考虑颗粒互锁效应的裂隙岩体参数智能标定方法与系统技术方案

本发明专利技术提供了一种考虑颗粒互锁效应的裂隙岩体参数智能标定方法及系统，基于历史参数样本，建立宏细观参数数据库；扩大颗粒间相互作用的接触范围，考虑不同配位数和初始裂隙对岩体宏观力学行为的影响，创建细观参数先验条件；建立细观参数标定的机器学习模型，基于粒子群算法优化机器学习模型的权值和阈值，利用数据库的参数，训练所述模型；基于获取的实时的宏观力学参数，得到细观参数值，构建岩体的DEM平行粘结模型。本发明专利技术在细观参数标定时考虑互锁效应，在细观参数中引入相互作用范围和配位数，既不增加本构模型的复杂度又提高对介质内摩擦和强度的模拟能力，通过断开细观颗粒之间的连接描述裂纹的扩展，形成的岩石模型准确。确。确。

【技术实现步骤摘要】
考虑颗粒互锁效应的裂隙岩体参数智能标定方法与系统


[0001]本专利技术属于岩石三维模型构建
，具体涉及一种考虑颗粒互锁效应的裂隙岩体参数智能标定方法与系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]岩石是一种非连续、各向异性、非均质、具有明显尺寸效应的复杂工程介质，如何将岩石的宏观力学行为进行准确描述和分析对实际岩石工程的发展至关重要。岩石内部构成复杂，仅通过力学试验不能很好地展示岩石的宏观力学性质，因此需要对岩石的微观结构进行数值分析，建立微观数值模型来探究其微观结构对宏观力学行为的影响。不同于传统的岩石模拟研究是基于岩石的宏观本构模型进行分析，颗粒离散单元法(DEM)通过定义岩石的细观参数模拟岩石的宏观受力变形和破坏。
[0004]但据专利技术人了解，目前DEM中细观参数主要通过“试错法”得到，此方法费时费力且获得的细观参数准确性较低，在进行岩石模型构造时未考虑细观颗粒的互锁作用和初始裂缝的影响，所建模型并不能真实准确的反应出实际岩石破坏过程。

技术实现思路

[0005]本专利技术为了解决上述问题，提出了考虑颗粒互锁效应的裂隙岩体参数智能标定方法与系统，本专利技术构造了岩体宏细观参数标定的最优化算法且在细观参数标定时考虑互锁效应，在细观参数中引入相互作用范围和配位数，既不增加本构模型的复杂度又提高对介质内摩擦和强度的模拟能力，通过断开细观颗粒之间的连接描述裂纹的扩展，形成的岩石模型准确。
[0006]根据一些实施例，本专利技术采用如下技术方案：
[0007]一种考虑颗粒互锁效应的裂隙岩体参数智能标定方法，包括以下步骤：
[0008]基于历史参数样本，建立宏细观参数数据库；
[0009]扩大颗粒间相互作用的接触范围，考虑不同配位数和初始裂隙对岩体宏观力学行为的影响，创建细观参数标定的先验条件；
[0010]建立细观参数标定的机器学习模型，基于粒子群算法优化机器学习模型的权值和阈值，利用数据库的参数，训练所述模型；
[0011]基于获取的实时的宏观力学参数，得到细观参数值，构建岩体的DEM平行粘结模型。
[0012]作为可选择的实施方式，所述宏观参数包括密度、弹性模量、泊松比、黏聚力、抗拉强度和抗压强度；
[0013]所述细观参数为相互作用范围、配位数、等效弹性模量、法向和切向刚度比、颗粒间摩擦角、颗粒间法向与切向黏结强度之比。
[0014]作为可选择的实施方式，创建细观参数先验条件的具体过程包括：将数值模拟中得到的宏细观参数对应关系整理为表达式，基于数值试验模拟得到的宏细观参数，进行模型参数敏感性分析，并通过回归拟合，获得先验条件。
[0015]作为可选择的实施方式，建立细观参数标定的机器学习模型的具体过程包括：将获得的细观参数标定先验条件作为神经网络的先验知识，用于为神经网络模型的训练和预测提供细观参数标定模型的特征和结构。
[0016]作为可选择的实施方式，基于粒子群算法优化机器学习模型的权值和阈值的具体过程包括：基于粒子群算法优化神经网络的权值和阈值，神经网络训练的目标函数作为粒子群算法的适应度函数，当适应度值小于设置的收敛条件或者达到最大迭代次数，得到种群中最优的粒子作为神经网络的权值和阈值。
[0017]作为可选择的实施方式，训练所述模型的过程包括将训练集中的宏观参数作为输入值，细观参数作为输出值导入至模型中，通过粒子群算法优化节点的权值和阈值，基于相应参数进行机器学习模型节点的权值和阈值赋值，进行模型训练，直到迭代次数达到设置次数。
[0018]作为可选择的实施方式，还包括验证步骤：通过室内基础力学试验得到DEM模型的宏观力学参数；
[0019]将宏观参数输入训练后的机器学习模型内，获取细观参数的预测值；
[0020]基于获得的细观参数构建考虑相互作用范围和初始裂缝的岩体并进行单轴压缩试验、三轴压缩试验的数值模拟，并与实际试验结果进行校准。
[0021]一种考虑颗粒互锁效应的裂隙岩体参数智能标定系统，包括：
[0022]数据库模块，被配置为基于历史参数样本，建立宏细观参数数据库；
[0023]先验条件创建模块，被配置为扩大颗粒间相互作用的接触范围，考虑不同配位数和初始裂隙对岩体宏观力学行为的影响，创建细观参数标定的先验条件；
[0024]模型构建及训练模块，被配置为建立细观参数标定的机器学习模型，基于粒子群算法优化机器学习模型的权值和阈值，利用数据库的参数，训练所述模型；
[0025]平行粘结模型构建模块，被配置为基于获取的实时的宏观力学参数，得到细观参数值，构建岩体的DEM平行粘结模型。
[0026]一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。
[0027]一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。
[0028]与现有技术相比，本专利技术的有益效果为：
[0029]本专利技术考虑到各宏观参数响应面子响应面边界处的不连续性，采用PSO
‑
BP算法高效精确地标定出岩体的细观参数，综合考虑配位数和裂隙的影响，生成了考虑细观颗粒互锁作用和初始裂隙的岩体模型，优化岩体细观数值模型。
[0030]本专利技术考虑了预先存在的裂纹，并通过减少颗粒间相互作用的关系数来模拟裂纹的存在，且需确保初始填充密度最大，将宏观破坏时岩体介质的孔隙塌陷的影响降到最低，以便于更好地模拟岩体宏观失效破坏行为。
[0031]本专利技术可以真实地再现和预测出岩体的破坏过程，并且进行了单轴压缩数值模拟
试验和三轴压缩数值模拟试验，验证了此模型构建方法的准确与可靠。
[0032]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0033]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0034]图1是基于宏观参数标定细观参数的流程图。
[0035]图2是配位数和初始裂隙对岩体的影响示意图。
[0036]图3为本专利技术实施例1提供的配位数和宏观力学行为关联关系曲线示意图。
[0037]图4为本专利技术实施例2提供的考虑配位数和初始裂隙岩体与传统DEM岩体模拟破坏包络线对比图。
[0038]图5为本专利技术实施例3提供的考虑配位数和初始裂缝的软岩模型三轴压缩模拟时不同应力
‑
应变曲线图。
[0039]图6为本专利技术实施例3提供的考虑配位数和初始裂缝的硬岩模型三轴压缩模拟时不同应力
‑
应变曲线图。
具体实施方式
[0040]下面结合附图与实施例对本专利技术作进一步说明。
[0041本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑颗粒互锁效应的裂隙岩体参数智能标定方法，其特征是，包括以下步骤：基于历史参数样本，建立宏细观参数数据库；扩大颗粒间相互作用的接触范围，考虑不同配位数和初始裂隙对岩体宏观力学行为的影响，创建细观参数先验条件；建立细观参数标定的机器学习模型，基于粒子群算法优化机器学习模型的权值和阈值，利用数据库的参数，训练所述模型；基于获取的实时的宏观力学参数，得到细观参数值，构建岩体的DEM平行粘结模型。2.如权利要求1所述的一种考虑颗粒互锁效应的裂隙岩体参数智能标定方法，其特征是，所述宏观参数包括密度、弹性模量、泊松比、黏聚力、抗拉强度和抗压强度；所述细观参数为相互作用范围、配位数、等效弹性模量、法向和切向刚度比、颗粒间摩擦角、颗粒间法向与切向黏结强度之比。3.如权利要求1所述的一种考虑颗粒互锁效应的裂隙岩体参数智能标定方法，其特征是，创建细观参数先验条件的具体过程包括：将数值模拟中得到的宏细观参数对应关系整理为表达式，基于数值试验模拟得到的宏细观参数，进行模型参数敏感性分析，并通过回归拟合，获得先验条件。4.如权利要求1所述的一种考虑颗粒互锁效应的裂隙岩体参数智能标定方法，其特征是，建立细观参数标定的机器学习模型的具体过程包括：将获得的细观参数标定先验条件作为神经网络的先验知识，用于为神经网络模型的训练和预测提供细观参数标定模型的特征和结构。5.如权利要求1所述的一种考虑颗粒互锁效应的裂隙岩体参数智能标定方法，其特征是，基于粒子群算法优化机器学习模型的权值和阈值的具体过程包括：基于粒子群算法优化神经网络的权值和阈值，神经网络训练的目标函数作为粒子群算法的适应度函数，当适应度值小于设置的收敛条件或者达到最大迭代次数，得到种群中最优的粒子作为神经网络的权值和阈值。6.如权利要求...

【专利技术属性】
技术研发人员：袁超，张艺晨，李树忱，周慧颖，王馨，叶宇航，黄钦颢，
申请(专利权)人：山东大学，
类型：发明
国别省市：