钻探施工过程中的地下管线识别方法、装置及存储介质

技术领域

本发明涉及卫星导航定位领域，尤其涉及一种钻探施工过程中的地下管线识别方法、装置及存储介质。

背景技术

城市地下管线是城市基础设施建设的重要组成部分，由于各城市地下管线的产权归属单位复杂，产权单位过多，管线的设计和布局缺乏统一管理，地下管线空间格局混乱，在城市道路勘探施工过程中时有发生破坏地下管线的重大事故，给人身生命财产造成重大损失；通常情况下，在进行管线排查过程中都是采用“挖三贯六”的方法，即利用洛阳铲等挖掘工具向下挖三米，然后利用钻机重锤在三米至六米范围进行锤击贯入，若肉眼见到或者击进时存在难以往下贯入的情况，则说明遇到了地下管线，即采用这样的方法虽然在一定程度上避开了地下管线，但在下挖和重锤过程中需要消耗更多的设备成本和时间成本，不利于提高钻探施工效率。

发明内容

本发明提供了一种钻探施工过程中的地下管线识别方法、装置及存储介质，能够在进行钻探施工过程中，通过管线识别模型来判断钻机在钻探过程中是否遇到地下管线，可以省略掉常规需要先进行挖深的过程，减少了钻探施工过程中所需设备成本和时间成本，提高了钻探施工效率。

本发明提供了一种钻探施工过程中的地下管线识别方法，包括：获取钻探施工过程中钻机的钻探参数；

将所述钻探参数输入至地下管线识别模型中，以使所述地下管线预警模型根据所述钻探参数，确定钻机在进行钻探施工过程中是否遇到地下管线；

其中，所述管线识别模型的生成，包括：

获取钻机对岩土进行钻探的第一钻探参数，以及第一钻探参数所对应的岩土标签；

获取钻机对管道进行钻探的第二钻探参数，以及第二钻探参数所对应的管道标签；

以所述第一钻探参数和第二钻探参数为输入，以岩土标签或者管道标签为输出，对预设的机器学习训练模型进行训练，将训练完成后的机器学习训练模型作为管线识别模型。

进一步的，所述岩土的类型包括：碎石土、砂土、粉土、粘性土和人工填土；

所述获取钻机对岩土进行钻探的第一钻探参数，以及第一钻探参数所对应的岩土标签，包括：

分别获取钻机对碎石土、砂土、粉土、粘性土和人工填土进行钻探的第一钻探参数，并确定各所述第一钻探参数所对应的碎石土、砂土、粉土、粘性土以及人工填土标签。

进一步的，所述管道的类型包括：铁质管道、钢制管道、铜制管道和混凝土管道；

所述获取钻机对管道进行钻探的第二钻探参数，以及第二钻探参数所对应的管道标签，包括：

分别获取钻机对铁质管道、钢制管道、铜制管道和混凝土管道进行钻探的第二钻探参数，并确定各所述第二钻探参数所对应的铁质管道、钢制管道、铜制管道以及混凝土管道标签。

进一步的，所述机器学习训练模型包括：决策树模型以及随机森林模型；

所述以所述第一钻探参数和第二钻探参数为输入，以岩土标签或者管道标签为输出，对预设的机器学习训练模型进行训练，将训练完成后的机器学习训练模型作为管线识别模型，包括：

以各所述岩土类型所对应的第一钻探参数为输入，以各所述岩土标签为输出，对第一预设的决策树模型进行训练，生成第一决策树模型；

以各所述管道类型所对应的第二钻探参数为输入，以各所述管道标签为输出，对第二预设的决策树模型进行训练，生成第二决策树模型；

将所述第一决策树模型以及第二决策树模型进行组合，生成随机森林模型，将所述随机森林模型作为管线识别模型。

进一步的，所述钻探参数包括：扭矩参数、转速参数、钻孔深度参数、钻进压力参数、钻进反压参数、进浆压力参数、进浆流量参数和出浆流量参数。

在上述方法项实施例的基础上，本发明对应提供了装置项实施例；

本发明提供了一种钻探施工过程中的地下管线识别装置，包括：钻探参数获取模块以及地下管线识别模块：

所述钻探参数获取模块，用于获取钻探施工过程中钻机的钻探参数；

所述地下管线识别模块，用于将所述钻探参数输入至地下管线识别模型中，以使所述地下管线预警模型根据所述钻探参数，确定钻机在进行钻探施工过程中是否遇到地下管线；

其中，所述管线识别模型的生成，包括：

获取钻机对岩土进行钻探的第一钻探参数，以及第一钻探参数所对应的岩土标签；

获取钻机对管道进行钻探的第二钻探参数，以及第二钻探参数所对应的管道标签；

以所述第一钻探参数和第二钻探参数为输入，以岩土标签或者管道标签为输出，对预设的机器学习训练模型进行训练，将训练完成后的机器学习训练模型作为管线识别模型。

进一步的，所述岩土的类型包括：碎石土、砂土、粉土、粘性土和人工填土；

所述获取钻机对岩土进行钻探的第一钻探参数，以及第一钻探参数所对应的岩土标签，包括：

分别获取钻机对碎石土、砂土、粉土、粘性土和人工填土进行钻探的第一钻探参数，并确定各所述第一钻探参数所对应的碎石土、砂土、粉土、粘性土以及人工填土标签。

进一步的所述管道的类型包括：铁质管道、钢制管道、铜制管道和混凝土管道；

所述获取钻机对管道进行钻探的第二钻探参数，以及第二钻探参数所对应的管道标签，包括：

分别获取钻机对铁质管道、钢制管道、铜制管道和混凝土管道进行钻探的第二钻探参数，并确定各所述第二钻探参数所对应的铁质管道、钢制管道、铜制管道以及混凝土管道标签。

进一步的，所述机器学习训练模型包括：决策树模型以及随机森林模型；

所述以所述第一钻探参数和第二钻探参数为输入，以岩土标签或者管道标签为输出，对预设的机器学习训练模型进行训练，将训练完成后的机器学习训练模型作为管线识别模型，包括：

以各所述岩土类型所对应的第一钻探参数为输入，以各所述岩土标签为输出，对第一预设的决策树模型进行训练，生成第一决策树模型；

以各所述管道类型所对应的第二钻探参数为输入，以各所述管道标签为输出，对第二预设的决策树模型进行训练，生成第二决策树模型；

将所述第一决策树模型以及第二决策树模型进行组合，生成随机森林模型，将所述随机森林模型作为管线识别模型。

在上述方法项实施例的基础上，本发明对应提供了一存储介质项实施例；

本发明提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行本发明任意一项所述的钻探施工过程中的地下管线识别方法。

本发明的实施例，具有如下有益效果：

本发明提供了一种钻探施工过程中的地下管线识别方法、装置及存储介质；所述方法，通过获取在转机在进行钻探施工过程中的钻探参数后，将获取的钻探参数输入至，地下管线识别模型中，然后地下管线模型能够根据钻探参数来判断钻机转机在钻探施工过程中，判断此时钻头所钻的是岩土还是管道；即通过实施本发明，在钻探施工过程中，可以直接跳过传统“挖三贯六”的方法，即相当于省略掉了深挖的过程，直接使用钻机进行钻探，并获取钻机钻进时的钻探参数，然后将钻探参数输入至地下管线识别模型中，通过管线识别模型就能判断钻机在钻探过程中是否遇到地下管线，直接降低了设备成本和时间成本的投入，提高了钻探施工效率。

附图说明

图1是本发明一实施例提供的一种钻探施工过程中的地下管线识别方法流程示意图；

图2是本发明一实施例提供的一种钻探施工过程中的地下管线识别装置的结构示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一实施例提供的一种钻探施工过程中的地下管线识别方法，包括：

步骤S101:获取钻探施工过程中钻机的钻探参数；

步骤S102:将所述钻探参数输入至地下管线识别模型中，以使所述地下管线预警模型根据所述钻探参数，确定钻机在进行钻探施工过程中是否遇到地下管线；

其中，所述管线识别模型的生成，包括：

获取钻机对岩土进行钻探的第一钻探参数，以及第一钻探参数所对应的岩土标签；

获取钻机对管道进行钻探的第二钻探参数，以及第二钻探参数所对应的管道标签；

以所述第一钻探参数和第二钻探参数为输入，以岩土标签或者管道标签为输出，对预设的机器学习训练模型进行训练，将训练完成后的机器学习训练模型作为管线识别模型。

对于步骤S101，在一个优选的实施例中,在进行钻探施工过程中，实时获取钻机的钻探参数。

在正式进行钻探施工之前，本发明采默认用的是保护型钻头，搜集地区的地下管线资料，针对不同用途(如供水、污水等)管线的材质、外径、厚度等信息进行提取；然后将这些资料，作为钻探施工的依据；同时也可以根据地下管线资料，在钻头选取上灵活选择钻头的类型，能够在一定程度上保护和避开地下管线。

对于步骤S102,在一个优选的实施例中,将钻探施工过程中实时获取到的钻探参数，输入至地下管线预警模型中，地下管线预测模型会根据实时获取的钻探参数来判断，钻机在钻探过程中，是在钻探岩土还是地下管线，当钻头遇到地下管线时，地下管线预警模型能够在钻头损坏地下管线之前判断出钻头遇到了地下管线。

对于管线识别模型的生成，首先获取钻机对岩土进行钻探的第一钻探参数，并确定对应的岩土标签；以及获取钻机对管道进行钻探的第二钻探参数，并确定对应的管道标签；以第一钻探参数和第二钻探参数为输入，以岩土标签或者管道标签为输出，对预设的机器学习训练模型进行训练，将训练完成后的机器学习训练模型作为管线识别模型。

在一个优选的实施例中，所述岩土的类型包括：碎石土、砂土、粉土、粘性土和人工填土；

所述获取钻机对岩土进行钻探的第一钻探参数，以及第一钻探参数所对应的岩土标签，包括：

分别获取钻机对碎石土、砂土、粉土、粘性土和人工填土进行钻探的第一钻探参数，并确定各所述第一钻探参数所对应的碎石土、砂土、粉土、粘性土以及人工填土标签。

具体的，对于岩土的类型包括但不限于：碎石土、砂土、粉土、粘性土和人工填土；

在对模型进行训练之前，需要分别获取钻机在对碎石土、砂土、粉土、粘性土和人工填土进行钻探的第一钻探参数，并对这些第一参数所对应的岩土标签。

在一个优选的实施例中，所述管道的类型包括：铁质管道、钢制管道、铜制管道和混凝土管道；

所述获取钻机对管道进行钻探的第二钻探参数，以及第二钻探参数所对应的管道标签，包括：

分别获取钻机对铁质管道、钢制管道、铜制管道和混凝土管道进行钻探的第二钻探参数，并确定各所述第二钻探参数所对应的铁质管道、钢制管道、铜制管道以及混凝土管道标签。

具体的，管道的类型包括但不限于：铁质管道、钢制管道、铜制管道和混凝土管道；

在对模型进行训练之前，需要分别获取钻机在对铁质管道、钢制管道、铜制管道和混凝土管道进行钻探的第二钻探参数，并对这些第二参数所对应的管道标签。

在一个优选的实施例中，所述机器学习训练模型包括：决策树模型以及随机森林模型；

所述以所述第一钻探参数和第二钻探参数为输入，以岩土标签或者管道标签为输出，对预设的机器学习训练模型进行训练，将训练完成后的机器学习训练模型作为管线识别模型，包括：

以各所述岩土类型所对应的第一钻探参数为输入，以各所述岩土标签为输出，对第一预设的决策树模型进行训练，生成第一决策树模型；

以各所述管道类型所对应的第二钻探参数为输入，以各所述管道标签为输出，对第二预设的决策树模型进行训练，生成第二决策树模型；

将所述第一决策树模型以及第二决策树模型进行组合，生成随机森林模型，将所述随机森林模型作为管线识别模型。

具体的，机器学习训练模型包括但不限于：决策树模型以及随机森林模型；以各岩土类型所对应的第一钻探参数为输入，以各岩土标签为输出，对第一预设的决策树模型进行训练，生成第一决策树模型，同时以各管道类型所对应的第二钻探参数为输入，以各管道标签为输出，对第二预设的决策树模型进行训练，生成第二决策树模型；需要说明的是，所述第一和第二预设的决策树模型仅仅是用于区分两个预设的决策树模型。

将所述第一决策树模型以及第二决策树模型进行组合，生成随机森林模型，将所述随机森林模型作为管线识别模型。可选的，决策树模型的数量不做具体限定，将各个决策树模型进行组合后，生成随机森林模型，然后将生成的随机森林模型作为管线识别模型。

在一个可选的实施例中，本发明中的训练方法可以是现有技术中任意一种训练方法，例如本发明中除了采用随机森林的方法以外，同样可以采用神经网络方法来训练管线识别模型。

在一个优选的实施例中，所述钻探参数包括：扭矩参数、转速参数、钻孔深度参数、钻进压力参数、钻进反压参数、进浆压力参数、进浆流量参数和出浆流量参数。

具体的，这些钻探参数都是由各个传感器进行检测获取的，传感器包括但不限于：扭矩传感器、转速传感器、钻孔深度传感器、钻进压力传感器、钻进反压传感器、进浆压力传感器、进浆流量传感器以及出浆流量传感器。

对于扭矩传感器，使用压力传感器，通过三通接头安装在扭矩压力管线上，传感器采用4～20mA模拟信号，通过信号线传输至用于监测主机。

对于转速传感器，转速测量采用电磁传感器，传感器主体通过固定支架安装在动力头总成上，属于开关量信号，通过号线传输至监测主机。

对于钻孔深度传感器，钻孔深度采用激光传感器，安装在动力头总成举升油缸上，采用RS485信号，通过号线传输至监测主机。

对于钻进压力传感器，采用压力传感器，通过三通接头安装在钻进压力管线上，传感器采用4～20mA模拟信号，通过信号线传输至监测主机。

对于钻进反压传感器，采用压力传感器，通过三通接头安装在钻进反压管线上，传感器采用4～20mA模拟信号；通过信号线传输至监测主机。

对于进浆压力传感器，进浆压力传感器通过三通接头安装在进浆压力管线上，传感器采用4～20mA模拟信号；通过信号线传输至监测主机。

对于进浆流量传感器，进浆流量采用电磁传感器，传感器主体通过固定支架安装在泥浆泵本体上，通过采集活塞冲程数，通过特定算法的得到进浆流量，传感器为开关量信号，通过信号线传输至监测主机；其中，所述特定的算法为现有任意一种流量的算法。

对于出浆流量传感器，出浆流量采用超声波传感器，通过固定支架将探头安装在泥浆出口处，实时获取泥浆出口液位，通过特定算法得到实时流量，采用RS485信号，通过信号线传输至监测主机。

在一个可选的实施例中，本发明所采用的钻头为市面上任意一种保护型钻头，以在钻探过程中，降低钻头对管道破坏的概率，即在钻头遇到了地下管道，并且在管线识别模型识别出之前，能够防止地下管道遭到破坏。需要说明的是，本发明所述的地下管线其意也就是地下管道。

在上述方法项实施例的基础上，本发明对应提供了装置项实施例。

如图2所示，本发明一实施例提供了一种钻探施工过程中的地下管线识别装置，包括：钻探参数获取模块以及地下管线识别模块：

所述钻探参数获取模块，用于获取钻探施工过程中钻机的钻探参数；

所述地下管线识别模块，用于将所述钻探参数输入至地下管线识别模型中，以使所述地下管线预警模型根据所述钻探参数，确定钻机在进行钻探施工过程中是否遇到地下管线；

其中，所述管线识别模型的生成，包括：

获取钻机对岩土进行钻探的第一钻探参数，以及第一钻探参数所对应的岩土标签；

获取钻机对管道进行钻探的第二钻探参数，以及第二钻探参数所对应的管道标签；

以所述第一钻探参数和第二钻探参数为输入，以岩土标签或者管道标签为输出，对预设的机器学习训练模型进行训练，将训练完成后的机器学习训练模型作为管线识别模型。

在一个优选的实施例中，所述岩土的类型包括：碎石土、砂土、粉土、粘性土和人工填土；

所述获取钻机对岩土进行钻探的第一钻探参数，以及第一钻探参数所对应的岩土标签，包括：

分别获取钻机对碎石土、砂土、粉土、粘性土和人工填土进行钻探的第一钻探参数，并确定各所述第一钻探参数所对应的碎石土、砂土、粉土、粘性土以及人工填土标签。

在一个优选的实施例中，所述管道的类型包括：铁质管道、钢制管道、铜制管道和混凝土管道；

所述获取钻机对管道进行钻探的第二钻探参数，以及第二钻探参数所对应的管道标签，包括：

分别获取钻机对铁质管道、钢制管道、铜制管道和混凝土管道进行钻探的第二钻探参数，并确定各所述第二钻探参数所对应的铁质管道、钢制管道、铜制管道以及混凝土管道标签。

在一个优选的实施例中，所述机器学习训练模型包括：决策树模型以及随机森林模型；

所述以所述第一钻探参数和第二钻探参数为输入，以岩土标签或者管道标签为输出，对预设的机器学习训练模型进行训练，将训练完成后的机器学习训练模型作为管线识别模型，包括：

以各所述岩土类型所对应的第一钻探参数为输入，以各所述岩土标签为输出，对第一预设的决策树模型进行训练，生成第一决策树模型；

以各所述管道类型所对应的第二钻探参数为输入，以各所述管道标签为输出，对第二预设的决策树模型进行训练，生成第二决策树模型；

将所述第一决策树模型以及第二决策树模型进行组合，生成随机森林模型，将所述随机森林模型作为管线识别模型。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

所述领域的技术人员可以清楚地了解到，为的方便和简洁，上述描述的装置的具体工作过程，可参考前述方法实施例中对应的过程，在此不再赘述。

在上述方法项实施例的基础上，本发明对应提供了存储介质项实施例。

本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在的设备执行本发明任意一实施例的钻探施工过程中的地下管线识别方法。

在这一实施例中，上述存储介质为计算机可读存储介质，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

通过实施本发明上述各个实施例，可以在进行钻探施工过程中，通过管线识别模型来判断钻机在钻探过程中是否遇到地下管线，可以省略掉常规需要先进行挖深的过程，减少了钻探施工过程中所需设备成本和时间成本，提高了钻探施工效率。

上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。