【技术实现步骤摘要】
本专利技术属于地下工程，具体涉及一种岩层孔隙度原位智能预测方法。
技术介绍
1、在采矿及地下工程领域，孔隙度常被用于评价围岩稳定性、瓦斯抽采效率以及透水性。常用的孔隙度测试方法有高速离心法、半渗透隔板法、抽提法、岩心实测孔隙度法等。这些方法均在实验室测试，这就导致失去原位性。另外，岩层中通常分布有裂隙，在实验室孔隙度测试时没有考虑这些裂隙。声波速度测井、中子测井等方法可以在原位测定岩层孔隙度，但这些方法主要用于石油、天然气领域，常用于评价储层性能。
2、公开号为cn114280689a的现有技术公开一种基于岩石物理知识确定储层孔隙度的方法、装置及设备。所述方法包括获取目标岩性类别的测井数据集；利用预设方式从测井数据集中筛选孔隙度指标；其中，孔隙度指标表示影响储层孔隙度的测井曲线；基于测井数据集中指定孔隙度指标对应的数据和孔隙度曲线，获得孔隙度估算曲线；将测井数据集中孔隙度指标对应的数据和孔隙度估算曲线输入集成孔隙度预测模型，获得目标岩性类别所对应储层的孔隙度；其中，集成孔隙度预测模型基于岩石物理信息对多个决策回归器约束训练获得。其实现步骤复杂，预测精度度不高，且仅适用于测井领域。
技术实现思路
1、针对现有技术的不足之处，提供一种岩层孔隙度原位智能预测方法，在岩体原位对岩体的孔隙进行检测，能够有效、真实的反应出岩层孔隙度，有效解决在岩体原位取样的岩石运至实验室测试时岩石特性可能发生变化，这些因素导实验室孔隙度测试方法不能反映岩层原位孔隙度的问题。
2、为实现
3、s100、获取钻机在岩层中钻时的钻进参数，并对异常值进行处理；
4、s200、在所钻岩层地点进行岩石取样，并在实验室进行岩石孔隙度测试；
5、s300、以钻进参数作为输入参数，以岩石孔隙度作为输出参数，采用卷积神经网络进行模型训练，获得输入钻进参数即可获得岩石孔隙度的预测模型；
6、s400、现场进行锚固孔钻进，获得钻进参数，将钻进参数输入训练好的岩石孔隙度预测模型进行岩石孔隙度预测；
7、s500、现场收集大量钻孔成像图片，对钻孔成像图片中的像素点进行标注，将像素点分别标注为：背景像素、正弦状裂隙像素和其它裂隙像素，将这些进行了像素点标注的钻孔成像图片输入卷积神经网络进行训练，获得裂隙像素类型识别模型；
8、s600、现场进行钻孔成像，将钻孔成像的图片输入训练好的裂隙像素类型识别模型进行裂隙像素类型识别；
9、s700、根据裂隙像素类型识别模型对钻孔成像图片中裂隙像素类型识别结果，计算出岩层裂隙度；
10、s800、根据岩石孔隙度和岩层裂隙度，计算得出岩层的孔隙度。
11、进一步，所述的钻机在岩层中钻进时的钻进参数包括：位移、钻速、转速、扭矩、推力、声压级。
12、进一步，所述的在所钻岩层地点进行岩石取样，并在实验室进行岩石孔隙度测试，其中所述的岩石取样包括砂岩、泥岩、砂质泥岩和石灰岩，所述的实验室进行岩石孔隙度测试的方法包括高速离心法、半渗透隔板法、抽提法和岩心实测孔隙度法。
13、进一步，所述现场进行锚固孔钻进，获得钻进参数，并用训练好的岩石孔隙度预测模型进行岩石孔隙度预测，其中当锚固孔钻进为多个锚固孔钻进时，则岩石孔隙度预测结果为多个锚固孔岩石孔隙度预测结果的平均值。
14、进一步，根据钻孔成像图片中裂隙像素类型识别结果，计算出岩层裂隙度p的过程如下：
15、
16、其中，p表示岩层裂隙度；n表示钻进的锚固孔数量；n表示正弦状裂隙数量；yi表示第i个钻孔图像中的其它裂隙像素点数量；mi表示第i个钻孔图像的像素点数量，aij、bij和hij分别表示在二维锚固孔图中第i个钻孔中的第j个正弦状裂隙转为实际的三维钻孔柱状图中对应的椭圆截面的长轴、短轴和高；r表示钻孔直径；li表示第i个钻孔的深度。
17、进一步，根据岩石孔隙度和岩层裂隙度，计算得出岩层的孔隙度k的方法如下：
18、k＝p0(1-p)+p (2)
19、其中，p0表示岩石孔隙度；k表示岩层孔隙度。
20、本专利技术与现有技术相比，具有以下优点和有益效果：
21、1、本方法基于钻进参数和钻孔成像，能够快速准确的获得岩层孔隙度，具有速度快、成本低的优点。
22、2、本发方法可以根据需要在不同地点进行岩层孔隙度原位预测，无需取芯运输至实验室，也不会遇到取芯器取芯造成的损坏，相比于脱离了岩层环境的实验室测试方法，本专利技术提出的方法准确性更高，且适用范围更广。
23、3、通过大量施工钻孔、检测从而反映出大范围内岩层的孔隙度，不仅仅局限于单一位置使用，本方法可以快速用于评价瓦斯抽采可行性及抽采效果分析，也可以全面评价岩层渗水性，预防突水事故发生，适用性更强。
本文档来自技高网...【技术保护点】
1.一种岩层孔隙度原位智能预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种岩层孔隙度原位智能预测方法，其特征在于，所述的获取钻机在岩层中钻进时的钻进参数包括位移、钻速、转速、扭矩、推力、声压级。
3.根据权利要求1所述的一种岩层孔隙度原位智能预测方法，其特征在于，所述的在所钻岩层地点进行岩石取样，并在实验室进行岩石孔隙度测试，其中所述的岩石取样包括砂岩、泥岩、砂质泥岩和石灰岩，所述的实验室进行岩石孔隙度测试的方法包括高速离心法、半渗透隔板法、抽提法和岩心实测孔隙度法。
4.根据权利要求2所述的一种岩层孔隙度原位智能预测方法，其特征在于，所述现场进行锚固孔钻进，获得钻进参数，并用训练好的岩石孔隙度预测模型进行岩石孔隙度预测，其中当锚固孔钻进为多个锚固孔钻进时，则岩石孔隙度预测结果为多个锚固孔岩石孔隙度预测结果的平均值。
5.根据权利要求1所述的一种岩层孔隙度原位智能预测方法，其特征在于，根据钻孔成像图片中裂隙像素类型识别结果，计算出岩层裂隙度p的过程如下：
6.根据权利要求5所述的一种岩层孔隙度原位智能预
...【技术特征摘要】
1.一种岩层孔隙度原位智能预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种岩层孔隙度原位智能预测方法，其特征在于，所述的获取钻机在岩层中钻进时的钻进参数包括位移、钻速、转速、扭矩、推力、声压级。
3.根据权利要求1所述的一种岩层孔隙度原位智能预测方法，其特征在于，所述的在所钻岩层地点进行岩石取样，并在实验室进行岩石孔隙度测试，其中所述的岩石取样包括砂岩、泥岩、砂质泥岩和石灰岩，所述的实验室进行岩石孔隙度测试的方法包括高速离心法、半渗透隔板法、抽提法和岩心实测孔隙度法。
4.根据权...
【专利技术属性】
技术研发人员：刘灿灿，赵志云，郑西贵，张权，邵玉龙，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。