System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于点云处理的高精度岩石jrc值预测方法及系统,属于岩石裂隙分析技术。
技术介绍
1、岩石裂隙的特性对于地质勘探、岩石力学研究、工程地质和岩土工程等领域至关重要。岩石节理面特征及粗糙度系数(jrc)是衡量岩石裂隙表面粗糙度的关键参数之一,它对于岩石的力学性质和水文地质条件有着重要影响。因此,高精度测量岩石裂隙特征和准确预测jrc值对于相关领域的研究和应用至关重要。
2、传统的岩石裂隙特征预测方法通常涉及人工测量,这种方法存在主观性和不稳定性的问题,并且在处理大量数据时非常耗时。此外,现有的jrc预测方法通常依赖于经验公式,其精度受限。
3、随着人工智能的快速发展,越来越多的检测分析项目都可以通过构建模型和学习算法来进行分析结果的预测,但是岩石jrc值不仅仅是判断岩石裂隙平面图像的类型,其节理面特征及粗糙度还需要对岩石裂隙深度以及粗糙度等三维信息进行综合判断,因此传统的工业相机拍摄处理的岩石裂隙图片来对模型算法进行学习,并不能够准确输出岩石jrc值的智能判断结果。
技术实现思路
1、本专利技术解决的技术问题是:针对现有人工智能算法模型判断岩石节理面特征及粗糙度上存在精度不够的问题,提供一种基于点云处理的高精度岩石jrc值预测方法及系统。
2、本专利技术采用如下技术方案实现:
3、本专利技术首先公开了一种基于点云处理的高精度岩石jrc值预测方法,包括如下步骤:
4、s1、拍摄不同粗糙度岩石裂隙图像,采集其中的
5、s2、通过分形布朗运动方法生成合成岩石裂隙几何模型;
6、s3、将步骤s1得到的天然粗糙岩石裂隙几何模型和步骤s2生成的合成岩石裂隙结合模型的点云数据集合并,得到构建岩石裂隙预测模型的岩石裂隙扩展数据集;
7、s4、将岩石裂隙扩展数据集分成训练集和测试集,输入训练集和测试集的裂隙几何参数对支持向量机模型进行训练,得到岩石裂隙预测模型;
8、s5、将新拍摄的岩石裂隙图像数据输入岩石裂隙预测模型,输出岩石裂隙jrc值的预测。
9、在本专利技术的一种基于点云处理的高精度岩石jrc值预测方法中,具体的,所述步骤s1包括如下子步骤:
10、s11、采用尺寸大小相同的岩石材料作为粗糙裂隙体积测量的基础,随机开凿岩石材料,从中取一系列覆盖baton标准剖面线曲线取值的岩石自然裂隙损伤,获取对应岩石自然裂隙的实际jrc值,采用深度相机对选取的不同jrc值岩石自然裂隙损伤进行拍摄;
11、s12、对岩石自然裂隙损伤拍摄采集的原始深度图像数据进行坐标系转换获取三维点云数据;
12、s13、保存三维点云数据作为天然粗糙岩石裂隙几何模型,通过三维点云数据获取对应裂隙的平均高度差、峰谷高度以及裂隙的长度、宽度、深度。
13、在本专利技术的一种基于点云处理的高精度岩石jrc值预测方法中,进一步的,所述子步骤s12中,
14、深度相机采集的原始深度图像数据中任一空间点q(x,y,z)和它在原始深度图像上的映射点q(u,v,d)的位置关系如下:
15、
16、
17、d=z·s,
18、其中,x、y和z分别表示任一空间点在三维空间中的坐标,fx和fy代表深度相机在其图像坐标系中x轴和y轴上的焦距,u和v是深度相机在其图像坐标系中的像素坐标,d是深度相机的深度数据,表示空间点q(x,y,z)在深度柏机图像坐标系中的深度值,cx和cy代表深度相机光圈中心点位置,s为原始深度图像缩放比例因子,将空间点到原始深度图像上的映射关系转化为矩阵表达式:
19、
20、其中,矩阵为深度相机的内参矩阵,表示深度相机图像坐标系中的齐次坐标,设世界坐标系原点与相机原点重合,故旋转矩阵平移矢量通过以上转化矩阵将原始深度数据由深度相机坐标系下的二维图像转化为世界坐标系下的三维点云。
21、在本专利技术的一种基于点云处理的高精度岩石jrc值预测方法中,具体的,所述步骤s2包括如下子步骤:
22、s21、设合成岩石裂隙的构造面积由四个角点a0、b0、c0和d0在世界坐标系中的初始坐标确定,四个角点的初始坐标定义一个初始平面,初始平面内的每个点坐标值中的垂直坐标值z服从n(0,σ2),其中n(0,σ2)表示均值为0,原始方差为σ2的高斯分布;
23、s22、对初始平面进行一维分形布朗运动插值,将四个角点a0、b0、c0和d0的z值和相邻节点的值分别取平均,分别对四个角点的中心点a1和相邻节点连线的四个中点b1、c1、d1、e1进行线性插值以生成新的点a2、b2、c2、d2和e2,从第一方差为的高斯分布中抽取随机值加到相应的新点上,第一方差的计算如下:
24、
25、式中,h为hurst指数,取值范围为0-1,σ2为高斯分布的原始方差;
26、s23、采用步骤s22为基本递归过程,继续插值a2、b2、c2、d2和e2的值生成新的点,从第二方差为的高斯分布中抽取随机值加到生成的新点上,第二方差的计算如下:
27、
28、s24、重复步骤s23,每次对新生成的节点进行线性插值后从第n方差为高斯分布中抽取随机值相加,n为线性插值的次数,第n方差的计算如下:
29、
30、最终得到生成一个节点数为(2n+1)2,大小为2n×2n且具有分形特性的三维曲面,模拟合成岩石裂隙几何模型。
31、在本专利技术的一种基于点云处理的高精度岩石jrc值预测方法中,进一步的,所述合成岩石裂隙几何模型生成过程中通过改变分形布朗运动的hurst指数调整裂隙粗糙度。
32、在本专利技术的一种基于点云处理的高精度岩石jrc值预测方法中,具体的,所述步骤s3中的点云数据集合并包括:
33、数据格式一致化,两个模型点云数据集的点云格式一致;
34、坐标系转换,两个模型的点云数据在同一坐标系下;
35、数据拼接,将两个模型的点云数据集按照最近点迭代拼接在一起;
36、数据来源标识,对合并的点云数据添加数据来源标识。
37、在本专利技术的一种基于点云处理的高精度岩石jrc值预测方法中,具体的,所述步骤s4包括如下子步骤:
38、s41、数据准备,准备岩石裂隙预测模型中训练集和测试集的数据结构如下:
39、训练集的数据包括裂隙宽度、长度、深度、平均高度差、峰谷高度以及裂隙模型的实际jrc值,其中裂隙宽度、长度、深度、平均高度差、峰谷高度为模型训练的输入特征xtrain,测试集的数据包括裂隙宽度、长度、深度、平均高度差、峰谷高度以及裂隙模型的实际jrc值,其中裂隙宽度、长度、深度、平均高度差、峰谷高度为模型训练的输入特征xtest;
40、使用z-score标准本文档来自技高网...
【技术保护点】
1.一种基于点云处理的高精度岩石JRC值预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于点云处理的高精度岩石JRC值预测方法,其特征在于,所述步骤S1包括如下子步骤:
3.根据权利要求2所述的一种基于点云处理的高精度岩石JRC值预测方法,其特征在于,所述子步骤S12中,
4.根据权利要求1所述的一种基于点云处理的高精度岩石JRC值预测方法,其特征在于,所述步骤S2包括如下子步骤:
5.根据权利要求4所述的一种基于点云处理的高精度岩石JRC值预测方法,其特征在于,所述合成岩石裂隙几何模型生成过程中通过改变分形布朗运动的Hurst指数调整裂隙粗糙度。
6.根据权利要求1所述的一种基于点云处理的高精度岩石JRC值预测方法,其特征在于,所述步骤S3中的点云数据集合并包括:
7.根据权利要求1所述的一种基于点云处理的高精度岩石JRC值预测方法,其特征在于,所述步骤S4包括如下子步骤:
8.根据权利要求1所述的一种基于点云处理的高精度岩石JRC值预测方法,其特征在于,所述步骤S5中,先对
9.一种基于点云处理的高精度岩石JRC值预测系统,其特征在于,包括:
10.一种存储介质,其特征在于,所述存储介质上存储有如权利要求1-8中任一项所述的基于点云处理的高精度岩石JRC值预测方法构建的岩石裂隙预测模型。
...【技术特征摘要】
1.一种基于点云处理的高精度岩石jrc值预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于点云处理的高精度岩石jrc值预测方法,其特征在于,所述步骤s1包括如下子步骤:
3.根据权利要求2所述的一种基于点云处理的高精度岩石jrc值预测方法,其特征在于,所述子步骤s12中,
4.根据权利要求1所述的一种基于点云处理的高精度岩石jrc值预测方法,其特征在于,所述步骤s2包括如下子步骤:
5.根据权利要求4所述的一种基于点云处理的高精度岩石jrc值预测方法,其特征在于,所述合成岩石裂隙几何模型生成过程中通过改变分形布朗运动的hurst指数调整裂隙粗糙度。
6.根据权利要求1所述的一种基于点云处理的高精度岩石jrc值预测方法,其特征在于,所述步骤s3...
【专利技术属性】
技术研发人员:杜雪明,梁佳森,方宏远,薛冰寒,赵小华,狄丹阳,李斌,王念念,孙明明,杜明瑞,
申请(专利权)人:郑州大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。