Processing math: 100%
  • ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

基于数字钻进参数的岩石强度确定方法

贾朝军 陈范雷 雷明锋 黄娟 施成华 刘帝

贾朝军, 陈范雷, 雷明锋, 黄娟, 施成华, 刘帝. 基于数字钻进参数的岩石强度确定方法[J]. 西南交通大学学报, 2025, 60(3): 589-598. doi: 10.3969/j.issn.0258-2724.20230328
引用本文: 贾朝军, 陈范雷, 雷明锋, 黄娟, 施成华, 刘帝. 基于数字钻进参数的岩石强度确定方法[J]. 西南交通大学学报, 2025, 60(3): 589-598. doi: 10.3969/j.issn.0258-2724.20230328
JIA Chaojun, CHEN Fanlei, LEI Mingfeng, HUANG Juan, SHI Chenghua, LIU Di. Determination Method of Rock Strength Based on Digital Drilling Parameters[J]. Journal of Southwest Jiaotong University, 2025, 60(3): 589-598. doi: 10.3969/j.issn.0258-2724.20230328
Citation: JIA Chaojun, CHEN Fanlei, LEI Mingfeng, HUANG Juan, SHI Chenghua, LIU Di. Determination Method of Rock Strength Based on Digital Drilling Parameters[J]. Journal of Southwest Jiaotong University, 2025, 60(3): 589-598. doi: 10.3969/j.issn.0258-2724.20230328

基于数字钻进参数的岩石强度确定方法

doi: 10.3969/j.issn.0258-2724.20230328
基金项目: 国家自然科学基金项目(52378402);湖南省交通运输厅科技项目(202207)
详细信息
    作者简介:

    贾朝军(1989—),男,副教授,博士,研究方向为岩石力学与地下工程,E-mail:jiachaojun@csu.edu.cn

    通讯作者:

    雷明锋(1982—),男,教授,博士,研究方向为隧道与地下工程,E-mail:mingfenglei@csu.edu.cn

  • 中图分类号: TU452

Determination Method of Rock Strength Based on Digital Drilling Parameters

  • 摘要:

    岩石强度是衡量岩石稳定性和安全性的关键参数,而高效准确地预测岩石强度可以有效指导隧道的开挖和支护工作. 本文收集分析源于不同设备的数字钻进参数和岩石力学性质相关数据,基于钻进过程中的能量传递分析建立数字钻进参数与单轴抗压强度的定量关系;采用机器学习方法建立基于钻进参数的岩石强度预测模型,选择BP (back-propagation)神经网络、随机森林、卷积神经网络和长短期记忆网络4种算法比较不同算法的预测效果,最终确定最优模型. 结果显示:相对于理论公式和其他3种机器学习算法,BP神经网络算法在岩石强度预测中表现优秀,其预测结果的均方根误差为5.794,平均绝对误差为4.129,相关系数为0.9749.

     

  • 岩石强度是岩石力学的基本参数之一,在岩石工程中,岩石强度的测定是否快速精确对于岩体稳定性、隧道掘进、地下工程建设等都具有重要的影响. 传统的岩石强度测试方法受限于岩芯的尺寸和数量,很难覆盖整个工程区域,且因为取出的岩芯并不总是可用,导致此方法成本高、时间长、操作繁琐. 而传统的岩石强度预测方法主要基于经验公式和统计学方法,在实际应用中存在一定的局限性. 经验公式受限于实际工程经验和专业知识,且适用于特定的岩石类型和工程条件,在复杂地层适应性差. 统计学方法需要大量的数据支持,且对于数据的质量和分布也有一定的要求. 因此,此类方法在实际应用中均存在一定局限性和不确定性. 当前,数字钻进技术已经成为岩石工程勘探和分析的重要手段之一,而钻进参数是钻进过程中可控制收集的参数,包括孔深、钻压、钻进速度等,间接反映了岩层的岩性、构造、地质构造等信息,因此,通过对数字钻进参数的分析和处理实现对岩石强度的预测具有重要的理论意义和工程实用价值

    钻机钻进过程中钻头旋转产生的扭矩以及作用于钻头的轴推进力共同作用于岩石,钻机输出的能量转化为岩石的破碎能量. 当钻进条件确定时,便可以建立破碎岩石的能量消耗与岩石力学性质之间的关系. 国内外众多学者的研究已经表明,利用随钻参数快速预测岩石强度的可行性. 一些基于能量理论推导建立模型来预测岩石强度的研究思路已被提出[1-2],利用此类预测模型就能够通过获取现场随钻参数实现工程岩体强度的实时原位测定. 例如,谭卓英[3]根据某风化花岗岩地层的钻探数据,探究了钻进能量、轴力做功及黏滞耗能与岩石风化程度之间的响应关系,为岩石的实时判级、分层提供了方法. 田昊等[4]基于钻进速度、推进力、转速、扭矩、打击能等钻机工作参数的变化特征,绘制钻进能量和钻进比能的变化曲线,实现凝灰岩地层的识别和分级. Munoz等[5]根据单轴压缩试验得到的应力-应变曲线计算出不同钻进方式的能量耗散,从而确定脆性指数,并基于其评价不同钻井方法的钻井性能. 尽管基于数字钻进参数确定岩石强度的模型已有部分成果,但已有研究对数据的处理和模型的建立都存在一定的局限性,且具有特定的适用范围,力学机理不够完善,尚无普遍适用性的理论公式.

    另一方面,机器学习作为一种新型的数据处理和分析方法,因其自适应性、非线性建模能力和高精度预测能力已经广泛应用于不同领域. 机器学习方法可以自动地从数据中提取特征并进行建模,而且具有较高的预测精度. 因此,将机器学习算法应用于岩石强度预测中以提高预测精度和工作效率,具有重要的研究意义. 王琦等[6]利用自主研发的岩体数字钻探测试系统,基于支持向量机(SVM)建立了钻进参数与岩石单轴抗压强度的关系模型. 陈庆贺[7]分别基于支持向量回归(SVR)(反向传播神经网络(BP))对数据量为100的小样本(51810的大样本)进行预测,预测了钻孔与钻进深度相关的力学参数信息. 宋超等[8]提出了贝叶斯高斯过程回归(fB-GPR)方法,验证了基于fB-GPR的最优模型选择结果最准确,且可实现对单轴抗压强度(UCS)的准确预测. 然而,现有机器学习研究都是基于特定条件下数字钻进结果的预测,对于大量数字钻进样本下的普遍适用性还有待验证.

    本研究为快速准确获取隧道围岩单轴抗压强度,收集包括钻进参数和岩石强度在内的大量试验数据,对数据进行预处理. 根据岩石破碎机理,分析钻进过程中钻头与岩石之间的功能转换关系,建立岩石破碎能量与UCS之间的理论模型. 在此基础上以钻进参数作为机器学习的输入特征,建立基于随机森林、BP神经网络、卷积神经网络和长短期记忆神经网络4种算法的岩石强度预测模型,并对模型进行优化和评估. 通过实验和结果分析,本研究验证了不同机器学习算法的可行性和有效性,为实际工程应用提供参考.

    大量的试验表明,随钻参数与岩石单轴抗压强度具有密切的相关性. 因此,学者们致力于研发数字钻探系统,实现岩石钻进过程中随钻参数的精准控制. 本文收集了232组数字钻进样本,样本岩石类型包括砂岩、大理岩、花岗岩、灰岩、泥岩以及砂浆试件等,见表1. 所收集样本数据均由2部分组成:一是由学者们自主研制的不同类型的数字钻探设备测试得到的钻进参数;二是对每类试块进行的室内单轴压缩试验测得的受钻试块对应的UCS值. 为了直观地显示理论计算与机器学习预测结果的差异,自数据集中随机抽取的部分样本作为后续计算和预测的代表,如表2所示. 表2中:F、M分别为钻机输出推进力和扭矩,V、N分别为钻头获得钻进速度和转速.

    表  1  232组数字钻进样本
    Table  1.  232 groups of digital drilling samples
    组数 来源 强度/MPa 岩石类型
    30 组 文献[9] 49.80~61.91 较硬砂岩
    1.90~30.81 砂浆试件
    45 组 文献[10] 1.98~116.09 砂岩
    51 组 文献[11] 2.50~9.00 砂浆试件
    36 组 文献[12] 49.80~61.91 较硬砂岩
    1.90~35.21 砂浆试件
    24 组 文献[13] 48.35~55.68 较硬砂岩
    1.56~36.05 砂浆试件
    6 组 文献[14] 81.90/69.20/
    49.80/49.20
    完整花岗岩/灰岩/
    粉砂岩/砂岩
    9.40 破碎砂岩
    28.10 注浆砂岩
    15 组 文献[15] 58.29/约10.89/19.98 完整/破碎/注浆砂岩
    75.23/约13.44/21.23 完整/破碎/注浆灰岩
    约9.11/约33.45/18.99 完整/破碎/注浆泥岩
    1.59~16.49 砂浆试件
    25 组 文献[16-17] 1.63~20.80 砂浆试件
    下载: 导出CSV 
    | 显示表格
    表  2  部分样本数据
    Table  2.  Part of sample data
    序号 V/
    ( mm·min−1
    N/
    (r·min−1
    M/
    (N·m)
    F/
    kN
    岩石强
    度/MPa
    1 105.70 100.00 6.19 0.03 3.29
    2 87.94 100.00 7.30 0.02 2.58
    3 138.95 100.00 8.38 0.05 3.22
    4 124.80 50.00 17.01 0.03 2.37
    5 118.08 100.00 21.44 2.07 10.60
    6 132.05 100.00 22.34 2.15 10.54
    7 83.85 50.00 28.77 2.79 10.23
    8 85.18 99.71 48.25 3.86 28.10
    下载: 导出CSV 
    | 显示表格

    为了使收集的样本数据适合后续研究,并提高模型的准确性和性能,需对数据进行预处理,即对样本数据进行清洗和标准化处理,确保数据的一致性和可比性. 初步分析发现,所收集样本数据存在一些缺失值和重复值,收集的232组数据中有3组样本UCS值缺失,有69组样本数据重复. 为了预测结果尽可能精确,将问题样本删去.

    根据样本来源文献的分析结果以及各样本的参数对比结果,选取多数样本包含的钻进速度、钻头转速、推进力和扭矩4项参数作为特征输入,将对应的UCS作为目标输出. 对剩余样本中不符合的参数进行换算处理,将每种特征下的数据单位进行统一,使其满足机器学习的特征输入要求. 样本数据的参数统计结果如表3所示.

    表  3  数据集样本参数统计
    Table  3.  Dataset sample parameters
    取值类型 F/kN M/(N·m) V/
    (mm·min−1
    N/
    (r·min−1
    UCS/
    MPa
    最小值 0.01 0.42 0.19 41.92 1.59
    最大值 30.51 280.95 3566.00 1035.00 194.58
    中位值 1.49 22.34 85.66 100.32 16.24
    平均值 6.34 63.40 468.23 222.84 30.69
    标准差 9.96 88.01 757.52 192.39 37.30
    下载: 导出CSV 
    | 显示表格

    通过绘制每种特征的箱线图对数据进行可视化处理,如图1所示,通过箱线图甄别出数据集中的异常值. 为确保样本数量、提高预测精度,对每项参数中的异常值进行处理,用样本均值替代超出上限的异常值,用样本中位数替换低于下限的异常值.

    图  1  样本中各参数箱线图
    Figure  1.  Box line plot of each parameter in sample

    在对脆性硬岩进行钻探时,其破碎一般可以分为3个阶段[18],即弹性变形阶段、裂缝扩展阶段和岩石碎裂阶段. 根据旋切触探破碎岩石的机理,破岩过程主要包括压入破坏和切削破坏[19]. 在钻进过程中,钻机推动钻头压紧岩石,并旋转钻头通过挤压和切削2个动作使岩石破碎. 采用如图2所示的聚晶金刚石复合片(PDC)钻头,钻头上的PDC片在推进力和扭矩的共同作用下挤压、切削破坏岩石. 图2中:F1为载荷,PN为水平反力,Fs为摩擦力,FN为轴向反力.

    图  2  聚晶金刚石复合片钻头
    Figure  2.  Polycrystalline diamond composite drill bits

    钻进过程中,钻机输出FM,钻头获得VN. 推进力、扭矩、钻进速度和转速4项钻进参数均可通过监测设备获得. 此时,钻机输出的能量转化为钻头扭矩做功WM和推进力做功WF. 钻头的机械能一部分用于破碎岩石,另一部分因钻头与岩石的摩擦碰撞转化为热能、声能和振动能等耗损. 不考虑钻机能量输出时的损耗,则输出的总能量E

    E=WM+WF.
    (1)

    钻头旋转一周时,钻机输出的总能量Er

    Er=2πM+Fh
    (2)

    式中:h为每转钻头的钻进深度,假设钻头上的每个PDC片形状相同且等高布置,钻进时每个PDC片独立破岩,不考虑重复破岩的情形,则每转的钻进深度[18]h=60VnNn为PDC片个数,此处取6.

    在钻头与岩石的接触面上,钻头扭矩做功使岩石切削破坏,同时需克服钻头侧壁与岩石间的摩擦,如式(3).

    WM=Wc+Wμ 
    (3)

    式中:Wc为每一转切削岩石做功,Wμ为钻头内外侧壁与岩石间摩擦力做功,如式(4).

    Wμ =μπ (Do+Di)KcF
    (4)

    式中:Do为钻头外径,Di为钻头内径,μ为钻头侧壁与岩石的摩擦系数,Kc为侧向转换系数[1].

    根据式(3)和式(4),每一转切削岩石做功为

    Wc=2πMμπKcF(Do+Di).
    (5)

    忽略钻进中声能、热能和振动能等损耗,能量损耗仅考虑排碴液的黏滞阻力做功[20]. 排碴液的黏滞阻力由轴向黏滞阻力和环向黏滞阻力组成. 在实际实验中,钻头的钻进速度较慢,且钻头表面相对光滑,可忽略轴向黏滞阻力. 排碴液随着钻头的旋转在钻头与孔壁之间做圆周运动,且由于钻头与孔壁间隙极小,间隙内液体质点沿径向的速度梯降很小,将排碴液的运动视作匀速圆周运动[21].

    根据能量守恒及传递原理,环向黏滞阻力做功转化为排碴液的动能Pk,如式(6).

    Pk=12mv2=54ρπ3NVD2e(D2hD2o)
    (6)

    式中:v为钻头与孔壁间排碴液的瞬时线速度,m为排碴液的质量,ρ为排碴液密度,De为排碴液环形柱等效直径,Dh为钻孔直径.

    综上可知,钻头旋转一周对岩石压入破坏和切削破坏的有效做功WE

    WE=WF+WcPk.
    (7)

    将式(5)、(6)代入式(7)可得

    WE=10FVN+2πMμπKcF(Do+Di)54ρπ3NVD3e(D2hD2o).
    (8)

    岩石破碎所需的功WB

    WB=σAh
    (9)

    式中:σ为岩石抗压强度,A为钻头与岩石接触的有效面积,A=π4(D2oD2i).

    WB应与WE相等,联立式(8)、(9)得到岩石抗压强度σ

    σ=2N5π (D2oD2i)V[10FVN+2πMπdμF54ρπ3NVD3e(D2hD2o)].
    (10)

    研究发现在岩石钻进过程中,各项随钻参数会随某项参数的变化而改变. 从数据集中选取钻进速度和转速恒定的两组试验样本,绘制其MF随UCS的变化曲线,如图3所示. 当控制NV不变时,岩石强度越高,钻进所需的扭矩和推进力也越大.

    图  3  扭矩和推进力F随UCS变化曲线
    Figure  3.  Variations of torque M and propulsion F with UCS

    本文采用4种监督学习算法对钻进参数数据集进行学习,目的在于训练出能够通过输入特征对岩石单轴抗压强度进行预测的模型. 4种算法包括随机森林算法、BP神经网络算法、卷积神经网络算法和长短期记忆网络算法.

    3.1.1   随机森林

    随机森林是一种基于决策树的集成学习算法,通过对训练数据建立多棵决策树进行集成预测,以实现对数据的分类或回归预测. 该算法通过随机选取一部分样本和特征进行训练,减小不同决策树之间的相关性,提高了模型预测的准确度. 其流程如图4所示.

    图  4  随机森林流程
    Figure  4.  Flowchart of random forest

    具体而言,分为以下4个主要步骤:

    步骤1 将数据集中的样本随机打乱,按4∶1比例将其划分训练集和测试集,并对数据进行归一化和转置处理,使其适合模型训练.

    步骤2 使用TreeBagger函数创建一个包含多个决策树的随机森林模型,经过十折交叉验证评估后,确定决策树的数量为200,每个叶节点的最小样本数为2,对样本进行回归分析.

    步骤3 为了评估模型在未见过数据上的性能,使用OOBPrediction函数计算袋外预测误差,OOBPredictorImportance函数计算每个特征的袋外预测误差变化,以了解每个特征的贡献程度. 多次运算结果表明,推进力对输出值UCS的影响最大.

    步骤4 完成模型训练后,用sim函数对训练集和测试集进行仿真测试,并将预测结果反归一化,评价其预测结果.

    3.1.2   BP神经网络

    BP神经网络是一种前向反馈型的神经网络,通过反向传播算法多次迭代调整神经元之间的权重和偏置,以学习输入与输出之间的关系. 通过梯度下降最小化误差,逐渐优化网络,从而准确地实现数据分类或回归预测,图5为BP神经网络的流程.

    图  5  BP神经网络流程
    Figure  5.  Flowchart of BP neural network

    具体而言,分为以下4个主要步骤:

    步骤1 将数据集随机打乱后按4∶1比例划分为训练集和测试集,用mapminmax函数将所有数据规范化到0~1,以便于后续机器学习算法的训练和预测.

    步骤2 使用newff函数创建一个隐藏层神经元数量为5个的前馈神经网络,网络输入层和输出层的神经元个数分别由样本输入特征和目标输出的列数决定,本模型中分别为100、26.

    步骤3 设置神经网络的训练参数,在反复训练调整后,设置最大迭代次数为1000次,训练的误差目标为10−6,学习速率为0.01.

    步骤4 完成模型的训练后,用sim函数分别对训练集和测试集进行仿真测试,并将预测结果反归一化,对预测结果进行评价.

    3.1.3   卷积神经网络

    卷积神经网络(CNN)是一种深度学习模型,常用于处理结构化数据(如图像). 其核心结构包括卷积层、池化层和全连接层. 卷积层通过卷积核提取图像数据局部特征,保留空间关系. 池化层降低特征图维度,减少计算量. 全连接层整合高层抽象特征,输出结果. CNN通过反向传播算法不断调整权重,学习数据特征,广泛应用于图像识别、物体检测等领域. 回归预测流程如图6所示.

    图  6  CNN流程
    Figure  6.  Flowchart of CNN

    具体而言,分为以下5个主要步骤:

    步骤1 将随机打乱的数据集按4∶1比例划分为训练集和测试集.

    步骤2 将原始数据调整为四维数组,4个维度分别表示样本数量、高度、宽度和通道数,以适应卷积神经网络的输入格式.

    步骤3 构造网络模型包括输入层(4个特征),2个卷积层(16和32个卷积核),并通过批量归一化提高训练稳定性,利用ReLU激活函数引入非线性强化网络学习,最终通过全连接层回归.

    步骤4 设置训练网络参数,使用具有动量的随机梯度下降(SGDM)作为优化器,每次训练30个样本,最大训练次数为1200次、初始学习率为0.01. 此外,还采用分段线性下降策略来逐步减小学习率,每经过400次训练后,将学习率减半. 使用shuffle、every-epoch 2个参数在每个训练周期开始时随机排序训练数据.

    步骤5 完成模型训练后用predict函数对训练集和测试集进行预测,并评价预测结果.

    3.1.4   长短期记忆网络

    长短期记忆网络(LSTM)是一种改进的循环神经网络,通过引入遗忘门、输入门和输出门的机制,有效解决了传统递归神经网络(RNN)中的梯度消失和梯度爆炸问题. LSTM的关键在于其记忆单元,能够在每个时间步骤选择性地遗忘、添加和输出信息,从而实现长期记忆和更好的序列建模. 图7显示了长短期记忆网络的流程.

    图  7  LSTM长短期记忆网络流程
    Figure  7.  Flowchart of long and short-term memory network

    具体而言,分为以下5个主要步骤:

    步骤1 将随机打乱的数据集按4∶1比例划分.

    步骤2 使用mapminmax函数将数据归一化后,将数据平铺成一维,转换为[4 1 1 H]的矩阵格式,其中H为训练集的样本数.

    步骤3 创建模型,包括一个输入序列层,输入数据大小为4、一个长短期记忆网络(LSTM)层,包含2个隐藏单元、ReLU激活层、全连接层,输出层的神经元个数为1、回归层.

    步骤4 设置模型的训练参数. 使用Adam梯度下降算法作为优化器,每次训练使用的随机样本数为30、最大迭代次数为600次、初始学习率为0.01. 设置每400个训练周期后学习率下降一半.

    步骤5 完成模型训练后用predict函数对训练集和测试集进行预测,并将预测结果反归一化为原始数据,评价预测结果.

    模型构建完成后读取预处理数据进行初步运算,根据训练集和预测集的可视化预测结果对算法进行优化. 对比4个模型的多次运算结果发现,各算法训练出的模型预测结果准确率均较低,其均方根误差较大,推测原因是数据集包含的噪声较多,使得模型参数波动大,预测结果精度差. 因而需对数据集样本进行降噪处理. 分析不同算法在初步运算中的结果,分别查看多次重复训练中训练集预测值和真实值的误差曲线图发现,当样本输出的UCS值偏大时,其预测结果往往出现较大偏差,当目标输出的UCS值偏小时,部分样本的预测结果也会出现一定偏差. 对比同一算法的多次运算结果发现,离群值的存在会致使训练结果不稳定,所以将含有离群值的样本数据进行去噪处理. 图8显示了随机森林算法在样本去噪处理后重新预测的部分结果,可以看出,样本去噪效果显著,预测精度显著提高.

    图  8  去噪前后预测结果对比
    Figure  8.  Comparison of prediction results before and after denoising

    均方根误差(RMSE,eRMSE)如式(11). 在工程测量中均方根误差被广泛用于衡量观测值和真实值之间的偏差,RMSE越小,说明模型的预测误差越小,性能越好.

    eRMSE=(yqyp)2ma
    (11)

    式中:ma为样本数量,yp为预测值,yq为真实值.

    平均绝对误差(MAE,eMAE)是所有预测值与真实值偏差绝对值的平均,如式(12). 平均绝对误差可以避免误差相互抵消的问题,因而可以准确反映实际预测误差的大小. MAE越小,说明模型的预测误差越小,性能越好.

    eMAE=|yqyp|m.
    (12)

    R2为相关系数,用于表征试验数据与拟合函数的契合程度. 若R2值越接近1,则拟合程度越高. 反之,越接近0,拟合程度越低,如式(13).

    R2=1(ypyq)2(yq¯y)2
    (13)

    式中:¯y为样本实际值的均值.

    表1中样本数据代入式(8)可以计算出不同样本钻头每转破岩所需要的能量,如图9所示,建立了每转破岩能量与岩石单轴抗压强度之间的关系. 从图9可以看出,每转破岩能量与岩石强度呈线性关系,其相关系数为0.8636,表明该曲线拟合度较高.

    图  9  破岩能量与岩石强度关系
    Figure  9.  Relationship between rock breaking energy and rock strength

    表1样本数据代入式(10),在计算每转破岩能量的基础上,进一步计算得到岩石强度,即通过钻进参数直接计算出岩石强度,计算结果如表4所示. 对比分析计算结果与真实值发现:计算结果相对误差较大,推测原因为钻进参数来源的设备钻头形状差异导致有效面积计算误差较大;计算值与真实值的相关系数为0.9887,二者的关联度较高.

    表  4  岩石强度计算结果
    Table  4.  Results of rock strength calculation
    序号真实值/MPa计算值/MPa相对误差/%
    13.292.6110.10
    22.583.1421.80
    33.222.2928.93
    42.3715.8924.81
    510.602.2132.76
    610.544.2738.98
    710.231.9730.54
    828.101.0731.62
    下载: 导出CSV 
    | 显示表格

    不同算法的预测结果评价如图10所示. 由图10可知:1) BP神经网络对收集样本的学习效果最好,该算法建立的模型与样本最为吻合,其训练集和测试集的相关系数均达到0.9700以上,且测试集均方差为3.9183,平均绝对误差为3.3019.

    图  10  评价结果对比
    Figure  10.  Comparison of evaluation results

    2) 对于随机森林模型,其预测结果的均方差为3.5318,平均绝对误差为2.6833,是4种算法中的最佳结果. 但是训练集预测结果的均方差约为测试集的2倍,相差较大,表明训练模型过度拟合,无法对新样本进行准确的预测.

    3) 卷积神经网络模型的预测效果最差,其相关系数为0.7663,模型拟合度相对较低. 均方差15.7054,平均绝对误差9.9705,表明该模型预测值与实际值偏差较大,难以对样本进行较为精确的预测. 推测原因是样本数量较少且样本数据的差异性较大,模型未能完全学习数据集的特征和模式.

    图11为4种算法的预测集可视化结果,其中,BP神经网络的预测值和真实值吻合度较高,而CNN模型的预测值与真实值偏离较大,与图10结果评价相符.

    图  11  BP与CNN可视化结果对比
    Figure  11.  Comparison of BP and CNN visualization results

    对于收集的样本,BP神经网络的预测效果相对较好,将该模型的预测结果与第2节中推导的理论模型预测结果进行对比,表2中样本的预测结果如表5所示.

    表  5  预测结果对比
    Table  5.  Comparison of prediction results
    序号 真实值/
    MPa
    理论计算
    值/MPa
    BP 预测
    值/MPa
    理论计算
    误差/%
    机器学习
    误差/%
    1 3.29 2.23 4.58 32.20 8.93
    2 2.58 3.15 5.11 22.27 20.60
    3 3.22 2.32 5.06 27.99 5.04
    4 2.37 2.63 1.95 10.86 17.52
    5 10.60 7.30 11.89 31.18 12.19
    6 10.54 7.21 12.33 31.60 16.96
    7 10.23 8.40 7.45 17.93 17.40
    8 28.10 19.81 34.35 29.51 22.24
    下载: 导出CSV 
    | 显示表格

    根据表5结果可知,理论计算平均误差为25.44%,机器学习为15.11%,理论计算结果的误差较大. 当处理来源于不同数字钻探设备的钻进参数时,计算结果不仅受到岩石差异性的影响,还会受到钻头形状、钻机功率等因素的影响,故而计算结果的误差较大. 机器学习方法能够提取数据特征,排除一定的干扰因素,因而机器学习结果相对准确,机器学习方法具备更高的适应性和可靠度.

    王琦等[6]利用支持向量机(SVM)算法对现场钻进参数进行机器学习. 预测模型相关系数0.9770,而平均绝对误差为3.0370,模型预测结果精确.

    Gowida等[22]利用人工神经网络(ANN)、自适应神经模糊推理系统(ANFIS)和支持向量机3种机器学习方法对井下地层的UCS进行预测. 3种模型的相关系数均高于0.9000,预测值与实际值的偏差分别为3.48%、7.85%和6.53%,ANN神经网络的预测结果更精确.

    与其他模型相比,在单一试验设备上本文模型预测精度相对一般,但该模型在不同设备上均能获得较为准确的预测结果. 本模型训练所使用的数据来源于不同的数字钻探设备,这些设备所使用的钻头有所不同,输出功率等也互不相同,不同来源的钻进参数存在一定的差异性,导致模型在单一设备上的预测精度稍差,但其适用性显著高于特定设备的模型.

    本文收集不同数字钻探设备的实验数据,分别通过能量方法和机器学习方法建立了能够适用于不同设备的岩石强度预测模型:

    1) 基于能量理论推导钻进参数(推进力、扭矩、钻进速度和钻头转速)与UCS之间的关系,并通过收集样本数据对该公式进行验证,计算值与真实值的相关系数达到了0.9887,关联度较高.

    2) 对比4种机器学习算法的预测结果,其中BP神经网络对所收集样本的预测效果最好,预测结果的相关系数为0.9749,表明该算法训练的模型与样本吻合度极高,其预测结果的均方根误差为3.9183,平均绝对误差为3.3019.

    3) 根据试验结果得知机器学习方法可以较好地应用在岩石强度预测中,解决传统测试方法中成本高、时间长、操作繁琐的缺陷,成为一种新型高效的测试方法. 然而,本文模型也存在缺陷,数据集中的样本大多为完整岩石,未考虑存在裂隙或裂隙中有填充物质时的影响. 当围岩裂隙发育、含水或有断层、夹泥层时,将导致钻进参数的突变. 若考虑其影响则在构建模型时还需添加打击能、打击次数、送水流量和压力、排水流量和压力等参数.

    4) 针对模型的持续改进,一方面,计划进行更多的钻进实验,补充一些未包含在当前数据集中的岩石类型,并考虑岩石中有裂隙存在时对特征选取和钻进参数的影响,以补充当前数据集的不足;另一方面,将利用改进算法进行机器学习,进一步验证本文的模型.

  • 图 1  样本中各参数箱线图

    Figure 1.  Box line plot of each parameter in sample

    图 2  聚晶金刚石复合片钻头

    Figure 2.  Polycrystalline diamond composite drill bits

    图 3  扭矩和推进力F随UCS变化曲线

    Figure 3.  Variations of torque M and propulsion F with UCS

    图 4  随机森林流程

    Figure 4.  Flowchart of random forest

    图 5  BP神经网络流程

    Figure 5.  Flowchart of BP neural network

    图 6  CNN流程

    Figure 6.  Flowchart of CNN

    图 7  LSTM长短期记忆网络流程

    Figure 7.  Flowchart of long and short-term memory network

    图 8  去噪前后预测结果对比

    Figure 8.  Comparison of prediction results before and after denoising

    图 9  破岩能量与岩石强度关系

    Figure 9.  Relationship between rock breaking energy and rock strength

    图 10  评价结果对比

    Figure 10.  Comparison of evaluation results

    图 11  BP与CNN可视化结果对比

    Figure 11.  Comparison of BP and CNN visualization results

    表  1  232组数字钻进样本

    Table  1.   232 groups of digital drilling samples

    组数 来源 强度/MPa 岩石类型
    30 组 文献[9] 49.80~61.91 较硬砂岩
    1.90~30.81 砂浆试件
    45 组 文献[10] 1.98~116.09 砂岩
    51 组 文献[11] 2.50~9.00 砂浆试件
    36 组 文献[12] 49.80~61.91 较硬砂岩
    1.90~35.21 砂浆试件
    24 组 文献[13] 48.35~55.68 较硬砂岩
    1.56~36.05 砂浆试件
    6 组 文献[14] 81.90/69.20/
    49.80/49.20
    完整花岗岩/灰岩/
    粉砂岩/砂岩
    9.40 破碎砂岩
    28.10 注浆砂岩
    15 组 文献[15] 58.29/约10.89/19.98 完整/破碎/注浆砂岩
    75.23/约13.44/21.23 完整/破碎/注浆灰岩
    约9.11/约33.45/18.99 完整/破碎/注浆泥岩
    1.59~16.49 砂浆试件
    25 组 文献[16-17] 1.63~20.80 砂浆试件
    下载: 导出CSV

    表  2  部分样本数据

    Table  2.   Part of sample data

    序号 V/
    ( mm·min−1
    N/
    (r·min−1
    M/
    (N·m)
    F/
    kN
    岩石强
    度/MPa
    1 105.70 100.00 6.19 0.03 3.29
    2 87.94 100.00 7.30 0.02 2.58
    3 138.95 100.00 8.38 0.05 3.22
    4 124.80 50.00 17.01 0.03 2.37
    5 118.08 100.00 21.44 2.07 10.60
    6 132.05 100.00 22.34 2.15 10.54
    7 83.85 50.00 28.77 2.79 10.23
    8 85.18 99.71 48.25 3.86 28.10
    下载: 导出CSV

    表  3  数据集样本参数统计

    Table  3.   Dataset sample parameters

    取值类型 F/kN M/(N·m) V/
    (mm·min−1
    N/
    (r·min−1
    UCS/
    MPa
    最小值 0.01 0.42 0.19 41.92 1.59
    最大值 30.51 280.95 3566.00 1035.00 194.58
    中位值 1.49 22.34 85.66 100.32 16.24
    平均值 6.34 63.40 468.23 222.84 30.69
    标准差 9.96 88.01 757.52 192.39 37.30
    下载: 导出CSV

    表  4  岩石强度计算结果

    Table  4.   Results of rock strength calculation

    序号真实值/MPa计算值/MPa相对误差/%
    13.292.6110.10
    22.583.1421.80
    33.222.2928.93
    42.3715.8924.81
    510.602.2132.76
    610.544.2738.98
    710.231.9730.54
    828.101.0731.62
    下载: 导出CSV

    表  5  预测结果对比

    Table  5.   Comparison of prediction results

    序号 真实值/
    MPa
    理论计算
    值/MPa
    BP 预测
    值/MPa
    理论计算
    误差/%
    机器学习
    误差/%
    1 3.29 2.23 4.58 32.20 8.93
    2 2.58 3.15 5.11 22.27 20.60
    3 3.22 2.32 5.06 27.99 5.04
    4 2.37 2.63 1.95 10.86 17.52
    5 10.60 7.30 11.89 31.18 12.19
    6 10.54 7.21 12.33 31.60 16.96
    7 10.23 8.40 7.45 17.93 17.40
    8 28.10 19.81 34.35 29.51 22.24
    下载: 导出CSV
  • [1] 王玉杰,佘磊,赵宇飞,等. 基于数字钻进技术的岩石强度参数测定试验研究[J]. 岩土工程学报,2020,42(9): 1669-1678.

    WANG Yujie, SHE Lei, ZHAO Yufei, et al. Experimental study on measurement of rock strength parameters based on digital drilling technology[J]. Chinese Journal of Geotechnical Engineering, 2020, 42(9): 1669-1678.
    [2] 佘磊. 岩石强度与耐磨性参数的数字钻进测定技术研究[D]. 西安:西安理工大学,2019.
    [3] 谭卓英. 金刚石钻进能量在风化花岗岩地层中的变化特征[J]. 岩土工程学报,2007,29(9): 1303-1306.

    TAN Zhuoying. Variation characteristics of penetrating energy for diamond drilling in weathered granite formation[J]. Chinese Journal of Geotechnical Engineering, 2007, 29(9): 1303-1306.
    [4] 田昊,李术才,薛翊国,等. 基于钻进能量理论的隧道凝灰岩地层界面识别及围岩分级方法[J]. 岩土力学,2012,33(8): 2457-2464.

    TIAN Hao, LI Shucai, XUE Yiguo, et al. Identification of interface of tuff stratum and classfication of surrounding rock of tunnel using drilling energy theory[J]. Rock and Soil Mechanics, 2012, 33(8): 2457-2464.
    [5] MUNOZ H, TAHERI A, CHANDA E K. Rock drilling performance evaluation by an energy dissipation based rock brittleness index[J]. Rock Mechanics and Rock Engineering, 2016, 49(8): 3343-3355. doi: 10.1007/s00603-016-0986-0
    [6] 王琦,孙会彬,江贝,等. 基于数字钻探和支持向量机预测岩体单轴抗压强度的方法[J]. 岩土力学,2019,40(3): 1221-1228.

    WANG Qi, SUN Huibin, JIANG Bei, et al. A method for predicting uniaxial compressive strength of rock mass based on digital drilling test technology and support vector machine[J]. Rock and Soil Mechanics, 2019, 40(3): 1221-1228.
    [7] 陈庆贺. 岩石力学参数随钻预测实验研究[D]. 徐州:中国矿业大学,2022.
    [8] 宋超,赵腾远,许领. 基于贝叶斯高斯过程回归与模型选择的岩石单轴抗压强度估计方法[J]. 岩土工程学报,2023,45(8): 1664-1673.

    SONG Chao, ZHAO Tengyuan, XU Ling. Estimation of uniaxial compressive strength based on fully Bayesian Gaussian process regression and model class selection[J]. Chinese Journal of Geotechnical Engineering, 2023, 45(8): 1664-1673.
    [9] 江贝,马凤林,王琦,等. 基于切削理论的数字钻探参数与岩石单轴抗压强度关系研究[J]. 中南大学学报(自然科学版),2021,52(5): 1601-1609.

    JIANG Bei, MA Fenglin, WANG Qi, et al. Study on the relationship between digital drilling parameters and uniaxial compressive strength of rock based on cutting theory[J]. Journal of Central South University (Science and Technology), 2021, 52(5): 1601-1609.
    [10] 何明明. 基于旋切触探技术的岩体力学参数预报研究[D]. 西安:西安理工大学,2017.
    [11] 牛钢钢. 基于钻机响应特征的岩体质量评价理论与应用[D]. 徐州:中国矿业大学,2022.
    [12] 高松. 岩石力学参数数字钻探快速预测技术研究[D]. 济南:山东大学,2018.
    [13] GAO H K, WANG Q, JIANG B, et al. Relationship between rock uniaxial compressive strength and digital core drilling parameters and its forecast method[J]. International Journal of Coal Science & Technology, 2021, 8(4): 605-613.
    [14] 王琦,高红科,蒋振华,等. 地下工程围岩数字钻探测试系统研发与应用[J]. 岩石力学与工程学报,2020,39(2): 301-310.

    WANG Qi, GAO Hongke, JIANG Zhenhua, et al. Development and application of a surrounding rock digital drilling test system of underground engineering[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(2): 301-310.
    [15] WANG Q, GAO H K, YU H C, et al. Method for measuring rock mass characteristics and evaluating the grouting-reinforced effect based on digital drilling[J]. Rock Mechanics and Rock Engineering, 2019, 52(3): 841-851. doi: 10.1007/s00603-018-1624-9
    [16] 孙鑫,张少华,程敬义,等. 基于MLR-RBF的岩石强度智能随钻识别实验研究[J]. 采矿与安全工程学报,2022,39(5): 981-991.
    [17] 孙鑫. 基于锚固孔随钻参数的岩石强度量化识别研究[D]. 徐州:中国矿业大学,2021.
    [18] 李田军. PDC钻头破碎岩石的力学分析与机理研究[D]. 武汉:中国地质大学,2012.
    [19] 李骞. 岩石的切削强度特性及岩体力学参数的旋切触探试验研究[D]. 西安:西安理工大学,2016.
    [20] INABA T, NISHIDA M, KANEKO K, et al. Static rock breaker using shape memory alloy[J]. 7th ISRM Congress, 1991, 2: 1005-1008
    [21] 谭卓英,岳中琦,蔡美峰. 风化花岗岩地层旋转钻进中的能量分析[J]. 岩石力学与工程学报,2007,26(3): 478-483.

    TAN Zhuoying, YUE Zhongqi, CAI Meifeng. Analysis of energy for rotary drilling in weathered granite formation[J]. Chinese Journal of Rock Mechanics and Engineering, 2007, 26(3): 478-483.
    [22] GOWIDA A, ELKATATNY S, GAMAL H. Unconfined compressive strength (UCS) prediction in real-time while drilling using artificial intelligence tools[J]. Neural Computing and Applications, 2021, 33(13): 8043-8054. doi: 10.1007/s00521-020-05546-7
  • 加载中
图(11) / 表(5)
计量
  • 文章访问数:  281
  • HTML全文浏览量:  177
  • PDF下载量:  46
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-07-06
  • 修回日期:  2024-01-15
  • 网络出版日期:  2024-07-23
  • 刊出日期:  2024-02-04

目录

/

返回文章
返回