钻探施工过程中的地下管线识别方法技术

本发明专利技术公开了一种钻探施工过程中的地下管线识别方法

【技术实现步骤摘要】
钻探施工过程中的地下管线识别方法、装置及存储介质


[0001]本专利技术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
。

技术介绍

[0002]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
。

技术实现思路

[0003]本专利技术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
。
[0004]本专利技术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；
[0005]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；
[0006]其中，所述管线识别模型的生成，包括：
[0007]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；
[0008]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；
[0009]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
。
[0010]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；
[0011]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：
[0012]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
。
[0013]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；
[0014]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：
[0015]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
。
[0016]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；
[0017]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：
[0018]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；
[0019]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；
[0020]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
。
[0021]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
。
[0022]在上述方法项实施例的基础上，本专利技术对应提供了装置项实施例；
[0023]本专利技术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：
[0024]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；
[0025]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；
[0026]其中，所述管线识别模型的生成，包括：
[0027]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；
[0028]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；
[0029]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
。
[0030]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；
[0031]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：
[0032]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
。
[0033]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；
[0034]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：
[0035]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
。
[0036]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；
[0037]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，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种钻探施工过程中的地下管线识别方法，其特征在于，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
。2.
如权利要求1所述的钻探施工过程中的地下管线识别方法，其特征在于，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
。3.
如权利要求2所述的钻探施工过程中的地下管线识别方法，其特征在于，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
。4.
如权利要求3所述的钻探施工过程中的地下管线识别方法，其特征在于，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
。5.
如权利要求1所述的钻探施工过程中的地下管线识别方法，其特征在于，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...

【专利技术属性】
技术研发人员：张璐，王典，袁柱，王硕，刘大伟，尚铮，熊传虎，赵新哲，王一兆，张荣辉，徐世杨，
申请(专利权)人：广州地铁设计研究院股份有限公司，
类型：发明
国别省市：