[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117852416B - 基于数字化地质模型的多模态注浆预控分析方法及系统 - Google Patents

基于数字化地质模型的多模态注浆预控分析方法及系统 Download PDF

Info

Publication number
CN117852416B
CN117852416B CN202410256880.2A CN202410256880A CN117852416B CN 117852416 B CN117852416 B CN 117852416B CN 202410256880 A CN202410256880 A CN 202410256880A CN 117852416 B CN117852416 B CN 117852416B
Authority
CN
China
Prior art keywords
grouting
model
geologic
data
geological
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410256880.2A
Other languages
English (en)
Other versions
CN117852416A (zh
Inventor
李术才
许振浩
潘东东
李轶惠
卜泽华
赵晟喆
张一驰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202410256880.2A priority Critical patent/CN117852416B/zh
Publication of CN117852416A publication Critical patent/CN117852416A/zh
Application granted granted Critical
Publication of CN117852416B publication Critical patent/CN117852416B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了基于数字化地质模型的多模态注浆预控分析方法及系统，涉及地下工程注浆预控分析技术领域，提取地质结构中的不连续裂隙面，构建地质体结构模型；再构建多源地质体属性模型，对灾害高风险区域采用多相流计算方法进行注浆模拟优化求解，采用控制变量法，通过调整注浆模拟和属性数据结构模型中的参数值，得到变系数的多因素扩散范围，利用神经网络学习并捕捉不同参数之间的复杂映射关系，优化注浆过程，对整个注浆过程进行预控分析。

Description

基于数字化地质模型的多模态注浆预控分析方法及系统
技术领域
本公开涉及地下工程注浆预控分析技术领域，具体涉及基于数字化地质模型的多模态注浆预控分析方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
地下工程的迅速发展带来了对地下空间的更广泛利用，然而，地下地质环境的复杂性给工程建设带来了新的挑战。与地上空间相比，地下存在更为多样化和复杂的地质特征，而目前的地下工程注浆预控方法在处理多源异构数据和数字化地质建模方面仍然存在一系列问题。尤其当面临来自多个维度和不同类型的海量多源异构数据。当前数字化展示方式往往只能呈现单一属性，而多属性模型的构建则受制于数据量不足和耗时耗力等问题。这限制了地下工程预控分析方案的准确性和全面性。
在复杂的地下环境中进行施工，尤其是在穿越富水破碎带、活断层和软弱围岩等不良地质时，地下工程面临着涌水突泥、塌方等灾害的威胁。注浆作为一种常用的地质灾害防控方法，虽然可以有效应对各类地下工程灾害，但是目前存在一些问题。注浆过程具有极高的隐蔽性，难以可视化浆液的扩散过程以及准确判断注浆参数对防控效果的影响，现有注浆方案的选择通常依赖于人工经验，缺乏智能化的注浆参数优化方案。
目前的三维地质建模方法需要对各类地质数据进行统一处理，但对于数字化地质建模、实际注浆过程以及隧道风险评估的有效融合缺乏深入研究。现有的研究手段对于考虑实际工程的注浆模拟往往采取概化处理，无法准确模拟实际工程注浆效果。
发明内容
本公开为了解决上述问题，提出了基于数字化地质模型的多模态注浆预控分析方法及系统，通过对地质体结构模型的数字化表征，实现对实际地下工程模型的真实计算并进行注浆参数方案的优化以及对实际工程监测中的注浆数据进行预控分析。
根据一些实施例，本公开采用如下技术方案：
基于数字化地质模型的多模态注浆预控分析方法，包括：
获取地下钻孔数据以及地质编录数据，提取地层中的裂隙面并进行网格划分，进行裂隙分形维度计算，对不连续裂隙面进行共面性检验，构建地质结构模型；
提取围岩图像以及钻孔数据中的多源属性数据值，将地质结构模型划分空间方格单元，将多源属性数据值赋予地质结构模型，得到多源地质体属性模型；
构建地下工程风险评估模型，对每个空间方格单元进行多因素灾害风险区域评估，预测灾害高风险区域；
对灾害高风险区域采用多相流计算方法进行注浆模拟优化求解，获取优化后的注浆参数进行实际工程注浆；基于实际工程注浆数据，采用控制变量法，调整注浆参数值，得到实际工程中变系数的多因素扩散范围，利用神经网络学习并捕捉不同参数之间的复杂映射关系，对整个注浆过程进行监控优化。
根据一些实施例，本公开采用如下技术方案：
基于数字化地质模型的多模态注浆预控分析系统，包括：
数据获取模块，用于获取地下钻孔数据以及地质编录数据；
地质构造建模模块，用于提取地层中的裂隙面并进行网格划分，进行裂隙分形维度计算，对不连续裂隙面进行共面性检验，构建地质结构模型；
多源地质体属性建模模块，用于提取围岩图像以及钻孔数据中的多源属性数据值，将地质结构模型划分空间方格单元，将多源属性数据值赋予地质结构模型，得到多源地质体属性模型；
隧道风险评估模块，用于构建地下工程风险评估模型，对每个空间方格单元进行多因素灾害风险区域评估，预测灾害高风险区域；
注浆模拟模块，用于对灾害高风险区域采用多相流计算方法进行注浆模拟优化求解；
实际工程监测模块，用于利用优化后的注浆参数进行实际工程注浆；
多模态注浆分析模块，基于实际工程注浆数据，采用控制变量法，调整注浆参数值，得到实际工程中变系数的多因素扩散范围，利用神经网络学习并捕捉不同参数之间的复杂映射关系，对整个注浆过程进行预控分析。
根据一些实施例，本公开采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行所述的基于数字化地质模型的多模态注浆预控分析方法。
根据一些实施例，本公开采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于数字化地质模型的多模态注浆预控分析方法。
与现有技术相比，本公开的有益效果为：
本公开的一种基于数字化地质模型的多模态注浆预控分析方法及系统，充分利用地质、钻探和物探等多层次多属性数据，构建高度精确的三维动态地质模型，从而实现对地下工程风险的全面评估与三维可视化建模。将地层体和不连续裂隙面作为构建地质体的关键要素，通过整合多源属性作为边界条件，实现注浆过程预先智能模拟，为地下工程提供了更精准的地质信息，同时为注浆过程中的决策提供了科学依据。
本公开的这种基于数字化地质模型的注浆预控分析方法不仅提高了注浆过程的效率，还降低了工程风险，为工程决策提供了有力支持，同时该系统也具备直观的三维可视化功能，使工程人员能够更全面地理解地下情况，为地下工程提供了一种全新的、更智能的解决方案，推动了注浆技术的发展与应用。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例的方法的流程框架图；
图2为本公开实施例的数字化地质模型风险评估过程示意图；
其中，图2中的（a）表示地质识别模型图；图2中的（b）表示表示地质结构模型的局部结构模型图；图2中的（c）表示多源属性模型；图2中的（d）表示风险区域评价模型；（a）~（d）为按照实施步骤依次标注；
图3为本公开实施例的注浆模拟扩散形态示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本公开的一种实施例中提供了基于数字化地质模型的多模态注浆预控分析方法，包括：
步骤一：获取地下钻孔数据以及地质编录数据，提取地层中的裂隙面并进行网格划分，进行裂隙分形维度计算，对不连续裂隙面进行共面性检验，构建地质结构模型；
步骤二：提取围岩图像以及钻孔数据中的多源属性数据值，将地质结构模型划分空间方格单元，将多源属性数据值赋予地质结构模型，得到多源地质体属性模型；
步骤三：构建地下工程风险评估模型，对每个空间方格单元进行多因素灾害风险区域评估，预测灾害高风险区域；
步骤四：对灾害高风险区域采用多相流计算方法进行注浆模拟优化求解，获取优化后的注浆参数进行实际工程注浆；基于实际工程注浆数据，采用控制变量法，调整注浆参数值，得到实际工程中变系数的多因素扩散范围，利用神经网络学习并捕捉不同参数之间的复杂映射关系，对整个注浆过程进行监控优化。
作为一种实施例，本公开的一种基于数字化地质模型的多模态注浆预控分析方法，包括构建地质结构模型，再将各种属性数据值赋予这个地质结构模型，获得多源地质体属性模型，然后针对多源地质体属性模型划分空间方格单元，进行风险区域预测，针对高风险区域进行注浆模拟，并实际注浆，根据实际注浆参数数据不断进行注浆优化，对注浆过程进行预控，具体的，本公开方案的具体的实施过程包括：
步骤1：基于钻孔数据、地质编录的地层剖面图构建地质体结构模型。
1）首先，在处理钻孔数据方面，采用高效的数据处理技术，通过岩心分析、地层厚度和孔隙结构等关键参数的系统整合，系统使用插值方法（例如克里金插值）将离散的钻孔数据转化为连续的地下岩土体模型。
地质编录数据的处理过程则包括深度解析和图像生成。通过采用图像处理技术和地理信息系统（GIS）技术，将地质编录中的岩性、构造特征和地层变化等信息进行深度解析，生成地层剖面图。
在地质结构模型建模阶段，系统采用先进的三维建模技术，如体元法或有限元法，以精确还原地下结构。通过对岩土层的几何形态、孔隙结构和地质体的空间分布进行综合分析，系统利用插值方法和数值建模手段生成高度还原真实的地层体结构。
其中，钻孔数据、地质编录数据包括地质勘查、物探数据、围岩图像、随钻感知以及原位测试数据，并基于这些数据进行各个方法流程的处理。
进一步的，地下地质结构模型的构建基于钻孔图像对裂隙的不连续性分析，提取地层中的不连续裂隙面，并进行裂隙分形维度计算：
首先基于机器视觉技术对钻孔图像进行识别，进一步进行图像处理和分形维数计算： 利用分形几何的原理，采用分形维数的计算方法，例如盒计数法（Box CountingMethod）来测量裂隙面的复杂度。
提取各不连续裂隙面的分形维度数据并计算，以及对获取的各个不连续裂隙面进行共面性检验，将分形维数作为结构属性值赋予地质体结构，完成地质结构模型的构建。
作为一种实施例，对裂隙的不连续性进行分析，提取各个不连续裂隙面的分形维度数据，并进行裂隙分形维度计算，来获取各个不连续裂隙面并对各个不连续裂隙面的共面性进行检验，具体过程包括：
S101：利用现有机器视觉语义分割模型识别迹线裂隙，在机器视觉语义分割模型中输入获取的不同钻孔图像与点云信息，输出迹线裂隙，再利用圆盘模型拟合迹线裂隙，来获取裂隙分形维度数据，其中，分形维度数据包括：裂隙面倾向、倾角、迹长、圆心坐标、裂隙面编号等。
S102：利用现有迁移学习建立的岩体裂隙识别模型，将钻孔图像输入至岩体裂隙识别模型，输出钻孔图像中的裂隙，然后计算裂隙分形维度数据，基于裂隙分形维度数据得到岩体内部的不连续裂隙面；本实施例的岩体裂隙识别模型可以采用目前较为成熟的语义分割模型。
作为一种实施例，利用机器视觉语义分割模型进行迹线裂隙识别，以及利用岩体裂隙识别模型识别裂隙，均是本领域技术人员根据现有技术能够实现的。
进一步的，计算裂隙分形维度数据具体包括：
（1）利用现场测量的裂隙的钻孔位置和钻孔半径，得到裂隙的倾向和倾角；
（2）将钻孔裂隙图像中的裂隙面沿着钻孔边缘作为正弦曲线进行展开，随机提取该钻孔裂隙图像中的离散点，利用正态曲线拟合离散点与最佳拟合平面之间的距离，并计算离散点到最佳拟合平面的正态距离的标准差σ，作为离散度；
作为一种实施例，所述最佳拟合平面可以通过MATLAB编程实现，具体为：利用最小二乘法获取所有离散点到某一平面均为最小值时，则该平面为最佳拟合平面。
（3）将裂隙所在钻孔的深度位置作为裂隙面所在深度；用裂隙面的圆心坐标表征裂隙位置。
进一步的，将不同钻孔得到的分形维度数据进行坐标统一处理。因为钻孔本身存在顶角与方位角，导致每个钻孔裂隙数字化表征所在坐标系出现差异，因此需要通过统一的坐标和尺度对信息进行正则化，将结构平面坐标统一为绝对坐标系。具体的坐标转换方法采用现有技术实现。
S103：作为一种实施例，不同钻孔的裂隙的不连续裂隙面具有空间关联性，两个不相连的钻孔不连续裂隙面区域可能与同一个平面方程兼容，利用得到的裂隙分形维度数据的不连续裂隙面，并对不同的不连续裂隙面进行共面性检验，判断不同的不连续裂隙面是否属于同一个空间平面数据集，能够使得构建的地质结构模型更加贴合实际，能够考虑模型空间构建的全面性，减少构建的地质结构模型与现实的地质结构的误差，对于后续的一些模型以及裂隙分析也更加贴近真实，则对不同的不连续裂隙面进行共面性检验，判断不同的不连续裂隙面是否属于同一个空间平面数据集，包括：
基于获取的裂隙分形维度数据，转换为不同裂隙面的数字属性表征，组成不连续数据集；对不连续数据集中的裂隙面进行聚类，得到聚类数据集，采用对裂隙面最佳拟合平面的参数和正态距离的标准差的差值进行比较的方式，对同一聚类中不同裂隙面的共面性进行检验，得到多个共面数据集；将同一共面数据集中所有圆心坐标拟合为凸多边形环，作为不连续裂隙面的边际，提取凸多边形不连续裂隙面。
对不连续数据集中的裂隙面进行聚类，具体为：根据每个裂隙面对应平面方程的平面法向量，依据法向量的接近程度判断两个裂隙面是否属于同一聚类，依据相近性进行同一聚类的划分。
对于同一聚类类别中的两个裂隙面，采用对裂隙面最佳拟合平面的参数和正态距离的标准差的差值进行比较的方式，判断两者是否共面，具体为： D1和D2为两个裂隙面最佳拟合平面方程参数，σ1和σ2为两个裂隙面所有离散点到最佳拟合平面的正态距离的标准差，k为控制该检验灵敏度参数；当两个裂隙面的D值的差值小于标准差的和乘上某个灵敏度参数，具体表现形式为：D1-D2<k(σ1+σ2)，则判定两个裂隙面属于一个共面数据集。
进一步的，完成各个不连续裂隙面的共面性检验后，再对地质体结构进行分析，地质体结构包括均质地质体和不良地质体，利用现有的拟合方法获取地质勘查以及物探数据中的均质地层体以及不良地层体，将不良地质体嵌入均值地层体结构中，将各个不连续裂隙面是否共面的结果作为地层体结构属性，赋予地质结构模型，以此完成对地质结构模型的构建。
步骤2：构建多源地质体属性模型
获取地质体结构模型，对地质结构模型划分空间方格单元，构建单元体三维属性数据结构；单元体三维属性数据结构包括空间信息和属性信息，其中空间信息包括单元体三维空间坐标，属性信息包括含水率属性、裂隙密度属性、元素含量属性、岩体强度属性、地应力属性、岩性分布属性等。
将地质体结构模型划分为紧密排列的空间方格单元（可自定义尺寸的三维单元体的正方体，但在场区边界、地层分界等特殊位置，单元体可被边界约束剖分成不规则立方体，以更好适应模型结构。单元体尺寸可综合场区整体地质模型大小和属性密度进行设置），每个单元体的中心是一个点，称之为地质点。然后构建地质点属性数据结构，将每种不良地质分别作为一种属性存储在地质点中。对于获取的多属性地质体模型，可分别查看其属性分布状态，也可以根据工程需要对不同属性按照重要性分别赋予不同的权值从而得到融合地质属性模型。在建立融合地质属性模型前，需要对每种属性数据进行归一化处理，即消除各种属性值之间的量纲差异，将其映射到无量纲的[0，1）区间上（即单元体位于富水、岩溶、断层等不良地质体内时，则将单元体的该属性赋值为1），融合地质属性模型可以同时反应不同属性对地质场区的综合影响，具有一定的工程意义。
进一步的，基于围岩图像、随钻感知以及原位测试数据，获取多种的多源属性信息，基于围岩图像、随钻感知和原位测试数据信息，利用卷积神经网络模型对围岩图像中的裂隙、岩性分布和破碎区域进行识别；根据数据的离散性，模拟得到整个待测区域的三维单元体属性信息值；并对多源属性信息进行数据分析，判断是否为连续型数据，根据判断结果，利用不同的模拟方法获取多源属性数据值；
具体地，基于围岩图像、随钻感知以及原位测试数据，获取围岩图像中的裂隙产状信息、岩体完整性特征以及岩性分布特征，随钻感知数据中的地化特征、力学参数以及物理参数，原位测试中的涌水量以及地应力数据，对上述获取的这些数据进行判断，可使用核密度估计方法，对数据的分布进行平滑估计，连续型数据的核密度估计通常呈现平滑的曲线，而离散型数据可能呈现明显的峰值。由此判断出这些数据是否为连续型数据，若是，则采用序贯高斯模拟方法获得属性数据值，若不是连续性数据，则利用序贯指示模拟方法获得属性数据值，将获取的属性数据值赋予单元体三维属性数据结构，得到多源地质体属性模型。
步骤3：构建地下工程风险评估模型，预测灾害高风险区域。
作为一种实施例，基于划分为多个空间方格单元（三维单元体）的多源地质体属性模型，如图2，构建地下工程风险评估模型，对每个空间方格单元进行多因素灾害风险区域评估，预测灾害高风险区域；
具体地，基于注浆工程的实际存储数据，构建地下工程风险评估模型，对每个空间方格单元进行多因素灾害风险区域评估，包括：围岩等级评估、地应力评估、突水突泥评估以及需注浆区域评估，预测灾害高风险区域，并对灾害高风险区域进行注浆模拟。
进一步的，预测灾害高风险区域包括：
基于注浆工程数据库，基于若干个空间方格单元，由于每个空间方格单元为设定尺寸的正方体，每个正方体都具有中心点，所以根据划分的空间方格单元进行地下工程风险评估区域确定。
所述地下工程风险评估模型，以划分的空间方格单元为基本单位，将单元体内的数据作为整个单元体的表征数据。
其中，地下工程风险评估模型包含围岩等级评估模型、地应力评估模型、突水突泥评估模型、需注浆区域评估模型；
首先，利用现有语义分割模型识别裂隙图像，获取裂隙分形维度数据，借助裂隙分形维度数据的表征方法-裂隙矢量化，将裂隙存储在数组中，提取裂隙存储数组的像素坐标，将其记作一个二维数组SLD[i][j]（i为裂隙编号，j为该裂隙组成点号，D（i）为每一段微分裂隙的长度），利用微分法求取单条裂隙的长度和宽度，通过循环函数进行计算，求取每一段微分相邻像素点之间的距离，并根据图片尺寸与实际拍摄尺寸之间的比值进行坐标转换，随后，将每一微分段裂隙单元的长度进行累加，即可获得单条裂隙的总长度l和总宽度w，以此来获取裂隙分布信息，包括裂隙密度、长度，然后对每个方格单元的数据进行裂隙密度评估。将裂隙密度分为不同等级，例如：低密度、中密度、高密度等。根据裂隙的总权重长度和裂隙密度属性，利用现有的方法评估方格单元的稳定性。将每个单元分为不同等级，例如：稳定、轻微不稳定、中度不稳定、严重不稳定等。
地下水含量评估：利用地下水位信息，结合现有机器视觉数据，评估地下水含量对围岩的影响。根据地下水位的高低，将地下水含量分为不同等级，例如：低、中、高等级。结合围岩稳定性评估，考虑地下水对裂隙扩展和土体流失的可能性，调整方格单元的稳定性等级。
岩性评估：利用现有机器视觉获取的岩性信息，包括岩石的强度、稳定性等。根据岩石的强度和稳定性，将岩性分为不同等级，例如：坚硬、中等、松软等级。将岩性等级与裂隙分布和地下水含量等信息结合，调整方格单元的稳定性等级。
不良地质体规模评估：利用现有机器视觉获取的不良地质体规模信息，包括体积、扩散范围等。根据不良地质体的规模，将其分为不同等级，例如：小规模、中等规模、大规模等级。 考虑不良地质体对围岩稳定性的潜在影响，调整方格单元的稳定性等级。
破碎程度评估：利用现有机器视觉获取的破碎程度信息，包括岩石的断裂程度、碎片大小等。根据破碎程度将岩石分为不同等级，例如：完整、轻微破碎、中度破碎、严重破碎等级。结合破碎程度与裂隙分布、地下水含量等信息，调整方格单元的稳定性等级。
综合评估和等级调整：将以上因素的评估结果综合考虑，确定每个方格单元的围岩等级。根据整体风险评估标准，为每个等级分配相应的风险值。进行等级调整，确保各因素的权重得到合理平衡，以获得最终的围岩等级评估结果。
突水突泥评估：利用地下水位监测数据，获取地下水位的时空分布。结合地质结构模型，模拟地下水流动路径，确定可能影响围岩稳定性的区域。计算不同区域的地下水流量，得到地下水流量的分布信息，利用地下水位监测数据，获取地下水位的时空分布。结合地质体结构模型，模拟地下水流动路径，确定可能影响围岩稳定性的区域。计算不同区域的地下水流量，得到地下水流量的分布信息。
作为一种实施例，地下工程风险评估模型对方格单元的稳定性等级划分以及调整，可采用现有的方法实现。
最终，对围岩稳定性较低，突水突泥风险较高的区域确定为灾害高风险区域，进行注浆模拟。
步骤4：注浆模拟
作为一种实施例，注浆使用注浆模拟系统进行，注浆模拟以地质体结构模型为地质体结构，多源属性信息作为边界条件，进行注浆模拟的初始化设置，包括：边界条件、注浆速度、注浆压力、动水初始流场、浆液扩散形态、浆液粘度、空间分布数据等，与地质参数，包括：地层类型、岩性、渗透率、孔隙度、含水层情况、断裂带、岩体强度、地应力等进行初始化设置，对灾害高风险区域进行计算网格划分，网格尺寸大小设置为与单元体尺寸的整数倍关系，网格划分数量和服务器计算节点保持设定网格数量对应一个计算节点的方式，根据网格数量确定所需要的计算节点。
注浆数值模拟时，具体的，注浆模拟使用多相流计算方法进行模拟求解，具体的流程如下：
1）建立动量方程和连续性方程：
其中，下标i表示有不同相，对于两相流可分为s和w分别表示浆液和水两相，表示相分数，/>表示密度，U表示速度，p表示压力，g表示重力矢量，/>表示有效应力，可表示为：
其中，为分子运动粘度，I为单位矩阵，T为时间。
进一步的，M为界面交换力，其可表示为：
其中，为轴向作用力曳力，/>为径向作用力，/>为虚拟质量力，/>为壁面润滑力，/>为湍流分散力。
2）描述注浆过程中的浆液黏度变化，构建传输时间计算模型：
其中T为时间项。
3）建立边界条件，边界条件可设置为速度、压力的变化，将地质体结构模型模块中获取的地下水水位作为流入流出的边界条件，可更改计算模型注浆入口的位置、大小形状和数量以达到挤密注浆、帷幕注浆等不同注浆方式效果，模拟不同施工工艺情况下注浆浆液扩散情况，对于浆液增加不同黏度时变函数，模拟不同浆液选型在时空双变条件下的注浆浆液扩散情况；扩散形态利用三维坐标系中三个坐标方向与八个象限对角线方向进行刻画，如图3所示，利用浆液在图示14个方向扩散距离综合表征扩散范围；可进行计算模型的分段注浆，设置每一段的注浆其他参数情况。
4）采用数值模拟分别模拟计算多组不同注浆参数组合，通过改变注浆系统中注浆参数与多源属性地质模型中的不同属性值（如裂隙密度、涌水量、矿物含量等），在不同参数组合中始终保持一个注浆参数的变化，其他注浆参数不变，生成训练样本。
依据数值模拟达到的注浆效果可表示为：
其中表示第i个数值模拟注浆方案所达到的注浆效果值，/>表示浆液的扩散范围，/>表示注浆封堵时间。
依据该注浆效果值计算各注浆参数对于该效果的优化加分值，可表示为矩阵方程求解：
其中，为第j种注浆参数在第i个数值模拟注浆方案的优化加分矩阵，/>为注浆效果值值与优化加分值转换的损耗系数矩阵，/>为第i个数值模拟注浆方案的注浆效果值分数矩阵，其中M≥N。
5）选取多组数值模拟注浆方案数据进行上述矩阵方程求解，得到多组注浆参数的优化加分值，将各注浆参数多组的优化加分值进行平均值计算得出最终的注浆参数优化加分值。
6）采用粒子群算法在已有数值模拟注浆方案数据基础上进行方案优化，将已模拟的各个注浆方案参数视为粒子作为初始化数据，其附带的属性是当前的注浆参数配置和所达到的注浆效果，所述迭代计算公式表示如下：
其中表示第i个数值模拟注浆方案所达到的注浆效果值，/>表示惯性因子（可根据计算模型不同进行动态调整），/>和/>为学习因子，/>为随机函数，/>为粒子本身历史最优解，/>为群体最优解，/>，i=1,2,...,m，表示粒子的参数向量，式中各参数右上角表示迭代的步数，另外，注浆参数配置的迭代方式为：
式中各参数右上角表示迭代的步数。
在上述两个迭代计算过程中应设置中各参数向量的区间范围，规定其所存在的计算空间，即/>。
设置迭代步数循环上述迭代计算，直至最终步输出全局最优解。
步骤5：获取优化后的注浆参数进行实际工程注浆，基于实际工程注浆数据，采用控制变量法，调整注浆参数值，得到实际工程中变系数的多因素扩散范围，利用神经网络学习并捕捉不同参数之间的复杂映射关系，对整个注浆过程进行多模态注浆预控分析优化。
具体地，采用控制变量法通过调整注浆模拟模块和多源地质体属性模型中的参数值，得到变系数的多因素扩散范围。在注浆方面，通过调整不同参数，如注浆压力、浆液浓度等，了解这些参数对地下水流扩散的影响。与此同时，多源属性地质结构模型中的参数也将被调整，以模拟和分析地下地质结构的多样性。通过这样的调整，能够获取不同参数之间的关联性，尤其是这些参数对于多因素扩散范围的综合影响。灌浆后，从处理区域钻孔岩心，可以直接证明灌浆的扩散和有效性，通过多钻孔初步获取注浆浆液扩散情况，利用计算拟合获取浆液扩散形态，利用浆液在14个方向扩散距离综合表征扩散范围，如图3所示，其中数字1、2、3...14分别代表浆液扩散的14个不同的方向。
其中，采用控制变量法通过调控注浆模拟模块和多源地质体属性模型中的参数值，得到变系数的多因素扩散范围，则扩散范围的计算方式如下：
f(a 1×涌水量,b 1×裂隙密度,c 1×某元素含量,d 1×岩体强度,e 1×地应力,g 1×注浆中压,h 1×浆液性质,k 1×注浆量)=扩散范围。
其中，通过控制变量法调控注浆模拟模块和多源地质体属性模型中的参数值，包括：
a 1=f 1（裂隙密度,某元素含量,岩体强度,地应力,注浆中压,浆液性质,注浆量）；
b 1=f 1（涌水量,某元素含量,岩体强度,地应力,注浆中压,浆液性质,注浆量）；
c 1=f 1（涌水量,裂隙密度,岩体强度,地应力,注浆中压,浆液性质,注浆量）；
d 1=f 1（涌水量,裂隙密度,某元素含量,地应力,注浆中压,浆液性质,注浆量）；
e 1=f 1（涌水量,裂隙密度,某元素含量,岩体强度,注浆中压,浆液性质,注浆量）；
g 1=f 1（涌水量,裂隙密度,某元素含量,岩体强度,地应力,浆液性质,注浆量）；
h 1=f 1（涌水量,裂隙密度,某元素含量,岩体强度,地应力,注浆中压,注浆量）；
k 1=f 1（涌水量,裂隙密度,某元素含量,岩体强度,地应力,注浆中压, 浆液性质）；
其中，f 1为函数关系参数，a 1、b 1、c 1、d 1、e 1、g 1 、h 1、k 1均为调控系数。
进一步的，构建多层卷积神经网络（CNN）处理注浆监测系统和多源属性地质结构模型中的参数空间特征，学习并捕捉不同参数之间的复杂映射关系。引入循环神经网络（RNN）用于处理扩散范围的时间特征，以考虑参数在时间上的演变。记录扩散过程的动态特性。
将CNN和RNN两个网络结合，构建多模态映射模型，综合考虑参数空间域（参数空间特征）和时间域（参数时间特征）的复杂关联性，揭示多参数对于扩散范围的影响。引入生成对抗网络（GAN）用于优化模型的生成能力，GAN可以帮助模型更好地生成地下地质结构的多样性，提高模型的泛化性和真实性。利用数值模拟系统的数据集对设计好的多模态映射模型进行训练。在训练过程中，模型将学习不同参数之间的映射关系，并通过GAN网络进行反馈，优化生成地下地质结构的能力。
其中，多模态映射模型的结构包括：输入层，包括注浆模拟模块和多源地质体属性模型中的参数，涵盖注浆压力、浆液浓度等注浆参数，以及地质结构模型中的多个地质属性参数。
多层卷积神经网络（CNN），用于处理注浆监测系统和地质结构模型的参数空间域，学习不同参数之间的复杂映射关系。
循环神经网络（RNN），用于处理扩散范围的时间域，考虑参数在时间上的演变，记录扩散过程的动态特性。
生成对抗网络（GAN），用于优化模型的生成能力，提高生成地下地质结构的多样性、泛化性和真实性。
输出层，包括多因素扩散范围等地下水流相关属性。
进一步的，在CNN模块中，通过多层卷积和池化层，提取输入参数的空间特征，学习参数之间的复杂关系。RNN模块中，利用循环结构处理时间序列数据，捕捉参数在时间上的演变，记录扩散过程的动态特性。GAN模块中，利用生成器和判别器，生成更真实、多样性的地下地质结构，以提高模型的泛化性。
多模态映射模型综合考虑CNN和RNN输出的特征，揭示多个参数对扩散范围的综合影响。
训练过程包括：使用数值模拟系统的数据集进行模型训练，模型学习不同参数之间的映射关系，并通过GAN网络进行反馈，优化生成地下地质结构的能力。
获取实际工程注浆的参数，设置实际工程监测模块，通过压力传感器、流量监测器、岩土体变形监测、地质雷达计算浆液扩散范围，压力传感器用于实时监测注浆系统中的压力变化。通过监测注浆压力，系统能够了解浆液在地下岩土体中的渗透性，并在变化的注浆过程中捕捉关键的压力信息。流量监测器负责记录注浆系统中浆液的流动速度。测量流量有助于确定浆液在地下的传播速率，为计算扩散范围提供了基础数据。岩土体变形监测仪器用于监测地下岩土体的变形情况。通过记录岩土体的位移、变形和形变，系统可以评估注浆过程对地下结构的影响，从而更好地理解扩散范围。地质雷达是一种非侵入式的地下勘探工具，用于探测地下结构的变化。通过地质雷达的数据，能够获得有关地下空间和岩土体性质的详细信息，为扩散范围的计算提供更为全面的地质背景。上述参数输入多模态映射系统中进行训练，采用步骤5中的具体方法，利用模型学习不同参数之间的映射关系，并通过GAN网络进行反馈，改变工程背景时，变化地下水位、裂隙密度、某元素含量、岩体强度、地应力等物理量，输入理想计算浆液扩散范围，可得到最优注浆压力或浆液性质，优化生成地下地质结构的能力，实现整个多模态注浆预控的分析过程。
实施例2
本公开的一种实施例中提供了基于数字化地质模型的多模态注浆预控分析系统，包括：
数据获取模块，用于获取地下钻孔数据以及地质编录数据；
地质构造建模模块，用于提取地层中的裂隙面并进行网格划分，进行裂隙分形维度计算，对不连续裂隙面进行共面性检验，构建地质结构模型；
多源地质体属性建模模块，用于提取围岩图像以及钻孔数据中的多源属性数据值，将地质结构模型划分空间方格单元，将多源属性数据值赋予地质结构模型，得到多源地质体属性模型；
隧道风险评估模块，用于构建地下工程风险评估模型，对每个空间方格单元进行多因素灾害风险区域评估，预测灾害高风险区域；
注浆模拟模块，用于对灾害高风险区域采用多相流计算方法进行注浆模拟优化求解；
实际工程监测模块，用于利用优化后的注浆参数进行实际工程注浆；
多模态注浆分析模块，基于实际工程注浆数据，采用控制变量法，调整注浆参数值，得到实际工程中变系数的多因素扩散范围，利用神经网络学习并捕捉不同参数之间的复杂映射关系，对整个注浆过程进行预控分析。
实施例3
本公开的一种实施例中提供了一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行所述的基于数字化地质模型的多模态注浆预控分析方法。
实施例4
本公开的一种实施例中提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于数字化地质模型的多模态注浆预控分析方法。
本公开是参照根据本公开实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (16)

1.基于数字化地质模型的多模态注浆预控分析方法，其特征在于，包括：
获取地下钻孔数据以及地质编录数据，提取地层中的裂隙面并进行网格划分，进行裂隙分形维度计算，对不连续裂隙面进行共面性检验，构建地质结构模型；地质体结构包括均质地质体和不良地质体，利用现有的拟合方法获取地质勘查以及物探数据中的均质地层体以及不良地层体，将不良地质体嵌入均值地层体中，结合获取的不连续裂隙面构建形成地质结构模型；
提取围岩图像以及钻孔数据中的多源属性数据值，将地质结构模型划分空间方格单元，将多源属性数据值赋予地质结构模型，得到多源地质体属性模型；
构建地下工程风险评估模型，对每个空间方格单元进行多因素灾害风险区域评估，预测灾害高风险区域；
对灾害高风险区域采用多相流计算方法进行注浆模拟优化求解，获取优化后的注浆参数进行实际工程注浆；基于实际工程注浆数据，采用控制变量法，调整注浆参数值，得到实际工程中变系数的多因素扩散范围，利用神经网络学习并捕捉不同参数之间的复杂映射关系，对整个注浆过程进行监控优化；注浆模拟以地质结构模型为地质体结构，多源属性信息作为边界条件，进行注浆模拟的初始化设置，对需要计算的地质结构模型进行计算网格划分，网格尺寸大小设置为与单元体尺寸的整数倍关系，网格划分数量和服务器计算节点保持设定网格数量对应一个计算节点的方式，根据网格数量确定所需要的计算节点。
2.如权利要求1所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，利用地下钻孔数据，通过岩心分析、地层厚度和孔隙结构关键参数的整合，使用插值方法将离散的钻孔数据转化为连续的地下岩土体模型，利用编录数据进行图像生成，利用图像处理和地理信息系统技术，将地质编录中的岩性、构造特征和地层变化信息进行深度解析，生成地层剖面图，采用三维建模将地层剖面图和地下岩土体模型还原成地质体结构。
3.如权利要求1所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，提取地层中的不连续裂隙面，并进行裂隙分形维度计算，首先基于机器视觉技术对钻孔图像进行识别，进行图像处理和分形维数计算，利用分形几何的原理，采用分形维数的计算方法测量裂隙的不连续裂隙面的复杂度，对提取的不连续裂隙面进行网格划分，对不连续裂隙面进行共面性检验，结合共面性检验结果构建地质结构模型。
4.如权利要求3所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，提取地层中的不连续裂隙面，包括：基于地下钻孔数据以及地质编录数据，获取各个钻孔图像以及点云信息，利用机器视觉分割模型进行裂隙识别，获取迹线裂隙，对迹线裂隙拟合得到裂隙分形维度数据。
5.如权利要求1所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，不同钻孔的裂隙的不连续裂隙面具有空间关联性，两个不相连的钻孔不连续裂隙面区域可能与同一个平面方程兼容，利用得到的裂隙分形维度数据的不连续裂隙面，对不同的不连续裂隙面进行共面性检验，判断不同的不连续裂隙面是否属于同一个空间平面数据集。
6.如权利要求1所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，基于围岩图像、随钻感知以及原位测试数据，获取多种的多源属性信息，并对多源属性信息进行数据分析，判断是否为连续型数据，根据判断结果，利用不同的模拟方法获取多源属性数据值；将地质结构模型划分空间方格单元，将多源属性数据值赋予地质结构模型，得到多源地质体属性模型。
7.如权利要求1所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，基于注浆工程的实际存储数据，将多源地质体属性模型划分为多个空间方格单元，构建地下工程风险评估模型，对每个空间方格单元进行多因素灾害风险区域评估，包括：围岩等级评估、地应力评估、突水突泥评估以及需注浆区域评估，预测灾害高风险区域，并对灾害高风险区域进行注浆模拟。
8.如权利要求1所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，使用多相流计算方法进行模拟求解，包括：建立动量方程和连续性方程，描述注浆过程中的浆液黏度变化，构建传输时间计算模型，建立的边界条件设置为速度、压力的变化，更改计算模型注浆入口的位置、大小形状和数量以达到挤密注浆、帷幕注浆不同注浆方式效果，模拟不同施工工艺情况下注浆浆液扩散情况；对于浆液增加不同黏度时变函数，模拟不同浆液选型在时空双变条件下的注浆浆液扩散情况；进行计算模型的分段注浆，设置每一段的注浆其他参数。
9.如权利要求8所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，采用数值模拟分别模拟计算多组不同注浆参数组合，通过改变注浆系统中注浆参数与多源地质体属性模型中的不同属性值，在不同参数组合中始终保持一个注浆参数的变化，其他注浆参数不变。
10.如权利要求9所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，依据注浆效果值计算各注浆参数对于该效果的优化加分值，表示为矩阵方程并进行求解，选取多组数值模拟注浆方案的数据进行矩阵方程求解，得到多组注浆参数的优化加分值，将各注浆参数多组的优化加分值进行平均值计算得出最终的注浆参数优化加分值。
11.如权利要求10所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，采用粒子群算法进行方案优化，将已模拟的各个注浆方案参数视为粒子作为初始化数据，其附带的属性是当前的注浆参数配置和所达到的注浆效果，进行迭代计算，设置迭代步数循环上述迭代计算，直至最终步输出全局最优解。
12.如权利要求1所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，建立注浆模拟与多源地质体属性模型中多参数的映射关系，构建多层卷积神经网络处理注浆和多源地质体属性模型中的参数空间域，学习并捕捉不同参数之间的复杂映射关系，引入循环神经网络处理扩散范围的时间域，以考虑参数在时间上的演变。
13.如权利要求12所述的基于数字化地质模型的多模态注浆预控分析方法，其特征在于，将多层神经网络和循环神经网络进行结合，构建多模态映射模型，考虑参数空间域和时间域的复杂关联性，引入生成对抗网络优化模型的生成能力，将学习不同参数之间的映射关系，并通过GAN网络进行反馈，优化生成地下地质结构的能力。
14.基于数字化地质模型的多模态注浆预控分析系统，其特征在于，包括：
数据获取模块，用于获取地下钻孔数据以及地质编录数据；
地质构造建模模块，用于提取地层中的裂隙面并进行网格划分，进行裂隙分形维度计算，对不连续裂隙面进行共面性检验，构建地质结构模型；地质体结构包括均质地质体和不良地质体，利用现有的拟合方法获取地质勘查以及物探数据中的均质地层体以及不良地层体，将不良地质体嵌入均值地层体中，结合获取的不连续裂隙面构建形成地质结构模型；
多源地质体属性建模模块，用于提取围岩图像以及钻孔数据中的多源属性数据值，将地质结构模型划分空间方格单元，将多源属性数据值赋予地质结构模型，得到多源地质体属性模型；
隧道风险评估模块，用于构建地下工程风险评估模型，对每个空间方格单元进行多因素灾害风险区域评估，预测灾害高风险区域；
注浆模拟模块，用于对灾害高风险区域采用多相流计算方法进行注浆模拟优化求解；注浆模拟以地质结构模型为地质体结构，多源属性信息作为边界条件，进行注浆模拟的初始化设置，对需要计算的地质结构模型进行计算网格划分，网格尺寸大小设置为与单元体尺寸的整数倍关系，网格划分数量和服务器计算节点保持设定网格数量对应一个计算节点的方式，根据网格数量确定所需要的计算节点；
实际工程监测模块，用于利用优化后的注浆参数进行实际工程注浆；
多模态注浆分析模块，基于实际工程注浆数据，采用控制变量法，调整注浆参数值，得到实际工程中变系数的多因素扩散范围，利用神经网络学习并捕捉不同参数之间的复杂映射关系，对整个注浆过程进行预控分析。
15.一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-13任一项所述的基于数字化地质模型的多模态注浆预控分析方法。
16.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-13任一项所述的基于数字化地质模型的多模态注浆预控分析方法。
CN202410256880.2A 2024-03-07 2024-03-07 基于数字化地质模型的多模态注浆预控分析方法及系统 Active CN117852416B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410256880.2A CN117852416B (zh) 2024-03-07 2024-03-07 基于数字化地质模型的多模态注浆预控分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410256880.2A CN117852416B (zh) 2024-03-07 2024-03-07 基于数字化地质模型的多模态注浆预控分析方法及系统

Publications (2)

Publication Number Publication Date
CN117852416A CN117852416A (zh) 2024-04-09
CN117852416B true CN117852416B (zh) 2024-05-10

Family

ID=90536304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410256880.2A Active CN117852416B (zh) 2024-03-07 2024-03-07 基于数字化地质模型的多模态注浆预控分析方法及系统

Country Status (1)

Country Link
CN (1) CN117852416B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118172406B (zh) * 2024-03-07 2024-10-22 山东大学 基于钻孔裂隙图像的岩体内部不连续面提取方法及系统
CN118134914B (zh) * 2024-05-06 2024-07-26 中国科学技术大学 基于钻孔孔壁几何形态的地应力智能解读处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103866769A (zh) * 2014-03-10 2014-06-18 天津大学 基于3d地质模型及实时监控大坝灌浆工程分析控制方法
CN117408191A (zh) * 2023-12-15 2024-01-16 山东大学 一种裂隙岩体渗透-流动注浆模拟方法及系统
WO2024012419A1 (zh) * 2022-07-13 2024-01-18 河南理工大学 一种煤岩裂隙可视化注浆装置及试验方法
WO2024041057A1 (zh) * 2022-08-23 2024-02-29 山东大学 一种隧道围岩稳定性非连续变形分析方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103866769A (zh) * 2014-03-10 2014-06-18 天津大学 基于3d地质模型及实时监控大坝灌浆工程分析控制方法
WO2024012419A1 (zh) * 2022-07-13 2024-01-18 河南理工大学 一种煤岩裂隙可视化注浆装置及试验方法
WO2024041057A1 (zh) * 2022-08-23 2024-02-29 山东大学 一种隧道围岩稳定性非连续变形分析方法及系统
CN117408191A (zh) * 2023-12-15 2024-01-16 山东大学 一种裂隙岩体渗透-流动注浆模拟方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于数值模拟的注浆过程三维动态可视化;王乾伟;钟登华;佟大威;敖雪菲;王青松;;天津大学学报(自然科学与工程技术版);20170815(08);全文 *
速凝浆液岩体倾斜裂隙注浆扩散模型研究;裴启涛;丁秀丽;黄书岭;景锋;;长江科学院院报;20191215(12);全文 *

Also Published As

Publication number Publication date
CN117852416A (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN117852416B (zh) 基于数字化地质模型的多模态注浆预控分析方法及系统
US10288544B2 (en) Method for characterizing the fracture network of a fractured reservoir and method for exploiting it
KR101618713B1 (ko) 지반정보에 기초한 3차원 공간 모델링 방법
CA2985743C (en) Geologic stratigraphy via implicit and jump functions
US9260948B2 (en) Multi-level reservoir history matching
EP3209997A1 (en) A system and method of pore type classification for petrophysical rock typing
CN104914465A (zh) 火山岩裂缝定量预测方法及装置
CN105493100A (zh) 静态地球模型校准方法和系统
US11294095B2 (en) Reservoir simulations with fracture networks
CN105205239A (zh) 一种储层物性参数建模方法和装置
CN106154342B (zh) 一种确定洞穴充填物电阻率的方法
CN112925017A (zh) 一种断缝型储层地质建模方法
WO2017030725A1 (en) Reservoir simulations with fracture networks
CN117932721A (zh) 基于三维场模型的煤矿安全预测模型的构建与应用
Zellou et al. Integrated Workflow Applied to the Characterization of a Carbonate Fractured Reservoir: Qarn Alam Field
CN115758792A (zh) 一种基于数字数值一体化的地质灾害评估方法及装置
US11947071B2 (en) Fault radiation based grid compartmentalization
CN111815769B (zh) 逆冲推覆构造带构造的建模方法、计算设备及存储介质
CN114820969A (zh) 一种三维地质模型构建方法
Caers Geostatistics: from pattern recognition to pattern reproduction
CN115407407A (zh) 针对碳酸盐岩古溶洞及其充填的三维地质模型构建方法
Shen et al. Hierarchical approach to modeling karst and fractures in carbonate karst reservoirs in the Tarim Basin
CN115469361B (zh) 一种碎屑岩地层三维地质建模方法
CN114429020A (zh) 一种油藏井间连通通道的建模方法及装置、存储介质
Deutsch A review of geostatistical approaches to data fusion

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant