检索结果-维普期刊中文期刊服务平台

基于原岩随钻振动信号的岩石单轴抗压强度快速预测试验研究: 1; 作者刘河清刘建康 +4 位作者郝建郑义宁肖勇胡慧栾学坤《岩土工程学报》北大核心 2025年第8期1700-1710,共11页; 为了揭示随钻振动信号与岩石单轴抗压强度之间的响应关系,实现单轴抗压强度的快速感知预测,基于随钻振动信号提出了混合遗传算法优化(GA-BP)的单轴抗压强度人工神经网络快速预测方法。运用傅里叶变换及数学运算提取花岗岩、石灰岩、页... 展开更多; 关键词随钻振动信号单轴抗压强度时域、频域特征神经网络; 在线阅读下载PDF 职称材料

基于随钻振动信号与深度学习的岩性智能预测方法被引量：10: 2; 作者王胜赖昆 +4 位作者张拯柏君罗中斌李冰乐张洁《煤田地质与勘探》 EI CAS CSCD 北大核心 2023年第9期51-63,共13页; 岩性智能预测在地质钻探中具有重要意义,可以提高勘探、开采效率和成果质量。基于钻进过程中钻头破碎岩石产生的振动信号,提出一种岩性随钻智能预测方法。选取7类尺寸相同的不同岩性的岩石,并设计微钻实验方案,对岩石施加不同钻速、转... 展开更多; 关键词岩性智能预测随钻三轴振动信号短时傅里叶变换数据增强深度学习改进VGG11算法; 在线阅读下载PDF 职称材料

随钻信号对岩石单轴抗压强度响应特征及反演模型被引量：1: 3; 作者刘河清刘建康 +2 位作者郝建赵立进汤建泉《煤炭科学技术》北大核心 2025年第4期266-279,共14页; 岩石单轴抗压强度是岩土工程与地下工程中表征岩体性质的重要参数之一。为了准确、快速地感知、预测煤矿井下岩体的岩石单轴抗压强度,以室内9种不同配比的相似材料试件钻取试验为基础,构建基于随钻振动信号的单轴抗压强度GA−BP(Genetic ... 展开更多; 关键词随钻振动信号单轴抗压强度相似材料人工神经网络时域、频域特征; 在线阅读下载PDF 职称材料

基于1DCNN-BiLSTM-CBAM的煤巷顶板岩层地质特征随钻智能识别方法被引量：1: 4; 作者雷志勇王家文 +2 位作者凡东鲁飞飞陈卫明《煤田地质与勘探》 EI CAS CSCD 北大核心 2024年第11期192-199,共8页; 【目的】煤巷顶板事故多发生于原生裂隙发育带和岩层破碎带等潜在垮落区,准确、及时掌握顶板岩层地质特征并优化其支护方案及参数是预防顶板事故的重要途径。目前关于巷道顶板岩层地质特征识别方法的相关研究存在识别速度慢、效率低、... 展开更多; 关键词煤矿事故深度学习随钻振动信号时间序列分类地质特征识别煤巷顶板智能识别; 在线阅读下载PDF 职称材料

题名基于原岩随钻振动信号的岩石单轴抗压强度快速预测试验研究: 1; 作者刘河清刘建康郝建郑义宁肖勇胡慧栾学坤; 机构山东科技大学能源与矿业工程学院山东科技大学省部共建矿山岩层智能控制与绿色开采国家重点实验室培育基地中国矿业大学(北京)隧道工程灾变防控与智能建养全国重点实验室山东能源集团鲁西矿业有限公司郭屯煤矿山西省煤炭地质; 出处《岩土工程学报》北大核心 2025年第8期1700-1710,共11页; 基金国家自然科学基金项目(52204099,52174121) 山东省自然科学基金项目(ZR2022QE203) 省部共建矿山岩层智能控制与绿色开采国家重点实验室培育基地开放基金项目(MDPC2024ZR03)。; 文摘为了揭示随钻振动信号与岩石单轴抗压强度之间的响应关系,实现单轴抗压强度的快速感知预测,基于随钻振动信号提出了混合遗传算法优化(GA-BP)的单轴抗压强度人工神经网络快速预测方法。运用傅里叶变换及数学运算提取花岗岩、石灰岩、页岩、砂岩和煤5种原岩(煤)振动信号时域、频域的特征值,构建不同神经网络预测模型并分析比较各模型的预测性能。研究结果表明:经遗传算法优化的GA-BP神经网络模型决定系数R2为0.778,较之BP神经网络模型提升了9.4%;构建的模型对于单轴抗压强度有着较好的预测能力,所用方法为岩石力学参数快速获取技术的智能化和自动化发展提供了新的技术路径。; 关键词随钻振动信号单轴抗压强度时域、频域特征神经网络; Keywords vibrating signal with drilling uniaxial compressive strength time and frequency domain characteristic artificial neural network; 分类号 TU459 [建筑科学—岩土工程]; 在线阅读下载PDF 职称材料

题名基于随钻振动信号与深度学习的岩性智能预测方法被引量：10: 2; 作者王胜赖昆张拯柏君罗中斌李冰乐张洁; 机构成都理工大学地质灾害防治与地质环境保护国家重点实验室; 出处《煤田地质与勘探》 EI CAS CSCD 北大核心 2023年第9期51-63,共13页; 基金珠峰科学研究计划项目(80000-2022ZF11411)。; 文摘岩性智能预测在地质钻探中具有重要意义,可以提高勘探、开采效率和成果质量。基于钻进过程中钻头破碎岩石产生的振动信号,提出一种岩性随钻智能预测方法。选取7类尺寸相同的不同岩性的岩石,并设计微钻实验方案,对岩石施加不同钻速、转速以采集多钻进条件下的随钻三轴振动信号,对信号进行预处理滤除干扰信息,通过短时傅里叶变换生成表征信号时频域特征的时频图像,再利用多种数据增强方法增加图像数量并建立为数据库,以增强模型鲁棒性和泛化能力。改进深度学习中VGG11(Visual Geometry Group)卷积神经网络算法,将数据库划分为训练集∶测试集=8∶2,对训练集图像的有效信息进行特征提取、学习、迭代训练以获得岩性智能预测模型,并不断调整模型的3个超参数(学习率、批处理大小、迭代次数),拟合测试集和训练集损失函数曲线以提高模型预测精度。最后用测试集对模型进行多指标评估。结果表明:基于随钻振动数据训练得到的岩性智能预测模型泛化能力强,具有高预测精度,岩性整体预测准确率达到96.85%。重点讨论了数据集数量对岩性预测准确率的影响;不同的钻进条件会引起随钻振动信号产生一定规律性的变化,岩石性质会使得振动信号在三轴方向上有所变化;X、Y、Z轴信号表征着钻进过程中钻头破碎岩石的不同过程。提出的岩性实时智能预测方法为钻探工程现场中岩性预测提供了一定的依据和借鉴。; 关键词岩性智能预测随钻三轴振动信号短时傅里叶变换数据增强深度学习改进VGG11算法; Keywords intelligent lithology prediction triaxial vibration signals while drilling short-time Fourier transform data augmentation deep learning improved VGG11 algorithm; 分类号 P634 [天文地球—地质矿产勘探]; 在线阅读下载PDF 职称材料

题名随钻信号对岩石单轴抗压强度响应特征及反演模型被引量：1: 3; 作者刘河清刘建康郝建赵立进汤建泉; 机构山东科技大学能源与矿业工程学院中国矿业大学(北京)隧道工程灾变防控与智能建养全国重点实验室; 出处《煤炭科学技术》北大核心 2025年第4期266-279,共14页; 基金国家自然科学基金资助项目(52204099,52174121) 山东省自然科学基金资助项目(ZR2022QE203)。; 文摘岩石单轴抗压强度是岩土工程与地下工程中表征岩体性质的重要参数之一。为了准确、快速地感知、预测煤矿井下岩体的岩石单轴抗压强度,以室内9种不同配比的相似材料试件钻取试验为基础,构建基于随钻振动信号的单轴抗压强度GA−BP(Genetic Algorithm−Backpropagation)神经网络预测模型。通过改变GA−BP神经网络的隐含层数、种群数和训练函数,讨论分析预测模型影响因素与结果,确定最优预测模型结构。结果表明:随钻振动信号与相似模拟材料的单轴抗压强度之间具有响应关系,所构建预测模型准确率都在70%以上,以随钻振动信号感知预测单轴抗压强度的研究方法具有一定的可行性;训练函数选择trainlm、隐含层为8、种群数为20时模型结果最优,训练集、测试集决定系数分别为0.761、0.745,均方根误差分别为6.039、4.254 MPa,平均绝对误差分别为6.574、4.716 MPa。提出的单轴抗压强度预测方法可为岩石力学性质的智能辨识提供新的思路。; 关键词随钻振动信号单轴抗压强度相似材料人工神经网络时域、频域特征; Keywords Vibration signals with drilling uniaxial compressive strength similar material artificial neural network time and frequency domain characteristics; 分类号 TD313 [矿业工程—矿井建设]; 在线阅读下载PDF 职称材料

题名基于1DCNN-BiLSTM-CBAM的煤巷顶板岩层地质特征随钻智能识别方法被引量：1: 4; 作者雷志勇王家文凡东鲁飞飞陈卫明; 机构国家能源集团陕西神延煤炭有限责任公司中国地质大学(武汉)工程学院中煤科工西安研究院(集团)有限公司陕西省煤矿水害防治技术重点实验室中国地质大学(武汉)自然灾害风险防控与应急管理实验室; 出处《煤田地质与勘探》 EI CAS CSCD 北大核心 2024年第11期192-199,共8页; 基金国家重点研发计划项目(2022YFC3005900) 陕西省煤矿水害防治技术重点实验室开放基金项目(2021SKMS07) 中央高校基本科研业务费专项项目(CUG2642022006)。; 文摘【目的】煤巷顶板事故多发生于原生裂隙发育带和岩层破碎带等潜在垮落区,准确、及时掌握顶板岩层地质特征并优化其支护方案及参数是预防顶板事故的重要途径。目前关于巷道顶板岩层地质特征识别方法的相关研究存在识别速度慢、效率低、成本高等问题,难以满足煤矿安全、高效和智能化开采的需求。【方法】提出了一种基于1DCNN(一维卷积神经网络)、BiLSTM(双向长短期记忆网络)和CBAM(卷积块注意力模块)相结合的神经网络模型,建立了随钻振动加速度信号与顶板岩层地质特征的对应关系,通过钻进试验,采集完整岩石、破碎岩石和含裂隙岩石样本的随钻振动加速度信号数据,并将此信号作为训练样本,在此基础上建立了不同岩石样本与其随钻振动信号之间的对应关系,并采用准确率、精确率、召回率和F1值4项分类指标评估各模型的性能。【结果和结论】研究表明:(1)建立的1DCNN-BiLSTM-CBAM模型实现了端到端的岩层地质特征智能识别,简化识别流程,提高识别效率。(2) SVM(支持向量机)、1DCNN、BiLSTM以及1DCNN-BiLSTM-CBAM模型训练结果表明,1DCNN-BiLSTM-CBAM模型的平均准确率、精确率、召回率和F1值分别达到99.22%、99.26%、99.21%和99.23%,均优于其他对比模型。(3)实验验证该模型在煤巷顶板岩层地质特征的分类识别中是有效的,且具有良好的分类识别性能,能够满足巷道顶板岩层地质特征实时智能的识别要求。研究为识别煤巷潜在垮落区以及制定顶板支护方案提供了有力的技术支持,提供了一种煤矿巷道顶板随钻探测的高效识别方法,对提升煤矿巷道安全保障技术具有重要的借鉴意义。; 关键词煤矿事故深度学习随钻振动信号时间序列分类地质特征识别煤巷顶板智能识别; Keywords coal mine accident deep learning signals of vibrations while drilling time series classification geological feature identification roof of a coal roadway intelligent identification; 分类号 TD41 [矿业工程—矿山机电] TD231 [矿业工程—矿井建设]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于原岩随钻振动信号的岩石单轴抗压强度快速预测试验研究	刘河清刘建康郝建郑义宁肖勇胡慧栾学坤	《岩土工程学报》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于随钻振动信号与深度学习的岩性智能预测方法	王胜赖昆张拯柏君罗中斌李冰乐张洁	《煤田地质与勘探》 EI CAS CSCD 北大核心	2023	10	在线阅读下载PDF 职称材料
3	随钻信号对岩石单轴抗压强度响应特征及反演模型	刘河清刘建康郝建赵立进汤建泉	《煤炭科学技术》北大核心	2025	1	在线阅读下载PDF 职称材料
4	基于1DCNN-BiLSTM-CBAM的煤巷顶板岩层地质特征随钻智能识别方法	雷志勇王家文凡东鲁飞飞陈卫明	《煤田地质与勘探》 EI CAS CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料