[发明专利]一种基于长短时记忆神经网络的钻具受力优化控制方法

说明书

本发明涉及地下工程及塌方抢险救援领域，具体公开了一种基于长短时记忆神经网络的钻具受力优化控制方法，以长短时记忆神经网络代替人工实现了自动根据监测数据判断钻机所处状态，并实时提出优化方案；现场试验前利用离散元方法进行数值模拟，避免了现场试验地质情况复杂、试验成本高、数据分析困难的缺点；建模过程中采用控制变量的方法分析单一变量对钻具受力的影响，更准确的总结该状况下的钻具曲线变化特征；本发明能够用于钻机钻进的全周期中，当现场曲线的发展趋势与标准线偏差较大时，自动判断选择优化方案，使得外钻筒扭矩曲线的变化朝着制定的目标发展，在充分发挥大口径钻机的救援效率同时，同时避免“卡钻”问题的发生，使得救援过程流畅。

技术领域

本发明涉及地下工程及塌方抢险救援领域，尤其涉及一种基于长短时记忆神经网络的钻具受力优化控制方法。

背景技术

随着国家经济的快速发展，地下工程(如公路隧道、铁路隧道、城市地铁等)以其不占用土地资源的巨大优势，在我国的应用越来越广泛。由于隧道地下作业存在不确定性，塌方灾害常有发生。一旦发生塌方，开展受困于隧道内人员的快速营救是救险工作的首要任务。

大口径钻机救援法是较为先进的机械救援方法，此方法利用钻机穿透塌方体，抽出钻具内管后形成逃生通道。相比传统的坍方救援方法(小导坑法、侧壁导坑法)具有成孔快速、安全，且对周围塌方体扰动小的优点。但由于目前使用经验不足，救援过程中出现的钻机“卡钻”问题影响了逃生通道的打通，甚至造成救援失败。目前避免该问题发生主要通过人工观察钻机数据监测系统监测到的钻具各部分受力曲线凭经验推断可能遇到问题，进行受力优化控制的方法，但此方法具有准确率低且决策时间长，给钻具钻进方法调整带来滞后性的缺点。

长短时记忆神经网络(Long short-term memory neural network,LSTM)是机器学习中的一种模型，尤其擅长处理时间序列数据；LSTM通过程序和算法自动学习并进行优化，同时，需要一定数量的样本数据来构建过往经验“知识”。

因此，如能提供一种基于长短时记忆神经网络的钻具受力优化控制方法，则可为科学优化钻具使用方法提供指导，有效避免卡钻问题的发生。

发明内容

有鉴于此，本发明的目的在于提供一种基于长短时记忆神经网络的钻具受力优化控制方法，可为科学优化钻具使用方法提供指导，有效避免卡钻问题的发生。

本发明提供了一种基于长短时记忆神经网络的钻具受力优化控制方法，包括以下步骤：

步骤一，制定一条外钻筒钻进过程所受扭矩的标准线；

步骤二，采用离散元方法对钻具钻进不同塌方体进行数值模拟，对比标准线得到异常情况下钻具受力曲线的特征并对应提出优化方案，优化方案包括保持现状、提升速度、降低速度、采用螺旋钻头结合外钻筒钻进、采用DTH潜孔锤钻头结合外钻筒钻进及采用DTH潜孔锤伸缩钻头结合外钻筒钻进；

步骤三，根据现场试验中大口径钻机自带的数据采集系统监测钻具受力曲线的特征选择解决方案，通过观察钻具受力曲线变化对优化方案进行验证；

步骤四，构建基于LSTM的优化控制模型，处理数值模拟和现场试验所得数据并作为样本对优化控制模型进行训练；

步骤五，将救援过程中钻机数据采集系统监测的数据输入优化控制模型，实时输出对应的优化方案。

进一步，所述的步骤一中，外钻筒钻进过程所受扭矩的标准线为：

其中，M为外钻筒钻进过程所受的标准扭矩值，M_max为钻机所提供的最大扭矩值，M₁为保留动力值，X_a为钻进的目标位移值，X为实际钻进位移值。