CN103226080A - 一种基于神经网络的岩石破坏强度确定方法 - Google Patents
一种基于神经网络的岩石破坏强度确定方法 Download PDFInfo
- Publication number
- CN103226080A CN103226080A CN2013100889209A CN201310088920A CN103226080A CN 103226080 A CN103226080 A CN 103226080A CN 2013100889209 A CN2013100889209 A CN 2013100889209A CN 201310088920 A CN201310088920 A CN 201310088920A CN 103226080 A CN103226080 A CN 103226080A
- Authority
- CN
- China
- Prior art keywords
- neural network
- rock
- value
- ann
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
Description
技术领域
本发明涉及岩土工程中的岩石破坏强度研究,特别是涉及基于神经网络的岩石破坏强度确定方法。
背景技术
对于岩土工程设计,岩石的强度是最重要的考虑因素之一。经过多年的研究以形成了一些基于经验的岩石强度准则。在这些准则中,最大主应力值 是单轴抗压强度和最小主应力的函数,并且其系数是通过对实验数据的反演回归得到的。但是经验强度准则对于范围较大的加载应力域和各类岩石并不能完全准确的进行预测。这是由于在参数回归时使用的数据是特定的某类岩石和特定的应力范围。如果将反演参数后的准则对非该特定范围内的情况进行预测时就会产生严重偏差。
对于多种岩石在实验过程中,施加应力与应变的对应关系复杂且非线性,岩体受力内部结构可能破坏,产生微小裂缝等原因,岩体应变的精确测量较为困难。但是施加的应力、、和的测量相对容易,而且其各力之间有一定的内在联系,如果能找到他们之间的映射关系,那么就可以避免对变形量的测量和通过反演拟合预测其值。
发明内容
针对岩石破坏强度确定过程中存在的问题,本发明提出一种基于神经网络的岩石破坏强度确定方法。
使用前馈式神经网络(FFNN)进行预测。对FFNN的有效利用首先要确定隐含网络层数和计算神经元的数量。如果隐含层有足够的隐含神经元,那么使用双曲线正切S传递函数和线性传输函数组成的两层神经网络是较为合适的结构。神经元的数量是避免超适应问题的关键,即如果一些ANN适应训练数据的性能相同,那么最简单的ANN最好。根据目前研究的经验,确定隐含层中的神经元数量不能通过准确计算得到。一般情况下只能在训练和预测后才能对其调整以便增加其适应性,但是可以通过一些相关的参数对其进行估计。在FFNN中的单隐含层内的神经元估计数量如表1所示。
为了提高训练的效率和泛化性,ANN的输入值和输出值应进行规格化,即这些值按照相应的算法落在[-1,1]内。本文使用线性规格化公式(1)使值落在上述范围内。
附图说明
图1 不同预测模型的RMSE值。
图2 关于不同岩体测试数据的目标最大主应力与相应预测最大主应力分布图。
具体实施方式
为使本发明的上述目的、特征和优点更加明显易懂,下面结合使用到的相关理论和具体实施方式对本发明作进一步详细的说明。
使用了7种岩石的实验室数据,包括:砂岩、石英岩、大理石、石灰岩、花岗岩、白云岩、煤。数据包括单轴拉力、单轴压力和三轴压力。对于单轴拉力试验,;对于单轴压缩试验,;三轴压缩试验,。相关岩石的具体参数如表2所示。
表2 相关岩石的具体参数(包括单轴拉力,单轴压力和三轴压力试验)
注:施加的荷载随试验次数的增大而增大。
使用前馈式神经网络(FFNN)进行预测。对FFNN的有效利用首先要确定隐含网络层数和计算神经元的数量。如果隐含层有足够的隐含神经元,那么使用双曲线正切S传递函数和线性传输函数组成的两层神经网络是较为合适的结构。神经元的数量是避免超适应问题的关键,即如果一些ANN适应训练数据的性能相同,那么最简单的ANN最好。根据目前研究的经验,确定隐含层中的神经元数量不能通过准确计算得到。一般情况下只能在训练和预测后才能对其调整以便增加其适应性,但是可以通过一些相关的参数对其进行估计。在FFNN中的单隐含层内的神经元估计数量如表2所示。
为了提高训练的效率和泛化性,ANN的输入值和输出值应进行规格化,即这些值按照相应的算法落在[-1,1]内。本文使用线性规格化公式(1)使值落在上述范围内。
将实验数据(,,)组成的数据集分为两部分,70%的训练数据和30%的检验数据。ANN初始的权值和阈值是在[-1,1]内随机选取的,MATLAB首先随机选取训练数据,再初始化权值和阈值,然后训练ANN。训练后得到的权值和阈值如表3所示,相关的极值如表1所示。
图3 训练后权值和阈值
/阈值 | 砂岩 | 石英岩 | 大理石 | 石灰岩 | 花岗岩 | 白云岩 | 煤 |
-0.112 | 0.900 | 0.133 | -0.328 | 0.875 | -0.534 | -0.701 | |
-2.912 | 0.454 | -0.564 | 1.333 | 0.745 | 0.322 | -0.012 | |
-2.321 | 0.265 | -0.132 | -0.223 | -0.154 | -0.388 | 0.151 | |
-0.231 | 0.546 | -2.223 | -0.100 | -1.322 | -0.644 | -0.608 | |
-0.564 | 0.793 | 0.104 | 0.533 | -0.012 | 0.131 | -0.022 | |
-0.437 | 0.156 | 1.123 | 0.394 | -0.451 | -1.322 | 3.555 | |
-0.543 | 1.132 | 0.745 | 0.566 | 0.798 | -0.435 | -0.675 | |
0.456 | 1.333 | -1.423 | -0.111 | -1.431 | -0.213 | -1.323 | |
-1.457 | -0.344 | 1.231 | 0.677 | 0.345 | -1.213 | 1.600 | |
-2.312 | -1.450 | -0.809 | 1.414 | -1.869 | -0.011 | -0.677 | |
0.167 | 0.809 | -2.786 | 0.032 | -0.786 | 0.898 | 0.786 | |
0.423 | 0.023 | -0.241 | 0.433 | 0.122 | -1.700 | 3.566 | |
-0.123 | -0.010 | -0.611 | -0.577 | -0.098 | -0.367 | -1.122 |
通过上述过程ANN已得到了训练,即得到了适合训练数据的ANN。可以使用该ANN对测试数据进行分析,得到预测值。
强度准则是材料破坏时应力的代数表达式。基于经验的准则可能根本没有理论基础,而只是满足强度预测的实际需要且使用简便的要求。有些使用多年的岩石强度准则只在特定的范围内有效,并不适应所有类型的岩石和施加荷载的域。
在本文中采用著名的Hoek–Brown强度经验准则进行对比研究。H–B准则如式(2)所示。
式(2)中估计常量根据以往研究已得到各种类型岩体的推荐值。但是为了更加精确的确定该估计值,保证进一步计算的精确性,使用上述ANN的训练值进行回归分析确定m值(如使用差异进化算法进行回归[13])。不同类型岩石推荐和反演回归得到的m值如表4所示。
表4 不同类型岩石推荐和回归得到的m值
岩石种类 | 砂岩 | 石英岩 | 大理石 | 石灰岩 | 花岗岩 | 白云岩 | 煤 |
推荐m值() | 17 | 20 | 9 | 10 | 32 | 9 | 10 |
回归m值() | 15.1 | 16.9 | 8.5 | 12.1 | 30.3 | 12.4 | 10.9 |
图1显示为不同预测模型得到的的RMSE值,对于所有的岩石类型,ANN模型的RMSE值小于所用对应类别的两类H-P模型的RMSE值。特别是对于石英岩和白云岩的两组柱状对比图,其ANN的RMSE值是两类H-P的RMSE较小值的一半左右。使用训练数据进行反演回归得到的m值要比推荐的m值计算得到的RMSE值更小。可见针对不同的数据,m值有其针对性,应根据具体材料数据进行判断,这也给强度经验公式的应用带来了很大的局限性。与其相比ANN不再局限于根据具体数据拟合的经验公式,而是通过适应不同类型岩体在不同荷载情况下得到的、和,得到适应范围更加宽泛的映射方式。这种方式的映射的准确性要高于经验公式。
表5 对于测试数据的三种模型的决策系数()
岩石种类 | 砂岩 | 石英岩 | 大理石 | 石灰岩 | 花岗岩 | 白云岩 | 煤 |
H-Bp | 0.89 | 0.90 | 0.92 | 0.93 | 0.91 | 0.74 | 0.86 |
H-Br | 0.90 | 0.90 | 0.93 | 0.94 | 0.93 | 0.85 | 0.89 |
ANN | 0.95 | 0.97 | 0.96 | 0.96 | 0.96 | 0.95 | 0.95 |
表5列出了不同预测模型预测结果的决策系数。相比之下ANN有更精确的(, 符合最好)。ANN的比H-B的更加接近于1。在H-B模型中,不同岩石的值相差很大,特别是白云岩和煤,更加证明了经验准则的在适应能力上的缺陷。ANN对于几种岩石预测的比较接近,且更加接近于1,说明了ANN的良好适应性。
注:图中点针对的是测试数据,其数量为表1中试验次数×30%,极少数有负值的点未标出。
图2显示了不同岩石的目标和通过ANN预测得到的。这些数据在整个研究强度范围内关于对角线有较好的分布状态。数据点接近于线性,且沿对角线数据密度,有正态分布的特征,这表明预测值与目标值有较好的符合性。砂岩和石灰岩在图中有较大的分散度,这是由于两者所包含的岩体种类多样,性质也不同,所以归结起来造成了较大的离散度。图中有极个别点出现了负值,这些点没有物理意义是错误的,但是数量较少不影响整体的预测质量。
Claims (6)
2.根据权利要求1所述的神经网络,其特征在于,前馈式神经网络(FFNN),使用双曲线正切S传递函数和线性传输函数组成的两层神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100889209A CN103226080A (zh) | 2013-03-20 | 2013-03-20 | 一种基于神经网络的岩石破坏强度确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100889209A CN103226080A (zh) | 2013-03-20 | 2013-03-20 | 一种基于神经网络的岩石破坏强度确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103226080A true CN103226080A (zh) | 2013-07-31 |
Family
ID=48836608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013100889209A Pending CN103226080A (zh) | 2013-03-20 | 2013-03-20 | 一种基于神经网络的岩石破坏强度确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103226080A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104656124A (zh) * | 2015-02-06 | 2015-05-27 | 山东大学 | 一种基于物探方法的多参量综合岩爆预测方法 |
CN105243193A (zh) * | 2015-09-16 | 2016-01-13 | 三峡大学 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
CN105259331A (zh) * | 2015-11-06 | 2016-01-20 | 三峡大学 | 一种节理岩体单轴强度预测方法 |
CN111242301A (zh) * | 2020-03-06 | 2020-06-05 | 桂林理工大学 | 多相场作用下岩石三轴抗压强度深度学习预测方法及装置 |
CN111316294A (zh) * | 2017-09-15 | 2020-06-19 | 沙特阿拉伯石油公司 | 使用神经网络推断烃储层的岩石物理特性 |
CN114092767A (zh) * | 2021-11-26 | 2022-02-25 | 中国石油大学(华东) | 基于机器学习的岩石破坏形态预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0901016A2 (de) * | 1997-09-05 | 1999-03-10 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zur Bestimmung von Eigenschaften eines Stahls |
CN101566601A (zh) * | 2009-05-04 | 2009-10-28 | 北京航空航天大学 | 采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统 |
-
2013
- 2013-03-20 CN CN2013100889209A patent/CN103226080A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0901016A2 (de) * | 1997-09-05 | 1999-03-10 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zur Bestimmung von Eigenschaften eines Stahls |
CN101566601A (zh) * | 2009-05-04 | 2009-10-28 | 北京航空航天大学 | 采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统 |
Non-Patent Citations (4)
Title |
---|
刘亚群等: "基于Hoek-Brown准则的板岩强度特征研究", 《岩石力学与工程学报》 * |
张向东等: "基于MATLAB的ANN方法在桩基岩石强度预测中的应用", 《地下空间与工程学报》 * |
李驰等: "基于BP 神经网络软粘土循环强度研究", 《内蒙古工业大学学报》 * |
陈海军等: "岩爆预测的人工神经网络模型", 《岩土工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104656124A (zh) * | 2015-02-06 | 2015-05-27 | 山东大学 | 一种基于物探方法的多参量综合岩爆预测方法 |
CN105243193A (zh) * | 2015-09-16 | 2016-01-13 | 三峡大学 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
CN105243193B (zh) * | 2015-09-16 | 2018-02-02 | 三峡大学 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
CN105259331A (zh) * | 2015-11-06 | 2016-01-20 | 三峡大学 | 一种节理岩体单轴强度预测方法 |
CN111316294A (zh) * | 2017-09-15 | 2020-06-19 | 沙特阿拉伯石油公司 | 使用神经网络推断烃储层的岩石物理特性 |
CN111242301A (zh) * | 2020-03-06 | 2020-06-05 | 桂林理工大学 | 多相场作用下岩石三轴抗压强度深度学习预测方法及装置 |
CN114092767A (zh) * | 2021-11-26 | 2022-02-25 | 中国石油大学(华东) | 基于机器学习的岩石破坏形态预测方法及系统 |
CN114092767B (zh) * | 2021-11-26 | 2024-04-30 | 中国石油大学(华东) | 基于机器学习的岩石破坏形态预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103226080A (zh) | 一种基于神经网络的岩石破坏强度确定方法 | |
Hossain et al. | Artificial neural network modelling to predict international roughness index of rigid pavements | |
CN103293014B (zh) | 一种桥梁疲劳损伤状态与剩余寿命的评估方法 | |
Saltan et al. | Backcalculation of pavement layer moduli and Poisson’s ratio using data mining | |
CN104018831B (zh) | 一种压裂井储层评价方法 | |
Thube | Artificial neural network (ANN) based pavement deterioration models for low volume roads in India | |
CN105243193B (zh) | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 | |
CN108733632B (zh) | 一种中低渗高含水油藏重复压裂选井评价方法 | |
CN110489844B (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
CN104751229A (zh) | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 | |
CN110287516B (zh) | 一种页岩气藏压裂水平井可压性综合评价方法 | |
CN105654236A (zh) | 一种地下水型饮用水水源地污染风险评价方法 | |
CN113011094B (zh) | 混合gbdt和随机森林算法的土压平衡盾构机渣土改良方法 | |
CN113486570A (zh) | 一种基于随机ida和机器学习预测隧道地震易损性的方法 | |
CN106909999A (zh) | 小型土石坝退役综合评价方法 | |
Karolczuk et al. | Application of the weakest link analysis to the area of fatigue design of steel welded joints | |
Solatifar et al. | Development of an artificial neural network model for asphalt pavement deterioration using LTPP data | |
Sahu et al. | Use of ANN and neuro fuzzy model to predict bearing capacity factor of strip footing resting on reinforced sand and subjected to inclined loading | |
CN105868481A (zh) | 基于贝叶斯理论的海洋平台桩靴基础安装风险控制方法 | |
CN103898890B (zh) | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 | |
Öcal | Backcalculation of pavement layer properties using artificial neural network based gravitational search algorithm | |
CN113221399B (zh) | 一种铁路隧道装配式衬砌构件划分方案决策方法 | |
Terzi et al. | Backcalculation of pavement layer thickness using data mining | |
CN105718668A (zh) | 一种露天矿抛爆效果分析方法 | |
CN113191689B (zh) | 一种耦合主成分分析与bp神经网络的土地适宜评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130731 |