关于岩石导热性野外测定方法的研究

导热系数是岩石重要的物理参数之一，其在地热能开发及岩土热工程应用中有着重要意义.目前的测试方法需要将岩样采回实验室进行表面加工，运输和加工过程会破坏岩石结构和影响含水率等，不仅测试工艺复杂，而且导致测试结果不准确.本研究提出一种现场获取岩石导热系数的新方法.利用导热耦合剂填充岩石表面与探头之间的接触面，减小测试过程中的接触热阻，辅助热物性测试仪器来开展野外导热系数测试工作.通过配制不同导热硅脂与不同铜粉掺量充分混合的导热耦合剂进行对比实验，确定导热耦合剂的最优配比.实验表明，导热耦合剂的涂抹能有效地减小探头与岩石表面的接触热阻，提高测试精度，且导热耦合剂本身对岩石的导热系数影响甚微.研究成果可为野外准确便捷地获得岩石导热系数提供参考.     

昆仑山地区冻融土导热系数试验测试与预测模型研究

为探究青藏高原工程走廊带昆仑山地区冻融土导热系数基本特征,采用瞬态平面热源法对钻取的349组冻土试样和245组融土试样导热系数进行了测试,分析了五类土导热系数分布特征及天然含水率、干密度与导热系数的偏相关性,并以两者为变量因素建立了经验公式拟合、支持向量回归（SVR）和径向基（RBF）神经网络导热系数预测模型。结果表明:冻融土导热系数整体均呈粗颗粒土大于细颗粒土特征,且冻土和融土导热系数随土性分布规律存在差异;天然含水率、干密度与导热系数均呈正相关性,不同土类偏相关性结果差异明显,典型土导热系数二元经验回归方程表现为非线性拟合结果。对比三种预测模型下各典型土冻融土导热系数预测结果,全风化千枚岩、角砾及砾砂三种预测模型效果整体较佳,粉土的SVR及RBF神经网络预测精度较好;融土导热系数预测效果整体略优于冻土,SVR及RBF神经网络模型下角砾、粉土及全风化千枚岩融土导热系数预测精度较高。综合导热系数模型预测效果和误差结果分析可得,SVR和RBF神经网络模型预测效果显著优于经验方程拟合,后者针对部分土性拟合效果相对较好,可满足一般工程估算需求;SVR和RBF神经网络预测模型针对不同土性导热系数预测效果呈差异性变化,整体预测效果相当,且预测精度更高、应用土性范围更广。     

基于网格搜索法优化支持向量机的围岩稳定性分类模型

为科学评价围岩稳定性,本次研究借助支持向量机(SVM)处理小样本、非线性问题能力强的特性,对围岩的稳定性进行了分类。选取16组围岩数据作为学习样本,以岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量5个指标作为模型输入,围岩稳定程度为模型输出,建立了基于支持向量机的围岩稳定性分类模型。为增强模型的推广性能,提高其预测准确率,运用改进的网格搜索方法(GSM)寻找最优的支持向量机参数,并对8组围岩数据进行预测,并同BP神经网络模型的预测结果进行对比。结果表明,建立的GSM-SVM模型对预测样本的评判结果与实际结果一致,其预测精度较BP神经网络有很大的提升。     

温度变化对碳酸盐岩储层岩石热物性的影响

以苏北盆地某地热井碳酸盐岩储层岩石为研究对象,对处于20、50、100、150、200 ℃ 5个实时温度点的3组岩石样品进行热物性参数测试,分析导热系数、比热容和热扩散系数随温度变化的规律,拟合趋势曲线和经验公式,探讨影响机制。结果表明：在20～200 ℃的温度区间内,随温度的升高,岩石的导热系数拟合曲线以二次多项式关系呈下降趋势,50 ℃的温度点是岩石导热系数由急速下降到缓速下降的拐点,导热系数平均值减小约31.47%;比热容拟合曲线以二次多项式关系呈上升趋势,比热容平均值增大约23.27%;热扩散系数随温度的变化趋势与导热系数一致,且二者具线性相关,100 ℃温度点是热扩散系数由急速下降到缓速下降的拐点,热扩散系数平均值减小约44.48%。随着温度的升高,比热容增大造成的补偿作用是导热系数下降幅度小于热扩散系数的主要原因。     

秭归地区陆源碎屑岩导热系数试验研究

岩土体的导热系数是重要的物理参数,在岩土工程中有着广泛应用。秭归地区的黄陵背斜西翼是我国南方著名的标准地层剖面,以秭归地区黄陵背斜西翼岩层陆源碎屑岩为研究对象开展导热系数试验研究,可为我国南方地区开展地热能开发、隧道工程及矿产开采等科研工作提供重要的参考依据。探究了各岩层岩石导热系数与岩石颗粒组分、胶结物之间的变化规律及差异性。试验结果表明,黄陵背斜西翼陆源碎屑岩导热系数差异较大,在0.72～4.47 W/(m·K)之间,且导热系数大小为石英砂岩粉砂岩泥岩。陆源碎屑岩导热系数受岩石岩性、颗粒组分、粒径、胶结类型及含水状态的影响较大。     

楚玛尔河黏性土与砂土导热系数试验研究

为探究青藏工程走廊带楚玛尔河地区冻融土导热系数的基本规律,采用瞬态平面热源法测试了148个冻土试样和88个融土试样导热系数。对楚玛尔河地区黏性土和砂土导热系数的总体特征及影响因素进行分析;对黏性土、砂土导热系数与干密度和含水率之间进行二元回归方程拟合,并分别建立黏性土、砂土RBF神经网络预测模型。结果表明:楚玛尔河黏性土导热系数分布较为集中,砂土导热系数离散度高,分布范围较广;二元回归方程对黏性土、砂土导热系数平均拟合优度较低;与二元回归方程相比,以干密度和含水率作为输入因子所建立的楚玛尔河黏性土、砂土导热系数RBF神经网络预测模型具有更高的精确度。研究成果可有效预测青藏工程走廊带土体导热系数,对冻土温度场计算具有重要指导意义。     

人工神经网络在岩体质量分级中的应用

结合四川省金沙江某水电站工程实例，应用BP人工神经网络方法建立3层BP网络模型，选取岩石单轴抗压强度等6个影响因素为输入变量，对坝基复杂岩体进行质量分级。通过机算机Visual C 语言编程实现神经网络模型，进行网络的学习和运算。以神经网络合理结构分析方法选取合理结构，确定合理隐层单元的数量，提高网络测试的精度。对测试结果的分析发现，经过优化的BP网络模型经多次学习后，测试精度提高，结果可靠，取得较好的实际应用效果。     

岩土体导热系数研究进展

岩土体导热系数在与地热有关的地质基础研究和生产应用中有重要作用。首先介绍了导热系数的概念,然后分析了导热系数的受控因素,最后探讨了导热系数的测定方法。导热系数的受控因素包括地层岩性、孔隙率、含水率、温度以及各向异性。导热系数随地层岩性从大到小排列为海相碳酸盐岩、陆相碎屑岩、火成岩,变质岩导热系数与母岩和变质程度有关;同种岩层的导热系数随沉积过程延续或深度增加而增大;含水率对软弱岩石的导热系数影响较大,导热系数随含水率增大而增大,对孔隙度较大的岩层需进行饱水校正;不同岩性的导热系数随温度的变化较复杂,在应用中需结合实际地层考虑;由于结构面的存在,岩体的导热系数存在各向异性。导热系数的测定方法包括现场测试法、室内测试法、组分类型辨别法以及利用P波速度估算等。利用现场数据求解导热系数时常使用线热源模型和柱热源模型;室内测试法包括稳态测试法和非稳态测试法,分别应用于中低导热系数材料和高导热系数材料;对于组分类型辨别法,平行板式相分布的物体导热系数是各向不等的,热传导方向与平行板平面平行和垂直时分别具有最小和最大总体导热系数;对地下无法直接测量的地质单元,可利用P波速度估算导热系数。要得到准确的导热系数,须基于岩土体的导热系数范围和样品特征选取正确的测定方法。     

冻土钻孔内温度分布的相关参数研究

介绍了冻土钻孔内温度分布研究的理论基础,其中主要讨论了冲洗介质的质量流量、钻杆杆壁的导热系数、岩石同冲洗介质的热交换强度系数与不稳定热交换系数,以及孔底冲洗介质温度升高值的确定.结合实例分析了边界条件常数、钻杆导热系数与钻杆内和环状间隙中的传热系数对孔内温度分布的影响.孔底温度的上升主要与冲洗介质的质量流量、其初始温度及热容量、孔底碎岩消耗的功率以及钻头结构与物性有关.     

多隐层BP神经网络模型在径流预测中的应用

基于人工神经网络基本原理和方法,构建多隐层BP神经网络径流预测模型,以新疆伊犁河雅马渡站径流预测为例进行分析,并构建常规单隐层BP以及RBF、GRNN神经网络模型作为对比分析模型,将各模型预测结果与文献[1]中的预测结果进行比较,结果表明:(1)多隐层BP神经网络径流预测模型泛化能力强,预测精度高,算法稳定,模型精度优于IEA-BP网络模型,表明研究建立的多隐层BP神经网络模型用于径流预测是合理可行的,是一种可以应用于水文径流预测预报的新方法.(2)RBF、GRNN神经网络径流预测模型预测精度高于常规单隐层BP网络模型,且RBF与GRNN神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点,可以更快地预测网络,具有较大的计算优势.     

岩石本构模型智能辨识方法研究

岩石本构模型是研究岩石力学特征和变形机制的基础,而本构模型或模型中相关参数的识别是本构模型研究中的热点和难点问题。本文基于红板岩室内力学实验数据,分别利用遗传算法、BP神经网络以及遗传规划对红板岩本构模型进行了模式识别,结果表明,遗传算法进行参数识别需要事先假定流变模型的形式,误差较大,而BP神经网络和遗传规划可以一次性同时确定流变模型的结构形式及参数,有效避免模型假定所带来的误差。而遗传规划与BP神经网络相比,具有精度高、收敛快,可视化程度高等特点,为岩石本构参数及模型的智能识别方法的选取提供参考。     

基于邻域粗糙集和支持向量机的固结系数预测

采用邻域粗糙集和支持向量机建立滹沱河某地区软土固结系数的预测模型。基于自行改装的渗透固结仪,利用公式法确定不同压力下的固结系数。通过室内试验确定土体的指标参数,采用邻域粗糙集对该指标参数进行属性约简,将约简后的指标参数作为影响因素,分别建立支持向量机和神经网络的固结系数预测模型,预测未知样本的固结系数,并与实测值进行对比。结果表明:公式法可以准确客观地确定固结系数;支持向量机和BP神经网络建立的该地区软土固结系数预测模型均可以预测区域内未知点的固结系数,且支持向量机方法的预测精度比神经网络方法的预测精度提高了约10%。本文提出的方法直接从实验数据出发,通过易获取的影响因素建立特定地区固结系数预测模型,并可预测该区域其余未知点的固结系数。     

基于MATLAB神经网络工具箱的岩爆预测模型

文章介绍了BP人工神经网络的基本原理，针对其收敛差的缺点，发挥MATLAB神经网络工具箱的优势，分别采用VLBP和LMBP算法建立了改进后的BP神经网络。对于影响岩爆发生的关键因素，总结了专家经验，选取地下硐室围岩最大切向应力与岩石单轴抗压强度比值、岩石单轴抗压强度和抗拉强度比值和岩石冲击性倾向指数作为岩爆预测的评判指标，建立了岩爆预测的神经网络模型，并利用国内外一些岩石地下工程实例进行分析计算校验，计算结果表明，用该模型进行岩爆预测是可行有效的。     

利用PLSR-DNN耦合模型预测TBM净掘进速率

科学预测隧道掘进机(TBM)净掘进速率,对于隧道(洞)工程施工方法选择、施工进度安排以及成本估计具有重要意义。鉴于TBM施工过程具有高度非线性、模糊性和复杂性等特征,为提高TBM净掘进速率的预测精度和计算效率,采用偏最小二乘回归(PLSR)提取影响参数主成分,再利用深度神经网络(DNN)进行训练预测,提出了一种基于PLSR-DNN耦合方法的TBM净掘进速率预测模型。基于兰州水源地建设工程输水隧洞双护盾TBM施工实测数据,选择岩石单轴抗压强度、单轴抗拉强度、刀盘推力、刀盘转速、岩体完整性系数和岩石耐磨性指数,共6个影响参数,验证了模型预测的合理性,并对不同预测方法的拟合精度和预测精度进行了对比分析。研究结果表明:(1)偏最小二乘回归可有效克服自变量之间的多重共线性问题,将提取的主成分作为深度神经网络的输入层进行训练,简化了神经网络结构;(2)PLSR-DNN耦合预测模型避免了过拟合与拟合不足问题,具有收敛速度快,求解稳定和拟合精度高等特点;(3)PLSR-DNN耦合预测模型平均相对拟合误差2.96%,平均相对预测误差3.27%,其拟合精度和预测精度均明显高于偏最小二乘回归模型、BP神经网络模型以及支持向量回归(SVR)模型。     

潜山油藏岩石热物理性质影响因素实验及分析

地热资源是一种与石油天然气共存于沉积盆地且可再生的高清洁能源,在其开发利用过程中,需要关注地下温度场的变化,岩石的导热系数和比热是影响地下温度场变化的重要因素。华北油区潜山油藏岩石成分以石英和白云石为主,二者的含量在95%以上,其含量及变化是影响岩石热物理性质的主要因素,其中石英含量对岩石导热系数影响较大。根据测定结果,岩石导热系数变化区间为2.0 W/(m·℃-1)~3.9 W/(m·℃-1),比热变化区间为0.8J/(g·℃-1)~1.0J/(g·℃-1)。另外,针对潜山油藏岩石的特点,重点开展了温度、压力、孔隙度等对岩石热物性的实验研究;在此基础上,结合并联电阻等热理论模型,提出了适用于华北油区潜山油藏的热物性计算模型,为地热开发利用方案设计提供理论依据。     

边坡稳定性的CPSO-BP模型研究

为了分析边坡的稳定性,利用协调粒子群算法和BP网络建立了边坡稳定性CPSO-BP预测模型。BP网络能够很好地描述边坡稳定性与其影响因素之间复杂的非线性关系,将内摩擦角、边坡角、岩石重度、边坡高度、黏聚力、孔隙压力比6个主要影响因素作为网络的输入,将边坡稳定性系数作为网络的输出。为避免BP网络陷入局部最优,利用协调粒子群算法的全局优化能力确定BP网络的连接权值和阀值,使BP网络的优势得到分发挥,达到提高模型预测精度目的。实例表明CPSO-BP模型有更好地预测精度以及将其应用于边坡稳定性预测是可行的。     

利用测井资料获取松辽盆地深部热物性参数

盆地导热系数是研究盆地深部热结构的重要参数,通常通过获取深部岩心测试获得,但这种传统方法经常会受到经费、取样条件等限制,并且对于地热井来说,因受温度压力条件的影响,室内测试结果也不能代表岩石原位导热系数。本研究获取了松科2井三开3 289m至4 536m岩心实测导热系数和测井参数,分析了砂岩、泥岩、流纹岩导热系数与测井参数之间的关系,结果显示砂岩的测井参数孔隙度、波速与导热系数之间具有明显的相关性,泥岩和流纹岩的相关性并不高。在此基础上,本研究分析了松辽盆地温度、压力对导热系数的影响,认为温度效应造成松辽盆地松科2井三开导热系数与室内实测值偏小约30%;压力效应使盆地三开段导热系数相对室内测试值偏大约10%。本研究成果可以为我国盆地深部导热系数以及大地热流值的获取提供新的思路,尤其是对于一些具有测井数据但无法获取深部岩心的废弃井具有更大的意义。     

基于PSONN的大坝监控实时预报模型

将粒子群算法（PSO）引入大坝监测领域,提出一种基于粒子群神经网络（PSONN）的大坝监控预报模型。该模型充分发挥PSO的全局寻优能力和BP神经网络局部细致搜索优势,给BP神经网络提供了良好的初始权值。对逐一粒子群（SPSONN）、整体粒子群（WPSONN）、逐一BP（SBPNN）及整体BP（WBPNN）4种预报模型的对比分析表明：逐一预报模型（SPSONN和SBPNN）的预报精度明显高于对应的整体预报模型（WPSONN和WBPNN）的预报精度;与BP神经网络模型相比,PSONN模型不仅收敛速度明显加快,而且预报精度也有较大提高,尤其是SPSONN模型,其高精度和短历时性完全满足实时预报的需要,可以准确、有效地应用于大坝监测量的实时预报。     

莱州湾凹陷垦利油田沙河街组储层渗透率评价模型研究

文章以莱州湾凹陷垦利油田沙河街组储层为例,对传统的回归统计模型和基于BP神经网络的人工智能预测模型评价储层渗透率方法和效果进行了对比研究。目标储量报告里定火沙三段中孔、中渗;岩性（粒度）和孔隙度是储层渗透率的主要影响因素。根据岩心及测井数据,建立了孔隙度——粒度二元回归渗透率统计评价模型和BP神经网络渗透率预测模型。通过检验样本集精度对比,分析了隐含层数、隐含层节点数等网络结构参数变化对模型预测结果的影响,重点分析了不同的测井参数输入对BP神经网络模型预测结果的影响。优化后的BP神经网络模型对检验样本集的渗透率预测结果精度最高,其平均相对误差为37%,比传统的二元回归统计模型精度提高了26%。对目标油田三口井连续处理,BP神经网络模型渗透率预测结果更加合理,可以满足开发层段产能分析等生产需求。     

遗传算法改进的BP神经网络在混沌径流时间序列预测中的应用

区别于传统的提取混沌时间序列饱和嵌入维数的方法,本文利用人工神经网络成功地对水库混沌径流时间序列的饱和嵌入维数进行了提取,计算了该时间序列里的最大Lyapunov指数,两种方法结果都证明了该时间序列的混沌性。并用遗传算法对BP神经网络进行了改进,利用该模型对三门峡水库混沌径流时间序列进行了预测。实例计算表明该方法解决了BP神经网络收敛速度慢和易于陷入极小值的问题,大大提高了BP神经网络的计算精度和收敛速度。无论在计算精度上还是在收敛次数上都优于没有改进的BP神经网络。