基于随钻振动信号与深度学习的岩性智能预测方法.pdf
《基于随钻振动信号与深度学习的岩性智能预测方法.pdf》由会员分享,可在线阅读,更多相关《基于随钻振动信号与深度学习的岩性智能预测方法.pdf(13页珍藏版)》请在咨信网上搜索。
1、基于随钻振动信号与深度学习的岩性智能预测方法王胜,赖昆,张拯,柏君,罗中斌,李冰乐,张洁(成都理工大学 地质灾害防治与地质环境保护国家重点实验室,四川 成都 610059)摘要:岩性智能预测在地质钻探中具有重要意义,可以提高勘探、开采效率和成果质量。基于钻进过程中钻头破碎岩石产生的振动信号,提出一种岩性随钻智能预测方法。选取 7 类尺寸相同的不同岩性的岩石,并设计微钻实验方案,对岩石施加不同钻速、转速以采集多钻进条件下的随钻三轴振动信号,对信号进行预处理滤除干扰信息,通过短时傅里叶变换生成表征信号时频域特征的时频图像,再利用多种数据增强方法增加图像数量并建立为数据库,以增强模型鲁棒性和泛化能力
2、。改进深度学习中 VGG11(Visual Geometry Group)卷积神经网络算法,将数据库划分为训练集测试集=82,对训练集图像的有效信息进行特征提取、学习、迭代训练以获得岩性智能预测模型,并不断调整模型的 3 个超参数(学习率、批处理大小、迭代次数),拟合测试集和训练集损失函数曲线以提高模型预测精度。最后用测试集对模型进行多指标评估。结果表明:基于随钻振动数据训练得到的岩性智能预测模型泛化能力强,具有高预测精度,岩性整体预测准确率达到 96.85%。重点讨论了数据集数量对岩性预测准确率的影响;不同的钻进条件会引起随钻振动信号产生一定规律性的变化,岩石性质会使得振动信号在三轴方向上有
3、所变化;X、Y、Z 轴信号表征着钻进过程中钻头破碎岩石的不同过程。提出的岩性实时智能预测方法为钻探工程现场中岩性预测提供了一定的依据和借鉴。关键词:岩性智能预测;随钻三轴振动信号;短时傅里叶变换;数据增强;深度学习;改进VGG11 算法中图分类号:P634 文献标志码:A 文章编号:1001-1986(2023)09-0051-13IntelligentlithologypredictionmethodbasedonvibrationsignalwhiledrillinganddeeplearningWANG Sheng,LAI Kun,ZHANG Zheng,BAI Jun,LUO Zhon
4、gbin,LI Bingle,ZHANG Jie(State Key Laboralory of Geohazard Prevention and Geoenvironment Protection,Chengdu University of Technology,Chengdu 610059,China)Abstract:Intelligent lithology prediction is of great importance in geological drilling,capable of improving explorationand mining efficiency,as w
5、ell as the quality of results.In this study,a method of intelligent lithology prediction whiledrilling was proposed based on the vibration signals produced by the drill bit breaking rocks during drilling.Specifically,seven types of rocks with the same size and different lithologies were selected,and
6、 a micro-drilling experiment was de-signed to apply different drilling rates and rotary speeds to the rocks,in order to collect the triaxial vibration signalswhile drilling under multiple drilling conditions.The signals were preprocessed to filter out the interference informationand generate the tim
7、e-frequency images that characterize the signals time-frequency domain features through short-timeFourier transform.Then,multiple data augmentation techniques were used to increase the number of images and estab-lish a database to enhance the robustness and generalization ability of the model.The VG
8、G11(Visual Geometry Group)convolutional neural network algorithm in deep learning was modified,and the database was divided into the training set 收稿日期:2023-04-03;修回日期:2023-05-23基金项目:珠峰科学研究计划项目(80000-2022ZF11411)第一作者:王胜,1982 年生,男,重庆人,博士,教授,研究方向为钻探新技术与新材料.E-mail:通信作者:赖昆,2000 年生,男,四川广安人,硕士研究生,研究方向为人工智能
9、与随钻反演.E-mail: 第 51 卷 第 9 期煤田地质与勘探Vol.51 No.92023 年 9 月COAL GEOLOGY&EXPLORATIONSep.2023王胜,赖昆,张拯,等.基于随钻振动信号与深度学习的岩性智能预测方法J.煤田地质与勘探,2023,51(9):5163.doi:10.12363/issn.1001-1986.23.03.0149WANG Sheng,LAI Kun,ZHANG Zheng,et al.Intelligent lithology prediction method based on vibration signal whiledrilling
10、and deep learningJ.Coal Geology&Exploration,2023,51(9):5163.doi:10.12363/issn.1001-1986.23.03.0149and test set at a proportion of 82.The effective image information of the training set was extracted,learned and iterat-ively trained,to obtain an intelligent lithology prediction model.Meanwhile,the th
11、ree hyperparameters of the model(learning rate,batch size,and iteration times)were continuously adjusted to fit the loss function curve of the training setand the test set and thereby improve the models prediction accuracy.Finally,the model was evaluated with multiple in-dicators on the test set.The
12、 experimental results showed that:the intelligent lithology prediction model trained based onthe vibration data while drilling has strong generalization ability and high prediction accuracy,with an ultimate overalllithology prediction accuracy of 96.85%.Besides,the impact of the dataset size on lith
13、ology prediction accuracy wasalso discussed herein.Moreover,different drilling conditions could cause certain regular changes in the vibration signalswhile drilling,the rock properties could also cause changes in the vibration signals in the tri-axis direction,and the X,Yand Z axis signals could cha
14、racterize different processes of the drill bit breaking rocks during drilling.Generally,the in-telligent real-time lithology prediction method proposed in this study provides a basis and reference for lithology predic-tion in practical drilling engineering.Keywords:intelligent lithology prediction;t
15、riaxial vibration signals while drilling;short-time Fourier transform;dataaugmentation;deep learning;improved VGG11 algorithm 地质勘探中,钻探取心是获取地表下准确的地质资料的重要方法之一。对岩心进行分析可得知其颜色、成分、结构、胶结物、胶结类型、特殊矿物等特征,从而判断地层岩性。然而,传统的岩性识别方法如岩屑录井、岩心录井和钻后测井资料的解释与处理等都存在一些不足,例如岩屑测井具有滞后性、处理钻后测井资料无及时性等。因此,为了快速实时地识别岩性,国内外的研究人员进行了大
16、量的研究1-2。钻进过程是一个比较复杂的岩石破碎过程,而钻进不同地层或钻机处于不同工况下,钻机以及整个钻柱系统会产生各种响应。经系统研究后,研究人员发现岩石物理和力学性质以及处于的水环境等都会使钻进过程中振动、声音信号的响应特征发生变化3-5。研究表明,井下钻具振动信号产生的高低频可表征不同的物理意义,低频段反馈钻具工作状态,高频段反馈岩性特点,因此可以用于地层岩性识别。一些学者通过分析钻进过程中的钻进参数和随钻信号与岩石的响应关系6-8,如观测并分析随钻碎岩加速度9,以及进行室内钻进实验10-11,对声振信号的时域、频率和时频谱进行分析和解释,得到每类岩性与振动、声音信号之间的特定关系,揭示
17、其钻柱振动频谱特性,研究者认为,通过调查和分析不同岩石的频率行为,可以检测到岩石类型。随着图像处理技术和深度学习技术的快速发展,岩性智能识别方法正在成为可能。深度学习技术在图像和声音识别技术方面得到了广泛应用,其中卷积神经网络在图像处理方面的研究尤为深入12,如牛津大学计算机视觉组(Visual Geometry Group)和 GoogleDeepMind 公司研发了 VGGNet 卷积神经网络13,多伦多大学设计的 AlexNet 网络14,这 2 个模型在大规模视觉识别挑战赛取得优异成绩。随后,越来越多的学者开始利用机器学习进行岩性智能预测和岩体质量等级预测15等研究。在岩石图像方面,一
18、些学者直接采集岩石图像建立岩性自动分类方法16-19,或者基于岩石薄片图像建立卷积神经网络模型20,该模型自动提取图像特征并建立分类器进行自动分类。此外,还有学者通过采集随钻声振信号,并提取特征图像,以此建立岩性智能识别模型。他们设计实验收集钻进过程中的振动信号,分析提取代表岩性的特征,利用深度卷积网络的高效计算能力,结合振动信号实时采集的优势,处理复杂的非结构化数据,建立岩性识别模型,实现高效的岩性识别分析21-22。综上,岩性的智能识别能够减少主观人为判断的失误、提高识别精度及效率,但通过直接采集的岩石或岩心图像,会因为采集设备精度、角度等造成误差,导致智能识别困难。而在岩石钻孔过程中,钻
19、头和钻具直接与地层岩体相接触,在此过程中产生的振动信号中蕴含着丰富的岩性信息,并且在近钻头位置处,振动的产生主要来自钻头与岩石的相互碰撞摩擦产生的频率宽泛的振动波。笔者采集岩石振动信号,并将信号预处理构建为数据集,探讨振动信号与钻头此时所钻岩体之间的响应关系,提出基于 VGG11 网络的岩性预测模型,以期为岩性智能预测提供新的解决方案,同时为钻进过程中实时预测岩性提供参考和借鉴。1方法原理1.1总体构架设计室内微钻实验方案,选取 7 种岩石,通过三轴振动加速度传感器采集钻进过程中的振动信号;用信号处理方法对振动信号滤波、降噪,并进行时频域分析生成时频特征 RGB 图像,建立数据集;传统的岩性预
20、测模型基于测井数据,针对此类模型存在数据采集滞后、特征提取复杂、解释受限等缺点,构建了深度学习中 VGG11 网络为基础的随钻岩性实时预测模型,52 煤田地质与勘探第 51 卷对图像进行特征提取,确定振动信号特征对应的影响因素,完成模型训练、调优、评估等迭代流程,实现对图像的分类,最后对岩性预测模型验证。基于随钻振动信号的岩性预测总体方案如图 1 所示。改进VGG11网络7 类岩石随钻振动信号钻进条件转速钻进速度钻进深度数据集测试集占 20%训练集占 80%数据预处理信号降噪数据增强时频特征提取X 轴加速度Y 轴加速度Z 轴加速度岩性实时预测模型损失函数混淆矩阵岩性预测结果模型评价准确率卷积层
21、输入池化层卷积层池化层全连接层输出图 1 基于随钻振动信号的岩性预测总体方案Fig.1 Overall scheme of lithology prediction based on vibration signal while drilling 1.2信号处理及模型构建采集的原始数据是关于时间变化的随钻振动信号,即时域信号,表征较为形象与直观,使用离散傅里叶变换(DFT,Discrete Fourier Transform)将时域信号转换为频域信号,在频域上进行分析则更为简洁,剖析问题会更加深刻和方便,在进行变换时需注意频域混叠,只有当采集卡的采样频率大于传感器响应频率两倍时,才能避免混叠。
22、在计算机中需使用快速傅里叶变换(FFT,Fast Fourier Transform;计算机使用 DFT 高效、快速的计算形式)。频域信号通过下式进行变换:Y(n)=DFTy(t)=K1t=0y(t)exp(2jnt/K)(1)式中:Y(n)为一个长度为 K 的有限长离散频率序列,n=0,1,K1,Hz;y(t)为一段时间 T 的有限长离散时间序列,可为复信号,t=0,1,K1,s;j 为虚数单位。通过短时傅里叶变换(STFT,Short Time FourierTransform)将振动信号数据的时域、频域图生成时频图,时频图能体现信号在不同时间、不同频率的能量大小,即能够直接明了表征信号的
23、频率关于时间的变化关系,同时也有对应时间频率的能量变化,横轴为时间,纵轴为频率,二维图中用颜色表示能量大小,而在三维图中用信号的起伏波动来表示能量变化,图 2 表示时频图维度转换。变换的关键在于加窗,对于窗的选取必须考虑大 0.2000.400.600.801.001.201.27时间/s2 0004 0006 0008 00010 00012 000(b)二维时频图频率/Hz10010能量/(g2s1)203012 00010 0008 000频率/Hz6 0004 0002 000(a)三维时频图00.20.40.6时间/s0.81.01.21.0能量/(g2s1)0.80.60.40.2
24、0图 2 时频图维度转换Fig.2 Dimension conversion of time-frequency image第 9 期王胜等:基于随钻振动信号与深度学习的岩性智能预测方法 53 小,窗选得窄,窗内信号短,频率分辨率低;窗选得宽,窗内时间信号长,导致时间信号分辨率低。深度学习模型选择卷积神经网络(CNN,Convolu-tional Neural Networks)进行构建,相较于传统的人工神经网络,卷积神经网络的局部连接和参数共享等机制使得图像特征提取的利用率提高,网络结构的参数大幅减小,可以训练出更好的模型,且能有效避免过拟合现象。卷积神经网络包含卷积层、池化层和全连接层。卷
25、积层不需展开,使用同一个卷积核去进行计算,所需参数就取决于卷积核的大小和数量,卷积操作时平移图像不会影响识别。池化层对图像进一步提取更高维的特征,再次减小所需参数量,去掉多余信息,提高神经网络模型运算速率和泛化能力。在特征提取完成之后,需要用全连接层来完成分类任务,通过Softmax 分类器,得到不同种类的概率分布问题。1.3模型评估标准岩性的实时预测属于模式识别范畴,是多分类任务中的一种。使用的评价指标有准确率 A(Accuracy)、精 确 率 P(Precision)、召 回 率 R(Recall)和 F1值(F-Measure)。根据真实结果与预测结果对应关系,可将每张图像划分为真正例
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 振动 信号 深度 学习 智能 预测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。