基于随钻参数与波速信息融合的围岩级别判识方法及系统

技术领域

本发明涉及围岩级别判识技术领域，具体涉及一种基于随钻参数与波速信息融合的围岩级别判识方法及系统。

背景技术

随着我国铁路隧道建设的大力发展，越来越多的山岭隧道投入到生产建设中，我国在过去的十几年中已经积累了非常丰富的经验。现如今，在修建山岭隧道时，通常会遇到超大埋深，大断面，长进尺等问题，因此关于隧道开挖段的支护显得尤为重要，而各种支护手段及参数的设计离不开对掌子面围岩级别的判识，传统的掌子面围岩级别判识是靠相关地质人员对掌子面的基本指标，如坚硬程度及完整程度进行判识，然后结合掌子面的修正指标，如地下水状况等进行综合判定，然而该方法受人为主观性影响较大，经常存在误判，且对于判识人员来讲存在着许多安全隐患。因此，亟需一种可以直接应用在施工阶段，降低地质人员判识的主观性，减少各种安全隐患的围岩级别智能判识方法，可以更加充分、准确的反映围岩等级信息。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于随钻参数与波速信息融合的围岩级别判识方法及系统，充分结合了随钻参数与超前地质预报TSP两种信息，构建了掌子面围岩级别智能判识模型，提高了施工过程围岩级别的判识准确率与效率，解决了上述背景技术中提到的传统人工判识编录的低效和误判高的问题。

另一方面，为实现上述目的，本发明提供如下技术方案：一种基于随钻参数与波速信息融合的围岩级别判识方法及系统，包括如下步骤：

S1、获取随钻参数并进行预处理；

S2、根据随钻参数施工里程，通过掌子面地质素描读取随钻参数对应里程的围岩级别；

S3、根据随钻参数施工里程，通过超前地质预报TSP中读取相应里程的纵波波速Vp及横波波速Vs；

S4、融合对应里程的掌子面随钻参数信息与TSP纵波波速Vp及横波波速Vs信息；

S5、训练基于随钻参数与TSP纵波波速及横波波速Vs融合的围岩智能分级模型，训练完成后得到最终的围岩智能分级模型；

S6、将待测数据输入到最终的围岩智能分级模型中，完成隧道掌子面围岩级别智能判识。

优选的，所述获取随钻参数包括：根据凿岩台车随钻参数日志文件读取所需的随钻参数，包括进给速度，推进压力，冲击压力，回转压力4个参数；

所述预处理是指：去除进给速度中超过6米每秒，以及小于1米每秒的数据，并删除对应行的推进压力、冲击压力、回转压力3个参数，对异常数据进行剔除后，求取每个里程随钻参数的算术平均值，获得最终的随钻参数数据。

优选的，在步骤S3中，超前地质预报TSP纵波波速及横波波速读取包括：

获取超前地质预报TSP资料，使用AutoCAD精确读取TSP纵波波速Vp及横波波速Vs，并根据随钻参数里程进行匹配，纵波及横波波速的计算公式如下：

V

V

其中，V

优选的，在步骤S4中，所述融合对应里程的掌子面随钻参数信息与TSP纵波波速Vp及横波波速Vs信息具体包括：将同一里程的掌子面随钻参数信息与TSP纵波波速及横波波速信息进行横向拼接，拼接成长度为6的行向量，最终的数据特征为每行代表一个里程的进给速度、推进压力、冲击压力、回转压力、TSP纵波速度Vp、纵波波速Vs以及围岩级别，并作为模型的输入特征数据。

优选的，在步骤S5中，采用机器学习分类算法中的随机森林分类模型，以S4中的随钻参数与纵波波速Vp及横波波速Vs融合数据作为模型的输入数据，以对应里程的围岩级别作为分类标签，构建并训练围岩级别智能判识模型。

另一方面，为实现上述目的，本发明还提供了如下技术方案：一种基于随钻参数与波速信息融合的围岩级别判识系统，所述系统包括：

随钻参数获取模块(110)、获取随钻参数并进行预处理；

围岩级别读取模块(120)、根据随钻参数施工里程，通过掌子面地质素描读取随钻参数对应里程的围岩级别；

波速信息读取模块(130)、根据随钻参数施工里程，通过超前地质预报TSP中读取相应里程的纵波波速Vp及横波波速Vs；

融合模块(140)、融合对应里程的掌子面随钻参数信息与TSP纵波波速Vp及横波波速Vs信息；

围岩分级模型训练模块(150)、训练基于随钻参数与TSP纵波波速及横波波速融合的围岩智能分级模型，训练完成后得到最终的围岩智能分级模型；

围岩级别智能判识模块(160)、将待测数据输入到最终的围岩智能分级模型中，完成隧道掌子面围岩级别智能判识

本发明的有益效果是：

1)本发明充分结合了隧道施工过程中的两大主要数据，分别是勘察阶段的超前地质预报地震波反射法信息及隧道开挖过程中凿岩台车的随钻参数信息，将两种跟隧道围岩质量相关的数据进行结合，可以更加充分的反映围岩等级信息；

2)超前地质预报(TSP)中含有多个数据，如纵波波速(Vp)、横波波速(Vs)、Vp/Vs、泊松比等，本发明方法通过研究对比试验，选出了跟随钻参数最优的融合特征数据，即纵波波速Vp与横波波速Vs，实验证明其在数据融合上更方便、高效；

3)本发明提出了一种基于随钻参数的与超前地质预报(TSP)融合的围岩级别判识方法，构建了围岩级别智能判识模型，可以直接应用在施工阶段，降低了地质人员判识的主观性，减少了各种安全隐患。

附图说明

图1为本发明围岩级别判识方法的流程示意图；

图2为实施例中凿岩台车采集日志文件示意图；

图3为实施例中凿岩台车随钻参数采集文件示意图；

图4为实施例中包含里程和围岩级别的掌子面地质素描示意图；

图5为实施例中超前地质预报TSP的结果绘制图；

图6为实施例中使用AutoCAD读取TSP纵波波速及横波波速的示意图；

图7为实施例中随钻参数与TSP纵波波速及横波波速融合数据统计表；

图8为本发明围岩级别判识系统模块示意图；

图中，110-随钻参数获取模块；120-围岩级别读取模块；130-波速信息读取模块；140-融合模块；150-围岩分级模型训练模块；160-围岩级别智能判识模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例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。

请参阅图1-图7，本发明提供一种技术方案：一种基于随钻参数与波速信息(纵波波速及横波波速)融合的围岩级别判识方法及系统，如图1所示，包括如下步骤：

S1、获取随钻参数并进行预处理；

S2、根据随钻参数施工里程，通过掌子面地质素描读取随钻参数对应里程的围岩级别；

S3、根据随钻参数施工里程，通过超前地质预报TSP中读取相应里程的纵波波速Vp及横波波速Vs；

S4、融合对应里程的掌子面随钻参数信息与TSP纵波波速Vp及横波波速Vs信息；

S5、训练基于随钻参数与TSP纵波波速及横波波速融合的围岩智能分级模型，训练完成后得到最终的围岩智能分级模型；

S6、将待测数据输入到最终的围岩智能分级模型中，完成隧道掌子面围岩级别智能判识。

进一步的，隧道掌子面掘进过程钻进参数的采集，通过从施工现场凿岩台车的智能采集系统上拷取日志文件，来收集随钻参数，并进行处理得到最终的数据。

本发明首先对随钻参数进行处理与采集，如图2、图3所示，凿岩台车上配备的智能采集系统，会自动存储隧道开挖掘进过程中的相关日志文件，日志文件会记录当前里程的进给速度、冲击压力、推进压力、回转压力。由于日志文件会记录每个炮孔的随钻参数信息，因此同一里程会有多组数据，而由于存在卡钻，空钻等情况，因此需要对数据进行处理，以进给速度为准，去除速度超过6米每秒，以及小于1米每秒的数据，并删除对应行的推进压力、冲击压力、回转压力3个参数，对异常数据进行剔除后，求取每个里程随钻参数的算术平均值，获得最终的随钻参数数据。

进一步的，以步骤S1隧道掌子面掘进过程钻进参数的采集里程信息为基础，对照掌子面地质素描图读取对应里程的围岩级别。

本发明基于处理好的随钻参数信息，匹配对应的掌子面地质素描图，如图4所示，从图上读取对应里程的围岩级别信息，作为数据标签。

进一步的，以S1隧道掌子面掘进过程钻进参数的采集里程信息为基础，从超前地质预报(TSP)上读取对应里程的纵波速度Vp及横波波速Vs。

本发明通过超前地质预报(TSP)读取对应里程的纵波波速Vp及横波波速Vs，其计算公式如(1)和(2)所示：

V

V

其中，V

如图5所示，通过地震波反射法获取的各项信息在报告中绘制成了一定里程范围内的曲线图，为了较为精准的读取随钻参数匹配里程的纵波速度和横波速度，选用AutoCAD进行读取，如图6所示，通过AutoCAD量取超前地质预报测试里程范围的横向长度，以及纵波速度分布范围的纵向长度，计算出比例尺，如公式(3)、(4)所示。

l

l

上述公式中，l

上述公式中，l

以纵波速度及横波速度的跳跃变化值为界限，读取该处的Vp及Vs与里程信息。

进一步的，以S1隧道掌子面掘进过程钻进参数的采集里程信息为基础，将S3中读取的纵波速度按照随钻参数里程进行匹配融合。具体而言，随钻参数为具有4个特征的数据，TSP纵波速度Vp及横波波速Vs为具有2个特征的数据，将随钻参数与TSP纵波速度Vp及横波波速Vs进行横向拼接，拼接成长度为6的行向量，如图7所示，最终的数据特征为每行代表一个里程的进给速度、推进压力、冲击压力、回转压力、TSP纵波速度Vp、横波波速Vs、围岩级别，并作为模型的输入特征数据。

进一步的，采用机器学习分类算法中的随机森林分类模型，以S4中的随钻参数与纵波波速Vp及横波波速Vs融合数据作为模型的输入数据，以对应里程的围岩级别作为分类标签，构建并训练围岩级别智能判识模型。

具体的，采用机器学习分类算法，以S4中的随钻参数与纵波速度Vp及横波速度Vs融合数据作为模型的输入数据，构建并训练围岩级别智能判识模型。

本发明采用机器学习中的分类算法，引入随机森林分类模型，随机森林的核心是决策树。决策树根据输入特征进行分割，通过一系列的决策节点(树节点)来预测目标类别。每个决策节点的分割是基于一些规则，通常使用基尼不纯度(Gini Impurity)或熵(Entropy)来衡量。这些衡量标准可以表示为：

(1)基尼不纯度

(2)熵

其中，p

读取的随钻参数与纵波速度Vp及横波速度Vs融合数据输入到模型中进行训练，让模型学习并提取融合数据与对应围岩级别的特征关系，在模型经过多次充分的训练和计算后，得到最终的围岩级别智能判识模型。

基于与上述方法实施例相同地发明构思，本申请实施例还提供了一种基于随钻参数与波速信息融合的围岩级别判识系统，用于实现上面实施例所述的基于随钻参数与波速信息融合的围岩级别判识方法，如图8所示，所述系统具体包括：

随钻参数获取模块110、获取随钻参数并进行预处理；

围岩级别读取模块120、根据随钻参数施工里程，通过掌子面地质素描读取随钻参数对应里程的围岩级别；

波速信息读取模块130、根据随钻参数施工里程，通过超前地质预报TSP中读取相应里程的纵波波速Vp及横波波速Vs；

融合模块140、融合对应里程的掌子面随钻参数信息与TSP纵波波速Vp及横波波速Vs信息；

围岩分级模型训练模块150、训练基于随钻参数与TSP纵波波速及横波波速融合的围岩智能分级模型，训练完成后得到最终的围岩智能分级模型；

围岩级别智能判识模块160、将待测数据输入到最终的围岩智能分级模型中，完成隧道掌子面围岩级别智能判识。

本发明采用的超前地质预报TSP中含有多个数据，如纵波波速Vp、横波波速Vs、Vp/Vs、泊松比等，本发明方法通过研究对比试验，选出了跟随钻参数最优的融合特征数据，即纵波波速Vp及横波波速Vs，实验证明其在数据融合上更方便、高效；本发明的围岩级别智能判识模型，可以直接应用在施工阶段，降低了地质人员判识的主观性，减少了各种安全隐患。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。