CN116050008A - 岩体质量实时评价方法、装置、设备及可读存储介质 - Google Patents
岩体质量实时评价方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116050008A CN116050008A CN202211584408.9A CN202211584408A CN116050008A CN 116050008 A CN116050008 A CN 116050008A CN 202211584408 A CN202211584408 A CN 202211584408A CN 116050008 A CN116050008 A CN 116050008A
- Authority
- CN
- China
- Prior art keywords
- rock
- drilling
- target
- model
- preset
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本申请涉及一种岩体质量实时评价方法、装置、设备及可读存储介质,涉及地下工程和岩土工程技术领域,包括将钻机钻入待测岩体后钻杆末端对应的第一目标随钻参数输入至预设随钻参数预测模型,反演得到钻头位置对应的第二目标随钻参数;将第二目标随钻参数输入至预设破岩比能模型得到目标破岩比能;将目标破岩比能分别输入至预设岩石强度反演模型和预设岩体完整性反演模型,反演得到目标岩石强度综合指数和目标岩体完整性综合指数;基于目标岩石强度综合指数、目标岩体完整性综合指数与岩体质量等级之间的映射关系确定出待测岩体的岩体质量。本申请提高了随钻数据的准确性和可靠性,并实现了在钻孔作业时岩体质量的实时评价,适用于各种钻孔工况。
Description
技术领域
本申请涉及地下工程和岩土工程技术领域,特别涉及一种岩体质量实时评价方法、装置、设备及可读存储介质。
背景技术
随着我国地下工程建设的规模不断增大,人们对工程岩体质量评价的实时性与精确性提出了更高的要求。岩体质量评价需要获取大量的岩体力学参数与结构特征信息,传统的室内试验法和原位测试法均存在耗费时间长、操作繁琐、成本高等缺点,难以满足深地工程长、大隧道对岩体质量的快速、实时评价需求。随钻岩性识别技术是通过监测钻机钻进过程中的推力、扭矩、转速、钻速等随钻参数来反演分析岩体力学参数的技术,国内外学者研究已表明随钻参数与岩石强度参数以及岩体结构面参数间具有较好的相关性,该技术为解决上述问题提供了新的思路。
自1965年提出机械比能(Mechanical Specific Energy,MSE)的概念以来,很多学者开展了比能模型研究以期望准确获取钻进效率,如Pessier模型、Dupriest模型、Cherif模型、Armenta模型、樊洪海模型、孟英峰模型等等,极大推动了机械比能研究理论的发展,但其仍存在一些技术问题未能有效解决,具体表现为:(1)现有比能模型的随钻参数一般是在钻机的钻杆末端或操作台测量,距离钻头位置较远故无法获取钻头部位的真实工况与实际参数,导致测试结果难以直接用于岩土体识别;(2)现有比能模型未能充分考虑冲击回转式钻进工况,由于冲切破岩与旋切破岩机理完全不同,故现有模型难以表征凿岩机、潜孔锤等冲击钻的钻进效率;(3)现有比能模型主要用于机械钻速预测、钻进效率评价、随钻工况识别、钻头磨损监测等方面,而难以应用于工程岩体质量评价研究。由此可见,现有技术进行工程岩体质量评价主要存在获取钻头位置随钻参数的难度大且成本高、比能模型未考虑冲击式钻探工况、传统岩体质量评价结果较粗糙等缺陷。
发明内容
本申请提供一种岩体质量实时评价方法、装置、设备及可读存储介质,以解决相关技术中存在的问题。
第一方面,提供了一种岩体质量实时评价方法,包括以下步骤:
获取钻机钻入待测岩体后对应的钻杆末端处的第一目标随钻参数;
将所述第一目标随钻参数输入至预设随钻参数预测模型,反演得到钻头位置处对应的第二目标随钻参数;
将所述第二目标随钻参数输入至预设破岩比能模型,得到目标破岩比能;
将所述目标破岩比能分别输入至预设岩石强度反演模型和预设岩体完整性反演模型,分别反演得到目标岩石强度综合指数和目标岩体完整性综合指数;
基于所述目标岩石强度综合指数、所述目标岩体完整性综合指数与岩体质量等级之间的映射关系确定出待测岩体的岩体质量。
一些实施例中,所述将所述第一目标随钻参数输入至预设随钻参数预测模型的步骤之前,还包括:
获取不同工况下钻杆末端处对应的第一实验随钻参数和钻头位置处对应的第二实验随钻参数,所述工况包括岩性类别、岩层组合、钻杆直径、钻头型号、钻进模式、钻孔角度;
基于所述第一实验随钻参数和所述第二实验随钻参数对预设神经网络模型进行训练,得到预设随钻参数预测模型,所述预设随钻参数预测模型为:
DP2′=f1(DP1′)
式中,DP2′表示钻头位置处的目标随钻参数,f1表示训练函数,DP1′表示钻杆末端处的目标随钻参数。
一些实施例中,所述将所述第二目标随钻参数输入至预设破岩比能模型的步骤之前,还包括:
基于所述第二实验随钻参数分别构建冲击能子模型、钻压能子模型、回转能子模型、水力能子模型和岩石破碎体积子模型;
根据所述冲击能子模型、所述钻压能子模型、所述回转能子模型、所述水力能子模型和所述岩石破碎体积子模型构建生成预设破岩比能模型,所述预设破岩比能模型为:
式中,BSE表示破岩比能,Ws表示冲击能,Wf表示钻压能,Wr表示回转能,Ww表示水利能,Vr表示岩石破碎体积,η为冲击传递效率,f为冲击频率,Ps为冲击压力,Δσ为冲击活塞的前后面积差,δ为脉冲持续时间,m为活塞质量,d为钻头直径,v为钻速,a为推进活塞的横截面积,Pf为推进压力,N为转速,M为扭矩,Pb为钻头水功率。
一些实施例中,所述将所述目标破岩比能分别输入至预设岩石强度反演模型和预设岩体完整性反演模型的步骤之前,还包括:
基于实验岩石单轴抗压强度和实验岩石点荷载强度计算得到实验岩石强度综合指数;
基于实验岩体体积节理数和实验岩体完整性系数计算得到实验岩体完整性综合指数;
根据所述实验岩石强度综合指数和所述预设破岩比能模型确定出机械效率系数;
基于所述机械效率系数和所述预设破岩比能模型创建预设岩石强度反演模型;
根据所述实验岩体完整性综合指数和所述预设破岩比能模型确定出回归函数;
基于所述回归函数和所述预设破岩比能模型创建预设岩体完整性反演模型。
一些实施例中,所述实验岩石强度综合指数的计算公式为:
RD=a·RC+b·(22.82IS 0.75)
所述实验岩体完整性综合指数的计算公式为:
式中,RD表示实验岩石强度综合指数,RC表示岩石单轴抗压强度,IS表示岩石点荷载强度,ID表示实验岩体完整性综合指数,JV表示岩体体积节理数,KV表示岩体完整性系数,a、b、c、d均为权重系数。
一些实施例中,所述回归函数为:
f2=b0+b1RBSE+b2IQRBSE+b3σBSE+b4MDBSE+b5CVBSE
式中,f2表示回归函数,b0、b1、b2、b3、b4、b5均表示偏向回归系数,RBSE表示破岩比能的极差,IQRBSE表示破岩比能的四分位差,σBSE表示破岩比能的标准差,MDBSE表示破岩比能的平均差,CVBSE表示破岩比能的变异系数。
一些实施例中,所述预设岩石强度反演模型为:
R′D=mBSE
所述预设岩体完整性反演模型为:
I′D=f2(RBSE,IQRBSE,σBSE,MDBSE,CVBSE)
式中,R′D表示目标岩石强度综合指数,m表示机械效率系数,BSE表示破岩比能,I′D表示目标岩体完整性综合指数。
第二方面,提供了一种岩体质量实时评价装置,包括:
参数获取单元,其用于获取钻机钻入待测岩体后钻杆末端处的第一目标随钻参数;
第一反演单元,其用于将所述第一目标随钻参数输入至预设随钻参数预测模型,反演得到钻头位置处对应的第二目标随钻参数;
数据计算单元,其用于将所述第二目标随钻参数输入至预设破岩比能模型,得到目标破岩比能;
第二反演单元,其用于将所述目标破岩比能分别输入至预设岩石强度反演模型和预设岩体完整性反演模型,分别反演得到目标岩石强度综合指数和目标岩体完整性综合指数;
质量评价单元,其用于基于所述目标岩石强度综合指数、所述目标岩体完整性综合指数与岩体质量等级之间的映射关系确定出待测岩体的岩体质量。
第三方面,提供了一种岩体质量实时评价设备,包括:存储器和处理器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行,以实现前的岩体质量实时评价方法。
第四方面,提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,当所述计算机程序被处理器执行时,以实现前述的岩体质量实时评价方法。
本申请提供了一种岩体质量实时评价方法、装置、设备及可读存储介质,包括获取钻机钻入待测岩体后对应的钻杆末端处的第一目标随钻参数;将所述第一目标随钻参数输入至预设随钻参数预测模型,反演得到钻头位置处对应的第二目标随钻参数;将所述第二目标随钻参数输入至预设破岩比能模型,得到目标破岩比能;将所述目标破岩比能分别输入至预设岩石强度反演模型和预设岩体完整性反演模型,分别反演得到目标岩石强度综合指数和目标岩体完整性综合指数;基于所述目标岩石强度综合指数、所述目标岩体完整性综合指数与岩体质量等级之间的映射关系确定出待测岩体的岩体质量。本申请通过钻杆末端的随钻参数反演得到钻头位置的随钻参数,提高了随钻数据的准确性和可靠性,解决了实际工程中钻头位置的随钻参数测量难度大、成本高等问题;同时通过钻孔作业时的随钻参数来快速、准确地获取钻进过程中的破岩比能,并通过破岩比能获取岩石强度综合指数和岩体完整性综合指数,进而实现了在钻孔作业时岩体质量的实时评价,可适用于冲击式、回转式等各种钻孔工况。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种岩体质量实时评价方法的流程示意图;
图2为本申请实施例提供的岩体质量实时评价方法的具体流程示意图;
图3为本申请实施例提供的钻头位置的目标随钻参数的具体流程示意图;
图4为本申请实施例提供的一种岩体质量实时评价装置的结构示意图;
图5为本申请实施例提供的一种岩体质量实时评价设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1和图2所示,本申请实施例提供了一种岩体质量实时评价方法,包括以下步骤:
步骤S10:获取钻机钻入待测岩体后对应的钻杆末端处的第一目标随钻参数;
示范性的,可以理解的是,实际工程现场钻探作业时,由于技术、工期和成本等问题,无法对每台数字钻机都搭载近钻头随钻测量设备,而仅可获取钻杆末端或操作台位置的随钻参数。因此,本实施例将对具体工程数字钻探试验对应的在锚孔、炮孔、超前探孔、地质勘探孔等钻孔作业时的随钻参数进行实时监测,即通过各类电子传感器便可采集冲击压力、回转压力、推进压力、流量、位移、转速、钻速、扭矩等随钻参数,以获取钻机钻入待测岩体后对应的钻杆末端处的第一目标随钻参数。其中,第一目标随钻参数包括钻杆末端处对应的冲击压力、推进压力、回转压力、位移、转速、钻速、扭矩、冲洗液流量等。
步骤S20:将所述第一目标随钻参数输入至预设随钻参数预测模型,反演得到钻头位置处对应的第二目标随钻参数;
示范性的,在本实施例中,当获取到钻杆末端对应的随钻参数后,将该钻杆末端对应的随钻参数输入到预设随钻参数预测模型,该预设随钻参数预测模型进行相应处理后,即可反演推导出钻机钻入待测岩体后钻头位置处对应的第二目标随钻参数,且该第二目标随钻参数包括钻头位置处对应的冲击压力、推进压力、回转压力、位移、转速、钻速、扭矩、冲洗液流量等。
进一步的,在所述将所述第一目标随钻参数输入至预设随钻参数预测模型的步骤之前,还包括:
获取不同工况下钻杆末端处对应的第一实验随钻参数和钻头位置处对应的第二实验随钻参数,所述工况包括岩性类别、岩层组合、钻杆直径、钻头型号、钻进模式、钻孔角度;
基于所述第一实验随钻参数和所述第二实验随钻参数对预设神经网络模型进行训练,得到预设随钻参数预测模型,所述预设随钻参数预测模型为:
DP2′=f1(DP1′)
式中,DP2′表示钻头位置处的目标随钻参数,f1表示训练函数,DP1′表示钻杆末端处的目标随钻参数。
示范性的,可以理解的是,实际工程中钻头位置的随钻参数测量存在难度大、成本高等问题,因此本实施例为了解决该问题,将通过深度学习方法建立预设随钻参数预测模型,以使得预设随钻参数预测模型可通过钻杆末端处的随钻参数反演得到钻头位置处的随钻参数。
参见图3所示,实施不同工况条件下的室内和原位数字钻探测试,基于钻杆末端处的实验随钻参数DP1和钻头位置处的实验随钻参数DP2建立深度学习模型M1(预设随钻参数预测模型)。其中,工况条件包括不同岩性类别、岩层组合、钻杆直径、钻头型号、钻进模式、钻孔角度等。
具体的,通过钻杆末端处的实验随钻参数DP1和钻头位置处的实验随钻参数DP2对以下神经网络模型进行训练:DP2=f1(DP1),待训练完成后,即可得到训练函数f1;需要说明的是,可通过卷积神经网络、全连接神经网络、循环神经网络等深度学习网络来确定训练函数f1,具体可根据实际需求确定,在此不做限定。
比如,以卷积神经网络为例,计算步骤如下:以钻杆末端处的实验随钻参数DP1作为神经网络的输入,以钻头位置处的实验随钻参数DP2作为神经网络的标签;首先对卷积神经网络的权值进行初始化,输入钻杆末端处的实验随钻参数DP1,通过五个卷积层提取数据的高维特征;其次经过最大池化层进行下采样,以数据的局部最大值来代表该区域的数据特征;然后经过全连接层将学到的特征映射为神经网络的输出,即钻头位置处的实验随钻参数DP2的预测值;进而计算神经网络输出与标签之间的均方误差;基于均方误差使用Adam优化器更新神经网络中的参数;不断迭代上述步骤直至神经网络误差收敛,得到一系列用于预测钻头位置处的实验随钻参数DP2的卷积神经网络参数,即完成神经网络的训练。
在得到训练函数f1,即可生成预设随钻参数预测模型M1:
DP2′=f1(DP1′)
式中,DP2′表示钻头位置处的目标随钻参数,DP1′表示钻杆末端处的目标随钻参数。
由此可见,本实施例通过基于钻杆末端和钻头位置的随钻参数对比钻探试验,采用深度学习方法建立了钻头位置的随钻参数预测模型,对于实际具体工程钻探作业时能够通过采集钻杆末端的随钻参数反演钻头位置的随钻参数,在未改变钻孔工艺与钻具设备的前提下,解决了实际工程中钻头位置的随钻参数测量难度大、成本高等问题,消除了采用钻杆末端的随钻参数计算破岩比能时的测量误差,提高了随钻数据的真实性与精确性,适用于各种复杂地质条件下的随钻测量。
步骤S30:将所述第二目标随钻参数输入至预设破岩比能模型,得到目标破岩比能;
示范性的,在本实施例中,通过预设破岩比能模型对钻头位置处的随钻参数进行处理,即可得到待测岩体对应的破岩比能,而破岩比能可准确反映出破碎单位体积岩石所消耗的机械能。
进一步的,在所述将所述第二目标随钻参数输入至预设破岩比能模型的步骤之前,还包括:
基于所述第二实验随钻参数分别构建冲击能子模型、钻压能子模型、回转能子模型、水力能子模型和岩石破碎体积子模型;
根据所述冲击能子模型、所述钻压能子模型、所述回转能子模型、所述水力能子模型和所述岩石破碎体积子模型构建生成预设破岩比能模型,所述预设破岩比能模型为:
式中,BSE表示破岩比能,Ws表示冲击能,Wf表示钻压能,Wr表示回转能,Ww表示水利能,Vr表示岩石破碎体积,η为冲击传递效率,f为冲击频率,Ps为冲击压力,Δσ为冲击活塞的前后面积差,δ为脉冲持续时间,m为活塞质量,d为钻头直径,v为钻速,a为推进活塞的横截面积,Pf为推进压力,N为转速,M为扭矩,Pb为钻头水功率。
示范性的,应当理解的是,通过数字钻探测试获得的钻头位置处的实验随钻参数DP2包括随钻电液参数和钻场工程参数,其中,随钻电液参数即为前述的冲击压力、回转压力、推进压力、流量、位移、转速、扭矩等随钻参数,钻场工程参数即为前述的岩性类别、岩层组合、钻杆直径、钻头型号、钻进模式、钻孔角度等工况条件。根据第二实验随钻参数DP2可计算出钻头钻进过程中的冲击能、钻压能、回转能、水力能和岩石破碎体积,进而可获取到预设破岩比能模型M2。
具体的,冲击能子模型对应的冲击能Ws计算公式为:
式中,Ws为冲击能,单位为J;η为冲击传递效率,η优选为0.4~0.7;Ps为冲击压力,单位为MPa;Δσ为冲击活塞的前后面积差,单位为mm2;δ为脉冲持续时间;f为冲击频率,单位为次/min;t为钻孔时间,单位为min;m为活塞质量,单位为kg;
钻压能子模型对应的钻压能Wf计算公式为:
Wf=Pfal
式中,Wf为钻压能,单位为J;Pf为推进压力,单位为MPa;a为推进活塞的横截面积,单位为mm2;l为钻进距离,单位为m;
回转能子模型对应的回转能Wr计算公式为:
Wr=2πNtM
式中,Wr为回转能,单位为J;N为转速,单位为rev/min;t为钻孔时间,单位为min;M为扭矩,单位为N·m;
水力能子模型对应的水力能Ww计算公式为:
Ww=-λ·Pb·t
式中,Ww为水力能,单位为J;λ为水力相关系数,λ=1.1164×d-1.9126;Pb为钻头水功率,单位为kW;t为钻孔时间,单位为min;
其中,所述钻头水功率Pb计算公式为:
式中,Pb为钻头水功率,单位为kW;Δpb为钻头压力降,单位为MPa;Q为冲洗液流量,单位为L/s;ρ为冲洗液密度,单位为g/cm3;c为喷嘴流量系数,取0.950~0.985;di为喷嘴直径(i=1,2,…,z),单位为cm;z为喷嘴个数;
岩石破碎体积子模型对应的岩石破碎体积Vr计算公式为:
式中,Vr为岩石破碎体积,单位为m3;d为钻头直径,单位为m;l为钻进距离,单位为m;
则破岩比能模型M2为:
式中,BSE为破岩比能,单位为Pa;v为钻速,单位为m/min。
由此可见,本实施例通过综合考虑冲击能、钻压能、回转能、水力能来获取破岩比能模型,通过各类电子传感器便可采集冲击压力、回转压力、推进压力、流量、位移、转速、钻速、扭矩等随钻参数,进而可快速、准确地获取钻机钻进过程中的破岩比能,适用于冲击式、回转式等各种钻孔工况。
步骤S40:将所述目标破岩比能分别输入至预设岩石强度反演模型和预设岩体完整性反演模型,分别反演得到目标岩石强度综合指数和目标岩体完整性综合指数;
示范性的,在本实施例中,将分别通过预设岩石强度反演模型和预设岩体完整性反演模型对目标破岩比能进行处理,即可反演得到待测岩体对应的目标岩石强度综合指数和目标岩体完整性综合指数,而该目标岩石强度综合指数和目标岩体完整性综合指数的大小即可表征待测岩体的质量。
进一步的,在所述将所述目标破岩比能分别输入至预设岩石强度反演模型和预设岩体完整性反演模型的步骤之前,还包括:
基于实验岩石单轴抗压强度和实验岩石点荷载强度计算得到实验岩石强度综合指数;所述实验岩石强度综合指数的计算公式为:
RD=a·RC+b·(22.82IS 0.75)
式中,RD表示实验岩石强度综合指数,RC表示岩石单轴抗压强度,IS表示岩石点荷载强度,a和b均为权重系数;
基于实验岩体体积节理数和实验岩体完整性系数计算得到实验岩体完整性综合指数;其中,所述实验岩体完整性综合指数的计算公式为:
式中,ID表示实验岩体完整性综合指数,JV表示岩体体积节理数,KV表示岩体完整性系数,c和d均为权重系数;
根据所述实验岩石强度综合指数和所述预设破岩比能模型确定出机械效率系数;
基于所述机械效率系数和所述预设破岩比能模型创建预设岩石强度反演模型;其中,所述预设岩石强度反演模型为:
R′D=mBSE
式中,R′D表示目标岩石强度综合指数,m表示机械效率系数,BSE表示破岩比能;
根据所述实验岩体完整性综合指数和所述预设破岩比能模型确定出回归函数;其中,所述回归函数为:
f2=b0+b1RBSE+b2IQRBSE+b3σBSE+b4MDBSE+b5CVBSE
式中,f2表示回归函数,b0、b1、b2、b3、b4、b5均表示偏向回归系数,RBSE表示破岩比能的极差,IQRBSE表示破岩比能的四分位差,σBSE表示破岩比能的标准差,MDBSE表示破岩比能的平均差,CVBSE表示破岩比能的变异系数;
基于所述回归函数和所述预设破岩比能模型创建预设岩体完整性反演模型,其中,所述预设岩体完整性反演模型为:
I′D=f2(RBSE,IQRBSE,σBSE,MDBSE,CVBSE)
式中,I′D表示目标岩体完整性综合指数。
示范性的,本实施例将通过实施岩石强度测试和岩体完整性测试来获取实验岩石强度综合指数RD和实验岩体完整性综合指数ID。其中,岩石强度测试包括岩石的单轴抗压强度试验和点荷载试验,以得到包括岩石单轴抗压强度和岩石点荷载强度在内的强度参数;而岩体完整性测试则包括地质调查试验和弹性波速度测试,以得到包括岩体体积节理数和岩体完整性系数在内的结构面参数。
具体的,实验岩石强度综合指数RD将通过以下计算公式得到:
RD=a·RC+b·(22.82IS 0.75)
式中,RC为岩石单轴抗压强度,单位为MPa;IS为岩石点荷载强度,单位为MPa;a、b为权重系数,且a+b=1;
岩体完整性综合指数ID将通过以下计算公式得到:
式中,JV为岩体体积节理数,单位为条/m3;KV为岩体完整性系数;c、d为权重系数,且c+d=1;
其中,权重系数a、b和c、d通过不安定指数分析法确定,具体步骤包括数据标准化处理、各指标的变异性分析、各指标的权重确定。以下将以权重系数a、b的确定过程为例进行阐释:首先,分别计算岩石单轴抗压强度RC和岩石点荷载强度IS相应的平均值σi(i=1,2)和标准差μi(i=1,2),然后通过公式Vi=σi/μi确定各因子的变异系数Vi(i=1,2),最后根据各因子的变异系数通过公式Wi=Vi/(V1+V2)计算其权重系数Wi(i=1,2),即确定权重系数a、b。由此可见,本实施例通过综合考虑岩石强度和岩体完整性的常用测试方法,提出了岩石强度综合指数RD和岩体完整性综合指数ID,采用不安定指数分析法客观确定指标权重,相对于单指标因素更能有效反映岩石强度与岩体完整性信息。
可以理解的是,破岩比能的物理意义为破碎单位体积岩石所消耗的机械能,即当所有输入的机械能量都用于破碎岩石并且没有能量损耗时,钻机的机械效率达到最大,此时可认为破岩比能等于岩石单轴抗压强度。因此,本实施例基于上述思想建立了岩石强度反演模型M3。具体的,本实施例将基于实验岩石强度综合指数RD和破岩比能模型M2来构建岩石强度反演模型M3,即将实验岩石强度综合指数RD和破岩比能模型BSE代入至RD=mBSE中进行训练,以确定出机械效率系数m;然后通过机械效率系数m和破岩比能模型M2即可构建出岩石强度反演模型M3:
R′D=mBSE
式中,R′D表示目标岩石强度综合指数。
因此,在实际工程钻孔作业时,通过破岩比能和岩石强度反演模型M3即可获取到目标岩石强度综合指数R′D。
应当理解的是,由于破岩比能反映了破碎单位体积岩石所消耗的机械能,并且随钻参数与岩体结构面参数之间具有较好的相关性,因此可通过破岩比能的离散程度反映岩体完整性信息。当岩体较破碎时,钻进过程中的随钻参数产生对应的响应,具体表现为破岩比能的离散程度较大;反之当岩体较完整时,基于随钻参数获取的破岩比能的离散程度较小。因此,基于上述思想,本实施例将采用逐步回归法将常用的离散程度指标依次引入回归方程,以得到反映岩体完整性的最优回归方程,即回归函数f2通过逐步回归法确定。
具体的,逐步回归法的计算步骤为:首先,计算每个破岩比能的离散程度评价指标Xi对岩体完整性综合指数的偏向回归平方和,根据偏向回归平方和从大到小依次逐个引入回归方程;其次,对引入的变量进行假设检验,若通过则引入回归方程,并对方程已有的变量进行假设检验,把贡献最小且退化为不显著的指标剔除;最后,重复上述步骤直至既无自变量可引入回归方程,又无自变量从回归方程中剔除为止,最后所得到的即为最优回归方程。
可以理解的是,本实施例将先根据实验岩体完整性综合指数和预设破岩比能模型来计算出回归函数,即将实验岩体完整性综合指数ID和破岩比能的极差RBSE、破岩比能的四分位差IQRBSE、破岩比能的标准差σBSE、破岩比能的平均差MDBSE和破岩比能的变异系数CVBSE代入至以下公式进行计算,可计算得到回归函数f2:
ID=f2(RBSE,IQRBSE,σBSE,MDBSE,CVBSE)
具体的,将回归函数值以及破岩比能对应的离散程度评价指标代入以下公式计算得到各个偏向回归系数:
f2=b0+b1X1+b2X2+b3X3+b4X4+b5X5
式中,Xi为破岩比能的离散程度评价指标,i={0,1,…5},X1为破岩比能的极差RBSE,X2为破岩比能的四分位差IQRBSE,X3为破岩比能的标准差σBSE,X4为破岩比能的平均差MDBSE,X5为破岩比能的变异系数CVBSE;bi为偏向回归系数,i={0,1,…5};
然后将计算得到的偏向回归系数b0至b5代入至以下公式,即可得到回归函数f2:
f2=b0+b1RBSE+b2IQRBSE+b3σBSE+b4MDBSE+b5CVBSE
最后基于回归函数f2和预设破岩比能模型即可构建出预设岩体完整性反演模型M4:
I′D=f2(RBSE,IQRBSE,σBSE,MDBSE,CVBSE)
式中,I′D表示目标岩体完整性综合指数。需要说明的是,在将目标破岩比能BSE代入至预设岩体完整性反演模型M4计算之前,需要先进行数据清洗、标准化、归一化、相关性分析等预处理。
步骤S50:基于所述目标岩石强度综合指数、所述目标岩体完整性综合指数与岩体质量等级之间的映射关系确定出待测岩体的岩体质量。
示范性的,本实施例中,在获取到待测岩体对应的目标岩石强度综合指数R′D和目标岩体完整性综合指数I′D后,就可通过目标岩石强度综合指数R′D、目标岩体完整性综合指数I′D与岩体质量等级之间的映射关系来确定出待测岩体的岩体质量,进而实现岩体质量的实时评价。
具体的,首先通过下式计算岩体质量指标值(即BQ),然后将BQ值代入映射关系中获取岩体质量级别,具体映射关系可参见表1所示:
BQ=90+3R'D+250I'D
其中,当R'D>90I'D+30时,应以R'D=90I'D+30和I′D代入计算BQ值;当I'D>0.04R'D+0.4时,应以I'D=0.04R'D+0.4和R′D代入计算BQ值。
表1岩体质量等级分类
岩体质量指标BQ | >550 | 550~451 | 450~351 | 350~251 | <250 |
岩体质量等级 | Ⅰ | Ⅱ | Ⅲ | Ⅳ | Ⅴ |
由此可见,本实施例针对岩体质量评价中的岩石强度参数和岩体完整性信息,首先会开展数字钻探测试与岩体力学试验来获取四个模型:基于钻杆末端处对应的第一实验随钻参数和钻头位置处对应的第二实验随钻参数来获取用于反演钻机钻入待测岩体后钻头位置处随钻参数的预设随钻参数预测模型M1,基于钻头位置处的实验随钻参数计算钻进过程中的冲击能、钻压能、回转能、水力能和岩石破碎体积以获取预设破岩比能模型M2,基于预设破岩比能模型M2获取预设岩石强度反演模型M3和预设岩体完整性反演模型M4;其次,在具体工程中实施数字钻探后,将采集的钻杆末端处随钻参数代入预设随钻参数预测模型M1获取钻头位置处的随钻参数,并将钻头位置处的随钻参数代入预设破岩比能模型M2获取目标破岩比能,进而通过预设岩石强度反演模型M3和预设岩体完整性反演模型M4获取待测岩体对应的目标岩石强度综合指数和目标岩体完整性综合指数;最后,基于该目标岩石强度综合指数和目标岩体完整性综合指数即可实现岩体质量的实时评价。
综上,本实施例通过对钻进过程中的冲击压力、推进压力、回转压力、位移、转速、钻速、扭矩、冲洗液流量等随钻参数进行控制、监测与分析,获取岩石强度参数和岩体完整性信息,进而能够实时评价工程岩体质量。其中,通过本实施例中的模型M1可基于钻杆末端处的随钻参数获取钻头位置处的随钻参数,提高了随钻数据的准确性和可靠性;在实际工程建设过程中,受勘察方法的限制和自然地质条件的影响,实际对围岩级别的划分较粗略,未能实现所有里程桩号的岩体质量精细评价,因此本实施例通过在锚孔、炮孔、超前探孔、地质勘探孔等钻孔作业时实时监测和分析随钻参数,并通过破岩比能获取岩石强度综合指数和岩体完整性综合指数,实现了在钻孔作业时钻遇地层的岩体质量的精细、实时评价,评价结果可用于隧道的开挖设计、支护优化以及变形控制等技术领域。
参见图4所示,本申请实施例还提供了一种岩体质量实时评价装置,包括:
参数获取单元,其用于获取钻机钻入待测岩体后对应的钻杆末端处的第一目标随钻参数;
第一反演单元,其用于将所述第一目标随钻参数输入至预设随钻参数预测模型,反演得到钻头位置处对应的第二目标随钻参数;
数据计算单元,其用于将所述第二目标随钻参数输入至预设破岩比能模型,得到目标破岩比能;
第二反演单元,其用于将所述目标破岩比能分别输入至预设岩石强度反演模型和预设岩体完整性反演模型,分别反演得到目标岩石强度综合指数和目标岩体完整性综合指数;
质量评价单元,其用于基于所述目标岩石强度综合指数、所述目标岩体完整性综合指数与岩体质量等级之间的映射关系确定出待测岩体的岩体质量。
进一步的,所述装置还包括模型构建单元,其用于:
获取不同工况下钻杆末端处对应的第一实验随钻参数和钻头位置处对应的第二实验随钻参数,所述工况包括岩性类别、岩层组合、钻杆直径、钻头型号、钻进模式、钻孔角度;
基于所述第一实验随钻参数和所述第二实验随钻参数对预设神经网络模型进行训练,得到预设随钻参数预测模型,所述预设随钻参数预测模型为:
DP2′=f1(DP1′)
式中,DP2′表示钻头位置处的目标随钻参数,f1表示训练函数,DP1′表示钻杆末端处的目标随钻参数。
进一步的,所述模型构建单元还用于:
基于所述第二实验随钻参数分别构建冲击能子模型、钻压能子模型、回转能子模型、水力能子模型和岩石破碎体积子模型;
根据所述冲击能子模型、所述钻压能子模型、所述回转能子模型、所述水力能子模型和所述岩石破碎体积子模型构建生成预设破岩比能模型,所述预设破岩比能模型为:
式中,BSE表示破岩比能,Ws表示冲击能,Wf表示钻压能,Wr表示回转能,Ww表示水利能,Vr表示岩石破碎体积,η为冲击传递效率,f为冲击频率,Ps为冲击压力,Δσ为冲击活塞的前后面积差,δ为脉冲持续时间,m为活塞质量,d为钻头直径,v为钻速,a为推进活塞的横截面积,Pf为推进压力,N为转速,M为扭矩,Pb为钻头水功率。
进一步的,所述模型构建单元还用于:
基于实验岩石单轴抗压强度和实验岩石点荷载强度计算得到实验岩石强度综合指数;
基于实验岩体体积节理数和实验岩体完整性系数计算得到实验岩体完整性综合指数;
根据所述实验岩石强度综合指数和所述预设破岩比能模型确定出机械效率系数;
基于所述机械效率系数和所述预设破岩比能模型创建预设岩石强度反演模型;
根据所述实验岩体完整性综合指数和所述预设破岩比能模型确定出回归函数;
基于所述回归函数和所述预设破岩比能模型创建预设岩体完整性反演模型。
进一步的,所述实验岩石强度综合指数的计算公式为:
RD=a·RC+b·(22.82IS 0.75)
所述实验岩体完整性综合指数的计算公式为:
式中,RD表示实验岩石强度综合指数,RC表示岩石单轴抗压强度,IS表示岩石点荷载强度,ID表示实验岩体完整性综合指数,JV表示岩体体积节理数,KV表示岩体完整性系数,a、b、c、d均为权重系数。
进一步的,所述回归函数为:
f2=b0+b1RBSE+b2IQRBSE+b3σBSE+b4MDBSE+b5CVBSE
式中,f2表示回归函数,b0、b1、b2、b3、b4、b5均表示偏向回归系数,RBSE表示破岩比能的极差,IQRBSE表示破岩比能的四分位差,σBSE表示破岩比能的标准差,MDBSE表示破岩比能的平均差,CVBSE表示破岩比能的变异系数。
进一步的,所述预设岩石强度反演模型为:
R′D=mBSE
所述预设岩体完整性反演模型为:
I′D=f2(RBSE,IQRBSE,σBSE,MDBSE,CVBSE)
式中,R′D表示目标岩石强度综合指数,m表示机械效率系数,BSE表示破岩比能,I′D表示目标岩体完整性综合指数。
需要说明的是,所属本领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各单元的具体工作过程,可以参考前述岩体质量实时评价方法实施例中的对应过程,在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图5所示的岩体质量实时评价设备上运行。
本申请实施例还提供了一种岩体质量实时评价设备,包括:通过***总线连接的存储器、处理器和网络接口,存储器中存储有至少一条指令,至少一条指令由处理器加载并执行,以实现前述的岩体质量实时评价方法的全部步骤或部分步骤。
其中,网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
处理器可以是CPU,还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程逻辑门阵列(FieldProgrammable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件分立硬件组件等。通用处理器可以是微处理器,或者该处理器也可以是任何常规的处理器等,处理器是计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如视频播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如视频数据、图像数据等)等。此外,存储器可以包括高速随存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘、智能存储卡(SmartMedia Card,SMC)、安全数字(Secure digital,SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,实现前述的岩体质量实时评价方法的全部步骤或部分步骤。
本申请实施例实现前述的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only memory,ROM)、随机存取存储器(Random Accessmemory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、服务器或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)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。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种岩体质量实时评价方法,其特征在于,包括以下步骤:
获取钻机钻入待测岩体后对应的钻杆末端处的第一目标随钻参数;
将所述第一目标随钻参数输入至预设随钻参数预测模型,反演得到钻头位置处对应的第二目标随钻参数;
将所述第二目标随钻参数输入至预设破岩比能模型,得到目标破岩比能;
将所述目标破岩比能分别输入至预设岩石强度反演模型和预设岩体完整性反演模型,分别反演得到目标岩石强度综合指数和目标岩体完整性综合指数;
基于所述目标岩石强度综合指数、所述目标岩体完整性综合指数与岩体质量等级之间的映射关系确定出待测岩体的岩体质量。
2.如权利要求1所述的岩体质量实时评价方法,其特征在于,在所述将所述第一目标随钻参数输入至预设随钻参数预测模型的步骤之前,还包括:
获取不同工况下钻杆末端处对应的第一实验随钻参数和钻头位置处对应的第二实验随钻参数,所述工况包括岩性类别、岩层组合、钻杆直径、钻头型号、钻进模式、钻孔角度;
基于所述第一实验随钻参数和所述第二实验随钻参数对预设神经网络模型进行训练,得到预设随钻参数预测模型,所述预设随钻参数预测模型为:
DP2′=f1(DP1′)
式中,DP2′表示钻头位置处的目标随钻参数,f1表示训练函数,DP1′表示钻杆末端处的目标随钻参数。
3.如权利要求2所述的岩体质量实时评价方法,其特征在于,在所述将所述第二目标随钻参数输入至预设破岩比能模型的步骤之前,还包括:
基于所述第二实验随钻参数分别构建冲击能子模型、钻压能子模型、回转能子模型、水力能子模型和岩石破碎体积子模型;
根据所述冲击能子模型、所述钻压能子模型、所述回转能子模型、所述水力能子模型和所述岩石破碎体积子模型构建生成预设破岩比能模型,所述预设破岩比能模型为:
式中,BSE表示破岩比能,Ws表示冲击能,Wf表示钻压能,Wr表示回转能,Ww表示水利能,Vr表示岩石破碎体积,η为冲击传递效率,f为冲击频率,Ps为冲击压力,Δσ为冲击活塞的前后面积差,δ为脉冲持续时间,m为活塞质量,d为钻头直径,v为钻速,a为推进活塞的横截面积,Pf为推进压力,N为转速,M为扭矩,Pb为钻头水功率。
4.如权利要求1所述的岩体质量实时评价方法,其特征在于,在所述将所述目标破岩比能分别输入至预设岩石强度反演模型和预设岩体完整性反演模型的步骤之前,还包括:
基于实验岩石单轴抗压强度和实验岩石点荷载强度计算得到实验岩石强度综合指数;
基于实验岩体体积节理数和实验岩体完整性系数计算得到实验岩体完整性综合指数;
根据所述实验岩石强度综合指数和所述预设破岩比能模型确定出机械效率系数;
基于所述机械效率系数和所述预设破岩比能模型创建预设岩石强度反演模型;
根据所述实验岩体完整性综合指数和所述预设破岩比能模型确定出回归函数;
基于所述回归函数和所述预设破岩比能模型创建预设岩体完整性反演模型。
6.如权利要求4所述的岩体质量实时评价方法,其特征在于,所述回归函数为:
f2=b0+b1RBSE+b2IQRBSE+b3σBSE+b4MDBSE+b5CVBSE
式中,f2表示回归函数,b0、b1、b2、b3、b4、b5均表示偏向回归系数,RBSE表示破岩比能的极差,IQRBSE表示破岩比能的四分位差,σBSE表示破岩比能的标准差,MDBSE表示破岩比能的平均差,CVBSE表示破岩比能的变异系数。
7.如权利要求6所述的岩体质量实时评价方法,其特征在于:所述预设岩石强度反演模型为:
R′D=mBSE
所述预设岩体完整性反演模型为:
I′D=f2(RBSE,IQRBSE,σBSE,MDBSE,CVBSE)
式中,R′D表示目标岩石强度综合指数,m表示机械效率系数,BSE表示破岩比能,I′D表示目标岩体完整性综合指数。
8.一种岩体质量实时评价装置,其特征在于,包括:
参数获取单元,其用于获取钻机钻入待测岩体后钻杆末端处的第一目标随钻参数;
第一反演单元,其用于将所述第一目标随钻参数输入至预设随钻参数预测模型,反演得到钻头位置处对应的第二目标随钻参数;
数据计算单元,其用于将所述第二目标随钻参数输入至预设破岩比能模型,得到目标破岩比能;
第二反演单元,其用于将所述目标破岩比能分别输入至预设岩石强度反演模型和预设岩体完整性反演模型,分别反演得到目标岩石强度综合指数和目标岩体完整性综合指数;
质量评价单元,其用于基于所述目标岩石强度综合指数、所述目标岩体完整性综合指数与岩体质量等级之间的映射关系确定出待测岩体的岩体质量。
9.一种岩体质量实时评价设备,其特征在于,包括:存储器和处理器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行,以实现权利要求1至7中任一项所述的岩体质量实时评价方法。
10.一种计算机可读存储介质,其特征在于:所述计算机存储介质存储有计算机程序,当所述计算机程序被处理器执行时,以实现权利要求1至7中任一项所述的岩体质量实时评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211584408.9A CN116050008A (zh) | 2022-12-10 | 2022-12-10 | 岩体质量实时评价方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211584408.9A CN116050008A (zh) | 2022-12-10 | 2022-12-10 | 岩体质量实时评价方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050008A true CN116050008A (zh) | 2023-05-02 |
Family
ID=86118992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211584408.9A Pending CN116050008A (zh) | 2022-12-10 | 2022-12-10 | 岩体质量实时评价方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050008A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973191A (zh) * | 2024-01-23 | 2024-05-03 | 中国矿业大学 | 一种基于随钻测试的围岩综合劣化度实时评价方法 |
-
2022
- 2022-12-10 CN CN202211584408.9A patent/CN116050008A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973191A (zh) * | 2024-01-23 | 2024-05-03 | 中国矿业大学 | 一种基于随钻测试的围岩综合劣化度实时评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10546072B2 (en) | Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation | |
Adoko et al. | Bayesian prediction of TBM penetration rate in rock mass | |
Javad et al. | Application of artificial neural networks to the prediction of tunnel boring machine penetration rate | |
Gandomi et al. | A new multi-gene genetic programming approach to non-linear system modeling. Part II: geotechnical and earthquake engineering problems | |
Ng et al. | Predictive model for uniaxial compressive strength for Grade III granitic rocks from Macao | |
US10102311B2 (en) | Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation | |
WO2020125682A1 (zh) | 一种应用随钻数据计算岩石强度的方法和*** | |
CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
CN116050008A (zh) | 岩体质量实时评价方法、装置、设备及可读存储介质 | |
JP2019096014A (ja) | 判定装置,判定プログラム,判定方法 | |
Gajewski et al. | Towards the identification of worn picks on cutterdrums based on torque and power signals using Artificial Neural Networks | |
JP2020100949A (ja) | N値及び細粒分含有率の推定方法、地盤改良体及び情報処理装置 | |
CN114202160A (zh) | 一种岩石可钻性的模糊综合评价方法 | |
Boumaiza et al. | A method to determine relevant geomechanical parameters for evaluating the hydraulic erodibility of rock | |
Qin et al. | Analysis of spatiotemporal variations of excess pore water pressure during mechanized tunneling using genetic programming | |
CN111706322B (zh) | 一种岩石钻进响应的预测方法和预测*** | |
Cao et al. | Quantitative evaluation of imputation methods using bounds estimation of the coefficient of determination for data-driven models with an application to drilling logs | |
CN114091339A (zh) | 一种基于gru的耙吸挖泥船艏吹瞬时产量预测方法 | |
Ismail | ANN-based empirical modelling of pile behaviour under static compressive loading | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN116108772A (zh) | 地下工程岩体质量修正方法、装置、设备及可读存储介质 | |
CN116538875A (zh) | 大面积露天台阶深孔***精细化施工方法及相关组件 | |
CN116721223A (zh) | 一种基于倾斜摄影和随钻测量技术的岩体稳定性分析方法 | |
CN116090119A (zh) | 钻头磨损程度预测模型训练方法、预测方法、装置及设备 | |
Tinoco et al. | Jet grouting mechanicals properties prediction using data mining techniques |
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 |