在岩土工程钻探中，传统方法常面临自动化水平低、钻孔数据利用率不足、岩性实时识别难的核心痛点 —— 如何突破这些局限以提升勘察效率与精度？本文研发的随钻监测系统结合 PSO-SVM 算法，不仅实现了87.5% 的岩性识别准确率，还能精准预测岩石强度，为智能钻探工程提供了关键技术支撑。
标题: Development and Application of a Monitoring-While-Drilling System with an Optimized Machine Learning Algorithm for Lithology Identification and Rock Strength Prediction 译文: 基于优化机器学习算法的岩性识别与岩石强度预测随钻监测系统研发与应用 期刊: Rock Mechanics and Rock Engineering (IF = 6.6) DOI: https://doi.org/10.1007/s00603-025-04624-3 |
1. 传统勘探方法（钻探、物探等）依赖人工编录、取样与实验室测试，成本高且数据反馈滞后于现场施工，难以满足实时勘察需求；
2. 现有随钻测量技术（如 Kajima、ENPASOL、LWD 等）虽能采集钻探参数，但无法精准识别需监测的子过程，且未充分利用计算机技术实现地质参数的快速精准预测；
3. 机器学习在钻探工程中的应用尚不完善，缺乏针对岩性识别与岩石强度预测的成熟优化算法，难以处理钻探参数与地质特性间的复杂非线性关系。
随着交通基础设施建设对岩土勘察精度、效率的要求不断提升，研发自动化、智能化的随钻监测与数据分析技术，成为突破传统钻探局限、保障工程设计与施工安全性的关键。
研发一套可实时采集钻探参数的随钻监测系统，构建 PSO-SVM 智能算法，实现砂岩、砂质泥岩、石灰岩的精准识别及岩石单轴抗压强度（UCS）、压痕硬度的预测，并通过现场与实验室测试验证系统及算法的有效性。
1. 研发随钻监测硬件系统：集成激光 / 拉线位移、油压、扭矩等多类型传感器，解决传统钻探自动化低、数据采集不全面的问题，适配多数地质钻机；
2. 优化机器学习算法：提出 PSO-SVM 算法，通过粒子群优化（PSO）改进支持向量机（SVM）核函数参数，显著提升岩性识别与岩石强度预测精度；
3. 明确实用选型与监测指标：证实拉线位移传感器在稳定性、成本效益上优于激光传感器；确定钻探速率、油压突变是岩性 / 岩石强度变化的关键指标，为现场应用提供依据；
4. 提供智能钻探思路：为岩土工程领域智能化钻探技术发展提供可落地的硬件 - 算法一体化方案，推动钻探工程从 “经验驱动” 向 “数据驱动” 转型。
采用 “硬件系统研发→数据采集与预处理→PSO-SVM 算法构建→现场与实验室测试验证” 的闭环方案，实现钻探参数实时采集、数据高效处理及岩性与岩石强度的精准反演。
1. 随钻检测系统硬件研发
基于 XY-2 钻机设计监测设备，集成 8 类核心传感器（激光 / 拉线位移传感器、油缸压力传感器、扭矩传感器等），采集钻杆位移、油压、转速、扭矩等关键参数。
钻探监测设备结构示意图
2. 数据采集与预处理
在重庆、广东开展现场试验（20 个钻孔，总深度超 1200m，记录 600 万 + 行数据），按 “合理性判断→离散性处理→噪声去除→主观修正” 流程预处理。
离散性处理采用 “3σ” 原则剔除异常值；噪声去除用小波滤波；最后结合现场勘探日志修正主观因素导致的异常。
钻探状态判断规则
数据预处理流程
3. PSO-SVM 算法构建
第一步，数据归一化。
第二步，选择高斯径向基核函数
第三步，用 PSO 优化 SVM 的惩罚因子c与核参数g
PSO-SVM 分类器流程图
4. 数据集划分
将岩性识别、UCS 预测、压痕硬度预测数据集按 8:2 分为训练集与测试集。如岩性识别数据集共 9 万样本（每类岩性 3 万样本），训练集 7.2 万、测试集 1.8 万。
训练集与测试集样本量
钻探试验中的一些典型岩心
岩石压痕硬度试验
钻孔电视成像仪成像效果
1. 传感器性能对比结果
拉线位移传感器数据稳定性显著优于激光位移传感器：停钻阶段拉线传感器数据几乎无波动，而激光传感器数据波动明显；且拉线传感器成本更低，更适配工程场景。
两种位移传感器数据对比
2. 钻探参数与地层特性关联结果
钻探速率、油缸油压的突变是岩性 / 岩石强度变化的关键指标：如土壤 - 岩石界面（约 13m 深度）处，钻探速率从 0.25 m/min 降至 0.04 m/min；同类型岩石中，岩性变化时钻探速率可提升 3 倍以上。
钻孔深度 - 钻探时间曲线
钻探速率随孔深变化曲线
3. PSO-SVM算法性能结果
岩性识别准确率达 87.5%（测试集 40 个样本中 35 个预测正确，1 类砂质泥岩、2 类砂岩、3 类石灰岩分类清晰。UCS 预测 MAE=2.2187、R=0.9919，压痕硬度预测 MAE=0.0149、R=0.9860，预测精度优异。
PSO-SVM 算法分类结果
PSO-SVM 模型 UCS 分位数图
PSO-SVM 模型压痕硬度分位数图
4. 不同算法对比结果
PSO-SVM 算法在 UCS 预测上显著优于未优化 SVM 与交叉验证优化 SVM：其 MAE=6.7053（未优化 SVM 为 15.8697）、RMSE=8.8475（未优化 SVM 为 23.3336）、R=0.9415（未优化 SVM 为 - 0.4846）。
不同算法预测性能评估
该文研发的随钻监测系统与 PSO-SVM 算法，通过硬件集成与算法优化，突破了传统钻探的自动化、智能化瓶颈，实现了岩性识别与岩石强度预测的精准化，为地质钻探工程提供了可靠的技术范式。
1. 将 PSO-SVM 算法与随钻监测系统深度结合，解决了钻探参数与地质特性间的非线性映射难题，提升了随钻监测技术的工程实用性与预测精度；
2. 拉线位移传感器的选型建议降低了设备成本，钻探速率 / 油压突变的指标可直接指导现场实时地层识别，为道路、铁路等基础设施的岩土勘察提供高效工具；
3. 为智能钻探领域提供 “硬件 - 数据 - 算法” 一体化研究思路，未来可扩展至更多岩性与复杂地质场景，进一步推动机器学习在岩土工程中的深度应用。
原文摘要
The geotechnical characteristics of strata are crucial indicators for geotechnical investigations and design. To overcome the existing challenges in this field, such as low automation levels, underutilization of borehole data, and difficulties in identifying lithology during the drilling process, this study developed a monitoring-while-drilling system, and proposed an intelligent data processing scheme. Onsite tests were conducted in Chongqing and Guangdong, China, collecting substantial effective borehole data. The particle swarm optimization (PSO) algorithm was used to optimize the parameters of the kernel function of the support vector machine (SVM), ensuring the best learning and prediction performance. The particle swarm optimization support vector machine (PSO–SVM) algorithm successfully identified three rock types (sandstone, sandy mudstone, and limestone) with an accuracy of 87.5% and accurately predicted uniaxial compressive strength (UCS) and rock indentation hardness. Furthermore, the pull-wire displacement sensor demonstrated superior stability and cost-effectiveness as compared to the laser displacement sensor, making it a more favorable option for engineering applications. Abrupt changes in drilling rate and oil pressure were identified as critical indicators of changes in rock type or strength, offering a practical approach for real-time stratigraphic identification. The proposed monitoring-while-drilling system and PSO–SVM algorithm provide significant benefits for geological drilling by enhancing automation and intelligence. Future research will focus on extending the application of this system and algorithm to other rock types and geological settings to further validate their effectiveness and robustness.
译文
地层的岩土特性是岩土工程勘察与设计的关键指标。为解决该领域现有自动化水平低、钻孔数据利用率不足、钻探过程中岩性识别难等挑战，本研究研发了一套随钻监测系统，并提出智能数据处理方案。在中国重庆和广东开展现场试验，采集了大量有效钻孔数据。采用粒子群优化（PSO）算法优化支持向量机（SVM）的核函数参数，以确保模型最佳的学习与预测性能。粒子群优化支持向量机（PSO-SVM）算法成功识别出砂岩、砂质泥岩和石灰岩三种岩石类型，准确率达 87.5%，并能精准预测岩石单轴抗压强度（UCS）与压痕硬度。此外，与激光位移传感器相比，拉线位移传感器表现出更优的稳定性和成本效益，是更适合工程应用的选择。钻探速率与油压的突变被确定为岩性或岩石强度变化的关键指标，为地层实时识别提供了实用方法。所提出的随钻监测系统与 PSO-SVM 算法通过提升自动化与智能化水平，为地质钻探带来显著效益。未来研究将致力于将该系统与算法的应用扩展至更多岩性与地质场景，以进一步验证其有效性与鲁棒性。
声明：本文内容由解读人员在生成式人工智能技术辅助下创作而成，相关观点仅为解读人员基于论文内容的个人分析，不代表原文作者、期刊及本公众号立场，仅供读者学术交流参考，不构成任何决策建议。论文版权归属于相应期刊或出版方，本公众号不提供任何论文全文的下载、转发、存储或分发服务，亦不鼓励任何侵犯论文版权的行为。如有版权侵权情况，请权利持有人及时与我们联系，我们将立即采取相应措施。
点击"阅读原文"查看更多