基于钻探数据的岩体分类机器学习方法比较研究
机器学习
2024-03-18 v1 计算机视觉与模式识别
摘要
目前钻爆法隧道施工中的岩石工程设计主要依赖工程师的观察评估。随钻测量（MWD）数据是隧道开挖过程中收集的高分辨率传感器数据集，但未得到充分利用，主要用于地质可视化。本研究旨在将 MWD 数据自动转化为可用于岩石工程的指标。它寻求将数据与特定工程动作联系起来，从而为隧道掌子面前方的地质挑战提供关键决策支持。利用来自 15 条隧道的 50 万个钻孔的大型且地质多样的数据集，该研究在真实隧道环境中引入了用于准确进行岩体质量分类的模型。研究探索了传统机器学习和基于图像的深度学习，使用表格和图像数据将 MWD 数据分类为 Q 类和 Q 值（描述岩体稳定性的指标示例）。结果表明，使用表格数据的基于树模型集成中的 K 近邻算法能有效分类岩体质量。在将岩体分类为 Q 类 A、B、C、D、E1、E2 时，其交叉验证平衡准确率达到 0.86，在 E 与其余类的二元分类中达到 0.95。使用 CNN 对每个爆破循环的 MWD 图像进行分类，二元分类的平衡准确率为 0.82。使用与分类类似的集成模型从表格 MWD 数据回归 Q 值，交叉验证的 R2 和 MSE 得分分别为 0.80 和 0.18。回归和分类的高性能增强了对自动化岩体评估的信心。在独特数据集上应用先进建模展示了 MWD 数据在提高岩体分类准确性和推进数据驱动的岩石工程设计方面的价值，从而减少了人工干预。
引用
@article{arxiv.2403.10404,
title = {A comparative study on machine learning approaches for rock mass classification using drilling data},
author = {Tom F. Hansen and Georg H. Erharter and Zhongqiang Liu and Jim Torresen},
journal= {arXiv preprint arXiv:2403.10404},
year = {2024}
}