基于机器学习的岩石破坏形态预测方法及系统技术方案

本公开提供了一种基于机器学习的岩石破坏形态预测方法及系统，包括：获取待岩石试样的相关数据；依据获取的相关数据和预设的岩石破坏形态预测模型，得到岩石试样变形破坏数据矩阵；其中，所述岩石破坏形态预测模型通过BP神经网络训练得到；根据岩石试样变形破坏数据矩阵，绘制岩石试样变形破坏图像，实现待预测岩石试样破坏形态的预测；本公开采用了机器学习中的BP神经网络模型，通过特定的预测参数进行预测，简化了参数选取，提高了预测效率；同时，预测结果以岩石试样变形破坏图像直接体现，实现了在高效率预测基础上，直接形象的体现岩石破坏形态结果的目的。现岩石破坏形态结果的目的。现岩石破坏形态结果的目的。

【技术实现步骤摘要】
基于机器学习的岩石破坏形态预测方法及系统


[0001]本公开属于岩石破坏形态智能预测
，尤其涉及基于机器学习的岩石破坏形态预测方法及系统。

技术介绍

[0002]岩石作为地下工程领域应用最为广泛的材料之一，其破坏往往诱发崩塌、滑坡和隧道塌方等地质灾害，给地下工程的修建和运营带来了极大的挑战。因此，研究不同岩石在不同围压下的破坏形态从而采取有效的防护措施维护地下工程的长期稳定一直是岩石力学领域的重点和热点，对于地下工程的建设与运行具有重要意义。目前，研究岩石破坏形态的方法主要包括室内试验方法和数值模拟方法；室内试验方法存在时间周期长、费用高，取样难和结果离散性大等缺点；而数值模拟方法则存在输入参数难以确定、收敛性差和计算效率低等缺点，且需要模拟人员具备一定的基础知识，给工程应用带来了很多不便。
[0003]本公开专利技术人发现，现有的岩石破坏形态预测方法中，参数选取复杂，预测效率底，精度差；现有岩石破坏形态预测方法中，不能兼顾在高效率及高精度的预测基础上，直接形象的体现岩石破坏形态预测的预测结果。
专利技术内容
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的岩石破坏形态预测方法，其特征在于，包括：获取待预测岩石试样的相关数据；依据获取的相关数据和预设的岩石破坏形态预测模型，得到岩石试样变形破坏数据矩阵；其中，所述岩石破坏形态预测模型通过BP神经网络训练得到；根据岩石试样变形破坏数据矩阵，绘制岩石试样变形破坏图像，实现待预测岩石试样破坏形态的预测。2.如权利要求1所述的基于机器学习的岩石破坏形态预测方法，其特征在于，所述相关数据包括弹性模量、单轴抗拉强度、单轴抗压强度和围压。3.如权利要求1所述的基于机器学习的岩石破坏形态预测方法，其特征在于，预测前，对所述相关数据进行编码和归一化处理。4.如权利要求1所述的基于机器学习的岩石破坏形态预测方法，其特征在于，所述岩石破坏形态预测模型的训练包括：获取岩石试样破坏形态影响参数数据以及对应的岩石试样变形破坏数据矩阵，建立样本集；将岩石试样破坏形态影响参数数据以及对应的岩石试样变形破坏数据矩阵进行预处理；将预处理后的岩石试样破坏形态影响参数数据作为输入，将预处理后的岩石试样变形破坏数据矩阵作为输出，输入至构建好的BP神经网络，进行训练；通过BP神经网络，根据设定的最大神经元数量逐个增加神经元，使训练误差逐渐减小，直到误差小于容限，确定BP神经网络的最优参数，获得训练好的BP神经网络。5.如权利要求4所述的基于机器学习的岩石破坏形态预测方法，其特征在于，所述对应的岩石试样变形破坏样本数据矩阵，通过对岩石试样变形破坏图像进行灰度化处理得到。6.如权利要求5所述的基于机器学习的岩石破坏形态预测方法，其特征在于，样本数据矩阵获取过程为：通过固定尺寸圆柱体试样的三轴压缩试验，获取岩石破坏试样，并用透明胶粘剂将岩石破坏试样粘合；待胶粘剂固化后，将岩石破坏试样放在以黑色为背景的水平面固定位置，使用角度和位置固定的照相机拍摄岩石破坏试样在固定光线下的侧面变形破...

【专利技术属性】
技术研发人员：王海静，马玉文，常乐，王鸿源，高凌宇，杜中哲，许可，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：