基于EEMD和DE-PNN的随钻测震岩性识别技术
刘金锁1
张平松2
刘盛东3
胡雄武2
张维鑫4
刘惠洲5
曹煜5
1.安徽理工大学 地球与环境学院,安徽 淮南 232001;安徽惠洲地质安全研究院股份有限公司,安徽 合肥 2312022.安徽理工大学 地球与环境学院,安徽 淮南 2320013.中国矿业大学 深地工程智能建造与健康运维全国重点实验室,江苏 徐州 2211164.合肥工业大学 资源与环境工程学院,安徽 合肥 2300095.安徽惠洲地质安全研究院股份有限公司,安徽 合肥 231202
摘要：针对坑道钻机在钻探施工过程中所遇到的岩性识别技术问题,结合切割岩石时钻头后方采集到的随钻振动信号,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和差分演化(Differential Evolution,DE)算法优化的差分概率神经网络(Differential Evolu-tion-Product Neural Networks,DE-PNN)的岩性识别方法.首先,通过采用不同幅频特征的正弦信号合成钻进模拟信号,分别选择振幅为 10 g(g为重力加速度,1 g ≈ 9.8 m/s2)、频率为 50 Hz的高频高能量信号和振幅为 5 g、频率为 20 Hz的低频低能量代表钻进所遇的岩石和煤层,对比经验模态分解(Empirical Mode Decomposition,EMD)和加入多次高斯白噪声的EEMD的模态分解结果,验证了加入多次高斯白噪声的EEMD在解决模态混叠上的应用效果;其次分别对中国贵州省某矿实采的切煤、切泥岩和切砂岩的 1s时长振动信号进行EEMD分解,对其进行频谱分析得到相应的幅频特征,挑选前7个特征基本模式分量(Intrinsic Mode Function,IMF)为特征模态,并分别对其求取能量和归一化处理和奇异值分解来构建 14个参数的特征向量;最后通过对中国贵州省某矿实采的切煤、切泥岩和切砂岩的各 160组 1 s时长的振动信号进行特征向量构建,输入经DE算法优化的PNN进行训练并验证识别效果,优化后的神经网络对剩余样本岩性识别率得到显著提高.结果表明:切割岩石的振动信号经EEMD分解和DE算法优化的概率神经网络处理,可高效、快速、准确地进行岩性识别,为进一步的随钻岩性识别提供了新的参考意义,更好地指导矿井钻探工作的开展.
关键词：岩性识别集合经验模态分解能量归一化奇异值分解差分概率神经网络
分类号：TD421.3(矿山机械)TD163.1(矿山地质与测量)
资助基金：安徽省科技攻坚计划项目(202423l10050039)国家重点研发计划(2023YFC3008902-4)国家自然科学基金(U1261202)
论文发表日期：2025-12-31
在线出版日期：2026-01-16（本平台首次上网日期，不代表文献的发表时间）
页数：11( 5182-5192 )
英文信息