英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
国际岩石力学与矿业科学学报
科学指引中可以找到的目录表
国际岩石力学与矿业科学学报
杂志主页: www.elsevier.com/locate/ijrmms
适应性采样适用于地表采矿中的爆破孔钻井
Nasir Ahsan,1 ,
Steven Scheding,2 ,
Sildomar T. Monteiro,3 ,
Raymond Leung,2 ,
Charles McHugh,4 , Danielle Robinson,4
2006年澳大利亚，新南威尔士，悉尼大学，工程链接建筑，澳大利亚现场机器人中心
通讯作者。
电子邮件地址：a.nasir@acfr.usyd.edu.au（N. Ahsan），
s.scheding@acfr.usyd.edu.au（S. Scheding），sildomar@mail.rit.edu（S.T. Monteiro），
r.leung@acfr.usyd.edu.au（R. Leung），charles.mchugh@riotinto.com（C. McHugh），
danielle.robinson@riotinto.com（D.Robinson）。
1作者在澳大利亚现场机器人中心（ACFR），悉尼大学航空航天，机械和机电工程学院，以及巴基斯坦国立大学科学技术机器人和智能机械工程系。 本文所描述的工作是在本作者在ACFR时进行的。
2作者在悉尼大学航空航天，机械和机电工程学院澳大利亚现场机器人中心（ACFR）工作。
3作者在美国罗切斯特理工学院凯特格里森工程学院工作。
4作者在澳大利亚力拓公司工作。
文章信息 摘要
本文描述了自适应采样在地质建模中的应用，以提高某些地表采矿应用中的操作成本和效率。目标是最小化钻进的爆破孔的数量和研究的地质边界的意外穿透。这些目标由经济考虑驱动，因为成本首先与钻孔的数量成正比，其次与涉及挖掘和爆破损伤的目标材料回收的效率有关。因此，用于估算的问题是由于更多地了解岩性和钻探的动机。建立准确的表面模型的主要挑战是，沉积岩体通过钻探通常相距较远的勘探孔进行粗取样。因此，钻孔不足以捕获基础地质学的局部变化。随着最近在使用随钻测量数据的现场条件下一致和可靠的实时识别地质边界的出现，我们在自适应采样框架中提出局部模型估计问题。拟议的抽样战略包括两个阶段。首先，钻探到所关注的地质边界的爆破孔，并且它们的位置被适应性地选择，以最大化对可以对演变的空间模型进行的增量改进的效用。第二阶段依赖于预测的地质，并根据与感兴趣的地质边界的预先指定的间隔距离进行钻探，以优化爆破并最小化其损伤。使用从澳大利亚煤矿勘探平台获取的数据，我们证明在阶段1中自适应地选择爆破孔可以最小化在煤层顶部钻出的孔的总数，而不是随机选择孔，同时优化爆破通过保持在距离接缝的停止距离中的误差的合理折衷。我们还表明，自适应抽样要求，为了精确估计，只有这个特定数据集最初钻取的孔的一小部分。
2015 Elsevier公司保留所有权利。
文章历史
2014年5月2日初稿
2015年1月15日修改稿
2015年1月19日刊登
关键词：
随钻测量
表面开采
自适应抽样
爆破孔设计优化
地质边界检测
矿山自动化
- 介绍
某些地表开采程序需要对基础地质进行建模以优化爆破。底层地质学的不正确概念可以增加由于随后的爆破而导致的碎裂所造成的损害，特别是在处理相对水平的地质边界时。可以从地质学家和地球物理学家解释的过去勘探数据获取地质模型。然而，这样的信息仅提供对基础地质学的基本估计，因为勘探孔可以间隔数百米。因此，有必要具有一些基础地质的局部空间模型。这需要在目标地质边界（正在开采的目标材料的边界）上钻一些爆破孔。由于钻穿目标边界是昂贵的，因此期望最小化我们必须这样做的次数。因此，该问题可以被称为获取基础地质的精确局部模型，以改进爆破孔设计，同时最小化穿过目标边界钻出的孔的数量。此外，准确的局部模型还减少了使用外部过程或使用地球物理数据来增加模型预测的置信度的需要。这是有利的，因为这些过程通常位于钻屑循环之外并且与岩心生产无关。
随着随钻测量（MWD）数据的出现，已经可以建立局部地质学模型。 MWD数据包括钻孔性能参数，例如旋转速度，穿透速率，钻头重量和可以实时监测的扭矩，并且可以用于优化钻孔过程[1]。这些参数与地球物理测井的地面实况测井策略之间的显着相关性，通常用于岩性描述，在[2]中得到了证明。许多工作还表明了这些参数直接表征岩性的潜力[3-5]。因此，使用MWD数据可以实时地（以一致的方式）检测地质边界，并且因此可以检测局部地质模型的学习。该过程在图1中示出。使用MWD构造局部地质模型还减轻了操作者从寻求地球实况的地球物理日志，到钻探者的不同解释，或完全依赖于稀疏分布的先验勘探数据。测量由安装在用于爆破孔钻孔的大钻机上的传感器收集。图2中示出了自主爆破孔钻机的示例。
选择穿过目标边界的孔对于建立准确的局部模型是必不可少的。例如，完全可能的是，钻五个孔并且使它们在整个工作台上展开实际上可以产生比彼此靠近的10个孔更精确的模型。这，其实是一个抽样问题。结合用于迭代数据选择的模型反馈已被显示为以最小的努力产生准确的模型，其在钻井背景中将转化为最小化穿过目标边界钻取的孔的数量。例如，在通过目标边界钻出第一孔之后，可以基于模型反馈使用模型（边界的位置）来识别下一个最佳钻井位置。这个新位置可能是距当前钻出的爆破孔最远的位置，因为模型不能自信地将其当前测量外推到该位置。然后，通过目标边界钻出这个新的爆破孔，然后将MWD数据附加到当前训练集，并且重新学习该模型以建议另一个钻孔位置。这个过程可以重复，直到模型认为它可以自信地推断其在整个调查台上的预测。这样的方法已经在实践中应用并且已知产生具有非常少的训练数据的精确模型[6-9]。这些技术被称为自适应采样。
本文的目的是调查自适应采样是否可以产生精确的局部地质模型，以最小钻探通过目标边界优化爆破孔设计。 为此，我们提出了一个2阶段自适应钻井策略，首先迭代地识别哪些孔钻穿目标边界，以建立一个基础地质学的概念，之后它扫过整个调查台钻每个孔， 与目标边界相距特定的距离以最小化由于爆破造成的损坏。偏离距离是基于专家的预先指定的参数，如果应用于基础地质的完美模型将导致最佳爆破，同时由于碎裂导致的最小损害。我们可以看到，我们的两阶段采样策略最小化钻穿目标边界的孔的数量，同时保持停止距离（偏离理想的远离距离）的合理折衷。
本文的其余部分结构如下：在第2节中，我们提出一些必要的背景和术语。 在第3节中，我们提出了自适应采样算法与基线对应。 自适应采样，实验设置和结果的数据，演示在第4节。结果和方法的讨论然后在第5节中介绍。我们在第6节结束论文，讨论未来研究的方向。
图1建筑；使用MWD数据的底层两类地质边界的局部空间模型。
注意每个点的岩性lt;x; y; zgt;由在该点收集的MWD数据表征。
图2.用于收集MWD数据的自主爆破孔钻机。
2.初步和背景
在本节中，我们提出了文章中使用的术语，随后是自适应采样和空间建模方法的背景。
2.1 术语
我们现在介绍一些在整篇论文中使用的基本术语。 将爆破孔分为以下类别就足够了：发现孔（DH），开孔（EH），错误孔（MH）和总钻孔（TDH）。 这些定义如下。
DH是有意钻穿目标边界的洞，以建立基础地质学的概念。
EH是钻到预测目标边界之上的预定距离的孔。
MH是错误地钻取到实际目标边界，因为预测的低于实际的边界。
TDH是钻到实际目标边界的孔的总数，即DH MH。
给定局部空间模型，我们定义孔的预测误差
error=-e (1)
其中是目标边界的预测高程，e是其实际高程。 请注意，这是单个爆破孔的错误。
图3中示出了错误孔和开采孔之间的对比。
图3.使用两种不同的场景突出开采洞和错误洞之间的对比度。 注意，e和分别表示特定位置处的目标边界的实际和预测高度。 还要注意两种情况下eacute;和之间的差异。 不失一般性，预测和实际边界可以交叉; 但为简单起见，未示出（a）实际边界之上的预测间隙高程和（b）实际边界之下的预测间隙高程。
为了显示对未钻孔位置的所有预测的汇总统计，我们使用以下用于K爆破孔的误差测量：
(2)
和
(3)
到目前为止提出的误差量度用于评估空间模型的准确性。 我们现在讨论用于评估抽样策略的两个错误度量。 注意，在采样过程结束时，即当所有爆破孔已经被钻出并且下一阶段被爆破时，计算两个度量。
第一个度量是TDH，其测量在爆破之前已经通过目标边界钻取的孔的总数，包括DH和MH的。 第二度量是平均停止距离（MD），其量化来自感兴趣的实际地质边界的平均停止距离，并且允许我们导出与最佳停止距离的偏差，其中最佳距离由间距距离（SD）参数指定。 这个度量允许我们量化爆破孔设计的质量。 在一些情况下，回填可能是可行的选择，然而，具有间隔距离的原因是为了避免诸如回填的无关过程，其以与采用地球物理测井的方式大致相同的方式引入串联依赖性（时间成本）。
任何策略的目标是最小化TDH和MD与SD的偏差。 在开采孔（EH）和错误孔（MH）上测量停止距离。 EH是重要的，因为这些是空间模型的预测所依赖的孔。 我们还使用MH，以消除停止距离的正误差。
我们现在正式定义停止距离。 令表示钻出孔i的高5。 令表示目标边界的实际高程。 然后，孔i的停止距离被写为： (4)
注意Sige;0，因为我们要么击中实际边界，要么停在高于它的位置6。理想的采样策略将具有平均停止距离SD和标准偏差0.我们将平均停止距离定义为: (5)
其中K = MH EH。 注意，我们故意在（5）中排除DH并且包括MH，以在采样完成时给出停止距离的无偏差统计。 从MD中，我们得到离散距离（表示为ESD）的平均误差，定义为
ESD=MD-SD (6)
ESD的标准偏差与MD的标准偏差相同。注意，负ESD意味着钻头比实际的边界更接近实际的边界。相反，正ESD意味着钻头比实际边界更远离它应该停止。因此，正式地，优化爆破孔设计的目的是自适应地构建基础地质的局部模型，使得我们最小化TDH和ESD。
5注意和之间的差异，后者是目标边界的预测高程。
6注意，0假定可忽略的处理延迟，并且致动器被完全控制。
2.2背景
自适应采样可以定义为数据采集的迭代过程，其中使用感兴趣的基础现象的数学模型来选择要采样的数据。 一旦采样了数据，就更新模型，并重复该过程，直到满足用户定义的标准。 允许模型选择数据的主要优点是它允许选择与改进模型泛化相关的实例。 已经表明，这样的策略可以大大减少数据量，以良好的模型泛化（在我们的问题的情况下钻穿目标边界的孔数）[8]。 这种形式的抽样已经应用于各种领域，例如自然语言处理（文本分类[7,10]），计算机视觉（图像分类[11,12]），机器人（自适应环境抽样[13] ，和生物信息学（发现代谢途径[14]）。
关于我们的问题，输入被表示为地理位置lt;x; y; zgt;，并且输出是类标号c（指示在该位置是否观察到目标边界的二进制值）。 空间模型将类标签外推到未打孔的孔，之后它告诉专家下一个最好的标签孔，即钻穿目标边界。 模型随着过程的迭代重复而成熟。 该过程在图4中示出。
图4.使用空间模型的自适应采样的图示。
图5.自适应采样处理流水线。
本文使用的自适应采样处理流程如图5所示。 管道的第一步是收集单个爆破孔的MWD数据。 对于孔中的每一个高程，我们从MWD中提取特征以表征岩性。 这将产生一组带有标签的位置
(7)
其中Ci ={-1， 1}表示是否在位置lt;Xi; Yi; Zigt;）观察到目标材料（Ci = 1）或不是（Ci = -1）。注意，对于在本研究中使用的特定台架，孔不是以一定角度钻出的，因此，在一个爆破孔中的位置具有相同的x和y。这不会造成问题，因为可以为任何训练数据分布学习空间模型。该数据用于学习空间模型，然后用于选择下一个钻取目标边界的位置，并为新
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[140174]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
课题毕业论文、外文翻译、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
