基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法技术方案

本公开提供了一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，克服目前实验方法的不足，易于操作，可用于探测岩层中长石的种类以及含量、晶体结构等信息，并结合计算机深度学习的方法整合这些信息来判断隧洞内含不同类型长石的碎屑岩岩层的抗风化能力，判断准确度高。

Identification system and method of weathering resistance of clastic rock in tunnel based on feldspar characteristics

【技术实现步骤摘要】
基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法
本公开属于岩土抗风化测试领域，涉及一种基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。长石类矿物是地壳中最为常见的硅酸盐矿物，作为岩石圈最为重要的造岩矿物，其特征与岩石的结构构造、硬度、抗压程度以及其抗风化能力有着非常紧密的联系，由于长石的结晶温度较低，仅次于石英和白云母，因此在自然界中属于抗风化能力较强的一类矿物。但传统方法对岩石硬度或其抗风化能力的研究多集中于对石英的考量，对长石与岩石抗风化能力的相对关系考虑很少，但是长石在岩石圈中的分布更为广泛，如果需要考虑尽可能找到一个可以适应于多种岩石的矿物因素，长石不失为一个很好的选择。碎屑岩中的矿物多数是由岩浆岩风化后经过搬运而沉积的，长石作为已经风化后的产物而继续保存下来，说明其有很强的抗风化能力，尽管碎屑岩中同样也存在大量的石英，但长石对碎屑岩抗风化能力也同样有非常重要的影响。但据专利技术人了解,目前对于碎屑岩抗风化能力的评价中,缺少长石特征的考虑,而缺少对长石特征的考虑，致使所能研究的岩石类别较少，同时会出现利用少量的石英含量来推测岩石的抗风化程度等现象，导致观测的误差范围较大。
技术实现思路
本公开为了解决上述问题，提出了基于长石特征分析的隧洞内碎屑岩抗风化能力判别系统与方法，本公开通过研究隧道碎屑岩中长石的特征来判断其抗风化的能力，填补了研究隧道围岩在抗风化能力方面预测研究的空白。>根据一些实施例，本公开采用如下技术方案：基于长石特征分析的隧洞内碎屑岩抗风化能力判别系统，包括：取样机构，搭载于TBM前方，获取掌子面的岩块或/和岩粉试样；自动扫描模块，被配置为对获取试样前的岩层进行全方位图像采集；元素分析模块，被配置为对试样中所含基本化学元素信息进行采集；显微图像模块，被配置为对试样中长石的解理特征、干涉色特征、突起特征以及晶体结构特征进行提取；无线传输模块，被配置为将自动扫描模块、元素分析模块获取的数据传输至数据分析中心；所述数据分析中心根据获取的信息，通过提取图像特征以及元素特征，获取解理信息与晶体结构信息，进而确定岩层抗风化能力的级别。作为可选择的实施方式，所述取样机构包括搭载于TBM上的破岩机构和取样机械臂，所述破岩机构包括激光破岩装置和钻机，其中激光破岩系统通过激光切取块状样品，钻机钻取粉末状样品，取样机械臂可多维运动。作为可选择的实施方式，自动扫描设备搭载有高清全自动广角拍照镜头，用以采集研究岩层的高清图像信息。作为可选择的实施方式，所述元素分析模块包括X射线分析设备。作为可选择的实施方式，还包括矿物定量模块，包括电子探针系统，对试样中各类长石的含量进行定量分析。作为可选择的实施方式，数据分析中心包括岩性对比模块与深度学习模块，其中，岩性对比模块接收自动扫描模块、元素分析模块和显微图像模块获取的信息，与深度学习模块协同工作；深度学习模块被配置为提取图像特征以及元素特征，以反馈出基本的岩性信息，根据各类长石的元素含量与已有数据进行对比，获取解理信息与晶体结构信息，进而进行分级，得到岩层抗风化能力的级别。作为可选择的实施方式，深度学习模块包括人工辅助神经网络训练器以及自动模型预测器，所述人工辅助神经网络训练器存储有先期隧洞开挖岩石数据以及各类地表岩石数据以及油田及煤田的钻井岩性数据，作为训练数据，获得岩石中长石的类型和含量用以划分单个特征抗风化级别，给出岩石的基本岩性特征；所述自动模型预测器被配置为根据抗风化程度分级模型展开分级，并输出最终预测结果。基于长石特征分析的隧洞内碎屑岩抗风化能力判别系统与方法，包括以下步骤：提前采集隧道在开挖前期的碎屑岩岩石样品、地表碎屑岩岩石样品、油田或煤田钻井岩心样品，获取其图像特征、元素特征、显微特征、晶体特征以及矿物特征等，利用不同风化等级的判定标准来完成训练模型；在TBM停机期间，在掌子面随机采取块状样和粉末样，对掌子面开始全方位扫描已获取图像信息，分析样品中的元素类型；根据提取到的包含解理特征、干涉色特征、突起特征和晶体结构特征的图像，通过神经网络学习建立模型，通过与已有数据反复对比，最终需得到长石的解理类型、干涉色特征、突起特征等和长石的晶体结构特征用以划分单个特征抗风化级别；定量的获取样品中矿物的主要类型，结合矿物定量分析结果和元素分析数据以及图像数据，通过神经网络先期学习已建立起的模型获得岩石中长石的类型和含量用以划分单个特征抗风化级别，给出岩石的基本岩性特征；将整合上述所有信息，并通过已嵌入的抗风化程度分级模型展开分级，并输出最终预测结果。作为可选择的实施方式，单个特征抗风化级别的分级的过程包括：按照不同长石的种类提供判别标准来看，正长石>酸性斜长石>中性斜长石>基性斜长石，当长石中仅含有K元素时，其抗风化能力最强，Na元素其次，仅含有Ca元素时其抗风化能力最差，当同时含有Na和Ca元素时，其抗风化能力随Na元素含量的增多而增强。作为可选择的实施方式，单个特征抗风化级别分级的过程包括：长石本在岩石中的含量越高，其抗风化能力就越强。作为可选择的实施方式，单个特征抗风化级别分级的过程包括：矿物的晶体形状保存的越完好则说明其更加稳定，其抗风化能力也越高。与现有技术相比，本公开的有益效果为：本公开提供一种利用地壳中更为广泛存在的矿物来评价隧洞内碎屑岩的抗风化能力，克服目前实验方法的不足，易于操作，可用于探测岩层中长石的种类以及含量、晶体结构等信息，并结合计算机深度学习的方法整合这些信息来判断隧洞内含不同类型长石的碎屑岩的抗风化能力，判断准确度高。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1是本实施例整体系统结构图；图2是隧道内TBM数据采集系统与无线传输模块安装示意图；图3是TBM前端机械臂上数据采集系统中采样机构和自动扫描模块安装示意图；图4是数据分析、输出与储存以及显模块和矿物定量分析模块实际运行简图。具体实施方式：下面结合附图与实施例对本公开作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。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公开的示例性实施方式。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。如图1所示，基于长石特征分析的隧洞内碎屑岩抗本文档来自技高网...

【技术保护点】
1.一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，包括：/n取样机构，搭载于TBM前方，获取掌子面的岩块或/和岩粉试样；/n自动扫描模块，被配置为对获取试样前的岩层进行全方位图像采集；/n元素分析模块，被配置为对试样中所含基本化学元素信息进行采集；/n显微图像模块，被配置为对试样中长石的解理特征、干涉色特征、突起特征以及晶体结构特征进行提取；/n无线传输模块，被配置为将自动扫描模块、元素分析模块获取的数据传输至数据分析中心；/n所述数据分析中心根据获取的信息，通过提取图像特征以及元素特征，获取解理信息与晶体结构信息，进而确定岩层抗风化能力的级别。/n

【技术特征摘要】
1.一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，包括：
取样机构，搭载于TBM前方，获取掌子面的岩块或/和岩粉试样；
自动扫描模块，被配置为对获取试样前的岩层进行全方位图像采集；
元素分析模块，被配置为对试样中所含基本化学元素信息进行采集；
显微图像模块，被配置为对试样中长石的解理特征、干涉色特征、突起特征以及晶体结构特征进行提取；
无线传输模块，被配置为将自动扫描模块、元素分析模块获取的数据传输至数据分析中心；
所述数据分析中心根据获取的信息，通过提取图像特征以及元素特征，获取解理信息与晶体结构信息，进而确定岩层抗风化能力的级别。


2.如权利要求1所述的一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，其特征是：所述取样机构包括搭载于TBM上的破岩机构和取样机械臂，所述破岩机构包括激光破岩装置和钻机，其中激光破岩系统通过激光切取块状样品，钻机钻取粉末状样品，取样机械臂可多维运动。


3.如权利要求1所述的一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，其特征是：自动扫描设备搭载有高清全自动广角拍照镜头，用以采集研究岩层的高清图像信息。


4.如权利要求1所述的一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，其特征是：所述元素分析模块包括X射线分析设备。


5.如权利要求1所述的一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，其特征是：还包括矿物定量模块，包括电子探针系统，对试样中各类长石的含量进行定量分析。


6.如权利要求1所述的一种基于长石特征对隧洞内碎屑岩抗风化能力的判别装置，其特征是：数据分析中心包括岩性对比模块与深度学习模块，其中，岩性对比模块接收自动扫描模块、元素分析模块和显微图像模块获取的信息，与深度学习模块协同工作；
深度学习模块被配置为提取图像特征以及元素特征，以反馈出基本的岩性信息，根据各类长石的元素含量与已有数据进行对比，获取解理信息与晶体结构信息，进而进行分级，得到岩层抗风化能力的级别。


7.如权利要求1所述的一种基于长石特征对隧...

【专利技术属性】
技术研发人员：许振浩，邵瑞琦，刘福民，谢辉辉，余腾飞，林鹏，王欣桐，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37