准确预测岩石性质是保证巷道施工安全的重要影响因素之一。近年来，快速发展的数字钻探技术为预测岩体力学特性提供了更多的便捷方法。为揭示层状岩体旋切钻孔过程中机岩相互作用关系，提出一种基于机器学习和数字钻探技术的岩体强度及界面预测方法，开展不同强度等级岩石组合的层状岩体数字钻孔试验，分别采用BP神经网络、SVM和Catboost三种机器学习算法进行岩石地层界面识别和强度预测。结果显示：机器学习方法可以实现层状岩体界面位置、岩层厚度及岩石强度的准确识别，界面识别均衡准确率和F1-score均超过95%，预测误差在5%以内，预测精度较高；预测的岩石强度参数与实测结果总体误差范围在10%以内，其中BP神经网络对每种岩石强度的识别精度都较高，模型预测效果最佳。研究结果可为实现煤矿巷道岩体动态原位探测提供借鉴。

1 岩石钻孔响应特征
1.1 钻孔参数对岩石力学特性的响应
1.2 层状岩体界面处的破坏特征
2试验方法
2.1 数字钻进系统
2.2 试验材料及方案设计
2.3 机器学习分析方法总体架构
2.3.1 SVM非线性回归原理
2.3.2 BP神经网络方法
2.3.3 CatBoost算法原理
3 试验结果与分析
3.1 随钻参数信号特征
3.2 地层界面识别结果
3.3 岩石强度预测结果
4 结 论

岳小磊,岳中文,马文彪,等.基于数字钻进的层状岩体界面及岩石强度识别试验研究[J/OL].采矿与安全工程学报,1-11[2024-12-06].https://doi.org/10.13545/j.cnki.jmse.2023.0416.