基于随钻测试与TBM岩渣图像的围岩完整性识别方法及系统技术方案

本发明专利技术公开了一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法及系统，包括：获取随钻参数数据并进行数据预处理；将预处理后的数据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；获取岩渣图像信息并进行预处理；分别获取岩渣的形状特征和岩渣的粒径特征，将所述特征输入至分类器，得到第二围岩完整程度预测结果；将第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，得到最终的围岩完整性识别结果。本发明专利技术实现了隧道围岩完整性识别的智能化，提高了识别的安全性和精准性。提高了识别的安全性和精准性。提高了识别的安全性和精准性。

【技术实现步骤摘要】
基于随钻测试与TBM岩渣图像的围岩完整性识别方法及系统


[0001]本专利技术涉及隧道施工中地质勘察
，尤其涉及一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]目前，隧道施工主要以TBM施工和盾构机施工为主，在勘察设计过程中不可避免地会遇到一系列技术难题，如存在围岩破碎等不良地质现象时，在隧道施工过程中会产生安全隐患问题，容易造成TBM或者盾构机卡机、损坏甚至造成人员伤亡等重大事故；
[0004]现有技术通常采用随钻参数和掌子面图像等对围岩进行分级。但由于随钻参数指标测量有限，且单一数据源存在随机性，一孔或多孔量测都不足以完全代表围岩的完整性。因此，容易出现结果准确率偏低，模型泛化性能差等问题。而隧道掌子面图像识别的目标是对掌子面的节理和裂隙进行识别。但是掌子面节理裂隙较为复杂，且掌子面图像经过处理后，会存在许多杂质区域，对隧道掌子面识别造成一定的难度。
[0005]在TBM掘进过程中，岩渣作为TBM切割岩体时的直接产物，由于其形态最能反映地质条件变化，通过岩渣判别围岩的完整程度开始被工程应用。但是识别结果大部分依赖于人的观察总结，且目前利用TBM掘进的岩渣图像来判别围岩的完整性的研究并不多见。

技术实现思路

[0006]为了解决上述问题，本专利技术提出了一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法及系统，先通过监测和记录钻机的运行参数，结合在TBM掘进现场中的TBM岩渣图像识别技术，最后对两种识别结果进行决策级融合，从而提高对单一数据源下围岩完整程度识别的精准度。
[0007]在一些实施方式中，采用如下技术方案：
[0008]一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，包括：
[0009]获取随钻参数数据并进行数据预处理；将预处理后的数据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；其中，所述围岩完整程度预测模型使用模型融合策略对至少两个深度神经网络进行融合；
[0010]获取岩渣图像信息并进行预处理；分别获取岩渣的形状特征和岩渣的粒径特征，将所述特征输入至分类器，得到第二围岩完整程度预测结果；
[0011]将所述第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，得到最终的围岩完整性识别结果。
[0012]在另一些实施方式中，采用如下技术方案：
[0013]一种基于随钻测试与TBM岩渣图像的围岩完整性识别系统，包括：
[0014]随钻参数处理模块，用于获取随钻参数数据并进行数据预处理；将预处理后的数
据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；其中，所述围岩完整程度预测模型使用模型融合策略对至少两个深度神经网络进行融合；
[0015]岩渣图像识别模块，用于获取岩渣图像信息并进行预处理；分别获取岩渣的形状特征和岩渣的粒径特征，将所述特征输入至分类器，得到第二围岩完整程度预测结果；
[0016]结果融合模块，用于将所述第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，得到最终的围岩完整性识别结果。
[0017]在另一些实施方式中，采用如下技术方案：
[0018]一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于随钻测试与TBM岩渣图像的围岩完整性识别方法。
[0019]在另一些实施方式中，采用如下技术方案：
[0020]一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于随钻测试与TBM岩渣图像的围岩完整性识别方法。
[0021]与现有技术相比，本专利技术的有益效果是：
[0022](1)本专利技术分别基于随钻参数和岩渣图像数据得到围岩完整程度的预测结果，然后对两个结果进行基于加权表决的决策级融合，由于决策级融合数据具有多元性，比任何单个决策更明确、精确，提高了围岩完整性判别的准确度。
[0023]同时多分类器的融合还可以降低分类系统的训练时间和提高分类系统的鲁棒性。
[0024](2)为提高TBM在掘岩体的智能化识别程度及施工的安全程度，在TBM施工现场，岩渣作为TBM切割岩体的直接产物,岩渣的几何形态信息与围岩的完整性指标具有很强的关联性，是现场工程师超前预测的重要依据。但仅借助于岩渣图像识别，容易产生错分、漏分现象；所以仅利用岩渣图像信息进行岩性识别分类，随机性强，信息利用率不高，误差较大，精度有限，结合随钻测试获取的随钻参数提取围岩的性质进行分析，能更好地协同使用各种信息，有利于提高围岩完整性识别的准确率。
[0025](3)本专利技术实现了隧道围岩完整性识别的智能化，提高了识别的安全性和精准性；能够辅助施工人员，实时监测地质突变，及时提出预警，保证隧道施工安全。
[0026]本专利技术的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
[0027]图1为本专利技术实施例中的基于随钻测试与TBM岩渣图像的围岩完整性识别方法示意图。
具体实施方式
[0028]应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本专利技术使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0029]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式
也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0030]实施例一
[0031]在一个或多个实施方式中，公开了一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，如图1所示，具体包括如下过程：
[0032](1)获取随钻参数数据并进行数据预处理；将预处理后的数据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；
[0033]对于有监督机器学习分类问题，围岩完整性级别标签正确性将影响围岩级别预测的准确性。本实施例中，建立随钻参数与围岩完整程度样本库，样本库中的数据主要来自现有基于TBM或者盾构施工隧道的大量数据，涵盖隧道围岩的花岗岩层、灰岩层、粉砂岩层等多种岩石类别，主要包含围岩岩体完整、围岩岩体较完整、围岩岩体较破碎以及围岩岩体破碎、极破碎等岩体完整程度。
[0034]本实施例中，获取隧道开挖过程中随钻参数，随钻参数包括钻进速度V、钻进推力F、钻头转速N、钻进扭矩M和钻进深度D等随钻参数。
[0035]进行数据预处理的过程包括：数据清洗、数据标准化处理和相关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，包括：获取随钻参数数据并进行数据预处理；将预处理后的数据输入至训练好的围岩完整程度预测模型，得到第一围岩完整程度预测结果；其中，所述围岩完整程度预测模型使用模型融合策略对至少两个深度神经网络进行融合；获取岩渣图像信息并进行预处理；分别获取岩渣的形状特征和岩渣的粒径特征，将所述特征输入至分类器，得到第二围岩完整程度预测结果；将所述第一围岩完整程度预测结果和第二围岩完整程度预测结果进行加权表决的决策级融合，得到最终的围岩完整性识别结果。2.如权利要求1所述的一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，获取随钻参数数据包括：钻进速度、钻进推力、钻头转速、钻进扭矩和钻进深度。3.如权利要求1所述的一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，获取随钻参数数据并进行数据预处理，包括：对所述随钻参数数据进行缺失数据补偿、异常数据剔除和数据标准化处理。4.如权利要求1所述的一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，所述围岩完整程度预测模型使用模型融合策略对至少两个深度神经网络基模型进行融合，具体包括：将样本数据划分为训练集T和测试集W；先将训练集T按设定的百分比划分为T1和T2两部分；创建包含基模型A和基模型B的第一层模型，使用T1对基模型A和基模型B进行训练；训练后的基模型A和基模型B对T2进行测试得到新的训练集T
’
；训练后的基模型A和基模型B对测试集W进行测试得到新的测试集W
’
；创建包含模型C的第二层模型，使用新的训练集T
’
训练模型C，用训练后的C模型对新的测试集W
’
进行测试得到结果；最终得到训练好的围岩完整程度预测模型。5.如权利要求1所述的一种基于随钻测试与TBM岩渣图像的围岩完整性识别方法，其特征在于，获取岩渣图像信息并进行预处理，具体包括：利用高斯滤波器对岩渣图像进行处理，以抑制图像中的噪声；利用生成对抗网络...

【专利技术属性】
技术研发人员：林鹏，李珊，马文，华一磊，邵瑞琦，韩涛，许振浩，
申请(专利权)人：山东大学，
类型：发明
国别省市：