机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法技术

本发明专利技术涉及机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法，首先经过特征筛选，选取了三维粗糙度参数、法向压力、基本摩擦角以及材料的抗拉强度四个具有代表性的参数作为机器学习模型的输入参数；分别基于支持向量机(SVM)、遗传算法改进的BP神经网络(GA

【技术实现步骤摘要】
机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法


[0001]本专利技术涉及岩石节理峰值抗剪强度预测模型领域，具体为机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法。

技术介绍

[0002]天然岩体中存在大量随机分布的节理，与完整岩体相比，节理的存在一定程度上会降低岩体的强度和稳定性；在岩质边坡或者地下工程的设计中，节理的剪切强度是一个重要的需要考虑的参数；因此，准确评估和预测节理的剪切强度一直是岩土工程的热点问题，在过去的几十年里，研究人员基于剪切试验提出了大量的节理抗剪强度理论模型或者经验公式；然而节理面的抗剪强度受多因素影响，用于描述节理面抗剪强度的参数因人而异，研究人员从不同的角度研究可以采用不同的参数，因而得出了不同的抗剪强度模型。由于岩土材料的不确定性和复杂性，且随着计算机计算效率的不断提高，越来越多的研究人员倾向于使用机器学习算法来解决多因素影响的问题。机器学习算法可以在没有先验假设的条件下从原始数据进行学习，捕获信息间的潜在相关性，发现数据之间隐藏的模式，进而可以对未知数据进行预测。与传统的经验模型相比，机器学习算法由于具有强大的非线性映射能力，通常可以提高预测精度。
[0003]在节理面峰值抗剪强度的预测方面，传统的抗剪强度模型都是基于特定的试验数据集来建立的，其表达形式大多是对试验数据的分析和拟合得到。在未知的表达形式里面或许存在更加准确的抗剪强度预测模型，但由于目前模型所涉及的参数过多，多因素影响导致对试验数据的分析和深入越来越困难。因此，考虑到目前节理面抗剪强度与多个参数之间复杂非线性关系的描述仅限于传统的经验公式，基于机器学习算法的节理峰值抗剪强度预测模型鲜有报道，本文采用3种常见的机器学习算法，包括支持向量机(SVM)、遗传算法改进的BP神经网络(GA
‑
BPNN)和随机森林(RF)，结合更大的剪切试验数据集，构建节理面峰值抗剪强度与相关参数间的非线性映射关系，建立节理峰值抗剪强度的机器学习回归预测模型。

技术实现思路

[0004]本专利技术的目的在于针对
技术介绍
的不足之处，提供一种机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法。
[0005]本专利技术提供的一种机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法，包括以下步骤：
[0006]S1、通过统计分析传统的岩石节理峰值抗剪强度模型中所使用的参数，初步选取与岩石节理峰值抗剪强度相关的参数，并建立用于机器学习的岩石节理峰值抗剪强度数据库；
[0007]S2、进行特征选择，对所选特征参数进一步处理和分析，排除或者合并冗余的参数，选择最合适的特征并确定最终的输入参数；
[0008]S3、采取标准化或者最大最小归一化的缩放方法，将最终选取的特征参数的值进行数据缩放，同时按照一定比例将处理好的数据集划分成训练集和测试集，训练集将用于机器学习模型的训练，训练好的模型将在测试集上进行预测；
[0009]S4、建立岩石节理峰值抗剪强度的机器学习模型及模型准确性评估。选取三种机器学习算法来分别建立回归分析模型来预测节理的峰值抗剪强度，包括支持向量机(SVM)、遗传算法改进的BP神经网络(GA
‑
BPNN)和随机森林(RF)。三种机器学习模型分别在训练集上训练，在测试集上预测，其模型性能的优劣使用以下三种指标进行评判：平均绝对误差(MAE)，均方根误差(RMSE)以及决定系数(R2)，计算公式如下：
[0010][0011][0012][0013]式中，y
i
是真实值，是模型预测值，为真实值的平均值，即n为数据总个数。
[0014]R2反映了模型回归拟合程度的优劣，越接近1说明拟合得越好，越接近于0则说明拟合得越差。MAE计算的是实际值与预测值之间绝对误差的均值，反映的是误差的实际情况，而RMSE计算的是实际值与预测值之间偏差的均方根，对较大的误差值(异常值)比较敏感，二者的量纲均与实际值保持一致。一般来说，R2越大，MAE、RMSE越小，说明训练模型的准确率越高。
[0015]机器学习模型的建立过程中需要根据各个模型中所涉及的参数特点进行超参寻优，选择最优的模型超参，包括支持向量机模型中的核函数、正则化系数C、核函数的参数g；神经网络模型中的隐含层数量、神经元的个数，遗传算法优化部分的最大进化代数、种群规模、交叉概率、变异概率；随机森林模型中最小叶子数量，树的数量。
[0016]与此同时，进行10折交叉验证，即将训练集继续不重复地细分为10个子集，其中9个子集作为训练子集，剩下的一个作为验证子集，如此循环10次，可以得到10个训练模型和相应的模型性能评价。
[0017]S5、分析所建立的岩石节理峰值抗剪强度预测模型的参数敏感性，在新数据集上进行预测和评估。为了确定新数据集的范围和控制变量，新数据集的建立过程是将原始数据集中每个输入参数的最小值和最大值作为该参数的上下界，生成1000个等间距变化的新数据。当进行模型中某个参数的敏感性分析时，只让该参数进行连续变化，其余参数保持不变，其余参数值的大小为原始数据集中对应参数的均值。最后评估所建立的机器学习模型
的泛化性能，选出性能较优者。
[0018]与现有技术相比，本专利技术的有益效果是：
[0019]1、与传统模型相比，机器学习所建立的节理峰值抗剪强度模型可以不依赖先验假设条件，无需事先确定模型的具体表达式形式，直接构建节理面峰值抗剪强度与多个参数之间复杂非线性映射，因此机器学习模型所建立的峰值抗剪强度预测模型的精度和准确性更高。2、机器学习模型基于更大的剪切数据集建立，泛化能力更强，适用性更好。3、机器学习所建立的节理峰值抗剪强度模型可拓展性更强。随着未来剪切试验数据库的不断丰富，节理峰值抗剪强度预测模型能够不断改进优化，由于更多的数据可以用于机器学习模型的训练，模型预测抗剪强度的准确性、鲁棒性、泛化能力将得到进一步提升。
附图说明
[0020]图1是传统的节理峰值抗剪强度模型中主要参数使用频次的统计图；
[0021]图2是所建立的峰值抗剪强度数据库中的抗剪强度分布图；
[0022]图3是选取的四个输入参数的频率直方图及累计百分比图；
[0023]图4是划分训练集和测试集的示意图；
[0024]图5是三种机器学习模型在训练集和测试集中的预测值与真实值的比较图；
[0025]图6是三种机器学习模型10折交叉验证的性能比较图；
[0026]图7是三种机器学习模型10折交叉验证中R2，RMSE，MAE的平均值比较图；
[0027]图8是对训练好的三种机器学习模型进行参数的敏感性分析结果图；
[0028]图9是四种经验模型在整个数据集上的峰值抗剪强度预测值与真实试验值的对比图；
[0029]图10是三种机器学习模型在整个数据集上的峰值抗剪强度预测值与真实试验值的对比图。
具体实施方式
[0030]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法，其特征在于，包括以下步骤：S1、分析与岩石节理峰值抗剪强度相关的参数，建立用于机器学习的岩石节理峰值抗剪强度数据库；S2、进行特征选择，对所选特征参数进一步处理和分析，选择最合适的特征并确定最终的输入参数；S3、将选取的特征参数的值进行数据缩放，同时按照一定比例将处理好的数据集划分成训练集和测试集；S4、建立岩石节理峰值抗剪强度的机器学习预测模型，训练集将用于机器学习模型的训练，训练好的模型将在测试集上进行预测，评估预测模型的性能优劣。S5、分析所建立的岩石节理峰值抗剪强度预测模型的参数敏感性，在新数据集上进行预测和评估，选出性能较优者。2.根据权利要求1所述的机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法，其特征在于，在所述S1中，通过统计分析传统的岩石节理峰值抗剪强度模型中所使用的参数，来选取与岩石节理峰值抗剪强度相关的参数，同时需要考虑可用的数据建立用于机器学习的数据库。3.根据权利要求1所述的机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法，其特征在于，在所述S2中，需要对S1中初步选取的参数进行进一步分析，排除或者合并冗余的参数，精简用于机器学习的输入参数的数量。4.根据权利要求1所述的机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法，其特征在于，在所述S3中，数据缩放的方法有两种选择：标准化和归一化。标准化使特征被重新缩放为具有均...

【专利技术属性】
技术研发人员：申辉，刘亚群，李海波，刘博，夏祥，于崇，
申请(专利权)人：中国科学院武汉岩土力学研究所，
类型：发明
国别省市：