【技术实现步骤摘要】
本专利技术涉及煤矿冲击地压防治，尤其涉及一种基于随钻参数的岩石力学参数随钻预测方法。
技术介绍
1、巷道掘进过程中，岩层断裂、岩柱塌落现象以及冲击地压动力灾害时有发生，合理有效的的巷道支护方式是保证煤炭安全开采的强有力手段。近年来，锚杆支护技术飞速发展，一度成为使用频率最高的井巷支护方式。而锚杆支护参数的设置普遍依据以往类似煤矿的支护经验，这使得支护参数准确性较差，总是出现支护强度不够或支护过剩的情况。
2、锚杆钻机钻孔时产生大量的随钻参数，通过锚杆钻机钻孔感知巷道的构造情况是煤矿领域简便易操作的方法之一，但是煤矿领域的随钻测量一直缺乏科学定量的研究。利用锚杆钻机随钻参数实时精准感知岩石力学参数变化对巷道支护参数的设置具有重要意义。
3、目前利用随钻参数预测岩石力学参数的方法大多是反演法，比如中国专利公开号cn116291271a公开了一种基于随钻测试的岩土体参数反演方法及系统，基于钻进参数采集和钻探过程记录获取钻进过程中的随钻监测数据，对随钻监测数据进行标准化处理得到标准化随钻数据；基于现场岩性编录和岩心物理力学试验获取岩土体参数；建立标准化随钻数据与岩土体参数映射关系数据集；根据建立的数据集，对随钻数据进行反演，获取对应的岩土体参数，进而实现基于随钻测试的岩土体参数反演。该专利技术基于现场岩性编录和岩心物理力学试验获取岩土体参数，受限于现场空间、天气等复杂条件限制，难以实现在现场用高精准试验机对岩心进行单轴压缩实验，同时，由于钻取岩土体前对岩土体的力学参数是未知的，因此，现场钻进建立的数据库是具有盲目
4、中国专利公开号cn115659783a公开了一种基于智能融合策略的复杂地层岩石力学参数预测方法，该方法通过收集资料获取基本岩石物理参数；得到岩石力学参数；确定研究区的岩石力学参数与岩石纵波时差、横波时差、密度间的关系式；利用机器学习算法建立复杂地层岩石力学参数的预测模型；优选每个岩石力学参数的基模型；以基模型的预测结果为基础，基于智能融合策略构建复杂地层岩石力学参数系列智能预测方法的融合模型，利用pearson相关系数准则的计算基模型的权重系数，最后通过融合模型对复杂地层岩石力学参数进行预测。该专利技术虽然同样是采用智能模型预测岩石力学参数，但采用的输入参数为岩石岩性、岩石密度、纵波时差、横波时差等室内测试数据，这些输入参数的获取需要在室内做相关测试实验获取。此外，在应用建立的预测模型对现场待预测岩石进行预测时，还要将预测岩石带回实验室测试岩石岩性、岩石密度、纵波时差、横波时差等输入参数。这个获取输入参数的步骤耗时耗力，最终导致无法实现现场岩石力学参数的快速预测。
5、因此提出一种基于振动信号的岩石力学参数随钻预测试验方法，在钻机钻进过程中，采集钻取不同岩性试件的随钻参数，测得试件单轴抗压强度、弹性模量以及泊松比等岩石力学参数，建立人工神经网络模型和优化的神经网络模型，通过随钻信号对岩石力学参数进行智能预测。
技术实现思路
1、本专利技术的目的在于提供一种基于振动信号的岩石力学参数随钻预测方法，在实验室内条件下，通过采集、分析原岩试件的振动信号作为随钻参数，实现其岩石力学参数的智能预测，进而实现现场岩石力学参数的快速预测。
2、为了达到上述目的，本专利技术所采用的技术方案如下：
3、一种基于振动信号的岩石力学参数随钻预测方法，所述方法包括如下步骤：
4、第一步：试件制备
5、根据岩石坚硬程度分类和矿井工作面岩石柱状图选取试验所需岩石种类，将不同种类的岩石按照单轴抗压强度进行等级划分，应最大限度的获取各个强度范围的岩石试件，也就是说每类岩石的每个等级都要获取一组原岩试件，将所有原岩试件都制成立方体试件，试件的大小要便于后期标准取芯；
6、第二步：数据获取
7、将制备好的原岩试件采用取芯机取标准岩芯，取芯过程中手持动态信号分析仪采集振动信号，在动态信号分析仪中新建一个采集文件，将所有原岩试件的振动信号保存在该采集文件中，并赋予每个振动信号一个编号，编号的目的是便于区分，以确保后期所有原岩试件的振动信号都被用到；
8、再将原岩试件的标准岩芯进行单轴加载，同时监测试件的轴向变形和侧向变形，分别获取原岩试件对应的单轴抗压强度、弹性模量、泊松比等力学参数；
9、第三步：数据预处理
10、3.1：原始数据特征值提取
11、将步骤二监测到的振动信号分析处理，依次导出各原岩试件的振动信号波形图，导出成exce l数据；把同一种岩石的exce l数据通过matlab进行数据预处理，提取时域特征值a1：平均值、标准差、均方差、最大值、最小值、峰峰值、偏度、峭度、振幅因数、波形因数、冲击因数、裕度因数及能量13个参数；时域信号经傅里叶变换提取频域特征值b1：重心频率、均方频率、均方根频率、频率方差、频率标准差5个参数；
12、3.2：小波降噪
13、利用matlab小波工具箱对原始振动波形信号依次进行降噪，设置小波降噪工具箱内阈值处理的规则、软阈值、小波包的分解成熟等参数进行降噪，保存降噪过后的波形信号，导出降噪数据；
14、3.3：降噪数据特征值提取
15、将导出的降噪数据通过matlab数据预处理，提取降噪后时域特征值a2，降噪后的时域信号经傅里叶变换提取降噪后频域特征值b2；
16、3.4：实验数据整理
17、把所有原岩试件的振动信号特征值a1、b1，降噪的振动信号特征值a2、b2以及原岩试件的单轴抗压强度、弹性模量、泊松比等力学参数也就是力学参数的实际值整理到同一文件中，方便后续步骤调取使用；
18、第四步：预测模型构建
19、4.1：采用神经网络对单轴抗压强度、弹性模量、泊松比等力学参数进行预测，得到最佳神经网络模型，具体操作如下：
20、4.1.1：将实验数据分成训练集和测试集利用神经网络进行训练，其中随钻参数也就是原岩试件的振动信号特征值为输入值，力学参数为输出值，神经网络的输入维度设置4个对照试验如下：第一组输入代表时域特征值a1和代表频域特征值b1的所有参数，第二组输入代表时域特征值a1的所有参数，第三组输入代表频域特征值b1的所有参数，第四组输入代表时域特征值a1和代表频域特征值b1的所有参数经过主成分分析法降维处理的特征值组合样本；设置不同的神经网络的隐含层数和隐含层节点数，对训练集进行训练，输出训练集对应的力学参数的预测值；将测试集的钻进参数输入训练后的神经网络，输出测试集对应的力学参数的预测值；
21、4.1.2：根据力学参数的预测值和实际值分别计算训练集和测试集的模型评价指标rmse和r2值，根据训练集和测试集的模型评价指标rmse和r2值选出最佳神经网络模型，为了便于区分，称为降噪前的最佳神经网络模型；
22、4.1.3：改变神经网络的四个输入维度重新本文档来自技高网...
【技术保护点】
1.一种基于振动信号的岩石力学参数随钻预测方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述的基于振动信号的岩石力学参数随钻预测试验方法，其特征在于，代表时域特征值a1和降噪后时域特征值a2的参数均有13个，分别为平均值、标准差、均方差、最大值、最小值、峰峰值、偏度、峭度、振幅因数、波形因数、冲击因数、裕度因数及能量13个参数；代表频域特征值b1和降噪后频域特征值b2的参数均有5个，分别为重心频率、均方频率、均方根频率、频率方差及频率标准差5个参数。
3.如权利要求1所述的基于振动信号的岩石力学参数随钻预测试验方法，其特征在于，所述的力学参数包括单轴抗压强度、弹性模量和泊松比。
【技术特征摘要】
1.一种基于振动信号的岩石力学参数随钻预测方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述的基于振动信号的岩石力学参数随钻预测试验方法，其特征在于，代表时域特征值a1和降噪后时域特征值a2的参数均有13个，分别为平均值、标准差、均方差、最大值、最小值、峰峰值、偏度、峭度、振幅因数、波...
【专利技术属性】
技术研发人员：孟圣师，吴延成，刘建康，郝建，郑义宁，张国栋，栾恒杰，刘河清，刘豪杰，王长盛，王冬，
申请(专利权)人：临沂矿业集团菏泽煤电有限公司郭屯煤矿，
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。