基于随钻振动信号与深度学习的岩性智能预测方法

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。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=8∶2,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。

基于1DCNN-BiLSTM-CBAM的煤巷顶板岩层地质特征随钻智能识别方法

【目的】煤巷顶板事故多发生于原生裂隙发育带和岩层破碎带等潜在垮落区,准确、及时掌握顶板岩层地质特征并优化其支护方案及参数是预防顶板事故的重要途径。目前关于巷道顶板岩层地质特征识别方法的相关研究存在识别速度慢、效率低、成本高等问题,难以满足煤矿安全、高效和智能化开采的需求。【方法】提出了一种基于1DCNN(一维卷积神经网络)、BiLSTM(双向长短期记忆网络)和CBAM(卷积块注意力模块)相结合的神经网络模型,建立了随钻振动加速度信号与顶板岩层地质特征的对应关系,通过钻进试验,采集完整岩石、破碎岩石和含裂隙岩石样本的随钻振动加速度信号数据,并将此信号作为训练样本,在此基础上建立了不同岩石样本与其随钻振动信号之间的对应关系,并采用准确率、精确率、召回率和F1值4项分类指标评估各模型的性能。【结果和结论】研究表明:(1)建立的1DCNN-BiLSTM-CBAM模型实现了端到端的岩层地质特征智能识别,简化识别流程,提高识别效率。(2) SVM(支持向量机)、1DCNN、BiLSTM以及1DCNN-BiLSTM-CBAM模型训练结果表明,1DCNN-BiLSTM-CBAM模型的平均准确率、精确率、召回率和F1值分别达到99.22%、99.26%、99.21%和99.23%,均优于其他对比模型。(3)实验验证该模型在煤巷顶板岩层地质特征的分类识别中是有效的,且具有良好的分类识别性能,能够满足巷道顶板岩层地质特征实时智能的识别要求。研究为识别煤巷潜在垮落区以及制定顶板支护方案提供了有力的技术支持,提供了一种煤矿巷道顶板随钻探测的高效识别方法,对提升煤矿巷道安全保障技术具有重要的借鉴意义。