基于选择性迁移与深度约束的岩石强度预测方法及系统
本发明属于地下工程围岩强度感知、随钻测量数据处理、迁移学习及智能预测,具体涉及一种基于选择性迁移与深度约束的岩石强度预测方法及系统。
背景技术:
1、煤系地层岩石单轴抗压强度是煤矿巷道锚杆支护设计与围岩稳定性评价的关键基础参数,其测量精度直接决定围岩的控制效果与工程施工的安全性。受沉积环境演化、地质构造作用及原生裂隙发育等多因素的耦合影响,巷道围岩普遍存在显著的非均质性,导致岩石力学参数沿空间分布具有较强的离散性与差异性。传统岩石强度测量主要依赖室内力学试验,其存在检测周期长、成本高的局限,且难以实现原位连续的强度参数获取,无法充分反映围岩参数的空间分布特征,难以满足动态化、精细化的围岩控制需求。
2、随钻测量技术可通过实时采集钻进过程中的动力学响应参数,为岩石强度的原位连续感知提供了全新技术路径,具备实时性强、检测成本低、工程扰动小等突出优势,在采矿工程、隧道工程及各类地下工程的围岩参数识别领域具有广阔的应用前景。基于数据驱动的智能预测模型能够有效挖掘钻进参数与岩石强度之间的复杂非线性映射关系,但现有模型大多依赖单一数据域完成训练,当工程应用场景发生变化时,模型在新数据域下的泛化能力会出现显著衰减。具体到岩石强度随钻预测场景,实验室试验数据与工程现场数据之间不仅存在特征分布偏移,还可能在钻进参数敏感性、力学响应机制层面存在本质差异,若直接将源域训练得到的模型迁移至目标域应用,极易引发负迁移的问题,导致预测精度会大幅下降。
3、现有迁移学习方法多采用整体域对齐或模型参数微调策略,未充分考量不同岩性、强度等级及钻进工况所构成的源域内部异质性,无法精准筛选适配目标域的可迁移样本,难以从根源上抑制负迁移;同时,现有集成学习方法多聚焦于基学习器与元学习器的预测精度优化,未将源域样本可迁移性、预测残差校正及工程约束可信度等信息显式嵌入元特征矩阵,模型的工程适配性与鲁棒性不足;再者,现有连续性处理方法多采用后处理平滑或固定惩罚系数的约束方式,无法有效区分均质岩层段由噪声干扰引发的虚假强度突变,与岩层界面、软弱夹层、破碎带等地质界面处的真实强度跃变,难以兼顾层内预测平滑性与界面强度突变特征的保真需求。
4、为了有效解决上述现有技术的不足,亟需提供一种面向岩石强度随钻预测的跨域智能建模方法及系统。
技术实现思路
1、针对上述现有技术存在的问题,本发明提供一种基于选择性迁移与深度约束的岩石强度预测方法及系统,该方法预测精度高,能够在保持均质岩层段预测平滑性的同时保留岩层界面或破碎带处的真实强度突变,并通过可信度驱动的原位补测和在线更新实现跨场景持续适应。该系统将源域子域可迁移性评估、选择性迁移训练、自适应深度连续约束和可信度驱动主动校准有机融合,能有效解决现有岩石强度随钻预测模型跨工程、跨岩性应用时易发生负迁移及孔深方向预测平滑与突变不可兼得的问题。
2、为了实现上述目的,本发明提供一种基于选择性迁移与深度约束的岩石强度预测方法,包括以下步骤:
3、步骤1:源域样本库与目标域样本库的构建;通过实验室钻进试验建立源域样本库,通过工程现场钻孔建立目标域样本库;
4、步骤2:随钻稳态窗口识别与深度配准;对源域样本和目标域样本进行异常阶段剔除和稳态窗口识别,并将时间域随钻数据映射至孔深坐标,形成随钻数据与岩石强度标签一一对应或邻域对应的深度窗口样本;
5、步骤3:多层特征集合构建与样本可信度权重计算;基于深度窗口样本构建包含原始随钻参数、机理融合特征、破碎响应特征和深度梯度特征的多层特征集合,并计算各深度窗口样本的样本可信度权重;
6、步骤4:源域子域划分与可迁移性评分计算;按照岩性类别、强度等级和钻进工况对源域样本库进行子域划分,并分别计算各源域子域与当前目标域之间的可迁移性评分;
7、步骤5:三档选择性迁移;依据可迁移性评分将源域子域分为正迁移源域、弱迁移源域和剔除源域三类,分别赋予不同的训练参与方式,获得经负迁移抑制后的训练样本集;
8、步骤6:异构基学习器训练与选择性迁移增强特征矩阵构建;利用经负迁移抑制后的训练样本集训练多个异构基学习器,并将基学习器对目标域样本的折外预测值、残差校正量、源域子域可迁移性评分、样本可信度权重和多层特征集合共同构成选择性迁移增强特征矩阵;
9、步骤7:自适应深度连续约束元学习器训练;基于选择性迁移增强特征矩阵训练元学习器,并在训练损失函数中引入由岩层突变指标动态调节的自适应深度连续约束,得到岩石强度随钻智能预测模型;
10、步骤8:岩石强度实时预测与可信度评估;将现场实时随钻数据输入岩石强度随钻智能预测模型,输出不同孔深位置的岩石强度预测值及其可信度,并依据可信度触发原位强度补测与模型更新。
11、作为一种优选,在步骤1中,源域样本库与目标域样本库的构建过程如下:
12、s11:构建源域样本库;按照不同河砂、水泥、水或其他胶结材料配比制备多强度类岩石试样,或者选取已知单轴抗压强度的天然岩石试样;利用万能试验机或岩石力学试验系统测定岩石试样的单轴抗压强度,作为强度标签;
13、对多强度类岩石试样或天然岩石试样进行实验室钻进试验,试验过程中采用与工程现场同类型或等效类型的钻机、钻杆和钻头,并设置不同转速、推力和钻进速度工况,同步采集原始随钻参数;原始随钻参数至少包括孔深、转速、钻速、推力、扭矩和三轴振动信号、、;基于原始随钻参数与对应的岩石强度标签共同构成源域样本库;
14、s12:构建目标域样本库;通过工程现场钻孔获取目标域样本库;在现场施工设定数量的钻孔时,通过传感器同步采集随钻测量数据,并记录钻孔编号、孔口坐标、钻孔倾角、方位角、接杆时间、接杆长度、采样频率和钻头型号;同时,从设定数量的钻孔中按比例选取少量钻孔,并在少量钻孔的不同钻孔深度位置采用孔内原位岩石强度测试仪、点载荷试验、回弹测试或取芯实验室测试的方式获得标定强度值;基于随钻测量数据、钻孔深度信息与标定强度值共同构成目标域样本库。
15、作为一种优选,在步骤2中,随钻稳态窗口识别与深度配准的过程如下:
16、s21:异常阶段剔除;对采集得到的随钻时序数据进行预处理,剔除异常阶段数据;所述异常阶段包括开孔阶段、停钻阶段、退钻阶段、接杆阶段、卡钻阶段、钻头空转阶段和传感器通信异常阶段中的至少一种;
17、s22:随钻稳态窗口识别;对推力、扭矩、钻速和三轴振动合成均方根进行滑动窗口统计;
18、对于任一参数,其在时刻的滑动均值为,滑动标准差为,滑动变异系数为,其中,为滑动窗口长度,为防止分母为零的常数;
19、当连续时间段内推力的滑动变异系数低于第一阈值、扭矩的滑动变异系数低于第二阈值、钻速大于最小有效钻速阈值,且三轴振动合成均方根变化率低于第三阈值时,将该连续时间段识别为稳态钻进窗口;
20、s23:深度配准;将稳态窗口内随钻数据由时间域映射至孔深坐标;通过钻机进尺、钻杆长度、接杆记录和采样延迟计算钻头实际作用深度,其中为钻机进尺传感器记录值,为当前已接入钻杆的有效长度总和,为孔口至传感器零点或钻头初始位置的几何修正量,为瞬时钻速,为传感器采样延迟或数据传输延迟;
21、s23:深度配准;通过钻机进尺、钻杆长度、接杆记录和采样延迟计算钻头实际作用深度,其中为钻机进尺传感器记录值,为当前已接入钻杆的有效长度总和,为孔口至传感器零点或钻头初始位置的几何修正量,为瞬时钻速,为传感器采样延迟或数据传输延迟;
22、以钻头实际作用深度为基准,将稳态窗口内随钻数据由时间域映射至孔深坐标,完成时深转换;
23、s24:形成深度窗口样本;以设定孔深间隔形成深度窗口样本,计算该窗口内各随钻参数的均值、标准差、分位数、峰值或频域特征作为该深度窗口的随钻特征;对于孔内原位强度测试点,其影响范围设定为,其中为邻域半径;将位于该影响范围内的深度窗口样本与该强度标签建立一一对应或邻域对应关系;由此形成随钻数据与岩石强度标签配对的深度窗口样本。
24、作为一种优选,在步骤3中,多层特征集合构建与样本可信度权重计算的过程如下:
25、s31:构建多层特征集合;
26、从深度窗口样本中获取原始随钻参数,所述原始随钻参数包括但不限于孔深、转速、钻速、推力、扭矩、三轴振动均方根、三轴振动峰值、钻进时间、钻头直径在各深度窗口内的统计特征;所述统计特征包括均值、标准差、分位数、峰值或频域特征;
27、同时,由破岩能量关系推导得到机理融合特征,所述机理融合特征至少包括钻进比能、旋转能量占比、推扭耦合系数和单位进尺能量波动系数,其中为钻孔截面积;
28、由振动响应分析得到破碎响应特征,所述破碎响应特征至少包括三轴振动合成均方根、三轴振动合成能量、主振方向能量占比和高低频能量比,其中、、分别为三轴振动信号、、在各深度窗口内的均方根值;
29、由相邻深度窗口变化量得到深度梯度特征,所述深度梯度特征至少包括相邻深度窗口的钻进比能差值、扭矩差值、振动能量差值和钻速差值,以及上述差值的绝对值、符号和二阶差分;基于原始随钻参数、机理融合特征、破碎响应特征和深度梯度特征形成多层特征集合;
30、s32:计算样本可信度权重;基于稳态波动程度、传感器异常程度、深度配准误差和标签来源可信程度计算样本可信度权重,其中为稳态波动程度,由推力、扭矩、钻速和三轴振动变异系数加权得到;为传感器异常程度,由缺失率、饱和值比例和离群点比例确定;为深度配准误差,由进尺传感器精度、接杆记录误差和采样延迟估计得到;为标签来源误差,按孔内原位测试、取芯实验室测试、点载荷换算和经验换算依次递增设定;、、、为非负权重,用于调节各项因素对可信度的影响程度。
31、作为一种优选,在步骤4中,源域子域划分与可迁移性评分计算的过程如下:
32、s41:源域子域划分;按照岩性类别、强度等级和钻进工况对源域样本库进行子域划分,建立多个源域子域;
33、s42:计算特征分布差异;对于第个源域子域与当前目标域,计算二者之间的特征分布差异;特征分布差异采用最大均值差异进行表征:,其中和分别为源域子域和目标域的样本数量,为核映射函数,为再生核希尔伯特空间;
34、s43:计算钻进参数-强度响应敏感性一致性;计算源域子域和目标域标定样本中特征重要性排序的spearman秩相关系数,并将其归一化得到敏感性一致性;
35、s44:计算目标域标定样本预测残差;先利用第个源域子域训练初始预测器,再对目标域标定样本进行预测并计算预测残差,其中为目标域标定样本数量,为目标域第个标定样本的强度标签,为对应的多层特征集合;
36、对预测残差进行归一化处理,得到归一化误差,其中表示将预测残差映射至[0,1]区间的归一化函数取值在[0,1]区间,数值数值越小表示该源域子域对目标域的预测能力越强,迁移价值越高;
37、s45:计算可迁移性评分;将源域子域与当前目标域之间的特征分布差异、敏感性一致性、归一化误差三项指标归一化加权融合,得到源域子域与当前目标域之间的可迁移性评分,其中、和为非负权重且满足。
38、作为一种优选,在步骤5中,三档选择性迁移的过程如下:
39、s51:设定保留阈值和剔除阈值,且;
40、s52:依据可迁移性评分执行三档选择性迁移;当时,源域子域与当前目标域相似性高且响应机制一致,将其作为正迁移源域参与模型训练,并赋予第一训练权重;当时,源域子域与当前目标域存在一定差异但仍包含部分有用信息,将其作为弱迁移源域参与训练,并赋予小于第一训练权重的第二训练权重;当时,源域子域与当前目标域差异较大或在目标域标定样本上残差较高,将其从迁移训练过程中剔除,以降低负迁移风险;经上述三档选择性迁移处理后,获得经负迁移抑制后的训练样本集。
41、作为一种优选,在步骤6中,异构基学习器训练与选择性迁移增强特征矩阵构建的过程如下:
42、s61:异构基学习器训练;采用多个异构基学习器以提升模型表达能力和稳健性;异构基学习器包括树模型、核函数模型、线性模型和神经网络模型中的至少三类;所述树模型包括随机森林、极端随机树、梯度提升树、xgboost、lightgbm或catboost;所述核函数模型包括支持向量回归或高斯过程回归;所述线性模型包括岭回归、lasso回归或弹性网络;所述神经网络模型包括多层感知机、时序卷积网络、门控循环单元或transformer编码器;
43、s62:构建综合权重;基于样本可信度权重和源域子域可迁移性权重共同构成综合权重,使各异构基学习器采用综合权重进行训练;其中,源域子域可迁移性权重根据三档选择性迁移结果取值:当样本来自正迁移源域时,;当样本来自弱迁移源域时,,其中为弱迁移折减系数,满足;当样本来自剔除源域时,;目标域标定样本的取1;
44、s63:生成折外预测值;各异构基学习器通过k折交叉验证生成目标域样本的折外预测值;对于第个基学习器,其对第个目标域样本的折外预测值记为;
45、s64:残差校正;构建残差校正器,以目标域标定样本的多层特征集合和基学习器预测残差为训练数据,估计第个基学习器在当前目标域中的系统偏差;
46、s65:构建选择性迁移增强特征矩阵;将多层特征集合、各基学习器折外预测值、残差校正量、可迁移性评分、样本可信度权重和岩层突变指标组合,得到第个深度窗口样本的选择性迁移增强特征矩阵,其中为第个深度窗口样本的多层特征集合,为基学习器数量,为与该样本最相关的保留源域子域可迁移性评分或加权平均可迁移性评分,为岩层突变指标。
47、作为一种优选,在步骤7中,自适应深度连续约束元学习器训练的过程如下:
48、s71:计算岩层突变指标;由相邻深度窗口之间钻进比能差值、三轴振动合成能量差值和扭矩差值分别经各自全孔或当前孔段滑动标准差归一化后加权求和得到岩层突变指标,其中为第个深度窗口的钻进比能,为第个深度窗口的三轴振动合成能量,为第个深度窗口的扭矩均值,、、分别为对应参数的全孔或当前孔段滑动标准差,、、为非负权重且满足;
49、s72:确定自适应惩罚系数;
50、按如下方式根据岩层突变指标自适应确定惩罚系数:
51、当时,;当时,;当时,;其中为低阈值,为高阈值,且;为最大惩罚系数;
52、s73:构建元学习器训练损失函数;基于加权预测误差项、自适应深度连续约束项和模型正则化项构建元学习器训练损失函数,其中为第个深度窗口样本的样本可信度权重,为岩石强度标签,为岩石强度预测值,为孔深坐标,为防止分母为零的常数,为正则化权重,为元学习器参数的正则化项。
53、作为一种优选,在步骤8中,岩石强度实时预测与可信度评估的过程如下:
54、s81:实时预测;将现场实时随钻数据按步骤2至步骤3所述方法进行稳态窗口识别、深度配准和多层特征构建,输入步骤7训练完成的岩石强度随钻智能预测模型,输出不同孔深位置的岩石强度预测值;
55、s82:可信度评估;基于异构基学习器预测分散度、目标域与保留源域子域之间的分布差异、残差校正不确定度和样本可信度权重共同确定可信度,其中为各异构基学习器对第个样本预测值的方差或标准差,为目标域样本与保留源域子域之间的特征分布差异,为残差校正器对第个样本的预测不确定度,、、、为非负权重;
56、岩石强度随钻智能预测模型输出岩石强度预测值的同时输出可信度;
57、s83:触发原位强度补测;当可信度低于设定阈值,或目标域与已保留源域子域的分布差异超过设定阈值时,触发对应孔深位置或邻近孔深位置的原位强度补测;
58、s84:模型更新;完成原位补测后,将补测强度标签加入目标域样本库;冻结已训练的源域基学习器参数,仅更新源域子域可迁移性评分、残差校正器参数和元学习器参数;当新增补测样本达到预设数量,或补测样本揭示当前目标域分布与已有源域子域差异超过设定阈值时,重新执行步骤4至步骤7;当连续多个补测点显示当前目标域与全部历史源域子域的可迁移性评分均低于剔除阈值时,表明当前工程具有新的地质响应模式,将当前目标域样本库建立为新的源域子域并存入源域样本库,以用于后续相似工程场景,形成跨工程知识积累。
59、与现有技术相比,本发明具有如下技术优点:
60、1、本发明将源域样本库按照岩性类别、强度等级和钻进工况划分为多个子域,通过特征分布差异、钻进参数-强度响应敏感性一致性和目标域标定样本预测残差三项指标归一化加权融合计算各源域子域的可迁移性评分,并依据可迁移性评分执行三档选择性迁移,对高于保留阈值的正迁移源域赋予较高训练权重,对介于保留阈值和剔除阈值之间的弱迁移源域降低训练权重,对低于剔除阈值的源域子域直接剔除。该机制从源域结构层面主动识别并筛选对目标域预测具有正向贡献的源域子域,有效抑制了不相似源域强行迁移至目标域造成的负迁移现象。
61、2、本发明将可迁移性评分、残差校正量和样本可信度权重显式作为元学习器输入特征,与多层特征集合和异构基学习器折外预测值共同构成选择性迁移增强特征矩阵。该增强特征矩阵使集成学习框架不再仅依赖基学习器预测值,而是能够感知源域可靠性、目标域系统偏差和样本质量,实现了迁移学习过程中间产出的多层级信息复用,显著提升了元学习器的预测精度和稳健性。
62、3、本发明在元学习器训练阶段引入由岩层突变指标动态调节惩罚系数的自适应深度连续约束,通过钻进比能差值、振动能量差值和扭矩差值归一化加权得到岩层突变指标,使模型在均质岩层段具有较强的平滑约束以抑制传感器噪声跳变,在岩性界面或破碎带处自动降低或取消平滑约束以保留真实强度跃变。该约束在模型参数优化阶段即内化孔深连续性和岩层界面突变先验,区别于移动平均、卡尔曼滤波等后处理平滑方案,能够同步降低层内噪声突变误差和界面磨平误差。
63、4、本发明通过可信度驱动的原位强度补测机制,将主动学习思想与随钻预测闭环结合。可信度由异构基学习器预测分散度、目标域与保留源域子域之间的分布差异、残差校正不确定度和样本可信度权重共同确定;当可信度低于设定阈值时,优先在预测分散度最大或岩层突变指标接近高阈值的孔深位置触发原位强度补测,并利用补测结果在线更新源域子域可迁移性评分、残差校正器参数和元学习器参数。该机制在少量补测成本下持续提升目标域预测精度,实现模型的在线校准与持续进化,提升模型对复杂工程场景的适配能力。
64、5、本发明能够同时输出岩石强度预测值及其可信度,便于现场支护设计、掘进参数调整和围岩风险预警。当连续多个补测点显示当前目标域与全部历史源域子域的可迁移性评分均低于剔除阈值时,将当前目标域样本库建立为新的源域子域并存入源域样本库,形成跨工程知识积累,为后续相似工程场景提供可复用的先验知识。该方法可用于煤矿巷道、金属矿山、隧道工程、地下硐室等场景中的岩石单轴抗压强度随钻预测,具有较好的工程实用性和产业化前景。
65、该方法预测精度高,能够在保持均质岩层段预测平滑性的同时保留岩层界面或破碎带处的真实强度突变,并通过可信度驱动的原位补测和在线更新实现跨场景持续适应,同时解决了跨工程、跨岩性、跨工况应用时的负迁移抑制问题、孔深方向预测的噪声跳变与界面过度平滑矛盾问题,以及小样本目标域条件下的模型持续适应问题,为复杂工程场景下的岩石强度随钻智能预测提供了系统性解决方案。
66、本发明还提供了一种基于选择性迁移与深度约束的岩石强度预测系统,用于实现一种基于选择性迁移与深度约束的岩石强度预测方法,包括:
67、数据采集模块,用于构建源域样本库与目标域样本库;
68、稳态窗口与深度配准模块,用于剔除异常钻进阶段并将时间域随钻数据映射至孔深坐标,形成深度窗口样本;
69、多层特征与样本可信度计算模块,用于从深度窗口样本中构建多层特征集合并计算样本可信度权重;
70、源域子域可迁移性评估模块,用于对源域样本库进行子域划分并计算各源域子域与当前目标域之间的可迁移性评分;
71、选择性迁移训练模块,用于执行三档选择性迁移策略并训练多个异构基学习器,构建选择性迁移增强特征矩阵;
72、深度连续约束融合模块,用于训练带有自适应深度连续约束的元学习器,得到岩石强度随钻智能预测模型;
73、实时预测及主动校准模块,用于输出孔深方向的岩石强度预测值及其可信度,并根据可信度触发原位强度补测与模型在线更新。
74、本发明通过数据采集模块构建源域样本库与目标域样本库,为迁移学习提供数据基础;通过稳态窗口与深度配准模块剔除异常钻进阶段并完成时深转换,确保建模数据的质量与空间准确性;通过多层特征与样本可信度计算模块融合原始随钻参数、破岩机理特征、振动响应特征和深度梯度特征,并基于样本质量自动赋权;通过源域子域可迁移性评估模块从分布差异、响应敏感性和预测残差三个维度量化各源域子域的迁移价值,为选择性迁移提供依据;通过选择性迁移训练模块依据可迁移性评分执行正迁移、弱迁移和剔除的三档差异化策略,有效抑制负迁移;通过深度连续约束融合模块将自适应深度连续约束嵌入元学习器训练,在保持均质岩层段预测平滑性的同时保留地质界面处的真实强度突变;通过实时预测及主动校准模块输出带有可信度评估的预测结果,并依托可信度驱动原位补测与模型在线更新,实现跨场景持续适应。
75、该系统将源域子域可迁移性评估、选择性迁移训练、自适应深度连续约束和可信度驱动主动校准有机融合,有效解决了现有岩石强度随钻预测模型跨工程、跨岩性应用时易发生负迁移及孔深方向预测平滑与突变不可兼得的问题,为复杂工程场景下的岩石强度随钻智能预测提供了高精度、高鲁棒的系统性解决方案。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com