一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统技术方案

本发明专利技术公开了一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统，其中的方法采用离散单元法生成不同级配的圆球颗粒集合体，并对颗粒试样进行区域分割，建立包含颗粒材料级配信息和三维图像结构的试样数据集，再通过格子玻尔兹曼方法和D3Q19晶格模型，计算颗粒试样的渗透率；提取颗粒试样宏观、微观尺度的结构特征；构建训练机器学习模型的数据集；训练机器学习模型，最终得到能通过颗粒材料多个尺度结构特征准确有效预测渗透率的模型。本发明专利技术的方法弥补了宏观结构参数无法准确描述孔隙内部复杂结构的缺陷。同时基于提取的结构参数构建基于机器学习的渗透率预测模型，解决了传统渗流试验耗时长，颗粒尺寸变化范围大导致试验器材受限的问题。大导致试验器材受限的问题。大导致试验器材受限的问题。

【技术实现步骤摘要】
一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统


[0001]本专利技术涉及多孔介质渗流
，尤其涉及一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统。

技术介绍

[0002]渗透率作为表征多孔介质中流体传导特性的重要参数，涉及水利、岩土、农业、石油开采等多个领域。例如在水利工程中，堆石料的渗透特性作为坝体稳定运行的关键因素，是大坝质量安全监测的一大重点研究内容。传统的渗透特性研究一般在现场或室内进行，如钻孔抽水试验、室内渗流试验等，但往往受限于试验器材和场地，无法及时获取渗透数据。因此一些研究依据多孔介质的结构特征参数，如孔隙率、不均匀系数、曲率系数等提出渗透率经验公式。然而上述研究将多孔介质视作一个整体进行处理，仅使用宏观参数对多孔介质结构进行描述，但是这种方法较为片面，无法准确、全面地概况出多孔介质的内部结构。因此根据经验公式无法得到准确的渗透率结果。目前亟需一种能对多孔介质渗透率进行准确、快速预测的高时效性数值模拟方法。
[0003]近年来机器学习的发展迅速，被广泛用于分析各类复杂的情况，基于机器学习的对多孔介质的渗透率预测也有了一定的研究，但目前现有大部分预测方法均停留在二维层面，且选用的特征参数数量也较少，预测性能还有很大的提升空间，如公开号为CN109191423B的现有技术公开了一种基于机器图像智能学习的多孔介质渗透率预测方法，选取多组不同干密度的同一种多孔介质材料，并确定各组多孔介质材料的真实渗透率；对各组多孔介质材料采用SEM电镜扫描得出其SEM图像，然后计算得出各个SEM图像的灰度均值、灰度方差、图像能量、图像熵值和分形维数；采用极限学习机神经网络模型对各个SEM图像的五个图像特征参数及其所对应的真实渗透率进行训练学习，确定五个图像特征参数与真实渗透率之间的变化关系；预测时将未知渗透率的多孔介质材料的SEM图像参数输入，极限学习机神经网络模型即可预测出该多孔介质材料的渗透率。这种方法虽然能对渗透率进行预测，但是通过SEM2D图形来模拟多孔介质，存在一定的局限性，不能真实反映出多孔介质的整体性质。
[0004]由此可知，现有技术中的方法存在预测准确性和时效性不佳的技术问题。

技术实现思路

[0005]为了克服上述现有技术的不足，本专利技术提供了一种基于机器学习的圆球颗粒体系渗透特性快速预测方法，不仅能够通过颗粒堆积反映圆球颗粒体系内部的复杂孔隙结构，同时提取基于宏观尺度及微观尺度多个尺度的孔隙结构特征来描述颗粒材料的复杂孔隙结构，并能准确、快速地预测出颗粒材料渗透率。该专利技术根据颗粒的级配信息和压实程度，构建颗粒材料数值试样，随后采用格子玻尔兹曼等方法进行渗透特性数值模拟，得到颗粒材料渗透率；同时，基于宏观尺度、微观尺度提取试样结构信息，以颗粒材料的孔隙结构特
征参数作为输入量、颗粒材料的渗透率作为输出量，建立并训练用于预测颗粒材料渗透特性的机器学习模型。采用该方法，可以快速、准确获取颗粒材料的渗透特性。
[0006]本专利技术采用的技术方案如下：
[0007]第一方面提供了一种基于机器学习的圆球颗粒体系渗透特性的预测方法，包括：
[0008]S1：根据圆球颗粒材料级配信息及压实程度，由离散单元法生成不同级配颗粒集合体并压缩获得计算试样，然后进行区域分割，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集；
[0009]S2：基于格子玻尔兹曼法和D3Q19晶格模型，对试样数据集中的试样进行渗透率计算，得到圆球颗粒材料的渗透率；
[0010]S3：对试样数据集中的试样进行结构特征提取，其中，提取的结构特征包括宏观尺度参数和微观尺度参数；
[0011]S4：根据计算得到的颗粒材料的渗透率和提取的结构特征，构建机器学习模型数据集，并从机器学习模型数据集划分出训练数据集；构建机器学习模型，基于训练数据集并用随机森林算法对机器学习模型进行训练，得到训练好的渗透率预测模型；
[0012]S5：利用训练好的渗透率预测模型进行圆球颗粒体系渗透率的预测。
[0013]在一种实施方式中，步骤S1包括：
[0014]S1.1：根据已知的工程数据获取圆球颗粒材料级配信息；
[0015]S1.2：根据圆球颗粒材料级配信息，通过离散单元法生成若干不同级配颗粒集合体，根据压实程度对颗粒集合体中的试样进行压缩，得到计算试样；
[0016]S1.3：根据计算式样中圆球颗粒的位置信息，对孔隙区域与固体区域进行分割，以数值“0”表示孔相、数值“1”表示固相，使得三维图像结构转化为三维数字矩阵形式，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集，其中，试样数据集的表现形式为二进制文件。
[0017]在一种实施方式中，步骤S2包括：
[0018]S2.1：采用格子玻尔兹曼方法对试样数据集中的试样进行渗透率计算，选取D3Q19晶格模型，模型的构建基础为单松弛时间的BGK模型，具体地，设定水流方向为x方向，整个流域空间被离散为格子点，流体的运动过程被转化为流体粒子的碰撞与迁移过程，流体粒子的碰撞与迁移过程通过基于流体粒子的分布函数进行迭代演化实现，演化过程见下式：
[0019][0020]式中，f
n
为粒子非平衡态分布函数；x为粒子位置；e
n
为第n个方向上粒子的速度；t为离散时间；τ为松弛时间；f
n,eq
为粒子平衡态分布函数；
[0021]S2.2：当流动模拟达到稳定状态时，通过公式(1)计算得到流场的速度分布；
[0022]S2.3：基于计算得到的流场的速度分布通过达西方程计算得到圆球颗粒材料的。
[0023]在一种实施方式中，步骤S3提取的宏观尺度参数包括试样孔隙率、试样迂曲度、试样孔隙异质性以及试样分形维数，其中，试样孔隙率的计算方式为：
[0024]φ＝V
void
/V
all
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0025]式中，φ为试样孔隙率，V
void
为孔隙体积，V
all
为试样总体积，
[0026]试样迂曲度的计算方式为：
[0027][0028]式中，τ
s
为试样迂曲度，i为流场中第i个节点，N为流场中节点总数，v
xi
为第i个节点的x方向流速，v
yi
为第i个节点的y方向流速，v
zi
为第i个节点的z方向流速，其中，各个方向的流速为步骤S2.2中的流场的速度分布；
[0029]试样孔隙异质性的计算方式为：
[0030][0031]式中，φ
j
为第j个子试样的孔隙率；φ为试样整体孔隙率；
[0032]试样分形维数的计算方式为：
[0033][0034]式中，A为R
n
空间的任意非空有界子集；N
r
(A)为覆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，包括：S1：根据圆球颗粒材料级配信息及压实程度，由离散单元法生成不同级配颗粒集合体并压缩获得计算试样，然后进行区域分割，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集；S2：基于格子玻尔兹曼法和D3Q19晶格模型，对试样数据集中的试样进行渗透率计算，得到圆球颗粒材料的渗透率；S3：对试样数据集中的试样进行结构特征提取，其中，提取的结构特征包括宏观尺度参数和微观尺度参数；S4：根据计算得到的颗粒材料的渗透率和提取的结构特征，构建机器学习模型数据集，并从机器学习模型数据集划分出训练数据集；构建机器学习模型，基于训练数据集并用随机森林算法对机器学习模型进行训练，得到训练好的渗透率预测模型；S5：利用训练好的渗透率预测模型进行圆球颗粒体系渗透率的预测。2.如权利要求1所述的基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，步骤S1包括：S1.1：根据已知的工程数据获取圆球颗粒材料级配信息；S1.2：根据圆球颗粒材料级配信息，通过离散单元法生成若干不同级配颗粒集合体，根据压实程度对颗粒集合体中的试样进行压缩，得到计算试样；S1.3：根据计算式样中圆球颗粒的位置信息，对孔隙区域与固体区域进行分割，以数值“0”表示孔相、数值“1”表示固相，使得三维图像结构转化为三维数字矩阵形式，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集，其中，试样数据集的表现形式为二进制文件。3.如权利要求1所述的基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，步骤S2包括：S2.1：采用格子玻尔兹曼方法对试样数据集中的试样进行渗透率计算，选取D3Q19晶格模型，模型的构建基础为单松弛时间的BGK模型，具体地，设定水流方向为x方向，整个流域空间被离散为格子点，流体的运动过程被转化为流体粒子的碰撞与迁移过程，流体粒子的碰撞与迁移过程通过基于流体粒子的分布函数进行迭代演化实现，演化过程见下式：式中，f
n
为粒子非平衡态分布函数；x为粒子位置；e
n
为第n个方向上粒子的速度；t为离散时间；τ为松弛时间；f
n,eq
为粒子平衡态分布函数；S2.2：当流动模拟达到稳定状态时，通过公式(1)计算得到流场的速度分布；S2.3：基于计算得到的流场的速度分布通过达西方程计算得到圆球颗粒材料的。4.如权利要求3所述的基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，步骤S3提取的宏观尺度参数包括试样孔隙率、试样迂曲度、试样孔隙异质性以及试样分形维数，其中，试样孔隙率的计算方式为：φ＝V
void
/V
all
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，φ为试样孔隙率，V
void
为孔隙体积，V
all
为试样总体积，试样迂曲度的计算方式为：
式中，τ
s
为试样迂曲度，i为流场中第i个节点，N为流场中节点总数，v
xi
为第i个节点的x方向流速，v
yi
为第i个节点的y方向流速，v
zi
为第i个节点的z方向流速，其中，各个方向的流速为步骤S2.2中的流场的速度分布；试样孔隙异质性的计算方式为：式中，φ
j
为第j个子试样的孔隙率；φ为试样整体孔隙率；试样分形维数的计算方式为：式中，A为R
n
空间的任意非空有界子集；N
r
(A)为覆盖A所需要的边长为r的n维立方体的最小数目。5.如权利要求1所述的基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，步骤S3提取的微观尺度参数包括孔隙尺度上的结构特征参数、不同试样内部的连通方式和流通程度，提取过程包括：基于最大球算法，建立孔隙网络模型，在孔隙网络模型中提取平均孔隙配位数C、平均孔隙半径r
p
...

【专利技术属性】
技术研发人员：马刚，张佳，周伟，陈治平，张大任，常晓林，王桥，
申请(专利权)人：武汉大学，
类型：发明
国别省市：