基于机器学习的瓦斯隧道钻机行为感知和煤岩识别

Behavior Perception of Gas Tunnel Boring Machine and Identification of Coal-Rock Based on Machine Learning：Taking Zhaotong Tunnel as an Example

摘要

目的 为了解决瓦斯隧道打钻过程中煤岩界面识别问题，开发基于机器学习的钻机行为感知和煤岩识别系统。 方法 采用K均值聚类算法感知钻机运行过程中的不同状态。经过多次数据混合迭代后，煤岩识别算法的准确性得到了有效提高；在滤波方法的比较中，中值滤波效果显示出更高的识别度。和设计见煤深度对比，现场试验的4个钻孔的见煤深度分别减小了3.5%、11.6%、17.2%和9.3%，结果验证了该系统的准确性。 结果 该研究为隧道地质钻探及瓦斯治理提供了创新解决方案，同时也为复杂地质条件下的岩性识别提供了可靠参考。

Abstract

Purposes In order to address the problem of coal-rock interface recognition during gas tunnel drilling, a machine learning-based drilling behavior perception and coal-rock recognition system is developed. Methods In the system, k-means clustering algorithm was employed to perceive different states during the drilling process and its effectiveness in detecting boreholes was validated. Through multiple iterations of data blending, the accuracy of the coal-rock recognition algorithm was significantly improved. In comparing different filtering methods, the median filtering method exhibited higher recognition accuracy. Additionally, the field experiments demonstrated a decrease in coal depth by 3.5%, 11.6%, 17.2%, and 9.3% for the four drilled holes, respectively, compared with those of the design depth. Results These results validate the accuracy of the system and provide an innovative solution for tunnel geological drilling and gas management, which provides a reliable reference for rock type identification with complex geological conditions.

Graphical abstract

关键词

瓦斯隧道 / K均值聚类算法 / 煤岩识别 / 机器学习 / 滤波算法 / 钻机行为感知

Key words

gas tunnel / k-means clustering algorithm / coal-rock identification / machine learning / filtering algorithm / drilling machine behavior perception

在铁路隧道开发过程中，如何安全穿越煤与瓦斯突出煤层是一个常见问题^［1］。为了治理瓦斯，打钻施工被作为基本方法广泛应用，并且也是其他强化消突措施的前提条件^［2］。通过进行钻孔施工，可以有效地探测并释放煤层中的瓦斯。精确识别煤岩位置是描述煤层位置的关键因素，这为后续隧道开挖设计和揭煤设计提供了基础数据支持。然而，传统的钻探过程中，煤岩识别主要依赖于人工观察钻屑情况，存在着不确定性和主观性的问题^［3］。

机器学习作为一种先进的技术手段^［4，5］，目前已在矿山领域逐渐被应用^［6，7］。在钻进过程中，通过采集钻进参数并进行监督学习，可以实现对煤岩界面的准确识别^［8］。同时，机器学习算法的应用能够提高水平定向钻勘察中岩性识别的效率，避免人工识别的不准确、不及时的情况，并为钻孔层位的判定提供科学依据和指导^［9］。因此，机器学习在钻进煤岩识别领域中扮演着重要角色^［10］，对于提高施工效率和减少误差具有重要意义。

王杰^［11］设计了一种基于钻进参数的煤岩界面识别系统，使用监督学习训练模型能够准确区分两种地层中的钻进参数。程勇等^［12］则将机器学习算法应用于钻进参数识别围岩岩性，提高了水平定向钻勘察中岩性识别的效率。杨程涛等^［13］通过采集钻机的钻进参数，开发了适用于煤矿井下瓦斯抽采钻机的钻孔煤岩识别系统，为底抽巷穿层钻孔层位的判定提供科学依据和指导。这些方法避免了人工识别的不准确、不及时情况，提高了钻孔施工的经济性，因此机器学习成为钻进过程中煤岩识别的重要工具。

但是由于煤层赋存条件比较复杂，地域性差异很大^［14］，另外钻机在运行过程中因操作工序不同使得实时感知的数据差异很大，因此前人的研究需要人为干预才能完成煤岩识别的机器学习。

本文提出一种分阶段机器学习的方法，在无人工记录条件下，实现通过数据分析，感知钻机在整个钻孔的钻进、停钻和退钻过程中的动作^［15］，从而将钻进过程数据提炼出来进行煤岩识别分析。钻机在打钻的过程中，当岩石钻进和煤层钻进的时候，钻机的回转扭矩和顶推力都会发生较大的变化，这使无监督机器学习成为可能。

1 基本原理

1.1 K均值聚类算法原理

K均值聚类（k-means）算法是一种常用的无监督学习方法，用于将数据集中的样本划分为不同的簇。其基本思想是通过计算样本与簇中心的距离来进行聚类。K均值聚类算法的目标是使得同一簇内的样本尽可能相似，不同簇之间的样本尽可能不相似。算法通过迭代优化簇中心的位置，使得样本与簇中心的距离最小化^［16］，算法步骤见图1。

输出最终得到的簇划分结果，每个样本被赋予所属的簇标签。

本次研究采用欧氏距离法。欧氏距离法是一种常用的距离度量方法，用于计算多维空间中两个点之间的距离。它基于欧几里得几何的思想，通过计算两个点之间坐标差的平方和的平方根来衡量两点之间的距离。其原理为：假定两个空间的点\left(\mathit{P}=\left({\mathit{P}}_{\mathrm{1}},{\mathit{P}}_{\mathrm{2}},\dots ,{\mathit{P}}_{\mathit{n}}\right)\right)和(\mathit{Q}=({\mathit{Q}}_{\mathrm{1}},{\mathit{Q}}_{\mathrm{2}},\dots ,{\mathit{Q}}_{\mathit{n}}))，分别在n维空间坐标上。

欧氏距离的数学表达式为：

\mathit{D}\left(\mathit{P},\mathit{Q}\right)=\sqrt[]{{\left({\mathit{P}}_{\mathrm{1}}-{\mathit{Q}}_{\mathrm{1}}\right)}^{\mathrm{2}}+{\left({\mathit{P}}_{\mathrm{2}}-{\mathit{Q}}_{\mathrm{2}}\right)}^{\mathrm{2}}+\dots +{\left({\mathit{P}}_{\mathit{n}}-{\mathit{Q}}_{\mathit{n}}\right)}^{\mathrm{2}}} .（1）

其中\mathit{D}\left(\mathit{P},\mathit{Q}\right)表示P点和Q点之间的欧氏距离。

1.2 高斯滤波原理

高斯滤波的原理是将每个数据点与其周围邻近数据点进行加权平均。权重由高斯函数计算得出，距离中心点越远的数据点所占的权重越小。这意味着，在滤波过程中，靠近中心点的数据对平均值的贡献更大，而远离中心点的数据对平均值的贡献更小。具体原理：

\mathit{G}\left(\mathit{x}\right)=\frac{\mathrm{1}}{\sqrt[]{\mathrm{2}\mathbf{\pi }{\mathit{\sigma }}^{\mathrm{2}}}}{\mathbf{e}}^{-\frac{{\left(\mathit{x}-\mathit{\mu }\right)}^{\mathrm{2}}}{\mathrm{2}{\mathit{\sigma }}^{\mathrm{2}}}} .（2）

其中，\mathit{G}\left(\mathit{x}\right)是高斯函数的值，x是自变量，\mathit{\mu }是高斯函数的均值，\mathit{\sigma }是高斯函数的标准差。在高斯滤波中，我们需要选择合适的标准差\mathit{\sigma }来确定滤波窗口的大小。较大的标准差会导致窗口范围更广，平滑效果更明显，但可能造成细节丢失。较小的标准差则保留更多细节，但平滑效果可能较弱。

对于一维曲线上的每个数据点{\mathit{x}}_{\mathit{i}}，高斯滤波的步骤如下：

（1）将一个滤波邻域移动到当前数据点 {\mathit{x}}_{\mathit{i}} 的位置。

（2）窗口内的每个数据点{\mathit{x}}_{\mathit{j}}根据其与{\mathit{x}}_{\mathit{i}}的距离计算权重，权重w_j=\mathit{G}({\mathit{x}}_{\mathit{j}}-{\mathit{x}}_{\mathit{i}})。

（3）对窗口内的所有数据点进行加权平均计算，得到平滑后的数据点{\mathit{y}}_{\mathit{i}}，{\mathit{y}}_{\mathit{i}}=\sum ({\mathit{w}}_{\mathit{j}}\mathbf{*}{\mathit{x}}_{\mathit{j}})/\sum {\mathit{w}}_{\mathit{j}}。

（4）将平滑后的数据点{\mathit{y}}_{\mathit{i}}替换原始数据点{\mathit{x}}_{\mathit{i}}。

这个过程会在整条曲线上的每个数据点上重复执行，直到所有数据点都被处理完毕。通过选择合适的标准差和邻域大小，高斯滤波可以实现对曲线的平滑处理，并去除噪声。

1.3 中值滤波原理

中值滤波是一种非线性滤波技术^［17］，用于去除图像中的椒盐噪声或者其他类型的噪声。它的原理是将每个像素点的邻域像素值进行排序，然后将中间值作为该像素点的新值。

中值滤波的目标是在保留曲线形状的同时，去除噪声或异常值。具体步骤如下：

（1）定义邻域大小N（N为奇数），以当前点i为中心。邻域的大小决定了参与计算的邻域范围。

（2）将邻域内的点根据曲线的值进行排序，得到排序后的点集合。通常使用中位数来代表排序后的集合。

（3）将中位数作为当前点x的新值。这样，就可以通过邻域内的点的中值来近似替代当前点的值，从而去除噪声或异常值。

中值滤波的公式可以表示为：

{\mathit{f}}_{\mathrm{m}\mathrm{i}\mathrm{d}}(\mathit{x})=\mathbf{m}\mathbf{e}\mathbf{d}\mathbf{i}\mathbf{a}\mathbf{n}(\mathit{f}\left[\mathit{x}-\frac{\mathit{N}-\mathrm{1}}{\mathrm{2}}\right],\mathit{f}\left[\mathit{x}-\frac{\mathit{N}-\mathrm{3}}{\mathrm{2}}\right],\dots ,\mathit{f}\left[\mathit{x}+\frac{\mathit{N}-\mathrm{3}}{\mathrm{2}}\right],\mathit{f}\left[\mathit{x}+\frac{\mathit{N}-\mathrm{1}}{\mathrm{2}}\right]) .（3）

其中，\mathbf{m}\mathbf{e}\mathbf{d}\mathbf{i}\mathbf{a}\mathbf{n}()表示求一组数据的中位数，{\mathit{f}}_{\mathrm{m}\mathrm{i}\mathrm{d}}(\mathit{x}) 表示经过中值滤波后的曲线上第\mathit{x}个点的新值， 具体来说，对于曲线上的每个点\mathit{x}，我们取以该点为中心的邻域，邻域的大小为N。然后将邻域内所有值进行排序，取其中位数作为当前点\mathit{x}的新值{\mathit{f}}_{\mathrm{m}\mathrm{i}\mathrm{d}}(\mathit{x})。

1.4 移动滤波原理

移动滤波是一种常见的滤波方法，它可以在一定程度上降低信号的噪声。在一维曲线中，移动滤波的原理如下。

（1）定义邻域大小为N（N为奇数），以当前点\mathit{x}为中心。邻域的大小决定了参与计算的范围。

（2）对于曲线上的每个点x，将以x为中心的窗口内的所有点的值进行平均，得到新的曲线上的点的值。

移动滤波的公式可以表示为：

{\mathit{f}}_{\mathrm{m}\mathrm{o}\mathrm{v}\mathrm{e}}\left(\mathit{x}\right)=\{\mathit{g}\left[\mathit{x}-\frac{\mathit{N}-\mathrm{1}}{\mathrm{2}}\right]+\mathit{g}\left[\mathit{x}-\frac{\mathit{N}-\mathrm{3}}{\mathrm{2}}\right]+\dots +\mathit{g}\left[\mathit{x}+\frac{\mathit{N}-\mathrm{3}}{\mathrm{2}}\right]+\mathit{g}\left[\mathit{x}+\frac{\mathit{N}-\mathrm{1}}{\mathrm{2}}\right]\}/\mathit{N} .（4）

其中{\mathit{f}}_{\mathrm{m}\mathrm{o}\mathrm{v}\mathrm{e}}(\mathit{x})表示经过移动滤波后的曲线上第i个点的新值；\mathit{g}(\mathit{x})表示曲线上第\mathit{x}个点的值。

1.5 煤岩识别流程

煤岩识别的流程是通过机器学习和预测算法的迭代训练，从传感器采集的数据中自动分析出钻机状态和煤岩界面信息，具体流程见图2。经过多次迭代和参数调整，得到准确的煤岩识别结果，并应用于实际施工钻孔中，进一步提高预测精度。

首先，通过使用K均值聚类算法对传感器自动采集的顶推液压压力和回转液压压力集合进行分析。这一步骤旨在自动分析出钻机的待机状态、岩石钻进状态和煤层钻进状态。将分析结果与测试钻孔施工过程中人工读数进行对比，并根据对比结果调整算法的参数。通过多次迭代的模型训练，可以得到准确的煤岩识别结果。

将训练得到的结果应用于其他施工钻孔中。在判断施工钻孔的煤岩识别时，再次微调和修正K均值聚类算法的参数。同时，将施工钻孔的数据再次纳入机器学习的基础数据中。通过多次反复的迭代和模型训练，最终形成施工地点的详细算法数据库。这个数据库可以有效提高煤岩界面预测的精度。

2 煤岩识别系统设计

2.1 系统的总体设计方案

煤岩识别系统基于机器学习算法，实现了对钻机行为感知和煤层群钻进参数的自动识别和分析，其总体设计方案见图3。通过建立有效的数据采集和处理机制，建立准确的机器学习模型，并提供友好的应用系统和界面，实现了对钻机参数和煤岩界面的自动识别。

数据采集：通过安装传感器，采集回转油压、顶推油压、顶推流量、回转流量等多种参数数据，并将其实时传输至中央控制系统。这些数据将为后续的机器学习算法提供输入参数。

机器学习算法建模：针对传感器数据，采用K均值聚类算法进行建模和训练。通过对传感器数据进行聚类分析、分类、回归等操作，建立钻机行为感知和煤岩钻进参数识别的模型，实现对钻机状态和煤岩的自动识别和分析。

模型评估和优化：通过在实际钻孔中进行验证，将实际钻孔验证数据作为基础数据反馈给机器学习模型，调整优化参数模型，进一步优化模型的准确性和可靠性。

数据处理：由于传感器数据质量可能会受到干扰和噪声，因此需要对数据进行处理。预处理的主要任务是去除异常值和噪声，确保数据的准确性和可靠性。同时，还要对数据进行平滑处理，本系统采用高斯滤波、移动平移滤波和中值滤波三种滤波方式相互对比进行滤波，以确保结果的准确性。

应用系统和界面设计：将机器学习算法应用于钻机行为感知和煤层群钻进参数识别领域。设计用户友好的应用系统和界面，实现数据输入、模型训练、结果输出等功能。同时，提供钻机操作员和矿山工程师所需的各种报表和图表，便于制定作业计划。

2.2 钻机数据采集系统设计方案

为了准确感知钻进过程中孔底的受力情况，在推进油缸和回转马达的进油口上分别安装了流量传感器和压力传感器。这些传感器的作用是监测并记录钻头在孔底的运动和受力情况。流量传感器主要用于感知动力头的位置，而压力传感器则能直接反映钻头孔底所受到的压力情况，其总体设计方案见图4。

通过将传感器获取的数据传输到可编程逻辑控制器（PLC），对这些数据进行分析和处理。可编程逻辑控制器是一种特殊的计算机设备，它能够根据预先设定的逻辑和指令来控制和管理各种工艺过程。在实验中，可编程逻辑控制器会对传感器数据进行实时监测，并根据设定的算法和规则来进行分析和判断。

分析后的数据会被存储下来，以便进一步的研究和分析。通过对存储的数据进行进一步处理和分析，可以得到关于煤岩界面的识别结果。

3 现场钻机试验

3.1 现场试验地点及钻孔设计

渝昆高铁是国家中长期和“十三五”铁路网规划的重点项目，其中昭通隧道是该项目的重难点隧道和全线工期控制点。该隧道全长16 260 m，地质特点包括高瓦斯、高地应力、高压岩溶水，且存在强烈的构造作用和发育的岩溶。此外，煤与瓦斯突出也是昭通隧道面临的挑战之一，昭通隧道多煤层瓦斯钻孔布置见图5，具体钻孔参数见表1。

根据原始资料，昭通隧道需要穿越9个煤层。然而，在具体的钻孔施工过程中发现了第7层和第6层之间的较厚煤线，增加了隧道掘进揭煤工作的不确定性，隧道、煤层和钻孔的空间位置关系如图5所示。此外，人工判断钻孔施工过程中的见煤点和止煤点位置也存在不准确性。因此，为了准确了解煤层信息和掌握钻孔施工参数，需要精确判断钻孔穿过的煤层和了解具体的钻孔情况，尤其是小角度穿入煤层的情况，这对于后期煤层消突也至关重要。

3.2 钻机参数采集系统安装和数据收集

在现场实验中，我们采用了ZDY-4000型煤矿用坑道钻机。这款钻机采用分体式设计，即液压控制部分与钻机主体部分相互独立。为了实现对钻机行为的精准感知，我们在液压控制部分的关键位置——回转马达进油口和顶推油缸进油口，安装了专门的传感器。这些传感器的具体安装位置如图6所示。通过这样的设计，能够更有效地收集和分析钻机在运行过程中的相关数据，为后续的行为感知和煤岩识别提供有力支持。

传感器安装完成后，为了确保数据的正常解析与传输，进行了详尽的现场测试，具体测试情况见图7。在测试过程中，特别关注了两个关键方面：采集频率测试和数据存储测试。为了找到最优的数据传输频率，分别采用了1、2、10 Hz的频率进行测试。测试结果显示，各频率下数据传输均表现良好。然而，考虑到钻探工作的实际需求和现场环境，最终选择了2 Hz作为数据传输的频率。这一选择既保证了数据的实时性，又兼顾了数据存储和处理的效率。现场施工情况见图8。

4 数据处理与分析

4.1 K均值聚类算法结果分析

对从传感器获取的数据进行了处理。这些数据是以30 s为间隔获取，记录了钻机全过程中的所有数据，没有经过任何差别的记录。

首先采用了K均值聚类算法。通过该算法，对钻机的顶推油压和回转油压数据进行了坐标分类。如图9所示，将数据点划分为两个类别：待机状态和打钻状态。具体而言，回转油压较低的数据点属于待机状态，而回转油压较高的数据点则属于打钻状态。在对数据进行分类后，对待机状态和打钻状态进行了标记。

随后，单独提取了打钻状态的数据，并对其进行了进一步的分析。经过2次K均值聚类算法分析，将数据分为3类，分类结果见图9。

从图9中可以看出，由于钻机待机状态和打钻状态油压有较明显的差别，第1次聚类分析将钻机待机状态和打钻状态的数据分类。从现场施工的过程来看，钻具由岩层进入煤层时，钻机的回转压力出现了明显下降，其表现是回转速度加快，推进油压下降，因此，第二次聚类分析以打钻状态数据为基础，将煤层打钻状态和岩层打钻状态数据点分类。

4.2 钻机行为感知结果分析

经过两次聚类分析，钻机钻进过程中的工作状态可以较明显地区分出来，将3个钻孔的钻进状态用饼状图的形式统计，统计结果见图10。

从图中可以看出，第一个钻孔作为测试钻孔，主要目的是探明地质覆存和培训工人，由于人工操作不熟练和地质因素不清晰，钻机的待机状态占45.3%，钻机钻进煤层后钻进来少量距离便停钻，因此煤层钻进状态占13.9%；当煤层覆存条件探明后，第二、三、四个钻孔的钻进效率明显提升，待机状态分别缩短至42.5%、36.5%和33.1%，煤层钻进深度也有明显提升，分别为19.4%、31%和23.4%。

4.3 滤波算法结果分析

为了后期钻机运行状态分析和煤岩界面识别方便，将待机状态的数据标记为数值1，以“待机”为标签；煤层打钻状态标记为2，以“煤层”为标签；岩层打钻状态标记为3，以“岩层”为标签。将标记的数据按照钻进深度显示在坐标中，再分别用高斯滤波、移动平移滤波和中值滤波三种算法消除噪音，最终数据见图11。

从图11中可以看出，在岩石钻进中，传感器数据不稳定，经过滤波后，可明显得到煤岩界面的分界点。图（a）为测试钻孔的煤岩识别结果，从图中可以看出K均值聚类算法可以有效识别液压系统压力进而识别煤岩界面；将测试钻孔的数据混入2^#钻孔中，迭代训练，可以提高2^#钻孔的煤岩界面识别，以此类推，3^#、4^#钻孔煤岩界面识别更加精准。

和设计见煤深度对比，煤岩识别算法的见煤深度均小于人工观测，其中1^#钻孔减小了3.5%，2^#钻孔减小了11.6%，3^#钻孔减小了17.2%，4^#钻孔减小了9.3%，分析认为人工观测的方法主要依靠观察钻屑的颜色和硬度来判断是否见煤，这种方式有一定的滞后性和主观性，而通过机器学习判断煤岩界面实时性较高，结果较准确。

对比3种滤波效果时，参考表2所示的最佳滤波参数，可以从图11中4个钻孔的滤波后曲线观察到：经过高斯滤波和平移滤波处理后，曲线出现了较多的平滑过渡，导致见煤点的位置变得不易分辨，部分处理后的曲线甚至比原始数据曲线更难以识别见煤点。相比之下，中值滤波后的曲线不仅有效过滤了原始数据曲线中的噪声，还确保了曲线没有平滑部分，这对于准确判别见煤点的深度效果极佳。因此，可以认为中值滤波的效果较好，滤波后的波形更易于识别。基于此，后续煤岩界面的识别工作可以考虑采用中值滤波方法。

5 结论

（1）开发了基于机器学习的钻机行为感知和煤岩识别系统，该系统通过K均值聚类算法成功感知钻机运行过程中的“待机状态”“岩层钻进状态”和“煤层钻进状态”，经测试钻孔探测后，钻机的有效工作时间和煤层钻进深度显著增加，后续3个钻孔待机状态缩短至42.5%、36.5%和33.1%，煤层钻进深度提升至19.4%、31%和23.4%。

（2）机器学习后的煤岩识别算法有效减少了人为识别的误差，经过多次数据混合迭代，显著提高了煤岩识别的准确性。现场试验的4个钻孔的见煤深度与设计见煤深度对比，分别减小了3.5%、11.6%、17.2%和9.3%。

（3）高斯滤波、移动平移滤波和中值滤波均能有效去除传感器噪声，但中值滤波的识别度更高，表现出更优的滤波效果。

（4）通过现场试验验证了基于机器学习的钻机行为感知和煤岩识别系统的准确性，为隧道地质钻探及瓦斯治理提供了创新解决方案，同时也为复杂地质条件下的岩性识别提供了可靠参考。

参考文献

[1] 朱宝合，郑邦友，戴亦军，等.基于非线性支持向量机的隧道煤与瓦斯突出危险性预测 ［J］.现代隧道技术，2020，57（2）：20-25.

[2] 郭臣业，曹佰玉，邹永宏，等.控制水力压裂技术在瓦斯隧道揭煤中的应用［J］.现代隧道技术，2015，52（6）：190-194，202.

[3] 王天龙，马斌，董洪波.煤矿用自动化钻机远程监测系统研制［J］.煤田地质与勘探，2022，50（1）：80-85.

[4] 姜海燕，宋庆辉，宋庆军，等.基于机器视觉的煤矸识别实验教学平台研发［J］.实验室研究与探索，2023，42（11）：124-129.

[5] 汪忠伟，张紫薇.基于图像传感器与机器学习的划片机对准算法［J］.仪表技术与传感器，2021（7）：48-53.

[6] 张浪，张迎辉，张逸斌，等.基于机器学习的通风网络故障诊断方法研究［J］.工矿自动化，2022，48（3）：91-98.

[7] 周鸿森，栗继祖.基于多机器学习算法模型对煤矿VDT作业视觉疲劳预测［J］.矿业研究与开发，2023，43（8）：159-165.

[8] Zhang Q， Gu J Y， Liu J M.Research on Coal and Rock Type Recognition Based on Mechanical Vision［J］.Shock and Vibration，2021：6617717.DOI：10.1155/2021/6617717 .

[9] Zagre G E， Gamache M， Labib R，et.al.Machine learning algorithms for real-time coal recognition using monitor-while-drilling data［J］.Int J Min Reclam Environ，2024，38（1）：27-52.

[10] 梁铭，彭浩，解威威，等.基于数字钻探与多尺度模型融合的隧道岩体完整性自动解译技术研究及应用［J］.岩土工程学报，2024，46（2）：396-405.

[11] 王杰.基于钻进参数的煤岩界面识别系统研究［J］.煤田地质与勘探，2023，51（9）：72-80.

[12] 程勇，王琛，刘夏临，等.基于机器学习的隧道地质勘察岩性识别分析及应用研究［J］.隧道建设（中英文），2023，43（9）：1549-1557.

[13] 杨程涛，刘伟，武腾飞，等.基于钻进参数的钻孔煤岩界面识别系统开发及应用［J］.煤炭技术，2023，42（12）：182-185.

[14] 黄炳香，赵兴龙，余斌，等.煤与共伴生战略性金属矿产协调开采理论与技术构想［J］.煤炭学报，2022，47（7）：2516-2533.

[15] 王清峰，陈航.瓦斯抽采智能化钻探技术及装备的发展与展望［J］.工矿自动化，2018，44（11）：18-24.

[16] 李国墙，张军徽，杨金诺，等.岩石破坏前兆的k-均值聚类识别方法［J］.矿业研究与开发，2024，44（1）：112-117.

[17] 李余钱，苏光大.基于邻域处理器的自适应中值滤波快速实现［J］.仪表技术与传感器，2016（7）：120-122.

基金资助

云南省科技厅重点研发计划项目(202303AA080004)

中铁二院工程集团有限责任公司科技发展计划项目(KSNQ241001)