一种基于随采参数和/或随钻参数的岩石可切割性评价方法、破岩设备及破岩系统

1.本发明属于岩土工程和岩石力学与工程技术领域，具体涉及一种基于随采参数和/或随钻参数的岩石可切割性评价方法、破岩设备及破岩系统。


背景技术：

2.传统的钻爆法已难以适应深部开采对连续化、规模化和安全高效绿色资源开发的需求。机械化开采由于其安全性能高、扰动小和绿色化等优点，已经逐渐成为了深部开采的重要手段之一。然而，机械化开采是一个十分复杂的过程，其受到众多因素影响，如岩石性质、地应力条件、机械设备性能和刀具性能等。由此可知，岩石的可切割性对机械化破岩具有显著影响，因此，岩体可切割性预先评价对设计机械破岩参数和提高破岩效率具有十分重要的意义。
3.传统的机械化开采，需要预先对岩体性质和地质条件进行分析。然后，再对破岩参数进行合理化设计。这就意味着在项目前期，需要耗费大量的时间和项目经费，且无法有效地适应多变的地质环境和岩体类型。因此，常致使无法精确地指导破岩机械的参数设计，最终导致破岩效率低、工期长且成本高等问题。


技术实现要素：

4.本发明的目的是提供一种基于随采参数和/或随钻参数的岩石可切割性评价方法、破岩设备及破岩系统，用于解决传统机械破岩方法中破岩设备的参数设计难以高效、合理设计，从而导致破岩效率低、工期长且成本高的问题。本发明借助随采参数和/或随钻参数可以预测可切割性等级结果，从而指导破岩设备的机械参数的设置，从而可以有效提高后期机械破岩效率。尤其是，本发明提供的基于随采参数的模型，其可以直接用于指导实际开采过程的破岩设备的机械参数调整，实现了机械参数-随采参数-岩石可切割性-机械参数的闭环控制，进而实现破岩设备的机械参数动态控制以及岩石可割性动态预测的过程；而本发明提供的基于随钻参数的模型，其可以应用于实际开采之前，对岩体的可切割性进行预测，从而准确寻找到更适宜的机械参数，提高破岩效率。
5.一方面，本发明提供的一种基于随采参数和/或随钻参数的岩石可切割性评价方法，其包括以下步骤：
6.获取现场开采过程中破岩设备的随采参数和/或钻进过程中的随钻参数；
7.获取随采参数和/或基于随采参数随钻参数对应的多个目标特征量；
8.获取基于所述多个目标特征量构建的可切割性评分标准，所述可切割性评分标准为所述多个目标特征量与可切割性等级的对应关系；
9.基于所述随采参数和/或随钻参数以及对应的可切割性等级构建可切割性等级预测模型，进而将现场破岩设备的随采参数和/或现场钻孔时的随钻参数输入所述可切割性等级预测模型得到可切割性等级结果；或者，基于所述随采参数和/或随钻参数与所述多个
目标特征量构建所述多个目标特征量预测模型，进而将现场破岩设备的随采参数和/或现场钻孔时的随钻参数输入所述多个目标特征量预测模型得到目标特征量，再基于所述可切割性评分标准得到可切割性等级结果；
10.利用所述可切割性等级结果指导设置破岩设备的机械参数。
11.可选地，所述多个目标特征量为：刀具磨损度、破岩比能和破岩产量的组合或者破岩比能se与岩石单轴抗压强度ucs与弹性模量e的组合。
12.传统方式都是采用单一参数评估岩石可切割性，本发明选择刀具磨损度、破岩比能和破岩产量的组合，这是考虑到刀具磨损量极大程度上影响破岩机械的利用率和工程支出；单位时间破岩产量是最为直观的破岩效率表征参数；破岩比能是破岩性能的综合表现，将其组合可以更加全面的评估岩石的可切割性。再者，选择破岩比能se与岩石单轴抗压强度ucs与弹性模量e的组合，这是考虑到轴抗压强度ucs和弹性模量e是岩石的基本力学性质参数，同时破岩比能se是反映破岩难以程度的综合表征参数。将其组合也可以更加全面的评估岩石的可切割性。
13.可选地，所述随采参数对应的多个目标特征量为刀具磨损度、破岩比能和破岩产量的组合，所述随钻参数对应的多个目标特征量为破岩比能se与岩石单轴抗压强度ucs与弹性模量e的组合。
14.可选地，若获取的是随采参数，利用所述随采参数指导破岩设备的机械参数的设置，具体为：
15.将现场破岩设备的随采参数输入所述多个目标特征量预测模型得到刀具磨损度、破岩比能和破岩产量的目标特征量；
16.再利用所述刀具磨损度、破岩比能和破岩产量以及所述可切割性评分标准得到可切割性等级结果；
17.最后，利用所述可切割性等级结果调整破岩设备的机械参数；
18.其中，在现场开采过程基于上述过程实现机械参数的动态自适应调整。
19.所述方法通过构建基于随采参数的多个目标特征量预测模型，可以准确预测刀具磨损度、破岩比能和破岩产量，同时利用刀具磨损度、破岩比能和破岩产量得到可切割性评估结果，最终用于指导破岩设备的机械参数调整，实现了机械参数-随采参数-岩石可切割性-机械参数的闭环控制，进而实现破岩设备的机械参数动态控制以及岩石可割性动态预测的过程，有效解决了传统破岩的信息滞后以及参数调整滞后的问题。
20.可选地，若获取的是随钻参数，利用所述随钻参数指导破岩设备的机械参数的设置，具体为：
21.首先，现场钻孔并采集随钻参数，再将其输入所述可切割性等级预测模型得到所述可切割性等级结果；
22.其中，所述可切割性等级预测模型的训练过程为：
23.(i)通过钻进实验得到随钻参数、破岩比能se与岩石单轴抗压强度ucs与弹性模量e；
24.(ii)基于破岩比能se与岩石单轴抗压强度ucs与弹性模量e，并以可切割性评分标准为参考得到每组随钻参数对应的可切割性等级结果；
25.(iii)以随钻参数为模型输入，可切割性等级结果为模型输出进行模型训练得到
所述可切割性等级预测模型；
26.最后，利用所述可切割性等级结果指导破岩设备的机械参数。
27.不同于常用的基于随钻系统的地层识别和岩石性质分析，本发明直接通过随钻参数评价岩石的可切割性。岩石可切割反映的是破岩刀具与岩石之间相互作用的难易程度，与岩石性质和岩石所处的应力条件、地质环境等相关，是直接反映岩石可机械开采难易程度的定量指标，决定着破岩效率，对机械化开采更具指导意义。本发明以破岩比能se与岩石单轴抗压强度ucs与弹性模量e作为中间变量，构建了随钻参数与岩石的可切割性的对应关系，进而实现可切割性等级预测模型的构建。
28.可选地，所述方法还包括：
29.开采之前，先利用所述随钻参数得到可切割性等级结果，再进行实际开采，并利用所述随采参数得到可切割性等级结果；
30.比较两个可切割性等级结果是否一致，若一致，利用所述随钻参数或利用所述随采参数得到的可切割性等级结果均可用于指导破岩设备的机械参数的设置；
31.若不一致，以现场实际得到的目标特征量为基准调整可切割性评分标准，直至两个模型结果相匹配。
32.本发明利用两个模型进行相互验证，从而提高模型的可靠性。
33.可选地，所述随采参数包括实时功率p、推动力f、扭矩t、转速n和倾入率v中部分或全部；
34.所述随钻参数包括推动力f、扭矩t、转速n和倾入率v中部分或全部；
35.所述机械参数包括功率、推动力、刀头旋转速度、扭矩中部分或全部参数。
36.其中，随采参数是开采过程中采集的参数，随钻参数是钻孔取芯过程得到的参数，因此，基于随采参数的模型可以应用于实际开采过程中预测，基于随钻参数的模型更多是应用于开采之前的预测。本发明从多方面考虑破岩的工况，更加全方位思考设置机械参数，提高破岩效率。此外，即使随采参数和随钻参数存在参数重叠，但是使用不同的机械进行开采、钻孔时，即使是同一岩体目标进行操作，同一参数的数值也可能存在差异，因此，本发明优选基于随采参数的模型以及基于随钻参数的模型均适用于各自建模时的同一类型设备，应用于其他类型的设备还需要从精度方向进行考虑。
37.可选地，所述可切割性等级预测模型选择随机森林或结合基因算法的支持向量机，所述多个目标特征量预测模型选择多输出回归预测模型。
38.可选地，所述可切割性评分标准包括如下评分表以及基于评分总值确定可切割性等级的规则；
39.若存在3个目标特征量，对应评分表为：
[0040][0041]
其中，a1、b1、c1、d1、e1、a2、b2、c2、d2、e2、a3、b3、c3、d3、e3均为设定的评分边界
值，q1-q4、o1-o4、p1-p4数值依次递增，均为正整数。
[0042]
可选地，本发明将岩石的可切割性划分为如下四个等级：易切割、较易切割、中等切割难度、难切割；
[0043]
若q1-q4、o1-o4、p1-p4均分别对应1-4，则所述四个等级对应评分总值的划分边界值依次为：3、6、9、12。
[0044]
第二方面，本发明提供一种基于随钻参数的破岩系统，其包括：随钻设备、随钻参数采集器、控制处理器、破岩设备；
[0045]
其中，随钻设备用于钻孔，并通过随钻参数采集器采集钻进过程中的随钻参数并传输给控制处理器；
[0046]
所述控制处理器基于随钻参数并利用多个目标特征量预测模型得到多个目标特征量，再利用可切割性评分标准得到可切割性评估结果，进而利用所述可切割性评估结果指导破岩设备的机械参数的设置；其中，多个目标特征量预测模型用于根据随钻参数预测所述多个目标特征量，所述可切割性评分标准为所述多个目标特征量与可切割性等级的对应关系；
[0047]
或者，所述控制处理器利用可切割性等级预测模型得到可切割性等级结果，进而利用所述可切割性评估结果指导破岩设备的机械参数的设置；
[0048]
其中，所述可切割性等级预测模型用于根据随钻参数预测可切割性等级结果，所述可切割性等级预测模型训练过程是针对每获取的一组随钻参数，以所述多个目标特征量为中间变量构建随钻参数与可切割性等级结果的对应关系，进而作为训练样本进行训练。
[0049]
第三方面，本发明提供一种基于随采参数的破岩设备，其设有随采参数采集元件、控制处理器，所述随采参数采集元件与所述控制处理器连接；
[0050]
其中，所述随采参数采集元件采集现场破岩设备的随采参数，并传输至所述控制处理器；
[0051]
所述控制处理器基于随采参数并利用多个目标特征量预测模型得到多个目标特征量，再利用可切割性评分标准得到可切割性评估结果，进而利用所述可切割性评估结果指导破岩设备的机械参数的设置；其中，多个目标特征量预测模型的训练过程是将每获取的一组随钻参数、多个目标特征量作为一个训练样本进行训练，得到模型用于根据随钻参数预测所述多个目标特征量，所述可切割性评分标准为所述多个目标特征量与可切割性等级的对应关系；
[0052]
或者，所述控制处理器利用可切割性等级预测模型得到可切割性等级结果，进而利用所述可切割性评估结果指导破岩设备的机械参数的设置；
[0053]
其中，所述可切割性等级预测模型用于根据随采参数预测可切割性等级结果，所述可切割性等级预测模型训练过程是针对每获取的一组随钻参数，以所述多个目标特征量为中间变量构建随钻参数与可切割性等级结果的对应关系，进而作为训练样本进行训练。
[0054]
有益效果
[0055]
1.本发明提供的一种基于随采参数和/或随钻参数的岩石可切割性评价方法，借助随采参数和/或随钻参数可以预测可切割性等级结果，从而指导破岩设备的机械参数的设置，有效解决了传统破岩的信息滞后以及参数调整滞后的问题，从而可以有效提高后期机械破岩效率。尤其是，本发明提供的基于随采参数的模型，其可以直接用于指导实际开采
过程的破岩设备的机械参数调整，实现了机械参数-随采参数-岩石可切割性-机械参数的闭环控制，进而实现破岩设备的机械参数动态控制以及岩石可割性动态预测的过程；而本发明提供的基于随钻参数的模型，其可以应用于实际开采之前，对岩体的可切割性进行预测，从而准确寻找到更适宜的机械参数，提高破岩效率。
[0056]
2.本发明进一步优选方案中，选择刀具磨损度、破岩比能和破岩产量的组合或者破岩比能se与岩石单轴抗压强度ucs与弹性模量e的组合作为目标特征参数，相较于传统方式都是采用单一参数评估岩石可切割性，发明选择刀具磨损度、破岩比能和破岩产量的组合，这是考虑到刀具磨损量极大程度上影响破岩机械的利用率和工程支出；单位时间破岩产量是最为直观的破岩效率表征参数；破岩比能是破岩性能的综合表现，将其组合可以更加全面的评估岩石的可切割性。本发明选择破岩比能se与岩石单轴抗压强度ucs与弹性模量e的组合，这是考虑到轴抗压强度ucs和弹性模量e是岩石的基本力学性质参数，同时破岩比能se是反映破岩难以程度的综合表征参数，进而其组合也可以更加全面的评估岩石的可切割性。
[0057]
3.本发明进一步的优选方案中，还利用基于随采参数的模型结果和基于随钻参数的模型结果进行相互验证，提高模型的可靠性。
附图说明
[0058]
图1是本发明实施例1提供的所述方法的流程示意图；
[0059]
图2为本发明实施例1提供的现场作业示意图；
[0060]
图3是本发明实施例2提供的所述方法的流程示意图；图4是本发明实施例3提供的基于随采参数的模型以及基于随钻参数的模型的相互验证的流程示意图；
[0061]
图5为随钻设备示意图；
[0062]
图6为现场钻进示意图；
[0063]
其中，附图标记为：
[0064]
图2中序号含义如下：1—顶板，2破岩机械，3—刀具，4—随采参数记录仪，5—岩体，6—底板。
[0065]
图5中序号含义分别如下：1—倾入率记录通道，2—扭矩记录通道，3—转速记录通道，4—推动力记录通道，5—钻头，6—随钻记录仪。
[0066]
图6中序号含义分别为：1—顶板，2—钻机，3—随钻记录仪，4—钻孔，5—岩体，6—底板。
具体实施方式
[0067]
本发明提供的一种基于随采参数和/或随钻参数的岩石可切割性评价方法，其利用现场开采过程中破岩设备的随采参数和/或钻进过程中的随钻参数，构建一套预测岩石可切割性等级结果的方法。其模型包含两种：
[0068]
第一种：基于所述随采参数和/或随钻参数，以可切割性评分标准为依据、以多个目标特征量为中间参数，构建随采参数和/或随钻参数与岩体可切割性等级的对应关系，进而基于所述随采参数和/或随钻参数以及对应的可切割性等级构建可切割性等级预测模型。
[0069]
从而，将现场破岩设备的随采参数和/或现场钻孔时的随钻参数输入所述可切割性等级预测模型得到可切割性等级结果。
[0070]
第二种：基于所述随采参数和/或随钻参数与所述多个目标特征量构建所述多个目标特征量预测模型，进而将现场破岩设备的随采参数和/或现场钻孔时的随钻参数输入所述多个目标特征量预测模型得到目标特征量，再基于可切割性评分标准得到可切割性等级结果。
[0071]
最终，利用所述可切割性等级结果指导破岩设备的机械参数的设置。
[0072]
其中，本发明优选多个目标特征量为：刀具磨损度、破岩比能和破岩产量的组合或者破岩比能se与岩石单轴抗压强度ucs与弹性模量e的组合。所述随采参数包括实时功率p、推动力f、扭矩t、转速n和倾入率v中部分或全部；所述随钻参数包括推动力f、扭矩t、转速n和倾入率v中部分或全部；所述机械参数包括功率、推动力、刀头旋转速度、扭矩中部分或全部参数。
[0073]
应当理解，在上述技术思路的基础上，针对随采参数、随钻参数，本发明并不局限选择哪一种模型、选择哪些目标特征参数组合、选择哪些机械参数组合，在不脱离本发明构思的基础上，其均属于本发明的保护范围。
[0074]
下述实施例将针对随采参数、随钻参数分别进行举例说明，但本发明并不局限于下述实例的技术方案。
[0075]
实施例1：
[0076]
如图1所示，本实施例以随采参数包含实时功率p、推动力f、扭矩t、转速n及倾入率v为例进行说明，提供了一种基于随采参数的岩石可切割性评价方法，其包括以下步骤：
[0077]
步骤1：获取现场开挖工况中破岩设备的随采参数。
[0078]
本实施例中，机械破岩机械作业时，利用传感设备和数据采集设备获取实时功率p、推动力f、扭矩t、转速n及倾入率v，将其组合作为本实施例的随采参数，其他可行的实施例中，可以选择部分参数的组合或者在部分参数的组合基础上再计入其他随采参数。应当理解，随采参数的变化就对应了岩石可切割性的变化，而岩石的可切割性即与自身性质有关以及其所处的地质环境有关。
[0079]
步骤2：以预设时间间隔为单元，统计现场开完工况中破岩设备的刀具磨损度、破岩比能和破岩产量。
[0080]
本实施例中以1小时为间隔统计破岩设备的刀具磨损度、破岩比能和破岩产量。其他可行的实施例中，可以根据实际需求调整时间间隔。其中，本发明所述方法能够实现机械参数-随采参数-岩石可切割性-机械参数的闭环控制，因此，本实施例中也是以1小时为周期进行动态调整机械参数，其他可行的实施例中对此不进行具体的限定。
[0081]
本实施例中，以所有刀具数量的平均值磨损程度作为每小时后的刀具磨损度；破岩产量以每小时所破碎岩石的体积进行统计；破岩比能根据破碎单位体积所需要消耗的能量进行计算。
[0082]
步骤3：利用所述随采参数、刀具磨损度、破岩比能和破岩产量训练模型得到多个目标特征量预测模型。
[0083]
本实施例采用多输出回归模型，建立以实时的功率、推动力、扭矩、转速、侵入率等随采参数作为输入变量，而刀具磨损、破岩产量和破岩比能作为输出变量，建立多输出回归
评价模型的多个目标特征量预测模型。
[0084]
本实施例中将获取的数据集随机挑选70％作为训练集，剩余30％作为测试集。然后，利用训练集建模。建模后，将测试集代入模型进行验证。算法的预测精度需达到85％以上，否则，则需要对预测算法进行参数调整来提高预测精度，直至精度超过85％以上方可停止。此外，还可以将现场用于预测的数据再次作为训练数据的一部分，重新组成训练集，不断更新模型。为了防止模型过于频繁的更新，还可以设定预测的数据超过原训练集的50％之后，再将预测的数据作为模型更新过程的数据。
[0085]
需要说明的是，本实施例中刀具磨损、破岩产量和破岩比能是以1小时为周期获取的，而率、推动力、扭矩、转速、侵入率的随采参数是实时获取或者间隔获取，因此，1小时周期内每类随采参数会存在多个数据，从而可以进行均值等处理，本发明对此不进行具体的限定。
[0086]
步骤4：获取现场破岩设备的随采参数，并输入所述多个目标特征量预测模型得到刀具磨损度、破岩比能和破岩产量。
[0087]
步骤5：将步骤4中的刀具磨损度、破岩比能和破岩产量代入预先构建的可切割性评分标准中得到可切割性评估结果。
[0088]
本实施例中，利用现场、实验中的刀具磨损量、破岩产量、破岩比能与岩石可切割性的关系，利用综合模糊评价方法的评价方式进行分级，并以1,2,3,4打分的方式，分别建立四个等级。其中，1表示最容易切割，4表示岩石很难被切割。从1-4，岩石可切割性难度逐渐变大。最后，为了提高预测精度，改变以往的仅以单一变量分析岩石可切割性，结合上述三破岩表现参数对岩石可切割性进行综合分析，并建立前文的评分表。最后，通过分级，并将岩石可切割性等级划分为：易切割(3分)，较易切割(3-6分)，中等切割难度(6-9分)和难切割(9-12分)四个等级。
[0089]
如下表所示：
[0090][0091][0092]
其中，a1-e1，a3-e3数值依次呈增加趋势，a2-e2数值依次呈减少趋势，a1、b1、c1、d1、e1、a2、b2、c2、d2、e2、a3、b3、c3、d3、e3均为设定的评分边界值。
[0093]
其中，综合模糊评价方法为现有算法，其建立刀具磨损量、破岩产量、破岩比能三个因素的因素集，并将其权重设置为相同，再依据三个因素所建立的分值分区建立可能影响岩石可切割性的评价结果作为评价集，再进行单因素模糊评价以及模糊综合决策。由于采用现有算法，因此，对其不进行具体的陈述。
[0094]
需要说明的是，关于四个等级对应分割边界值的取值属于哪个等级的问题以及评分值的设定问题，其可以根据实际应用需求进行设置，本发明对此不进行具体的限定。
[0095]
步骤6：利用所述可切割性评估结果调整破岩设备的机械参数，其中机械参数与随采参数存在关联关系的两组参数。
[0096]
本实施例中选择最佳功率p
opt
、最佳推动力f
opt
、最佳刀头旋转速度v
opt
和最佳扭矩t
opt
作为要调整的机械参数，其他可行的实施例中，可以对其进行适应性调整。本实施例中构建的可切割性评估结果与机械参数的调整模型如下所示：
[0097][0098]
其中，得到每个可切割性等级对应的一组最佳破岩机械参数的过程可以按照如下技术思路考虑：
[0099]
分别找到在不同可切割性程度下，刀具磨损度和破岩比能最小，且破岩产量最大时，所对应的功率、推动力、刀头旋转速度、扭矩，将其视为最适破岩机械参数；
[0100]
其中，在该过程中需要注意的是，可能在不同可切割性等级下，并非能存在同时满足磨损度和破岩比能最小，且破岩产量最大条件的情况。若无法同时满足，则取三因素所对应评分相加最小值所对应的机械参数作为最适破岩机械参数。
[0101]
需要说明的是，本发明利用预测结果与现场实际破岩结果，可以不断优化本发明的预测模型、可切割性评分标准、调整模型。还应当理解，本发明提供的基于随采参数的模型，其可以直接用于指导实际开采过程的破岩设备的机械参数调整，实现了机械参数-随采参数-岩石可切割性-机械参数的闭环控制，进而实现破岩设备的机械参数动态控制以及岩石可割性动态预测的过程，如图2所示，在现场作业中实时指导机械参数设计。
[0102]
还需要说明的是，本实施例中各个步骤的逻辑顺序，其可以根据实际需求以及工况进行适应性调整。譬如，步骤1以及步骤2中数据获取的先后。
[0103]
实施例2：
[0104]
如图3所示，本实施例以随钻参数包括推动力f、扭矩t、转速n和倾入率v为例进行说明，其包括以下步骤：
[0105]
s1：通过钻进实验，得到推动力f、扭矩t、转速n和倾入率v四个基本随钻参数，然后根据随钻参数计算破岩比能se。
[0106]
譬如，首先加工实验所需试样，将其尺寸定制为100
×
100
×
100m的立方体试样，岩石样本的单轴抗压强度变化范围包括大部分常见岩石。准备好试样后，用外径为70mm，内径为60mm的金刚石取芯钻头对其分别进行钻进实验，如图6所示。通过调节推动力f和转速n来控制钻进测试，并根据随钻记录仪记录和保存不同岩样钻进过程中对应的推动力f、转速n、扭矩t和侵入率v等随钻参数。最后，根据随钻参数计算破岩比能se。其具体公式如下：
[0107]
se＝f/a+2πtn/av
[0108]
其中，a为钻进面积。
[0109]
s2：通过力学实验得到岩石单轴抗压强度ucs和弹性模量e；
[0110]
其中，通过实验室钻进实验，获得各岩样对应岩芯。然后，将岩芯加工成标准试样，进行实验室力学分析得到单轴抗压强度ucs和弹性模型e。
[0111]
s3：根据破岩比能se与岩石单轴抗压强度ucs与弹性模量e建立岩石可切割性评分标准。其中，类似实施例1中的表格，也是将根据破岩比能se与岩石单轴抗压强度ucs与弹性模量e的数值进行打分，再统计总分，并按照下述表格进行可切割性等级划分：
[0112][0113]
*从a～d数值依次增大。
[0114]
s4：以随钻参数为输入参数，岩石可切割性等级作为输出参数，借用随机森林算法或结合基因算法的支持向量机算法对随钻实验数据进行建模。以推动力f、转速n、扭矩t和倾入率v作为输入参数，岩石可切割性等级作为输出参数，建立预测模型。借用随机森林算法和结合基因算法的支持向量机算法对随钻实验数据进行建模。以推动力f、转速n、扭矩t和倾入率v作为输入参数，岩石可切割性等级作为输出参数，建立可切割性等级预测模型。
[0115]
其中，训练集和测试集的占比为7:3。首先，随机挑选70％的数据建立预模型，建立可切割性等级预测模型后，以剩余的30％数据来验证可切割性等级预测模型预测性能，规定最低的预测精度为85％，如果没有达到此精度要求，则通过不断调试算法内部参数提高预测性能，直至达到要求为止。其中，随机森林算法和结合基因算法的支持向量机均为现有成熟算法，故对其不进行具体的陈述。
[0116]
s5：通过现场随钻设备钻孔，借助传感设备和数据采集设备获得对应的实时推动力f、转速n、扭矩t和倾入率v的随钻参数。
[0117]
s6：应用于实际工程。将现场钻进测试得到的推动力f、转速n、扭矩t和倾入率v等随钻参数，作为步骤四中所建立预测模型的输入。将随钻参数代入可切割性等级预测模型得到可切割性等级结果。
[0118]
s7：利用所述可切割性等级结果指导设置破岩设备的机械参数。
[0119]
在不同岩石可切割性等级下，会存在与之对应的最适破岩机械输入功率p
opt
、推动力f
opt
、刀头旋转速度v
opt
和扭矩t
opt
等机械参数，可以参照实施例1。此外，还可以比较预测结果与现场实际机械化破岩结果，用于对所建立的岩石可切割性分级标准和所建立的可切割性等级预测模型的验证，并不断完善所建立的分级标准和模型。
[0120]
实施例3：
[0121]
本发明还提供利用基于随采参数的模型以及基于随钻参数的模型进行相互验证以及调整。如图4所示，本实施例以实施例1和实施例2为基础，提供如下验证过程：
[0122]
将基于随钻参数的岩石可切割性评价作为实际开采过程前岩石可切割性评价方法，预先对岩石可切割性进行评价。然后，执行基于随钻参数的岩石可切割性评价。对比两者之间对岩石可切割性评价等级是否一致，如果一致则两种方法均可用于机械破岩设备参
数指导。如果两套评价所得岩石可切割性大小不一致，则通过修正系数修正实施例2中可切割性评分标准中破岩比能sed的边界值，从而调整可切割性评分标准，重新划分岩石可切割性等级，确保基于随钻参数的岩石可切割性评价方法与实际作业过程中岩石可切割性等级保持一致。其中，岩石可切割性模型的调整过程，主要以现场实际得到的破岩比能、刀具磨损度以及破岩产量为基准。
[0123]
其中，修正系数k满足：
[0124]
sed＝k
·
f(sec,wc,pr)
[0125]
式中，sed为随钻参数系统中的破岩比能、sec,wc,pr为随采参数系统中的破岩比能sec、刀具磨损度wc以及破岩产量pr，f为函数符号。
[0126]
其他可行的方式中，可以参照上述内容，修正可切割性评分标准。
[0127]
实施例4：
[0128]
本实施例还提供一种基于随钻参数的破岩系统，其包括：随钻设备、随钻参数采集器、控制处理器、破岩设备；
[0129]
其中，随钻设备用于钻孔，并通过随钻参数采集器采集钻进过程中的随钻参数以及传输给控制处理器。其中，随钻参数采集器可以是设置于随钻设备上的数据传感器也可以是设置于外部的数据传感器。
[0130]
所述控制处理器基于随钻参数并利用多个目标特征量预测模型得到多个目标特征量，再利用可切割性评分标准得到可切割性评估结果，进而利用所述可切割性评估结果指导破岩设备的机械参数的设置；或者，所述控制处理器利用可切割性等级预测模型得到可切割性等级结果，进而利用所述可切割性评估结果指导破岩设备的机械参数的设置。
[0131]
其中，多个目标特征量预测模型以及可切割性等级预测模型的构建过程均可以参照前述方法的内容。
[0132]
需要说明的是，在一些实现方式中，模型的训练过程可以是在破岩系统中实现，也可以是利用外部设备训练好的模型导入破岩系统，使得控制处理器实现数据处理，并结果反馈给破岩设备。
[0133]
实施例5：
[0134]
本实施例提供一种基于随采参数的破岩设备，其设有随采参数采集元件、控制处理器，所述随采参数采集元件与所述控制处理器连接；
[0135]
其中，所述随采参数采集元件采集现场破岩设备的随采参数，并传输至所述控制处理器；
[0136]
所述控制处理器基于随采参数并利用多个目标特征量预测模型得到多个目标特征量，再利用可切割性评分标准得到可切割性评估结果，进而利用所述可切割性评估结果指导破岩设备的机械参数的设置；或者，所述控制处理器利用可切割性等级预测模型得到可切割性等级结果，进而利用所述可切割性评估结果指导破岩设备的机械参数的设置。
[0137]
其中，多个目标特征量预测模型以及可切割性等级预测模型的构建过程均可以参照前述方法的内容。
[0138]
需要说明的是，在一些实现方式中，模型的训练过程可以是在破岩系统中实现，也可以是利用外部设备训练好的模型导入破岩系统，使得控制处理器实现数据处理，并结果反馈给破岩设备。
[0139]
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。