煤炭学报

作者：刘金锁, 张平松, 刘盛东, 胡雄武, 张维鑫, 刘惠洲, 曹煜,

关键词：岩性识别, 集合经验模态分解, 能量归一化, 奇异值分解, 差分概率神经网络,

针对坑道钻机在钻探施工过程中所遇到的岩性识别技术问题，结合切割岩石时钻头后方采集到的随钻振动信号，提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)和差分演化(Differential Evolution，DE)算法优化的差分概率神经网络(Differential Evolution-Product Neural Networks，DE-PNN)的岩性识别方法。首先，通过采用不同幅频特征的正弦信号合成钻进模拟信号，分别选择振幅为10 g(g为重力加速度，1 g ≈ 9.8 m/s2)、频率为50 Hz的高频高能量信号和振幅为5 g、频率为20 Hz的低频低能量代表钻进所遇的岩石和煤层，对比经验模态分解(Empirical Mode Decomposition，EMD)和加入多次高斯白噪声的EEMD的模态分解结果，验证了加入多次高斯白噪声的EEMD在解决模态混叠上的应用效果；其次分别对中国贵州省某矿实采的切煤、切泥岩和切砂岩的1s时长振动信号进行EEMD分解，对其进行频谱分析得到相应的幅频特征，挑选前7个特征基本模式分量(Intrinsic Mode Function，IMF)为特征模态，并分别对其求取能量和归一化处理和奇异值分解来构建14个参数的特征向量；最后通过对中国贵州省某矿实采的切煤、切泥岩和切砂岩的各160组1 s时长的振动信号进行特征向量构建，输入经DE算法优化的PNN进行训练并验证识别效果，优化后的神经网络对剩余样本岩性识别率得到显著提高。结果表明：切割岩石的振动信号经EEMD分解和DE算法优化的概率神经网络处理，可高效、快速、准确地进行岩性识别，为进一步的随钻岩性识别提供了新的参考意义，更好地指导矿井钻探工作的开展。

来源：2025年第12期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2025年第12期