基于机器学习的隧道地质勘察岩性识别分析及应用研究.pdf
《基于机器学习的隧道地质勘察岩性识别分析及应用研究.pdf》由会员分享,可在线阅读,更多相关《基于机器学习的隧道地质勘察岩性识别分析及应用研究.pdf(9页珍藏版)》请在咨信网上搜索。
1、引用格式:程勇,王琛,刘夏临,等.基于机器学习的隧道地质勘察岩性识别分析及应用研究J.隧道建设(中英文),2023,43(9):1549.CHENG Yong,WANG Chen,LIU Xialin,et al.Application of machine learning-based lithology identification analysis for tunnel geological surveyJ.Tunnel Construction,2023,43(9):1549.收稿日期:2022-09-05;修回日期:2023-09-11基金项目:新疆维吾尔自治区科技重大专项(2020
2、A03003-1);中交集团重点专项(2020-ZJKJ-ZDZX01)第一作者简介:程勇(1975),男,湖北武汉人,1997 年毕业于同济大学,隧道与地下工程专业,本科,教授级高级工程师,现从事隧道与地下工程设计、科研、管理方面的工作。E-mail:654521051 。基于机器学习的隧道地质勘察岩性识别分析及应用研究程 勇1,王 琛2,刘夏临1,3,刘继国1,3,陈世纪4,黄 胜4(1.中交第二公路勘察设计研究院有限公司,湖北 武汉 430056;2.中国交建总承包经营分公司,北京 100088;3.中国交建隧道与地下空间工程技术研发中心,湖北 武汉 430056;4.中山大学土木工程学
3、院,广东 珠海 519082)摘要:为提高水平定向钻勘察中岩性识别的效率,基于机器学习算法采用钻进参数识别围岩岩性。以新疆某隧道工程为例,通过对水平定向钻的工作原理进行分析,采用钻进速度、校正后的钻孔底部压强、泥浆压力和进浆流量作为输入特征预测围岩岩性。对KNN(k-nearest neighbor)算法和随机森林算法各设置 48 个超参数,测试集的平均准确率分别为 83.28%和 93.04%,模型不存在欠拟合和过拟合问题。将五分类问题转化为 5 个二分类问题,2 种算法的准确率、精确率、召回率、F1值基本均在 90.00%以上,受试者工作特征(receiver operating char
4、acteristic,ROC)曲线中曲线下面积(area under curve,AUC)也接近于 1。使用 Smote 过采样后的KNN 算法和随机森林算法都具有良好的鲁棒性和泛化能力,但综合各项评价指标可知,使用随机森林模型预测围岩岩性的效果更佳。关键词:隧道;地质勘察;水平定向钻;岩性识别;KNN 算法;随机森林算法;机器学习DOI:10.3973/j.issn.2096-4498.2023.09.012文章编号:2096-4498(2023)09-1549-09中图分类号:U 45 文献标志码:A开放科学(资源服务)标识码(OSID):A Ap pp pl li ic ca at ti
5、 io on n o of f MMa ac ch hi in ne e L Le ea ar rn ni in ng g-B Ba as se ed d L Li it th ho ol lo og gy y I Id de en nt ti if fi ic ca at ti io on n A An na al ly ys si is s f fo or r T Tu un nn ne el l G Ge eo ol lo og gi ic ca al l S Su ur rv ve ey yCHENG Yong1,WANG Chen2,LIU Xialin1,3,LIU Jiguo1,
6、3,CHEN Shiji4,HUANG Sheng4(1.CCCC Second Highway Consultants Co.,Ltd.,Wuhan 430056,Hubei,China;2.China Communications Construction General Contracting and Operation Branch,Beijing 100088,China;3.CCCC Research and Development Center on Tunnel and Underground Space Technology,Wuhan 430056,Hubei,China;
7、4.School of Civil Engineering,Sun Yat-Sen University,Zhuhai 519082,Guangdong,China)A Ab bs st tr ra ac ct t:In horizontal directional drilling surveys,the lithology of the surrounding rock is generally determined by coring or drilling into rock chips.However,owing to the limitation of coring efficie
8、ncy during drilling,determining the lithology of the surrounding rock throughout the entire borehole line based on rock chips is a tedious process.Therefore,to improve the efficiency of lithology identification,the authors use machine learning algorithms to identify the surrounding rock lithology us
9、ing drilling parameters.A case study is conducted on a tunnel in Xinjiang,China,and the drilling speed,corrected bottom pressure of the borehole,mud pressure,and feed flow rate are input features to estimate the surrounding rock lithology based on the analysis of the working principle of horizontal
10、directional drilling.Forty-eight hyperparameters are set for each k-nearest neighbor(KNN)and the random forest algorithms and the average accuracies of the test set are 83.28%and 93.04%,respectively,with no underfitting or overfitting concerns in the models.Furthermore,the five classification issues
11、 are transformed into five binary classification problems;the accuracy,precision,recall,and F1 values of both algorithms are above 90.00%.The area under-curve values in the receiver 隧道建设(中英文)第 43 卷operating characteristic curves are close to 1.The results show that the KNN and random forest algorith
12、ms have good robustness and generalization ability after using Smote oversampling;however,the random forest model is more effective in predicting the rock properties of the surrounding rocks when the evaluation metrics are combined.K Ke ey yw wo or rd ds s:tunnel;geological survey;horizontal directi
13、onal drilling;lithology identification;k-nearest neighbor algorithm;random forest algorithm;machine learning0 引言 随着我国西部大开发发展战略的不断推进,西部各类基础设施也在不断改进1。然而,西部地区地质情况复杂,工程建设和安全面临着较大的挑战2-3,例如:在隧道建设中,新疆某些地区的地应力高、温度低、地震烈度高、海拔高和断裂带多等特征给施工带来了极大的困难4。因此,隧道建设前期的勘察工作尤为关键。目前,常用的勘察手段主要是垂直孔勘察。然而这一方法有一定的局限性,水平定向钻探作为新的勘
14、察手段可在一定程度上弥补垂直孔勘察的不足5-6,同时,水平定向钻探施工工作量少,且可以更加真实地反映隧道内的地质情况7。随钻测量(measurement while drilling,MWD)是水平定向钻钻进中应用钻孔过程监测技术获取钻机工作参数(如推进压力、转速、转矩、钻进速率等)的测量技术,在多参数自动获取方面具有巨大优势。自 20 世纪六七十年代以来,研究人员就开始了钻进参数与岩石可钻性指标之间的相关性研究8-9,目前已有大量研究成果。对于长距离水平定向钻,主要依靠取芯或岩屑试验来判别围岩岩性,但这 2 种方法效率低、成本高。机器学习方法是目前人工智能学习研究的热点课题,它的目标在于使机
15、器在大量数据中学习规律,以便对新任务具有分析和解决的能力。很多研究致力于使用各种钻进参数来预测围岩相关信息。李哲等10使用水平钻孔进行隧道的超前地质预报,通过转矩、转速、推进压力、钻进速度 4 个物理量提出钻进功速比概念,并证明了钻进功速比与隧道围岩岩性、结构面有很好的响应特征。Schunnesson11通过监测采集到了冲击钻进过程中的钻速、转速、推进力和转矩,有效预报了岩体的围岩类别及其结构特征。Mostofi 等12通过现场测试得到的钻头转矩、转速、进尺速率、钻头质量对地层单轴抗压强度、弹性模量、剪切模量进行预测,并采用 K-Means 聚类算法对地层进行划分。王琦等13使用自主研发的岩石
16、钻探系统开展了不同强度完整岩石的数字钻探试验,通过钻探试验结果建立了钻进参数与岩石单轴抗压强度的定量关系模型,该模型与单轴压缩试验结果的差异率平均值小于 10%,证明了该模型的科学性。房昱纬等14使用神经网络对楚大公路九顶山隧道超前钻探测试数据进行识别,涉及到的特征值为水平定向钻参数(钻速、转矩、推进力和转速),结果证明了采用神经网络模型进行地层识别的科学性和有效性。陈湘生等15指出,机器学习具有分析数据能力强、无需依靠先验的理论公式和专家知识等优势,可以通过收集盾构工程的相关参数来对围岩信息进行反演。然而,盾构施工相关数据是在工程施工阶段收集的,反演的围岩信息不能用于设计阶段,存在数据应用滞
17、后的问题。王玉杰等16基于数字钻进技术建立了钻进参数与岩块单轴抗压强度之间的定量关系,可以准确且快速地测量岩块单轴抗压强度。由于围岩的岩性与其硬度等相关,因此钻进参数与硬度也存在一定的关系,所以本文采用水平定向钻钻进相关参数预测围岩岩性。针对目前基于水平定向钻钻进参数进行岩性识别研究的不足,本文依托新疆某隧道工程勘察项目,选取232 组钻探数据并进行预处理,基于 KNN(k-nearest neighbor)17-18和 随 机 森 林 算 法(random forests,RF)192 种监督学习算法,构建适用于水平定向钻钻进数据的机器学习模型,最终形成隧道围岩判别评价方法,以期为隧道地质勘
18、察与围岩分类评价提供一种新的思路。1 工程概况1.1 工程信息 某公路隧道是乌尉高速公路的重要一环,是连接乌鲁木齐和尉犁的纵向大通道,也是新疆南北贸易往来的通道。隧道全长22.69 km,最大埋深为1 112.66 m。隧道施工面临高地应力、高寒、高地震烈度、高海拔和多断裂带等问题,施工过程中发生岩爆的可能性极高,且岩爆最大的破坏力可达到中级地震的程度。因此,对隧道沿线工程地质进行准确、详细的勘察非常必要。隧道区位图如图 1 所示。1.2 沿隧道轴线的岩性分布 隧道进口处至 1 593 m 钻孔内岩屑均为凝灰质砂岩,灰绿色,矿物成分以石英、长石、云母为主,岩性无较大的变化;1 5941 750
19、 m 钻孔内岩屑为凝灰质砂岩与花岗闪长岩混合;1 7512 024 m 钻孔内岩屑中开始出现碳质板岩颗粒,返浆池浆液颜色由土黄色变为黑色;2 0252 063 m 钻孔内岩屑中石英与片状岩屑含量增多;2 0642 271 m 钻孔内岩屑中石英与长石含量逐渐增多。简化后的勘察成果图如图 2 所示,隧道岩性分布如表 1 所示。0551第 9 期程 勇,等:基于机器学习的隧道地质勘察岩性识别分析及应用研究图 1 隧道区位图Fig.1 Tunnel location(a)俯视图(b)纵断面图图 2 勘察成果图Fig.2 Survey results表 1 隧道岩性分布Table 1 Tunnel li
20、thology distribution深度/m围岩岩性样本数量01 593凝灰质砂岩1621 5941 750花岗闪长岩161 7512 024碳质板岩282 0252 063石英片岩42 0642 271片麻状花岗岩222 钻进参数的选取与校正2.1 钻进参数的选取水平定向钻进技术用于隧道地质勘察时,随钻测量系统一般可以测量钻头深度、钻进速度、钻进压力、泥浆流量和泥浆压力等参数。钻进时钻杆推力和转矩提供钻头破岩动力,同时带压循环泥浆为钻头旋转提供动力。根据工作原理分析可知,钻进压力、钻进速度、泥浆压力和进浆流量均与钻头破碎围岩的过程相关。这些钻进参数可以反映围岩的相关硬度、节理裂隙等信息。
21、将水平定向钻用于地质勘察时,因为在钻头处安装传感器可能会影响到钻进的效率,所以水平定向钻施工中收集到的参数多数为地面处测量的数据。由于钻孔设计轨迹是弯曲的,且钻杆与孔壁、钻杆与钻井液存在摩擦,钻孔底部处的压强与地面的实测钻压会有一定的差异。因此,在采用机器学习识别围岩岩性之前需要计算出钻孔底部处的压强,使用钻孔底部的压强可以更准确地反映钻孔底部的实际情况。综上分析,选用钻孔底部压强、钻进速度、泥浆压力和进浆流量作为机器学习的特征值。2.2 钻孔底部压强矫正 水平定向钻机为 GD3500-L 型钻机,钻机的具体设计参数如表 2 所示。当起下钻时,除旋转管柱的质量外,阻力是一种负载。在钻进过程中,
22、旋转管柱会损失转矩,因此钻头用于破坏岩石的功率大大低于旋转平台的功率。阻力和转矩损失的原因有很多,包括压差卡钻、井眼不稳定、井眼清洁不良以及与钻柱侧力相关的摩擦相互作用。目前已有 Johancsik 等20、Sheppard 等21、Faghih22提出了 3 种摩擦力计算模型进行钻孔底部压强的校准。表 2 GD3500-L 型水平定向钻机参数Table 2 Parameters of GD3500-L horizontal directional drilling rig主机外形尺寸/(mmmmmm)主机质量/t发动机功率/kW液压系统额定工作压力/MPa动力头输出最大转矩/(Nm)动力头最
23、大拉力/kN动力头最大推拉速度/(m/min)钻杆直径/mm钻杆长度/mm泥浆最高压力/MPa履带最高行走速度/(km/h)17 9003 4403 30045264235112 0003 58045168/1409 600202.5 该工程水平定向钻进总距离为 2 270.8 m,距离较长,且从水平定向钻勘察的纵断面图(图 2(b)可知,纵断面中钻进轨迹较为笔直,因此假定钻进过程中轨迹倾角 恒定;在俯视图(图 2(a)中,钻进轨迹近似于圆弧,故将偏转的方位角 变化量视为恒定值。从水平定向钻勘察俯视图(图 2(a)中可知,钻进高程随着钻进距离的增加缓慢变大,所以将钻井液从泥浆池运送到钻孔底部的
24、沿程损失较大,且钻井液冲打在钻孔底部上也会损失一部分能量;此外,钻杆的横截面积较小,所以最终由环空压力产生的作用在钻杆横截面上的力较小。因此,本次分析中忽略钻孔底部环空压力对钻杆横截面上的作用力。综上所述,选用Sheppard 模型21对钻孔底部的压强进行校正,压强随着钻进深度的变化率为 ss=Wbcos +k(ss+Wbsin)2+(sssin)212。(1)1551隧道建设(中英文)第 43 卷=s-sss。(2)式(1)(2)中:s为测量钻进压强,Pa;s 为钻进深度,m;Wb为单位长度钻杆压强,Pa/m;为纵断面钻进轨迹倾角,();k 为基于钻机推力的摩擦因数;/s 为纵断面钻进轨迹倾
25、角变化率,()/m,此处为0;为俯视图中钻进轨迹偏角,();为钻孔底部的压强,Pa。钻杆自重=Ag。(3)纵断面钻进轨迹倾角=90-arctanHD()。(4)式(3)(4)中:A 为钻杆的横截面积,m2;为钻杆密度,kg/m3;g 为重力加速度,m/s2;H 为进尺高度,m,最终为 37.92 m;D 为进尺距离,m,最终为 2 271 m。Sheppard 等21提出的模型中,平面内的摩擦力被简化。对于简化条件下的阻力计算,使用的摩擦因数为 0.20.4,平均值为 0.3,故本次计算取摩擦因数为0.3。进尺在 0 1 000 m 时采用的钻杆直径 D1为0.14 m,横截面积对应表 3 中
- 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 机器 学习 隧道 地质 勘察 识别 分析 应用 研究
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。