |
| CN103015390B (zh) | 地基压实度分层联合测定和长期监测的方法与装置 | |
| CN111271058A (zh) | 一种履带式直推钻机与静力触探一体机 | |
| CN110107274B (zh) | 基于液压***的tbm锚杆钻机实时在线监测***及监测方法 | |
| CN107100214A (zh) | 桩阻力模拟测试装置 | |
| CN110821410A (zh) | 一种钻进、取样、实时测量的一体化钻具 | |
| CN106869904B (zh) | 一种利用钻机运行参数原位实时确定岩体损伤状态的方法 | |
| CN215919159U (zh) | 一种数字化钻进装置 | |
| CN105545283A (zh) | 一种连续油管实验数据采集*** |
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 |