Prediction Model of Rock Mechanics Parameters in Ultra-DeepFractured Formations Based on Big Data
-
摘要:
超深储层油气资源丰富，是目前油气开发的重点，但是储层岩体破碎和非均质性强，传统的预测储层力学参数方法误差大，对工程设计和施工造成很大的困难。基于大量试验和现场施工数据，分析了储层测井数据、储层裂缝数据、岩石力学数据的相互联系，建立了基于岩石力学性质−地质储层特征−测井解释之间物理关联的多参数约束；开发了多元非线性回归拟合算法模型，形成了超深破碎型储层全储层段岩石力学参数预测模型。该预测模型克服了破碎型地层数据量少导致的计算误差大的难题，能明确全储层段岩石力学参数，与实际工程施工参数相比预测准确度达90%以上。研究结果为超深破碎型地层钻完井安全施工提供了技术支撑。
Abstract:The rich oil and gas resources in ultra-deep reservoirs are the focus of oil and gas development at present. However, due to the high fragmentation and strong heterogeneity of rock mass in reservoirs, the traditional method of predicting reservoir mechanics parameters has a large error, which causes great difficulties in engineering design and operation. Based on a large number of experimental and field operation data, the interrelationship among reservoir logging data, reservoir fracture data, and rock mechanics data was analyzed. A multi-parameter constraint was established based on the physical correlation between rock mechanical properties, geological reservoir characteristics and logging interpretation, and a multivariate nonlinear regression fitting model was developed to predict rock mechanics parameters in the whole reservoir section of ultra-deep fractured reservoirs. The prediction model overcame the problem of large calculation errors caused by small amount of fractured formation data and could determine the rock mechanics parameters in the whole reservoir section. Compared with the actual operation parameters, the prediction accuracy is more than 90%. The research results provide technical support for the safe operation of drilling and completion in ultra-deep fractured formations.
-
2023年，我国油气对外依存度分别为72.99%与42.3%[1]，加快推进深层、非常规资源钻采，满足国家军事战略与工业、社会发展需求，保障能源安全迫在眉睫。同时，老龄化进一步加剧，2023年我国60岁以上人口占比达到21.1%，预计将在2035年进入重度老龄化社会[2–3]，工程一线面临结构性缺员问题。综合深层、非常规资源钻采与人口老龄化影响，高风险、高成本、低效率已成为油气钻探的重大挑战，人少、自动、智能的新型工业生产模式成为行业变革的关键。智能决策与主动控制技术是解决上述问题的重要手段，开展智能化科学钻井技术探索与应用是国家发展与石化行业变革的迫切需要，具有重要政治意义与广阔市场潜力。
2013年，SPE钻井系统自动化技术部、IADC先进钻机技术委员会联合斯伦贝谢、哈里伯顿、国民油井等国际油服公司编写了自动化钻井路线（DAS Roadmap），从系统架构、通讯、传感、装备、控制、建模仿真、人机系统、标准认证和应急管理等9个方面对智能钻井技术现状与发展进行了梳理规划[4]；目前，该路线已推进至第二阶段，并形成了以国民油井自动化闭环钻井与贝克休斯自动导向钻井为代表的2类数智化钻井解决方案[5]。国内中国石油、中国石化、中国海油等公司也各自从井下测控工具、地面自动化装备、云端智能化决策与信息化建设等方面开展了关键技术攻关与智能化体系建设，取得了大量成果，并部分开展了应用[6–13]。
基于中国石化智能钻井体系规划与分工，中石化胜利石油工程有限公司（简称“胜利工程”）在地面自动化装备、井下测–传–控工具、智能信息化建设等3个领域进行了探索，形成了管柱自动化系统、钻井液性能在线监测、精细控压钻井等胜利天工系列的核心装备，数字钻头、钻井参数优化、井筒业务一体化平台等特色技术，并与中石化石油工程技术研究院有限公司、中石化经纬有限公司、中石化四机石油机械有限公司等联合，在胜利油田国家页岩油示范区开展了智能钻井现场试验。为给未来智能钻井体系的建设、应用提供借鉴与参考，笔者讨论了智能钻井的根本目的、实施方式和关键技术，梳理归纳了胜利工程智能钻井技术攻关和探索的情况，总结了其在落地实施层面所面临的工程挑战，提出了相应的技术攻关建议。
1. 智能钻井实施路线与关键问题
智能钻井是综合了作业工艺、仪器与装备、组织与计划的多学科、多领域交叉的系统性工程，其本质是通过融合新技术，挖掘传统钻井体系中被忽视的信息、各种信息之间的关联及其机理和机制，以信息化分析为基础、智能化决策为手段、自动化控制为表征，为钻井理论完善、工艺改进、技术优化、决策控制提供更科学、细致、精确的方法支撑与硬件基础，从根本上促进传统工艺、技术发展升级与行业变革，从而进一步提高机械钻速、降低作业风险、缩短非作业时间，实现安全、高效、绿色钻井。结合SPE的自动化钻井规划与胜利工程应用探索经验，提出了智能钻井技术的实施路线（见图1）。
基于随钻地质前探、工程参数测量和分布式测量等手段，开展地层、钻具、流体的精细化建模与数字化重构：一方面，为井下智脑中枢提供决策依据，通过环网通讯实现井下工具的数据融合与闭环行为控制；另一方面，与地面综合录井、物联网设备运行数据等实时数据进行融合挖掘，通过智能化科学钻井决策与自动化钻机联动控制，实现井下–地面智能协同。建立井下–地面数据高速通讯链路，开展井下–地面数据与指令信息交互，实现地面介入监管与控制；建立远端决策控制中心，通过卫星等无线通讯技术开展远端与现场的数据互通，实现一个技术专家团队对多个井场的技术支持与装备、工具的控制监管。
因此，可靠数据的采集（井下地质–钻井工程参数、地面装备物联网数据、人员–物资–作业管理等）、高速双向通讯（井下–地面–远端的数据上传、指令下达）、科学智能决策（设计优化、风险预警、决策控制、群智能协同等）和联动协同自控（地面自动、井下闭环、远程支持）是智能钻井落地的4个关键问题，具体涉及随钻地质前探、数字钻头、闭环旋转导向、电控提速工具、分布式测量、信息钻杆、全自动钻机、地面装备物联网、多源数据融合挖掘、智能决策、风险预警和主动控制等核心技术[4, 14–17]。
2. 胜利工程智能钻井技术探索
针对智能钻井采集–传输–决策–控制等4个关键问题中的部分核心技术，胜利工程在中国石化智能钻井体系规划与分工的基础上，结合前期技术积累与一线实际需求，从地面自动化技术与装备、井下测–传–控工具和智能信息化建设3个方面开展了技术攻关与应用探索。
2.1 地面自动化技术与装备
2.1.1 自动送钻控制系统
自动送钻控制是自动化智能化钻井减少作业人员、提高钻井效率、增强安全性的迫切要求。早在20世纪60年代，国内外就开展了相关技术的研究与应用，并在20世纪90年代实现了交流变频调速对传统带式与盘式刹车的取代[18–19]，钻机自动送钻响应速度、控制精度得到了质的飞跃，目前自动送钻控制已经成为了自动化、智能化钻井最为核心的关键技术之一。胜利工程也开展了相关技术研究。一方面，研制了自动送钻地面控制系统，基于profibus协议实现了绞车与顶驱信号的接入与指令控制（见图2（a）），传感器数据与PI调节运算配合实现了钻机恒钻速、恒钻压、恒压差、恒扭矩4种基本模式与多种组合模式的执行控制，进行了5口井的现场试验，钻速、钻压、压差和扭矩的控制精度分别达到了±0.2 m/h、±3 kN、±0.1 MPa和±320 N·m；配套开展了数字钻头参数感知、钻井参数优化决策等技术研究，以井下数据为依据，以智能决策为手段，开展了智能送钻控制技术探索。另一方面，在自动送钻基础上开展了扭摆减阻技术攻关，研制了双向扭摆控制系统（见图2（b）），通过在滑动钻进时控制顶驱往复扭摆的方式，使上部与底部钻具分别在波动性扭矩与反扭矩作用下发生往复转动，实现了滑动钻进的降阻减摩。该系统进行了15口井的现场应用，摩阻最高降低80%[20]。此外，参考美国Nabors钻井公司扭摆滑动钻进导向控制系统（DSCS）和北京石油机械有限公司滑动钻井导向控制技术（TDDS）的理念，开展了自动化滑动导向钻井技术探索，目前正在进行井眼轨迹动态规划与工具面调控理论研究。
![]()
图 2 自动送钻控制系统和双向扭摆控制系统Figure 2. Automatic bit feeding control system and bidirectional torsional pendulum control system2.1.2 管柱自动化处理与一体化集成控制系统
统计表明，整个钻井过程中约有30%以上的时间用于管柱处理作业[21–22]。相比于传统人工作业模式，使用自动化机械装备进行管柱排放操作，起下钻时间能够缩短约25%、人员安全风险降低30%～52%[23]。因此，胜利工程联合多家单位开展了动力猫道、动力鼠洞、动力卡瓦、钻台机械手、二层台排管装置等装备的研制，以及一键集成控制、安全管理等技术的研究。利用机器视觉实现管柱接箍识别、定位，配合逻辑控制，实现自动化机具间30项互锁与39项防碰安全管理，通过模块化灵活引用的方式实现建立柱、钻进、起钻、下钻、下套管、固井、甩立柱等7项作业的自动化闭环控制，管柱传输速度45根/h、排管效率18～20柱/h、上卸扣时间45 s。配合中石化四机石油机械有限公司钻机主机，建成了2台7 000 m自动化钻机、1台5 000 m和1台8 000 m自动化钻机，在17口井进行了现场应用，其中7 000 m自动化钻机在牛页国家级页岩油示范区创造了二开ϕ311.1 mm井眼日进尺1 620 m的全国纪录。
2.1.3 钻井液智能调控系统
除旋转、举升外，以钻井液性能调控为代表的循环系统自动化也是地面自动化技术的重点领域，主要涉及钻井液性能在线监测、钻井液自动配浆、岩屑分型识别、精细控压钻井及自动化压井等5类技术、装备的研究工作。目前胜利工程已开展前4类技术、装备的研究与应用。其中，钻井液性能在线监测系统已实现油基、水基、油水3种钻井液体系的性能监测，实现了钻井液流变性、密度、破乳电压、油水比、离子含量等16项性能参数的实时监测、连续记录、数据远传，在245口井进行了应用。精细控压钻井系统采用一体式全电驱动，相比于传动电控液控压钻井系统，体积更小、质量更轻、响应更快、精度更高，牛页国家页岩油示范区某井应用该系统实现了全过程精细控压钻进，完钻井深6 362 m，创页岩油井最深纪录。钻井液自动配浆主要涉及袋装处理剂的自动开袋添加与包装回收装置，通过五轴机械臂与3D视觉引导实现了机械臂摩阻对袋装物料的识别、抓取，经由拆袋输送装置进行拆袋、分离、送料。钻屑分型识别技术主要涉及岩屑体积、大小、形状、流量的识别评价，用于辅助开展井筒完整性评价、异常监测预警及钻井液性能优化，相关装置与系统在5口井进行了测试，监测预警功能运转正常，岩屑体积测量准确率达88.7%。
2.2 井下测–传–控技术与工具
2.2.1 数字钻头参数感知技术
作为破岩钻进的直接执行机构，钻头的动力响应是破岩工况、钻进参数、地质特性间数据关系的直接体现。受客观原因影响，钻具的动力学响应在钻柱不同位置处表现出明显的特征差异，传统的工程参数测量工具安装在螺杆上方，难以获得钻头位置处的真实数据，以此为基础进行数据分析与智能决策时，存在严重的数据偏见与不可预测的风险。对此，胜利工程探索研制了小型化的数字钻头参数感知模块（见图3），可以在不改变现有钻具组合结构的前提下安装在钻头内部，直接获取钻头位置处振动、转速、钻压、扭矩、井斜角、井温等多种工程参数，进行了11井次的现场测试。利用该模块，可以通过离线采集、事后分析的方式，进行钻头真实工况识别评价、制定提速技术措施[24–27]以及提速工具的优化设计与主动控制。此外，该小型化、嵌入式的测量模块亦可安装于其他钻具内部，经过优化水力学结构，在30 L/s排量下的理论水力压降小于0.1 MPa，具备沿钻柱多点分布式测量的条件。
2.2.2 地层流体随钻取样分析技术
地层、钻具、流体是实现井筒数字化的3个对象。一般而言，现有钻后电缆式流体取样与钻井液性能监测系统都是在地面进行钻井液性能参数的测量与分析，在一定程度上分别涉及地层流体样品污染与井筒流体环境改变等问题[28]。胜利工程研制了适用于ϕ215.9 mm井眼的随钻井下流体取样工具样机，可以在钻井过程中的短暂间歇进行地层流体取样，胜利油田某井现场测试结果表明，样品污染率平均为6.62 %。目前，正在推进电导率、黏度、密度、地层压力等参数测量模块的研制。
2.2.3 非接触式信息通讯钻杆
随着井下测量技术的进步，现阶段传统5～36 bit/s的钻井液脉冲、电磁波及声波通讯技术已无法满足传输高频率、高分辨率井下测量数据的需求，严重制约了智能化钻井技术的发展进程。胜利工程自2009年开始进行信息钻杆关键技术的研究，通过在钻杆本体内穿线、接箍处嵌入线圈的方式，探索了电磁感应与有缆通讯接力的井下–地面间数据通讯技术，并在室内条件下进行了140 m连续传输测试，传输速率56 kbit/s。目前，正在推进分布式测量模块、中继短节、旋转通讯短节等关键配套装备的研制以及信息通讯钻杆的加工工作。
2.3 智能信息化建设
2.3.1 井场数据中枢与业务一体化平台
基于中国石化标准建设成果，制定了数据规范、统一编码体系和信息交互标准；研制了井场数据中枢，内置集成了Modbus、RS485、TCP等多种通讯协议，可以实现井场多源数据融合汇聚与远程通讯。一方面，通过在关键设备安装传感器的方式实现了绞车、转盘、顶驱、钻井泵等14类设备运行数据的采集、共享，通过特征分析建立了设备健康智能诊断模型，开发了具有全面感知、实时监测、维保提醒、预警提示、保障运行等功能的钻机设备健康管理系统；将RFID射频与手持式终端配合，实现了设备快速巡检与报表自动填写。另一方面，根据中国石化SICP系统组件开发、模块集成的设计思路，融合钻前设计资料与钻进实时采集的数据，搭建了井筒业务一体化平台。该平台具备施工方案优化管控、工程动态监测与异常预警、钻后资料一体化运行管理、案例知识库管理利用等功能。相关装置与系统平台均已形成规模化应用，为钻井提速、提质、增效提供了信息支撑。
2.3.2 钻井参数优化决策
基于数字钻头实测数据与地面综合录井数据融合挖掘，初步建立了钻井参数方案量化评价与钻速、机械比能、振动等关键参数超前预测模型，实现了指标参数云图预测与钻井参数边界控制；通过平衡各关键参数间的妥协竞争关系，建立了钻井参数方案的多目标博弈优化模型，实现了钻井参数的优化决策。配套测井解释、井眼轨迹推算、螺杆效能、机械比能计算、力学计算等传统模型，初步构建了专业化计算模块；并在胜利工区进行了3井次的试验，钻井参数优化结果与人工分析结果一致。
2.3.3 科学钻井远程决策支持中心
为推动钻井工程技术向信息化、科学化和智能化发展，胜利工程成立了科学钻井远程决策支持中心，运用云计算与大数据智能分析手段，实现了钻前地质−工程一体化方案优化、钻中实时监测–诊断–优化及钻后评估分析的全生命周期远程技术决策支持，形成了地质−工程一体化协同、实时分析决策、现场执行反馈的“交互式”技术管理模式。自2024年该中心投入使用以来，已在24口井进行了应用，制定了24套提速方案，出具优化报告及作业建议书500余份，全面提升了钻井作业效率与井身质量。
3. 技术发展建议
胜利工程在智能钻井地面自动化装备、井下测量与传输工具、智能信息化建设等领域均有涉及，与中石化石油工程技术研究院有限公司、中石化经纬有限公司、中石化四机石油机械有限公司等合作互补，初步形成了相对完整的智能化钻井技术和装备体系。但在实际应用探索中发现，除了消除油基钻井液影响、提高高温高压环境耐受性、提高测量精度与决策准确性等常规改进需求外，胜利工程在智能钻井整体实施层面仍面临着大量问题，还需要在双向通讯、业务融合和知识挖掘等领域开展技术攻关与深入探索。
1）井下–地面数据通讯不畅、井下设备组网能力有限。井下–地面数据通讯是决定智能钻井技术落地的关键。目前在技术应用过程中，仍然通过硬件连接实现有限设备的组网通讯，利用钻井液脉冲进行数据上传与指令下达，数据总量小，兼容设备少，通讯效率低。需要在挖掘现阶段累积数据的基础上，研制井下智脑中枢，通过井下采集、井下分析、井下决策、地面监督的方式实现井下智能闭环，降低井下–地面通讯压力；加大低成本、高速率井下–地面通讯技术的研发力度，探索井下与地面全双工通讯与井下多设备自由组网技术，助力智能钻井以井下–地面智能协同的方式落地。
2）全系统的融合度有限，缺乏业务逻辑上的融合集成。相关技术主要是硬件系统在空间上的集成与多源数据在载体上的集中，部分实现了同一细分领域内测量–决策–控制系统的联动，但钻井工程整体业务逻辑上仍然缺乏交叉融合与协同联动。需要进一步梳理业务逻辑，实现各智能系统在数据挖掘与决策分析上的多模态理解、深度融合和群体博弈，开发具备可视化工艺编程、全系统联动控制能力的自动化控制系统。
3）理论研究局限于方法替代，数据挖掘深度不足。基础理论研究主要集中于智能模型对传统方法的替代，忽略了大数据条件下对隐藏知识、机理、机制的分析发现，未能推动钻井工程理论的进步。需要深入开展多源数据融合下的钻井工程数据挖掘与知识发现，结合传统钻井理论成果与施工经验，搭建细分领域知识库与知识图谱，推动机理–数据混合驱动建模与智能模型迁移泛化研究，为智能钻井行业大模型的构建创造条件。
4. 结束语
基于信息化、自动化、智能化的智能钻井技术是新时代油气行业变革的迫切需要。国内外企业与高校针对可靠数据采集、高速双向通讯、科学智能决策和联动协同自控等4个关键问题开展了大量的研究，并取得了突出的成果。其中，国外以美国国民油井自动化闭环钻井与贝克休斯自动导向钻井为代表，已初步形成了相对完整的智能化钻井解决方案，并提供商业化服务。国内虽然在各关键技术上均有所突破，但在井下–地面高速通讯技术以及各系统业务逻辑的交叉融合、协同控制上存在差距，需进一步深化改进。此外，在智能决策领域还需要注意，智能化技术只是实现传统技术升级的手段，其本质目标是知识挖掘与效率提升，而非简单的技术替代；需持续开展基础性钻井理论研究，并着重发挥信息化、智能化技术对理论研究的促进作用。
-
![]()
图 6 X1井储层段岩石力学参数预测结果
Figure 6. Prediction results of rock mechanics parameters in reservoir section of Well X1
表 1 模型评估结果
Table 1 Model evaluation results
参数 均方差 平均绝对误差 决定系数 抗压强度 2.22 0.88 0.94 弹性模量 1.29 1.21 0.96 泊松比 2.50 2.42 0.89 
下载: 导出CSV
-
[1] 赵志国,白彬珍,何世明,等. 顺北油田超深井优快钻井技术[J]. 石油钻探技术,2017,45(6):8–13. ZHAO Zhiguo, BAI Binzhen, HE Shiming, et al. Optimization of fast drilling technology for ultra-deep wells in the Shunbei Oilfield[J]. Petroleum Drilling Techniques, 2017, 45(6): 8–13.
[2] 何成江,姜应兵,文欢,等. 塔河油田缝洞型油藏 “一井多控” 高效开发关键技术[J]. 石油钻探技术,2022,50(4):37–44. HE Chengjiang, JIANG Yingbing, WEN Huan, et al. Key technologies for high-efficiency one-well multi-control development of fractured-vuggy reservoirs in Tahe Oilfield[J]. Petroleum Drilling Techniques, 2022, 50(4): 37–44.
[3] 何立成,唐波. 准噶尔盆地超深井钻井技术现状与发展建议[J]. 石油钻探技术,2022,50(5):1–8. HE Licheng, TANG Bo. The up to date technologies of ultra-deep well drilling in Junggar Basin and suggestions for further improvements[J]. Petroleum Drilling Techniques, 2022, 50(5): 1–8.
[4] 陈勉. 我国深层岩石力学研究及在石油工程中的应用[J]. 岩石力学与工程学报,2004,23(14):2455–2462. CHEN Mian. Review of study on rock mechanics at great depth and its applications to petroleum engineering of China[J]. Chinese Journal of Rock Mechanics and Engineering, 2004, 26(14): 2455–2462.
[5] KHOSRAVI M, TABASI S, HOSSAM ELDIEN H, et al. Evaluation and prediction of the rock static and dynamic parameters[J]. Journal of Applied Geophysics, 2022, 199: 104581. doi: 10.1016/j.jappgeo.2022.104581
[6] AMEEN M S, SMART B G D, SOMERVILLE J M, et al. Predicting rock mechanical properties of carbonates from wireline logs (A case study: Arab-D reservoir, Ghawar field, Saudi Arabia)[J]. Marine and Petroleum Geology, 2009, 26(4): 430–444. doi: 10.1016/j.marpetgeo.2009.01.017
[7] 李智武,罗玉宏,刘树根,等. 川东北地区地层条件下致密储层力学性质实验分析[J]. 矿物岩石,2005,25(4):52–60. LI Zhiwu, LUO Yuhong, LIU Shugen, et al. The experimental analysis of mechanical properties of compact reservoir rocks under formation conditions, northeast of Sichuan Basin, China[J]. Mineralogy and Petrology, 2005, 25(4): 52–60.
[8] 楼一珊,庄锦江,黄荣樽. 岩石动、静弹性参数相关性的研究及其应用[J]. 江汉石油学院学报,1989,11(2):62–69. LOU Yishan, ZHUANG Jinjiang, HUANG Rongzun. Study on the interrelation of dynamic and static elastic parameters of rocks and its application[J]. Journal of Jianghan Petroleum Institute, 1989, 11(2): 62–69.
[9] 杨秀娟,张敏,闫相祯. 基于声波测井信息的岩石弹性力学参数研究[J]. 石油地质与工程,2008,22(4):39–42. YANG Xiujuan, ZHANG Min, YAN Xiangzhen. Study on acoustic logging-based rock elasticity parameters[J]. Petroleum Geology and Engineering, 2008, 22(4): 39–42.
[10] 韩玉娇. 基于AdaBoost机器学习算法的大牛地气田储层流体智能识别[J]. 石油钻探技术,2022,50(1):112–118. HAN Yujiao. Intelligent fluid identification based on the AdaBoost machine learning algorithm for reservoirs in Daniudi Gas Field[J]. Petroleum Drilling Techniques, 2022, 50(1): 112–118.
[11] 房好青,赵兵,汪文智,等. 塔河油田靶向压裂预制缝转向技术模拟研究[J]. 石油钻探技术,2019,47(5):97–103. FANG Haoqing, ZHAO Bing, WANG Wenzhi, et al. Simulation study on the range of diversion in targeted fracturing of prefabricated fractures in the Tahe Oilfield[J]. Petroleum Drilling Techniques, 2022, 50(4): 97–103.
[12] SINGH R, KAINTHOLA A, SINGH T N. Estimation of elastic constant of rocks using an ANFIS approach[J]. Applied Soft Computing, 2012, 12(1): 40–45. doi: 10.1016/j.asoc.2011.09.010
[13] YAGIZ S, GOKCEOGLU C. Application of fuzzy inference system and nonlinear regression models for predicting rock brittleness[J]. Expert Systems with Applications, 2010, 37(3): 2265–2272. doi: 10.1016/j.eswa.2009.07.046
[14] GUHA ROY D, SINGH T N. Predicting deformational properties of Indian coal: soft computing and regression analysis approach[J]. Measurement, 2020, 149: 106975. doi: 10.1016/j.measurement.2019.106975
[15] TORABI-KAVEH M, NASERI F, SANEIE S, et al. Application of artificial neural networks and multivariate statistics to predict UCS and E using physical properties of Asmari limestones[J]. Arabian Journal of Geosciences, 2015, 8(5): 2889–2897. doi: 10.1007/s12517-014-1331-0
[16] DEHGHAN S, SATTARI G, CHEHREH CHELGANI S, et al. Prediction of uniaxial compressive strength and modulus of elasticity for Travertine samples using regression and artificial neural networks[J]. Mining Science and Technology (China), 2010, 20(1): 41–46. doi: 10.1016/S1674-5264(09)60158-7
[17] MANOUCHEHRIAN A, SHARIFZADEH M, MOGHADAM R H. Application of artificial neural networks and multivariate statistics to estimate UCS using textural characteristics[J]. International Journal of Mining Science and Technology, 2012, 22(2): 229–236. doi: 10.1016/j.ijmst.2011.08.013
[18] RABBANI E, SHARIF F, KOOLIVAND SALOOKI M, et al. Application of neural network technique for prediction of uniaxial compressive strength using reservoir formation properties[J]. International Journal of Rock Mechanics and Mining Sciences, 2012, 56: 100–111. doi: 10.1016/j.ijrmms.2012.07.033
[19] KAUNDA R B, ASBURY B. Prediction of rock brittleness using nondestructive methods for hard rock tunneling[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2016, 8(4): 533–540. doi: 10.1016/j.jrmge.2016.03.002
[20] REZAEI M, MAJDI A, MONJEZI M. An intelligent approach to predict unconfined compressive strength of rock surrounding access tunnels in longwall coal mining[J]. Neural Computing and Applications, 2014, 24(1): 233–241. doi: 10.1007/s00521-012-1221-x
[21] MOHAMAD E T, ARMAGHANI D J, MOMENI E, et al. Rock strength estimation: a PSO-based BP approach[J]. Neural Computing and Applications, 2018, 30(5): 1635–1646. doi: 10.1007/s00521-016-2728-3
[22] FRIEDMAN J H. Multivariate adaptive regression splines[J]. The Annals of Statistics, 1991, 19(1): 1–67.
[23] 马建海,孙建孟. 用测井资料计算地层应力[J]. 测井技术,2002,26(4):347–352. MA Jianhai, SUN Jianmeng. Calculate formation stress using logging data[J]. Well Logging Technology, 2092, 26(4): 347–352.
计量
- 文章访问数: 140
- HTML全文浏览量: 25
- PDF下载量: 74
