一种岩石破坏预测方法及系统技术方案

本发明专利技术涉及一种岩石破坏预测方法及系统，首先利用DIC技术在岩石样本进行岩石压缩试验时采集岩石样本的应变分布图像；从应变分布图像中选取应变值在0到预设值之间的应变分布图以及峰值破坏时的应变分布图组成数据集，并将数据集分为训练集和测试集；搭建PreRNN++预测模型，并利用训练集对模型进行训练，用测试集对训练后的模型进行评估，当评估结果符合预设要求时，得到训练好的模型，利用训练好的模型对待测岩样进行峰值破坏时图像的预测，并根据预测的图形计算轴向变形量，进而估计破坏能量和破坏时间。本发明专利技术为后续对重大自然灾害的预测，尤其是围岩失稳破坏的预测做出一定的技术积累。积累。积累。

【技术实现步骤摘要】
一种岩石破坏预测方法及系统


[0001]本专利技术涉及岩石破坏预测领域，特别是涉及一种岩石破坏预测方法及系统。

技术介绍

[0002]近十年来，随着全国基础设施建设持续快速推进，中国土木工程的发展极为迅速。随着全国范围内大范围桥梁、隧道等工程的开展，尤其是川藏铁路、引汉济渭等国家重点难点工程，隧道经常需要穿越高地应力岩石地层或断层破碎带区域，桥梁经常需要架设在陡峭的岩石山体上。如何保证结构物在其全生命周期的稳定与安全一直是研究者和工程人员所关心的重点问题。其中，由于岩石的特殊性质，围绕其发生的突发性自然灾害往往成为了制约建筑物安全的主要因素。因此，岩石与岩体系统的失稳破坏一直是土木工程相关研究的核心问题，实现岩体系统破坏的预测对于人类防灾减灾有重大意义与价值。
[0003]由于岩样裂纹不断发展最后形成主破裂面，因此，为了推进岩体系统的预测预报研究进程，需对岩样主破裂面位置和达到峰值强度的破坏时间和破坏能量进行预测，以对重大自然灾害的预测，尤其是围岩失稳破坏的预测作出一定的技术积累。
[0004]然而，传统的岩石试样破坏检测主要通过声发射试验进行。声发射(Acoustic Emission，简称AE)是岩石在变形破坏过程中，其结构内部原生缺陷以及新生微破裂扩展、演化和断裂时释放瞬态应力波的现象。AE技术能够实时监测岩石试样变形破坏过程中内部损伤演化缺陷。试验过程首先在岩石试样表面粘贴传感器，岩石试样在试验机压力的作用下内部出现微裂缝，岩石颗粒由于Kaiser效应在逐步断裂过程中释放声波。通过使用高灵敏的声发射传感器，能够检测并采集到岩石内部损伤产生的声波。将声波进行初降噪处理，然后通过信号分析等方法，就可以大致推断岩石破坏的主要过程。这种方法的优点是对扩展的缺陷具有很高的灵敏度。缺点也很明显，声发射只能检测出岩石内部能量的集中爆发(也就是某个时刻出现了裂纹发展、颗粒断裂)，对裂纹发展走向和破坏时间和破坏能量的预测无能为力。除此之外，声发射试验由于要粘贴调试传感器，过程较为繁琐，效率一般。基于此，亟需一种岩石破坏预测方法，从而高效、准确地预测岩石破坏主破裂面位置、轴向变形量、破坏时间及破坏能量。

技术实现思路

[0005]本专利技术的目的是提供一种岩石破坏预测方法及系统，能够高效、准确的预测岩石破坏主破裂面位置、轴向变形量、破坏时间及破坏能量，从而为后续重大自然灾害的预测作出一定的技术积累。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种岩石破坏预测方法，包括：
[0008]在对岩石试样进行岩石压缩试验的全过程中，采用DIC技术采集所述岩石试样表面的应变分布图；
[0009]从所述应变分布图中选取所述岩石试样主破裂面的图像，记为第一图像；
[0010]从所述第一图像中选取数据集，并将所述数据集分为训练集和测试集；所述数据集包括应变值在0到预设值之间的应变分布图以及峰值破坏时的应变分布图；
[0011]搭建基于PreRNN++的预测模型，并以所述训练集中应变值在0到预设值之间的应变分布图为输入，以所述训练集中的峰值破坏时的应变分布图为标签对所述预测模型进行训练，得到第一模型；
[0012]利用所述测试集对所述第一模型进行评估，若评估结果不满足预设要求，则调整所述预测模型的超参数，并返回步骤“并利用所述训练集对所述预测模型进行训练”，直到评估结果满足预设要求，得到第二模型；
[0013]利用所述第二模型对待预测岩样峰值破坏时的应变分布图进行预测，得到预测图像；
[0014]根据所述预测图像中像素点在压力方向的位置变化，计算所述待预测岩样破坏时的轴向变形量；
[0015]根据所述轴向变形量，预测破坏能量和破坏时间。
[0016]本专利技术还提供一种岩石破坏预测系统，包括：
[0017]DIC采集模块，用于在对岩石试样进行岩石压缩试验的全过程中，采用DIC技术采集所述岩石试样表面的应变分布图；
[0018]主破裂面选取模块，用于从所述应变分布图中选取所述岩石试样主破裂面的图像，记为第一图像；
[0019]数据集获取模块，用于从所述第一图像中选取数据集，并将所述数据集分为训练集和测试集；所述数据集包括应变值在0到预设值之间的应变分布图以及峰值破坏时的应变分布图；
[0020]模型训练模块，用于搭建基于PreRNN++的预测模型，并以所述训练集中应变值在0到预设值之间的应变分布图为输入，以所述训练集中的峰值破坏时的应变分布图为标签对所述预测模型进行训练，得到第一模型；
[0021]模型评估模块，用于利用所述测试集对所述第一模型进行评估，若评估结果不满足预设要求，则调整所述预测模型的超参数，并返回步骤“并利用所述训练集对所述预测模型进行训练”，直到评估结果满足预设要求，得到第二模型；
[0022]预测图像获取模块，用于利用所述第二模型对待预测岩样峰值破坏时的应变分布图进行预测，得到预测图像；
[0023]轴向变形量预测模块，用于根据所述预测图像中像素点在压力方向的位置变化，计算所述待预测岩样破坏时的轴向变形量；
[0024]破坏能量和破坏时间预测模块，用于根据所述轴向变形量，预测破坏能量和破坏时间。
[0025]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0026]本专利技术提供一种岩石破坏预测方法及系统，首先利用DIC技术在岩石样本进行岩石压缩试验时采集岩石样本的应变分布图像；从应变分布图像中选取应变值在0到预设值之间的应变分布图以及峰值破坏时的应变分布图组成数据集；搭建PreRNN++预测模型，以应变值在0到预设值之间的应变分布图为输入，以峰值破坏时的应变分布图对模型进行训练；利用训练好的模型对待测岩样进行峰值破坏时图像的预测，并根据预测的图形计算轴
向变形量，进而估计破坏能量和破坏时间。本专利技术整个预测过程能较好的对岩石试样主破裂面位置和轴向变形量进行预测，并可推算破坏能量和破坏时间。同时，本专利技术预测结果以岩石试样破裂面图像直接体现，实现了在高效率预测基础上，直接形象的展现岩石主破裂面位置的目的。本专利技术为后续对重大自然灾害的预测，尤其是围岩失稳破坏的预测做出一定的技术积累。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]图1为本专利技术实施例1提供的岩石破坏预测方法流程图；
[0029]图2为本专利技术实施例1提供的DIC采集图像流程图；
[0030]图3为本专利技术实施例1提供的DIC原理图；
[0031]图4为本专利技术实施例1提供的CaucalLSTM单元的结构图；
[0032]图5为本专利技术实施例1提供的GHU单元的结构图；
[0033]图6为本专利技术实施例1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种岩石破坏预测方法，其特征在于，包括：在对岩石试样进行岩石压缩试验的全过程中，采用DIC技术采集所述岩石试样表面的应变分布图；从所述应变分布图中选取所述岩石试样主破裂面的图像，记为第一图像；从所述第一图像中选取数据集，并将所述数据集分为训练集和测试集；所述数据集包括应变值在0到预设值之间的应变分布图以及峰值破坏时的应变分布图；搭建基于PreRNN++的预测模型，并以所述训练集中应变值在0到预设值之间的应变分布图为输入，以所述训练集中的峰值破坏时的应变分布图为标签对所述预测模型进行训练，得到第一模型；利用所述测试集对所述第一模型进行评估，若评估结果不满足预设要求，则调整所述预测模型的超参数，并返回步骤“并利用所述训练集对所述预测模型进行训练”，直到评估结果满足预设要求，得到第二模型；利用所述第二模型对待预测岩样峰值破坏时的应变分布图进行预测，得到预测图像；根据所述预测图像中像素点在压力方向的位置变化，计算所述待预测岩样破坏时的轴向变形量；根据所述轴向变形量预测破坏能量和破坏时间。2.根据权利要求1所述的方法，其特征在于，所述在对岩石试样进行岩石压缩试验全过程中，采用DIC技术采集所述岩石试样表面的应变分布图，具体包括：在所述岩石试样表面进行喷涂，得到散斑点；在所述岩石压缩试验全过程中，利用相机采集所述岩石试样的图像，得到目标图像；以所述散斑点为参考，利用DIC算法计算所述目标图像的全场应变位移；根据所述全场应变位移，得到所述岩石试样表面的应变分布图。3.根据权利要求2所述的方法，其特征在于，所述利用DIC算法计算所述目标图像的全场应变位移，具体包括：将所述目标图像划分为多个子区；获取每个所述子区变形前和变形后所有像素点的坐标；根据所述坐标，计算所有所述子区变形前后的互相关矩阵；利用非线性最小二乘法求解所述互相关矩阵，得到所述目标图像的全场应变位移。4.根据权利要求1所述的方法，其特征在于，所述从所述第一图像中选取数据集，具体包括：以应变值0.05％为步长，选取应变范围在0
‑
0.5％之间的多张应变分布图；选取所述峰值破坏时的应变分布图；由所述应变范围在0
‑
0.5％之间的多张应变分布图和所述峰值破坏时的应变分布图得到所述数据集。5.根据权利要求1所述的方法，其特征在于，所述基于PreRNN++的预测模型包括：输入层、隐藏层和还原层；所述隐藏层由四层Causal LSTM和Gradient Highway Unit层采用级联结构组成，所述Gradient Highway Unit层插入至第一层Caucal LSTM和第二层Caucal LSTM之间；每一层所述Caucal LSTM包含11个Caucal LSTM单元，所述Gradient Highway Unit层包含11个
Gradient Highway Unit单元，第一层所述Causal LSTM的前10个单元连接所述输入层，第四层所述Causal LSTM的最后1个单元连接所述还原层；第一层所述Causal LSTM、所述Gradient Highway Unit层、第四层所述Causal LSTM和所述还原层，均设置64个隐藏...

【专利技术属性】
技术研发人员：薛亚东，罗炜，张维，沈恺，吴晨，周鸣亮，
申请(专利权)人：上海济目科技有限公司，
类型：发明
国别省市：