一种基于小样本随钻数据反演的岩石孔隙度预测方法

本发明涉及地下工程岩石孔隙度反演预测方法，具体涉及一种基于小样本随钻数据反演的岩石孔隙度预测方法。

背景技术：

1、孔隙度是表征岩石强度、弹性模量、渗透率等物理力学参数的重要指标，地下巷道工程中快速测定岩石孔隙度对于支护方式选取及支护参数确定具有重要意义。传统测量岩石孔隙度的方式需要将取芯后的岩石加工为测试样本。开展实验室测试分析。在石油钻井等领域，通过分析录井信息可对油气储层孔隙度进行精细刻画和定量反演。然而，对于浅部巷道工程而言(如：地铁、隧道、地下巷道等)，开展测井、录井工作经济成本较大且操作繁琐。因此，需要提出一种定量、快速、经济的岩石孔隙度原位测量方法。

2、目前，随钻测试技术已逐渐成为岩土工程智能勘探领域的热点。随钻测量技术可以利用钻孔过程中的随钻参数变化特征反映围岩力学性质，并进行地层岩性与构造特征识别等，能够有效弥补传统测量方法在时间上的滞后性，并且不影响现场工程施工，是一种便捷、快速的原位测量方法。随钻测试领域的相关研究成果初步验证了基于随钻参数反演岩石强度、识别岩体结构面的可行性，但由于钻头与岩石切削作用过程较为复杂；同时，随钻参数现场采集过程存在有效数据量小、易受外界环境干扰的特点，导致利用随钻参数反演预测岩石孔隙度存在较大困难。现有文献中较少有针对巷道围岩孔隙度进行反演预测的方法，并且如何利用小样本随钻数据对岩石孔隙度进行精确反演预测，尚未见相关报道。因此，需要建立科学合理的岩石孔隙度随钻反演预测方法。。

技术实现思路

1、针对上述存在的技术不足，本发明的目的是提供一种基于小样本随钻数据反演的岩石孔隙度预测方法，其其能够利用实验室或现场钻进过程中的小样本随钻数据对岩石孔隙度进行快速、定量反演预测。

2、为解决上述技术问题，本发明采用如下技术方案：

3、本发明提供一种基于小样本随钻数据反演的岩石孔隙度预测方法，包括以下步骤：

4、步骤s1：采集钻机在实验室或地下巷道钻进过程中的随钻信息，获取扭矩m、推进力f、转速n、推进速度v、钻杆振幅a、振动加速度a关键随钻参数；

5、步骤s2：对采集到的不同类型随钻参数进行多重降噪处理，将多重去噪后的随钻参数值输入“bp-ga”模型，得到新的随钻参数衍生数据集；

6、步骤s3：分析新的随钻参数数据集内，不同类型随钻参数随钻进时间t的变化曲线，得到随钻参数时频域图，通过神经网络中的数据增强功能得到不同类型随钻参数的时频域图像库；

7、步骤s4：构建岩石孔隙度卷积神经网络预测模型，对不同孔隙度岩石钻进过程随钻参数时频域特征图像库进行学习和训练，确定模型的最初学习率和衰减系数，得到岩石孔隙度预测结果。

8、优选地，步骤s2中的不同类型随钻参数多重降噪方法的实现过程，包括以下步骤：

9、步骤1.1：基于连续采集的不同类型随钻参数的原始数据，计算每一类随钻参数原始数据的极值点mi、平均值ni和局部幅值ai；

10、

11、

12、采用局部均值函数a(t)将原始随钻数据x(t)进行分离，之后采用包络估算函数m(t)将原始随钻数据x(t)进行解调：

13、h(t)＝x(t)-a(t)(3)

14、

15、重复以上操作，直至原始随钻数据x(t)降维为单调函数或者具有≤3个极值点时，停止迭代计算，此时原始随钻数据x(t)被分解为k个决策分量pf和一个分解余量；

16、步骤1.2：以峭度h1、相关系数h2和均方根值h3作为pf分量的选择标准，则pf分量的评价指标vij表示为：

17、

18、式中，j取值为1，2，3，……，k；

19、此处定义vij>90％以上的pf分量为有效分量；

20、步骤1.3：采用小波降噪的方法对筛选后的pf分量进行更进一步的降噪处理，包括对扭矩m、推进力f、转速n、推进速度v、钻杆振幅a、振动加速度a的有效pf分量进行小波降噪，其中扭矩、转速用到的小波去噪函数为db3小波去噪函数，推进力、推进速度用到的小波去噪函数为coif3小波去噪函数，钻杆振幅、振动加速度用到的小波去噪函数为bior3.3小波去噪函数；

21、步骤1.4：将多重去噪后的随钻参数数据输入“bp-ga”模型进行迭代、交叉、变异，实现数据增强和数据衍生。

22、优选地，步骤s2中，建立“bp-ga”模型用以解决以上六种类型随钻参数现场数据采集困难导致时频域图样本数据量少的问题，其具体方法为：

23、步骤2.1：采用神经网络bp确定采集的随钻信息样本及期望输出值，通过自适应算法确定每一类型随钻参数对应的bp神经网络初始权重和阈值，从而剔除不合理数据；

24、步骤2.2：针对剔除不合理数据后的6类随钻参数，均采用遗传算法进行迭代、交叉和数据变异，交叉概率取0.75，变异系数取0.031，编码后产生的新的随钻参数数据群体分别为m1、m2、……、m6；

25、步骤2.3：将新生成的随钻参数数据分别与钻进时间t建立关系曲线，进而获得不同类型随钻参数的时频域特征图；

26、步骤2.4：利用神经网络中的数据增强功能，对每一类型随钻参数的时频域特征图进行随机翻转、顺时针或逆时针旋转、亮度改变、像素值提升操作，扩充随钻参数时频域图像库，直至每一类型随钻参数对应的时频域特征图像均≥1200张时，停止神经网络的迭代计算。

27、优选地，步骤s3中，不同类型随钻参数的时频域特征图获取方法，包括以下步骤：

28、步骤3.1：基于多重降噪、“bp-ga”模型处理后的随钻信息，建立不同类型随钻参数随钻进时间t的变化曲线，即得到随钻参数的时域特征图；

29、步骤3.2：采用离散型傅里叶变换将随钻参数时域特征图转变为频域特征图，其变化方程式为：

30、

31、式中，y(n)表示一个长度为l的有限长离散频率序列，n＝0，1，……，l-1，hz，y(t)表示一段时长为t的离散时间序列；

32、步骤3.3：通过短时傅里叶变换，将随钻参数的时域图、频域图进行融合；即：以时间为横轴，以随钻参数的采集频率和瞬时能量变化为纵轴，得到不同类型随钻参数的时频域特征图像，并扩充后的随钻参数时频域图像库输入至岩石孔隙度卷积神经网络预测模型即vg-cnn预测模型。

33、优选地，步骤s4中，岩石孔隙度卷积神经网络预测模型的具体预测过程如下：

34、步骤4.1首先，将不同孔隙度岩石随钻信息的时频域特征图输入至vg-cnn预测模型的第一层卷积层，该卷积层由42个大小为3×3的卷积核组成；

35、步骤4.2其次，将第一层卷积后的特征图输入vg-cnn预测模型的第一次池化层，该池化层由2×2的池化窗口组成；

36、步骤4.3重复步骤4.1和步骤4.2，直至vg-cnn预测模型的学习率≤3×10-5，衰减系数≤1×10-6，停止模型训练；此时，将岩石孔隙度预测混淆矩阵数据代入下式，验证vg-cnn预测模型对岩石孔隙度的预测准确率。

37、

38、式中：pt表示真正例，nt表示真反例，pf表示假正例，nf表示假反例。

39、本发明的有益效果在于：

40、1、本方法通过获取钻进过程中有限的实时随钻参数数据，将其经过多重降噪处理后通过“神经网络+遗传算法”进行迭代衍生，新形成的随钻数据集具有数据量大、可靠性高、鲁棒性强的特点，有效解决了随钻实验现场数据采集过程受外界干扰程度大、有效数据量小、数据离散性强的技术难题。

41、2、本方法选用的随钻参数合理、科学，能够真实反映岩石孔隙度，通过优化卷积神经网络结构参数，提高了岩石孔隙度的反演精度，解决了以往岩石孔隙度定量评价需送至实验室开展相关测试给现场带来的滞后性，可以应用于煤矿巷道、地铁、隧道等地质条件多变且空间有限的地下工程围岩孔隙度预测评价。