CN108229062B - 基于敏感性微观参数预测胶结充填体力学响应特性的方法 - Google Patents
基于敏感性微观参数预测胶结充填体力学响应特性的方法 Download PDFInfo
- Publication number
- CN108229062B CN108229062B CN201810098529.XA CN201810098529A CN108229062B CN 108229062 B CN108229062 B CN 108229062B CN 201810098529 A CN201810098529 A CN 201810098529A CN 108229062 B CN108229062 B CN 108229062B
- Authority
- CN
- China
- Prior art keywords
- cemented fill
- micro
- cemented
- parameter
- fill
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于敏感性微观参数预测胶结充填体力学响应特性的方法,包括步骤:一、确定胶结充填体对力学响应特性敏感的敏感性微观参数;二、构建建立胶结充填体的敏感性微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应预测网络,并将Tensorflow深度学习力学响应预测网络存储到计算机中;步骤三、进行胶结充填体力学响应特性预测。本发明设计新颖合理,实现方便快捷,能够得到准确的力学响应特性预测结果,预测效率高,耗费的人力物力少,能够为研究新型胶结充填体贡献力量,实用性强,应用范围广,推广应用价值高。
Description
技术领域
本发明涉及胶结充填采矿技术领域,具体涉及一种基于敏感性微观参数预测胶结充填体力学响应特性的方法。
背景技术
随着国家科学技术的发展,对节能环保技术的要求也越来越高,传统的胶结充填采矿使用水泥作为胶凝材料,水泥的成本高达充填总成本的75%。通过研究发展,尾砂中含有活性氧化硅和氧化铝,使用尾砂代替部分水泥作为胶结材料,不仅能够降低尾砂的排放量,有效降低充填采矿的成本,还能够提高充填体强度,减少地面坍塌面积,对环境的保护也起着积极推动的作用。因此,选矿厂排出的尾砂逐渐成为矿山胶结充填的主要骨料。胶结充填体作为胶结充填采矿法的核心内容,它涉及到矿山安全和矿山经济效益。以“充填体作用机理、充填体强度、充填体的合理匹配及充填体的力学响应特性”为内容的充填体力学,几年来受到了采矿届的高度重视。近年来已召开了八届国际充填学术会议,在充填体力学的许多方面有了很大的进展,学术界普遍认为充填体力学性能是严重影响和制约胶结充填采矿法的关键因素。
采用尾砂实现不同水灰配比、不同养护龄期等对胶结充填体的力学性质具有直接的影响关系。尾砂作为充填采空区最常用的充填骨料之一,在解决充填骨料不足的同时,为极厚矿体矿柱回采时贫化率低、损失率大、“三下”资源开采安全性低以及深部岩体地压控制难等问题的解决提供了有效途径。许多研究者对尾砂膏体充填的成分配比、稳定过程及机械强度做了深入的研究。例如,Kesimal A等人研究了脱泥铜铅锌尾砂与膏体强度的关系,发现尾砂颗粒大小分布对胶结充填体强度有较大的影响;在2003年第16期第10卷的期刊《Minerals Engineering》(矿物工程)上发表了文章The effect of desliming bysedimentation on paste backfill performance(脱矿泥的矿体充填体沉积性能影响);Fall等人研究了养护温度对尾砂胶结充填体的强度的影响;在2010年第4期第10卷的期刊《Engineering Geology》(工程地质)上发表了文章A Contribution to understandingthe effects of curing temperature on the mechanical properties of minecemented tailings backfill(温度对尾砂胶结充填体力学性能影响的贡献);G Xiu等人采用不同比例尾砂胶结强度与不同浓度下在实验室进行了实验,揭示尾砂在微观方面化学反应机理,对充填体稳定性的宏观尺寸的影响研究;在2012年第6期第14卷的期刊《International Journal of Digital Content Technology&Its Applications》(数字内容技术及其应用)上发表了文章Microstructure Test and Macro Size Effect on theStability of Cemented Tailings Backfill(微观结构试验及宏观尺寸对胶结尾砂充填体的稳定性影响);Chun Liu等人在单幅SEM图像上,采用手动阈值的方式获取孔隙的基本参数,如孔隙率、分形维数、不均匀系数等,分析岩石的微观结构与力学之间的关系;在2013年第57期第2卷的期刊《Computer&Geosciences》(计算机与地球科学)上发表了文章Automatic quantification of crack patterns by image processing(通过图像处理对裂纹图形进行自动量化);Serge Outllet等人研究了SEM图像对不同胶结充填体样品进行了孔隙结构分析,在2008第67期的期刊《Bulletin of Engineering Geology and theEnvironment》(工程地质与环境公报)上发表了文章Characterization of cementedpaste backfill pore structure using SEM and IA analysis(用SEM和IA分析的方法对胶结充填体的孔隙结构进行表征),该方法被用来估计三的孔隙结构参数:总孔隙度、孔径分布和孔隙的空间弯曲度。但是,现有技术中,还缺乏基于图像处理的方法确定全面的表征胶结充填体的微观参数的方法,而且,表征胶结充填体微观的众多参数中,如何确立参数的主次关系、反演计算参数、精确计算模型等问题,微观参数敏感性分析显得尤为重要。目前胶结充填体微观结构中敏感性参数分析较少,主要在地质、水文、岩土力学参数等方法做了大量的研究,地质方面如蒋树等人研究了滑坡参数的敏感性分析是滑坡机理分析和定量评价,在2015第23期第6卷的期刊《工程地质学报》上发表了文章《基于不同方法的滑坡滑带力学参数敏感性分析》;水文方面如宋晓猛等人研究了水文模型参数敏感性分析,在2012第23期第5卷的期刊《水科学进展》上发表了文章《基于统计理论方法的水文模型参数敏感性分析》;岩土力学方面如葛建军研究了边坡工程岩土力学参数敏感性分析,在2014第46期第11卷的期刊《铁道建筑》上发表了文章《铁路边坡工程岩土力学参数敏感性分析》。迄今为止,对于胶结充填体微观参数关于力学响应方面的敏感性分析方面的相关研究较少,因此就不能很好地确定微观参数的主次关系,致使在采用微观参数分析胶结充填体力学响应特性时的方法复杂,效率低。而且,现有技术中,对胶结充填体力学响应特性预测多采用实验测试的方法,测试周期长、效率低,耗费的人力物力高,影响了新的胶结充填体的快速推广应用,容易造成采矿工期的拖延。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于敏感性微观参数预测胶结充填体力学响应特性的方法,其设计新颖合理,实现方便快捷,能够得到准确的力学响应特性预测结果,预测效率高,耗费的人力物力少,能够为研究新型胶结充填体贡献力量,实用性强,应用范围广,推广应用价值高。
为解决上述技术问题,本发明采用的技术方案是:一种基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于,该方法包括以下步骤:
步骤一、确定胶结充填体对力学响应特性敏感的敏感性微观参数;
步骤二、构建建立胶结充填体的敏感性微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应预测网络,并将Tensorflow深度学习力学响应预测网络存储到计算机中;
步骤三、进行胶结充填体力学响应特性预测,具体过程为:
步骤301、从胶结充填体试样上取一部分制成SEM扫描电镜样品;
步骤302、采用SEM扫描电镜对SEM扫描电镜样品进行扫描,形成SEM电镜扫描图像并存储到计算机中;
步骤303、所述计算机调用高斯滤波处理模块对SEM电镜扫描图像进行高斯滤波处理,得到高斯滤波处理后的SEM电镜扫描图像;
步骤304、所述计算机调用FCM模糊聚类处理模块对进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取,得到与聚类中心数目相等的多个胶结充填体聚类图像;
步骤305、所述计算机将灰度值最小一类的胶结充填体聚类图像确定为胶结充填体微观孔隙图,并对胶结充填体微观孔隙图进行二值化处理,再对孔隙区域进行二值反转处理,得到胶结充填体微观孔隙二值图;
步骤306、所述计算机调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到定量描述孔隙的分布、数量、方向和大小特征的胶结充填体的多个敏感性微观参数;
步骤307、所述计算机将步骤306中得到的胶结充填体的多个敏感性微观参数输入预先构建的Tensorflow深度学习力学响应预测网络中,得到三轴力学响应预测结果。
上述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤一中所述确定胶结充填体对力学响应特性敏感的敏感性微观参数的具体过程为:
步骤101、从不同养护龄期的多个胶结充填体试样上各取一部分制成SEM扫描电镜样品,剩余部分作为三轴抗压强度测试样品;并对多个SEM扫描电镜样品和多个三轴抗压强度测试样品根据养护龄期一一对应编号;
步骤102、采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试,得到多个胶结充填体试样的三轴抗压强度;
步骤103、采用SEM扫描电镜和计算机分别对多个SEM扫描电镜样品进行扫描和处理,得到多个胶结充填体的微观参数组;其中,对每个SEM扫描电镜样品进行扫描和处理,得到胶结充填体的微观参数组的具体过程为:
步骤1031、采用SEM扫描电镜对SEM扫描电镜样品进行扫描,形成SEM电镜扫描图像并存储到计算机中;
步骤1032、所述计算机将SEM电镜扫描图像的灰度像素值输入预先构建的模拟退火竞争神经网络中,得到模拟退火竞争神经网络的输出,所述模拟退火竞争神经网络的输出为亮、较亮、暗、最暗的四个胶结充填体聚类图像;
其中,所述模拟退火竞争神经网络的构建方法为:
步骤10321、从不同养护龄期的多个胶结充填体试样上各取一部分制成SEM扫描电镜样品;
步骤10322、采用SEM扫描电镜分别对多个SEM扫描电镜样品进行多次扫描,形成多个SEM电镜扫描图像并存储到计算机中;所述SEM电镜扫描图像的数量至少为500个;
步骤10323、所述计算机分别对多个SEM电镜扫描图像进行正规化处理,形成多个像素为640×480的训练样本图像;
步骤10324、所述计算机构建一个两层结构的模拟退火竞争神经网络,输入层为训练样本图像的灰度像素值,输出层为亮、较亮、暗、最暗四类胶结充填体聚类图像;
步骤10325、所述计算机随机设置4个权聚中心w1、w2、w3和w4;
步骤10326、所述计算机初始化自反馈连接权重系数、暂态连接权重系数和内部状态连接权重系数;
步骤10327、所述计算机根据公式计算能量函数E;其中,ux;j为第x个输入神经元zx和第j个权聚中心wj的暂态连接权重系数,x的取值为1~n的自然数,n为输入神经元的总个数,j的取值为1~c的自然数,c的取值为4;
步骤10328、所述计算机根据公式更新t时刻第x个输入神经元zx和第j个权聚中心wj的暂态连接权重系数ux;j(t),其中,e为自然对数,vx;j(t)为t时刻第x个输入神经元zx和第j个权聚中心wj的内部状态连接权重系数且vx;j(t)=kvx;j(t-1)+E-T(t-1)(ux;j(t-1)-I0),k为衰减因子且k的取值范围为0≤k≤1,vx;j(t-1)为t时刻的前一时刻第x个输入神经元zx和第j个权聚中心wj的内部状态连接权重系数,T(t-1)为t时刻的前一时刻的自反馈连接权重系数,ux;j(t-1)为t时刻的前一时刻第x个输入神经元zx和第j个权聚中心wj的暂态连接权重系数,I0为神经元输入偏差,ε为输出函数的衰减印章且ε的取值大于0;
步骤10329、所述计算机根据公式更新t时刻的自反馈连接权重系数T(t),其中,b的取值为500,a的取值为0.98;
步骤103210、所述计算机根据公式vx;j(t+1)=kvx;j(t)+E-T(t)(ux;j(t)-I0)更新t+1时刻第x个输入神经元zx和第j个权聚中心wj的内部状态连接权重系数vx;j(t+1);
步骤103211、所述计算机根据公式Δwj=η(zx-wj)ux;j和公式wj(t+1)=wj(t)+Δwj(t)更新t+1时刻的第j个权聚中心wj(t+1);其中,wj(t)为t时刻的第j个权聚中心,η的取值为0.1;
步骤103212、重复步骤10325~步骤103211,直至将步骤10323中形成的多个训练样本图像全部训练完,构建得到了模拟退火竞争神经网络。
步骤1033、所述计算机将灰度值最小一类的胶结充填体聚类图像确定为胶结充填体微观孔隙图,并对胶结充填体微观孔隙图进行二值化处理,再对孔隙区域进行二值反转处理,得到胶结充填体微观孔隙二值图;
步骤1034、所述计算机调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到定量描述孔隙的分布、数量、方向和大小特征的胶结充填体的多个微观参数;
步骤104、所述计算机调用微观参数与三轴抗压强度的敏感性分析模块对步骤102中得到的多个胶结充填体试样的三轴抗压强度与步骤103中得到的多个胶结充填体的微观参数组进行敏感性分析,确定出胶结充填体对力学响应特性敏感的敏感性微观参数。
上述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤1034中得到的微观参数的数量为12个,12个微观参数分别为孔隙数、孔隙总面积、孔隙最大面积、孔隙平均面积、孔隙长轴平均长度、孔隙率、不均匀系数、曲率系数、分选系数、圆形度、分形维数和加权概率熵;步骤1034中所述计算机调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到胶结充填体的12个微观参数的具体过程为:
步骤10341、将胶结充填体微观孔隙二值图上孔隙的个数确定为胶结充填体的孔隙数;
步骤10342、将胶结充填体微观孔隙二值图上所有孔隙的面积之和确定为胶结充填体的孔隙总面积;
步骤10343、将胶结充填体微观孔隙二值图上所有孔隙中面积最大的孔隙面积确定为孔隙最大面积;
步骤10344、用孔隙总面积除以孔隙数得到胶结充填体的孔隙平均面积;
步骤10345、采用Feret直径定义孔隙区域块的长度,并用所有孔隙的长度之和除以孔隙数得到胶结充填体的孔隙长轴平均长度;
步骤10346、将胶结充填体微观孔隙二值图上所有孔隙的面积之和与胶结充填体微观孔隙二值图的面积的比确定为孔隙率;
步骤10347、首先,将胶结充填体微观孔隙二值图上的孔隙图像块按照面积从小到大排列;然后,根据公式Cu=d60/d10确定不均匀系数Cu,其中,d60为孔隙图像块面积累加和占孔隙总面积的60%对应的孔隙图像块的平均直径,d10为孔隙图像块面积累加和占孔隙总面积的10%对应的孔隙图像块的平均直径;
步骤10348、根据公式确定曲率系数Cc,其中,d30为孔隙图像块面积累加和占孔隙总面积的30%对应的孔隙图像块的平均直径;
步骤10349、根据公式Sc=d25/d75确定分选系数Sc,其中,d25为孔隙图像块面积累加和占孔隙总面积的25%对应的孔隙图像块的平均直径,d75为孔隙图像块面积累加和占孔隙总面积的75%对应的孔隙图像块的平均直径;
步骤103410、根据公式确定圆形度R,其中,Rζ为第ζ个孔隙的圆形度且Rζ=4πSζ/Lζ 2,Sζ为第ζ个孔隙的面积,Lζ第ζ个孔隙的周长,ζ的取值为1~N的自然数,N为孔隙数;
步骤103411、首先,在胶结充填体微观孔隙二值图上画出网格间距为r的网格,并对画出的网格进行统计,当网格中出现孔隙图像块时,记为1,当网络中未出现孔隙图像块时,记为0,将1的个数确定为孔隙图像块在网格中的个数N(r);然后,根据公式Dc=-lim[lnN(r)/lnr]确定分形维数Dc;其中,r的取值为不大于的非零自然数,表示向下取整,W为胶结充填体微观孔隙二值图的宽度;
步骤103412、根据公式确定加权概率熵H,其中,hζ为第ζ个孔隙的概率熵且m为孔隙排列方向的定向角区间数,pζρ为第ζ个孔隙在第ρ个定向角区间中出现的概率,ρ的取值为1~m的自然数;aζ为第ζ个孔隙的权重值且
上述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤104中所述计算机调用微观参数与三轴抗压强度的敏感性分析模块对步骤102中得到的多个胶结充填体试样的三轴抗压强度与步骤103中得到的多个胶结充填体的微观参数组进行敏感性分析,确定出胶结充填体对力学响应特性敏感的敏感性微观参数的具体过程为:
步骤1041、首先,将n个不同养护龄期下的胶结充填体的第λ个微观参数值按照养护龄期从短到长的顺序两两差分得到第λ个微观参数值的n-1个不同差值,其中,第λ个微观参数值的第γ个差值表示为Δx′γ,λ;然后,将n-1个差值分别映射到0~10之间,并将映射到0~10之间的第λ个微观参数值的第γ个差值表示为Δxγ,λ;其中,n为养护龄期的总个数,γ的取值为1~n-1的自然数,λ的取值为1~P的自然数,P为胶结充填体的微观参数的总数量;
步骤1042、首先,将n个不同养护龄期下的胶结充填体试样的单轴抗压强度按照养护龄期从短到长的顺序两两差分得到第n-1个不同单轴抗压强度差值,其中,第γ个单轴抗压强度差值表示为Δy′γ;然后,将n-1个单轴抗压强度差值分别映射到0~10之间,并将映射到0~10之间的第γ个单轴抗压强度差值表示为Δyγ;
步骤1043、根据公式计算胶结充填体的第λ个微观参数的敏感性系数sλ;
步骤1044、重复步骤1041~1043,直至λ的取值从1取到P,按照敏感性系数从大到小的顺序排列胶结充填体的P个微观参数;
步骤1045、按照敏感性系数从大到小的顺序计算胶结充填体的P个微观参数各自所占比重,其中,第λ个微观参数的敏感性系数sλ所占比重σλ的计算公式为
步骤1046、按照敏感性系数从大到小的顺序叠加胶结充填体的微观参数所占比重,当比重和时,将前个胶结充填体的微观参数确定为胶结充填体对力学响应特性敏感的敏感性微观参数,将后个胶结充填体的微观参数确定为胶结充填体对力学响应特性不敏感的非敏感性微观参数;其中,的取值为2~P的自然数,τ的取值为的自然数。
上述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤二中所述构建建立胶结充填体的敏感性微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应预测网络的具体过程为:
步骤201、从多个编号后的各个胶结充填体试样上取一部分制成SEM扫描电镜样品,剩余部分作为抗压强度测试样品;并对多个SEM扫描电镜样品和多个抗压强度测试样品一一对应编号;
步骤202、采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试,并对测得的多个抗压强度测试样品的三轴抗压强度取均值,得到胶结充填体试样的三轴抗压强度;
步骤203、获取Tensorflow深度学习力学响应特性预测网络的训练样本图像,具体过程为:
步骤2031、采用SEM扫描电镜分别对多个SEM扫描电镜样品进行多次扫描,形成多个SEM电镜扫描图像并存储到计算机中;所述SEM电镜扫描图像的数量至少为150个;
步骤2032、所述计算机调用高斯滤波处理模块分别对多个SEM电镜扫描图像进行高斯滤波处理,得到多个高斯滤波处理后的SEM电镜扫描图像;
步骤2033、所述计算机调用FCM模糊聚类处理模块分别对多个进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取,得到多组胶结充填体聚类图像,每组胶结充填体聚类图像中胶结充填体聚类图像的数量与聚类中心数目相等;
步骤2034、所述计算机将每组胶结充填体聚类图像中灰度值最小一类的胶结充填体聚类图像确定为胶结充填体微观孔隙图,并对多个胶结充填体微观孔隙图进行二值化处理,再对孔隙区域进行二值反转处理,得到多个胶结充填体微观孔隙二值图;
步骤2035、所述计算机调用孔隙图像定量分析模块分别对多个胶结充填体微观孔隙二值图进行分析处理,得到与胶结充填体微观孔隙二值图的数量相对应的多组敏感性微观参数;
步骤204、所述计算机构建一个卷积网络核的层数为四层、输入层为胶结充填体的多个敏感性微观参数、输出层为胶结充填体的三轴抗压强度的Tensorflow深度学习网络,将其存储的多组胶结充填体的敏感性微观参数作为训练样本,对Tensorflow深度学习网络进行训练,得到建立起了胶结充填体的敏感性微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应特性预测网络。
上述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤102中所述胶结充填体三轴抗压强度测试装置与步骤202中所述胶结充填体三轴抗压强度测试装置的结构相同且均包括座垫和固定连接在座垫顶部的多根拉杆,以及用于给胶结充填体试样施加围压的围压加载机构、用于给围压加载机构提供动力的围压加载动力系统、用于给胶结充填体试样施加轴向压力的轴向加压传力机构和用于给轴向加压传力机构提供动力的轴向加压动力系统;所述座垫的底部固定连接有多个底座,多根拉杆的中部设置有用于固定多根拉杆的固定架;所述围压加载机构包括设置在座垫顶部用于放置胶结充填体试样的缸筒和固定连接在缸筒顶部的筒盖,所述缸筒侧面设置有围压液入口和位于围压液入口上方的排气口,所述排气口上连接有排气口塞,所述缸筒的底部设置有排液阀;所述围压加载动力系统包括围压液箱和一端与围压液箱连接的围压液流入管,所述围压液流入管的另一端与围压液入口连接,所述围压液流入管上连接有液压泵、单向阀和第一压力传感器,位于液压泵和单向阀之间的一段围压液流入管上连接有围压液溢流管,所述围压液溢流管上连接有围压液压力表和围压液溢流阀,位于单向阀和围压液入口之间的一段围压液流入管上连接有围压液回流管,所述围压液回流管上连接有围压液回流阀;所述轴向加压传力机构包括固定连接在多根拉杆上部的顶部装载板和安装在顶部装载板上的气缸,所述气缸的活塞杆向下设置且穿入筒盖内,所述气缸的活塞杆底部连接有压力传递板;所述轴向加压动力系统包括压缩空气气源和加压控制器,以及一端与压缩空气气源连接、另一端与气缸连接的气体输送管;所述气体输送管上从连接压缩空气气源到连接气缸的位置依次设置有气动三联件、第二压力传感器和气缸控制电磁阀;所述第一压力传感器和第二压力传感器均与加压控制器的输入端连接,所述液压泵和气缸控制电磁阀均与加压控制器的输出端连接,所述加压控制器通过通信模块与计算机连接;所述气缸的活塞杆与筒盖之间设置有密封圈。
上述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤102中所述采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试的具体过程,与步骤202中采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试的具体过程相同,且均包括以下步骤:
步骤F1、放置胶结充填体试样:取下筒盖,将胶结充填体试样放入缸筒内底部中心位置处,并使胶结充填体试样的中心与气缸的活塞杆和压力传递板的中心相对应;然后,再将筒盖固定连接在缸筒顶部;
步骤F2、在施加围压情况下,对胶结充填体试样施加轴向压力,测到三轴抗压强度;具体过程为:取下连接在排气口上的排气口塞,打开排气口,打开围压液溢流阀的进液开关,加压控制器驱动液压泵打开,围压液箱内的围压液经过液压泵加压后经由围压液流入管和围压液入口流入缸筒内,当排气口有围压液流出时,将排气口塞连接在排气口上,关闭排气口,通过缸筒内的围压液给胶结充填体试样施加围压;施加围压过程中,第一压力传感器检测围压液流入管内的围压液压力并将检测到的压力值输出给加压控制器,加压控制器采集第一压力传感器检测的压力值,并传输给计算机进行显示和存储;同时,打开压缩空气气源,通过调节气动三联件调节压缩空气气源输出的压缩空气的气压,加压控制器通过控制气缸控制电磁阀换向,控制气缸的活塞杆向下或向上运动,对胶结充填体试样施加轴向压力或卸载轴向压力,将胶结充填体试样破裂时加压控制器采集到的压力传感器检测的压力值记为F,加压控制器将压力值F传输给计算机,计算机根据公式计算得到抗压强度测试样品的三轴抗压强度P;其中,S为抗压强度测试样品的顶面面积;当气缸的活塞杆向下运动时,带动压力传递板向下运动,通过压力传递板给胶结充填体试样施加轴向压力,当气缸的活塞杆向上运动时,带动压力传递板向上运动,压力传递板离开胶结充填体试样的上表面,卸载轴向压力。
上述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤2032中所述计算机(17)调用高斯滤波处理模块分别对多个SEM电镜扫描图像进行高斯滤波处理,以及步骤303中所述计算机(17)调用高斯滤波处理模块对SEM电镜扫描图像进行高斯滤波处理,采用的公式均为L(x,y)=I(x,y)*G(x,y),其中,I(x,y)表示SEM电镜扫描图像,G(x,y)为高斯滤波函数,L(x,y)为高斯滤波处理后的SEM电镜扫描图像,x为图像的横坐标,y为图像的纵坐标。
上述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤2033中所述计算机(17)调用FCM模糊聚类处理模块对进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取的方法,以及步骤304中所述计算机(17)调用FCM模糊聚类处理模块对进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取的方法相同且具体过程均为:
步骤Z1、定义采用基于样本加权的FCM模糊聚类算法,目标函数为满足极值的约束条件为其中,U为模糊矩阵且U=[u11,u22,…,uc′n′],ui′k′为矩阵U的元素且ui′k′表示第k′个样本点属于第i′类的隶属度,n′为样本点总数,c′为聚类中心数目;V={v1,v2,...vc′}是c′个类的聚类中心,w′k′为样本点xk′的权值,di′k′为样本点xk′到中心点vi′的欧式距离,vi′为V的元素,xk′为样本集X的第k′个样本点且X={x1,x2,...xn′},m′为隶属度ui′k′的权重指数且m′>1;
步骤Z2、设置聚类中心数目c′的值、隶属度ui′k′的权重指数m′的值和最小迭代误差ε′的值;
步骤Z3、用公式更新样本点xk′的权值w′k′;uτ′j′为矩阵U的元素且uτ′j′表示第j′个样本点属于第τ′类的隶属度,1≤τ′≤c′,1≤j′≤n′;vτ′为V的元素;ui′j′为矩阵U的元素且ui′j′表示第j′个样本点属于第i′类的隶属度;
步骤Z4、用公式更新ui′k′;其中,dr′k′为样本点xk′到中心点vr′的欧式距离,1≤r′≤c′;
步骤Z5、用公式更新vi′;
步骤Z6、判断是否满足||J(t+1)-J(t)||<ε′,当满足||J(t+1)-J(t)||<ε′时,聚类停止,提取得到与聚类中心数目相等的多个胶结充填体聚类图像;否则,返回步骤Z3;其中,t为时间。
上述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤306中所述敏感性微观参数的数量为6个,6个敏感性微观参数分别为分形维数、孔隙最大面积、孔隙平均面积、孔隙数、孔隙总面积和加权概率熵,步骤306中所述计算机调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到胶结充填体的6个敏感性微观参数的具体过程为:
步骤3061、将胶结充填体微观孔隙二值图上孔隙的个数确定为胶结充填体的孔隙数;
步骤3062、将胶结充填体微观孔隙二值图上所有孔隙的面积之和确定为胶结充填体的孔隙总面积;
步骤3063、将胶结充填体微观孔隙二值图上所有孔隙中面积最大的孔隙面积确定为孔隙最大面积;
步骤3064、用孔隙总面积除以孔隙数得到胶结充填体的孔隙平均面积;
步骤3065、首先,在胶结充填体微观孔隙二值图上画出网格间距为r的网格,并对画出的网格进行统计,当网格中出现孔隙图像块时,记为1,当网络中未出现孔隙图像块时,记为0,将1的个数确定为孔隙图像块在网格中的个数N(r);然后,根据公式Dc=-lim[lnN(r)/lnr]确定分形维数Dc;其中,r的取值为不大于的非零自然数,表示向下取整,W为胶结充填体微观孔隙二值图的宽度;
步骤3066、根据公式确定加权概率熵H,其中,hζ为第ζ个孔隙的概率熵且m为孔隙排列方向的定向角区间数,pζρ为第ζ个孔隙在第ρ个定向角区间中出现的概率,ρ的取值为1~m的自然数;aζ为第ζ个孔隙的权重值且Sζ为第ζ个孔隙的面积,ζ的取值为1~N的自然数,N为孔隙数。
本发明与现有技术相比具有以下优点:
1、本发明首先确定胶结充填体对力学响应特性敏感的敏感性微观参数,然后构建建立胶结充填体的敏感性微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应预测网络,并将Tensorflow深度学习力学响应预测网络存储到计算机中;最后采用敏感性微观参数和Tensorflow深度学习力学响应预测网络进行胶结充填体力学响应特性预测,设计新颖合理,在确定出敏感性微观参数并构建好Tensorflow深度学习力学响应预测网络后,能够多次重复使用,只需将SEM电镜扫描图像采集到计算机中,即可自动完成力学响应特性预测的整个过程,进行胶结充填体力学响应特性预测的效率极高,周期短,耗费的人力物力少。
2、本发明确定胶结充填体对力学响应特性敏感的敏感性微观参数时,首先采用胶结充填体三轴抗压强度测试装置分别对多个不同养护龄期的抗压强度测试样品进行抗压强度测试,得到多个胶结充填体试样的三轴抗压强度;再采用扫描电子显微镜(ScanningElectronic Microscopy,SEM)扫描采集多个多个不同养护龄期的SEM扫描电镜样品图像,采用孔隙图像定量分析方法获得多个不同养护龄期的胶结充填体的微观参数组;最后采用微观参数与三轴抗压强度的敏感性分析方法确定出胶结充填体对力学响应特性敏感的敏感性微观参数;方法步骤简单,设计新颖合理,实现方便快捷。
3、在传统的神经网络训练过程中,训练网络经常进入局部最优解,而不能达到全局最优解;本发明将模拟退火的方法嵌入到竞争神经网络中,神经网络的能量函数能够有效的收敛趋于稳态,达到全局最优解;解决了传统神经网络中局部最优的问题;本发明确定胶结充填体对力学响应特性敏感的敏感性微观参数时,采用模拟退火竞争神经网络提取胶结充填体微观孔隙图,能够提取得到准确的胶结充填体微观孔隙图,且提取效率高。
4、本发明确定胶结充填体对力学响应特性敏感的敏感性微观参数时,构建了模拟退火竞争神经网络,建立起了SEM电镜扫描图像与亮、较亮、暗、最暗的四个胶结充填体聚类图像之间的关系,一次进行构建模拟退火竞争神经网络,能够多次方便快捷的使用,使得进行胶结充填体微观孔隙图提取时,只需将SEM电镜扫描图像采集到计算机中,即可通过模拟退火竞争神经网络自动输出亮、较亮、暗、最暗的四个胶结充填体聚类图像,再选出灰度值最小一类的胶结充填体聚类图像,即为胶结充填体微观孔隙图,方便快捷。
5、本发明确定胶结充填体对力学响应特性敏感的敏感性微观参数时,采用孔隙图像定量分析方法对胶结充填体微观孔隙二值图进行分析处理,得到的多个微观参数包括孔隙数、孔隙总面积、孔隙最大面积、孔隙平均面积、孔隙长轴平均长度、孔隙率、不均匀系数、曲率系数、分选系数、圆形度、分形维数和加权概率熵,能够全面地表征胶结充填体的微观参数。
6、本发明进行胶结充填体力学响应特性预测时,在采用FCM模糊聚类处理方法提取胶结充填体微观孔隙图像前,还采用了高斯滤波方法对SEM电镜扫描图像进行高斯滤波处理,有助于得到更准确的预测结果。
7、本发明进行胶结充填体力学响应特性预测时,采用FCM模糊聚类处理方法提取胶结充填体微观孔隙图像,能够避免样本空间中不同样本矢量对聚类结果的不同影响。
8、本发明对于多个微观参数中加权概率熵的计算提出了一种基于面积确定权重值的计算方式,当孔隙面积大时,对概率熵的贡献率大,反之贡献率小;这对于研究胶结充填体的大小特征具有重要的意义。
9、三轴抗压强度是反映充填体力学性能的一个重要参数,它能在一定程度上反应充填体的强度和稳定性;本发明采用自主研发制造的胶结充填体三轴抗压强度测试装置对抗压强度测试样品进行抗压强度测试,胶结充填体三轴抗压强度测试装置的结构简单,实现及使用操作方便,且能够测得准确的三轴抗压强度。
10、本发明通过微观参数与三轴抗压强度的敏感性分析,确定出了胶结充填体对力学响应特性敏感的敏感性微观参数,而且能够很好地确定微观参数的主次关系。
11、采用本发明的方法进行胶结充填体力学响应特性预测,能够避免采用实验测试的方法存在的测试周期长、效率低、耗费的人力物力高等问题;力学响应特性是胶结充填体的重要特性,胶结充填体又是胶结充填采矿法的核心内容,因此本发明不仅能够为研究新型胶结充填体贡献力量,对于研究胶结充填体的强度和稳定性具有重要意义;还能够为降低尾砂的排放量、降低充填采矿的成本、保护环境、提高矿石回采率、缓解深井高温、优化矿区环境和控制地表沉降等贡献力量;本发明的实用性强,应用范围广,推广应用价值高。
综上所述,本发明设计新颖合理,实现方便快捷,能够得到准确的力学响应特性预测结果,预测效率高,耗费的人力物力少,能够为研究新型胶结充填体贡献力量,实用性强,应用范围广,推广应用价值高。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
图2为本发明具体实施例中模拟退火竞争神经网络的拓扑结构图。
图3为本发明具体实施例中养护龄期分别为7天、14天、28天、56天和90天的胶结充填体试样的单轴抗压强度统计图。
图4为本发明胶结充填体三轴抗压强度测试装置的结构示意图。
图5为本发明具体实施例中高斯滤波处理后的SEM电镜扫描图像。
图6A为本发明具体实施例中模拟退火竞争神经网络输出的亮的胶结充填体聚类图像。
图6B为本发明具体实施例中模拟退火竞争神经网络输出的较亮的胶结充填体聚类图像。
图6C为本发明具体实施例中模拟退火竞争神经网络输出的暗的胶结充填体聚类图像。
图6D为本发明具体实施例中模拟退火竞争神经网络输出的最暗的胶结充填体聚类图像。
图7为本发明具体实施例中对胶结充填体微观孔隙图进行二值化处理得到的图像。
图8为本发明具体实施例中的胶结充填体微观孔隙二值图。
附图标记说明:
1—气体输送管; 2—气缸; 3—压力传递板;
4—压缩空气气源; 5—排水阀; 6—密封圈;
7—围压液入口; 8—拉杆; 9—顶部装载板;
10—座垫; 11—试样放置槽; 12—气动三联件;
13—第二压力传感器; 14—气缸控制电磁阀; 15—底座;
16—通信模块; 17—计算机; 18—加压控制器;
19—胶结充填体试样; 20—围压液箱; 21—围压液流入管;
22—液压泵; 23—单向阀; 24—围压液溢流管;
25—围压液压力表; 26—围压液溢流阀; 27—围压液回流管;
28—围压液回流阀; 29—缸筒; 30—筒盖;
31—排气口; 32—排气口塞; 33—第一压力传感器。
具体实施方式
如图1所示,本发明的基于敏感性微观参数预测胶结充填体力学响应特性的方法,包括以下步骤:
步骤一、确定胶结充填体对力学响应特性敏感的敏感性微观参数;
本实施例中,步骤一中所述确定胶结充填体对力学响应特性敏感的敏感性微观参数的具体过程为:
步骤101、从不同养护龄期的多个胶结充填体试样19上各取一部分制成SEM扫描电镜样品,剩余部分作为三轴抗压强度测试样品;并对多个SEM扫描电镜样品和多个三轴抗压强度测试样品根据养护龄期一一对应编号;
例如,多个SEM扫描电镜样品的编号分别为A1、A2、…、AN,多个单轴抗压强度测试样品的编号分别为B1、B2、…、BN;
具体实施时,制成SEM扫描电镜样品还进行了多次喷碳处理。
步骤102、采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试,得到多个胶结充填体试样19的三轴抗压强度;
步骤103、采用SEM扫描电镜和计算机17分别对多个SEM扫描电镜样品进行扫描和处理,得到多个胶结充填体的微观参数组;其中,对每个SEM扫描电镜样品进行扫描和处理,得到胶结充填体的微观参数组的具体过程为:
步骤1031、采用SEM扫描电镜对SEM扫描电镜样品进行扫描,形成SEM电镜扫描图像并存储到计算机17中;
步骤1032、所述计算机17将SEM电镜扫描图像的灰度像素值输入预先构建的模拟退火竞争神经网络中,得到模拟退火竞争神经网络的输出,所述模拟退火竞争神经网络的输出为亮、较亮、暗、最暗的四个胶结充填体聚类图像;
其中,所述模拟退火竞争神经网络的构建方法为:
步骤10321、从不同养护龄期的多个胶结充填体试样19上各取一部分制成SEM扫描电镜样品;
步骤10322、采用SEM扫描电镜分别对多个SEM扫描电镜样品进行多次扫描,形成多个SEM电镜扫描图像并存储到计算机17中;所述SEM电镜扫描图像的数量至少为500个;
步骤10323、所述计算机17分别对多个SEM电镜扫描图像进行正规化处理,形成多个像素为640×480的训练样本图像;
步骤10324、所述计算机17构建一个两层结构的模拟退火竞争神经网络(AnnealedChaotic Competitive Neural Network,ACCLN),输入层为训练样本图像的灰度像素值,输出层为亮、较亮、暗、最暗四类胶结充填体聚类图像;
本实施例中,模拟退火竞争神经网络的拓扑结构如图2所示。图2中Input layer表示输入层,Output layer表示输出层。该网络的输入层n个节点在输出层被分为c类,即在输出层有c个聚类中心。
步骤10325、所述计算机17随机设置4个权聚中心w1、w2、w3和w4;
步骤10326、所述计算机17初始化自反馈连接权重系数、暂态连接权重系数和内部状态连接权重系数;
步骤10327、所述计算机17根据公式计算能量函数E;其中,ux;j为第x个输入神经元zx和第j个权聚中心wj的暂态连接权重系数,x的取值为1~n的自然数,n为输入神经元的总个数(即训练样本图像的总个数,等于养护龄期的总个数,等于步骤101中胶结充填体试样19的总个数),j的取值为1~c的自然数,c的取值为4(c表示输出层图像的个数);
步骤10328、所述计算机17根据公式更新t时刻第x个输入神经元zx和第j个权聚中心wj的暂态连接权重系数ux;j(t),其中,e为自然对数,vx;j(t)为t时刻第x个输入神经元zx和第j个权聚中心wj的内部状态连接权重系数且vx;j(t)=kvx;j(t-1)+E-T(t-1)(ux;j(t-1)-I0),k为衰减因子且k的取值范围为0≤k≤1,vx;j(t-1)为t时刻的前一时刻第x个输入神经元zx和第j个权聚中心wj的内部状态连接权重系数,T(t-1)为t时刻的前一时刻的自反馈连接权重系数,ux;j(t-1)为t时刻的前一时刻第x个输入神经元zx和第j个权聚中心wj的暂态连接权重系数,I0为神经元输入偏差,ε为输出函数的衰减印章且ε的取值大于0;
本实施例中,I0的取值为0.64。第一次训练时,T(t-1)为步骤3026中自反馈连接权重系数的初始化值,ux;j(t-1)为步骤3026中暂态连接权重系数的初始化值,vx;j(t-1)为步骤3026中内部状态连接权重系数的初始化值。
暂态连接权重系数ux;j(t)表示在一个混沌函数中通过一个自反馈连接权重的动态过程,训练过程中,随着自反馈连接权重系数T(t)逐渐减小,混沌函数收敛;暂态ux;j(t)逐渐从暂态的混沌分形状态过度到稳态,这种混沌行为嵌入在神经网络中,最终趋于稳定。
步骤10329、所述计算机17根据公式更新t时刻的自反馈连接权重系数T(t),其中,b的取值为500,a的取值为0.98;
指数衰减函数T(t)是退火函数,用于在动态过程中收敛到稳态值。
步骤103210、所述计算机17根据公式vx;j(t+1)=kvx;j(t)+E-T(t)(ux;j(t)-I0更新t+1时刻第x个输入神经元zx和第j个权聚中心wj的内部状态连接权重系数vx;j(t+1);
步骤103211、所述计算机17根据公式Δwj=η(zx-wj)ux;j和公式wj(t+1)=wj(t)+Δwj(t)更新t+1时刻的第j个权聚中心wj(t+1);其中,wj(t)为t时刻的第j个权聚中心,η的取值为0.1;
步骤103212、重复步骤10325~步骤103211,直至将步骤10323中形成的多个训练样本图像全部训练完,构建得到了模拟退火竞争神经网络。
在传统的神经网络训练过程中,训练网络经常进入局部最优解,而不能达到全局最优解;本发明将模拟退火的方法嵌入到竞争神经网络中,神经网络的能量函数能够有效的收敛趋于稳态,达到全局最优解;解决了传统神经网络中局部最优的问题。
步骤1033、所述计算机17将灰度值最小一类的胶结充填体聚类图像(最暗的胶结充填体聚类图像)确定为胶结充填体微观孔隙图,并对胶结充填体微观孔隙图进行二值化处理,再对孔隙区域进行二值反转处理,得到胶结充填体微观孔隙二值图;
步骤1034、所述计算机17调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到定量描述孔隙的分布、数量、方向和大小特征的胶结充填体的多个微观参数;
本实施例中,步骤1034中得到的微观参数的数量为12个,12个微观参数分别为孔隙数、孔隙总面积、孔隙最大面积、孔隙平均面积、孔隙长轴平均长度、孔隙率、不均匀系数、曲率系数、分选系数、圆形度、分形维数和加权概率熵;步骤1034中所述计算机17调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到胶结充填体的12个微观参数的具体过程为:
步骤10341、将胶结充填体微观孔隙二值图上孔隙的个数确定为胶结充填体的孔隙数;孔隙数能够反映出胶结充填体裂隙发育的数目大小;
步骤10342、将胶结充填体微观孔隙二值图上所有孔隙的面积之和确定为胶结充填体的孔隙总面积;
步骤10343、将胶结充填体微观孔隙二值图上所有孔隙中面积最大的孔隙面积确定为孔隙最大面积;
步骤10344、用孔隙总面积除以孔隙数得到胶结充填体的孔隙平均面积;
步骤10345、采用Feret直径定义孔隙区域块的长度,并用所有孔隙的长度之和除以孔隙数得到胶结充填体的孔隙长轴平均长度;
步骤10346、将胶结充填体微观孔隙二值图上所有孔隙的面积之和与胶结充填体微观孔隙二值图的面积的比确定为孔隙率;孔隙率虽然是二维参数,但可以间接反映三维空间孔隙比的变化,能够反映胶结充填体孔隙的完整程度;
步骤10347、首先,将胶结充填体微观孔隙二值图上的孔隙图像块按照面积从小到大排列;然后,根据公式Cu=d60/d10确定不均匀系数Cu,其中,d60为孔隙图像块面积累加和占孔隙总面积的60%对应的孔隙图像块的平均直径,d10为孔隙图像块面积累加和占孔隙总面积的10%对应的孔隙图像块的平均直径;
步骤10348、根据公式确定曲率系数Cc,其中,d30为孔隙图像块面积累加和占孔隙总面积的30%对应的孔隙图像块的平均直径;曲率系数是反映孔隙图像块的直径的累计曲线的斜率是否连续的指标系数;当曲率系数在1~3之间时,表明孔隙图像块的直径的累计曲线的斜率连续,孔隙图像块的大小分布比较均匀;
步骤10349、根据公式Sc=d25/d75确定分选系数Sc,其中,d25为孔隙图像块面积累加和占孔隙总面积的25%对应的孔隙图像块的平均直径,d75为孔隙图像块面积累加和占孔隙总面积的75%对应的孔隙图像块的平均直径;具体实施时,当孔隙图像块的面积大小均匀时,d25和d75两值很靠近,Sc的取值越接近于1,反之,Sc的取值远大于1;
步骤103410、根据公式确定圆形度R,其中,Rζ为第ζ个孔隙的圆形度且Rζ=4πSζ/Lζ 2,Sζ为第ζ个孔隙的面积,Lζ第ζ个孔隙的周长,ζ的取值为1~N的自然数,N为孔隙数;具体实施时,R的取值在0~1之间,R的取值越大,孔隙的形状越圆滑,R的取值越小,孔隙的形状越狭长;
步骤103411、首先,在胶结充填体微观孔隙二值图上画出网格间距为r的网格,并对画出的网格进行统计,当网格中出现孔隙图像块时,记为1,当网络中未出现孔隙图像块时,记为0,将1的个数确定为孔隙图像块在网格中的个数N(r);然后,根据公式Dc=-lim[lnN(r)/lnr]确定分形维数Dc;其中,r的取值为不大于的非零自然数,表示向下取整,W为胶结充填体微观孔隙二值图的宽度;
步骤103412、根据公式确定加权概率熵H,其中,hζ为第ζ个孔隙的概率熵且m为孔隙排列方向的定向角区间数,例如,取m为36,即每10°一个扇区;pζρ为第ζ个孔隙在第ρ个定向角区间中出现的概率,ρ的取值为1~m的自然数;aζ为第ζ个孔隙的权重值且概率熵是反映结构单元体有序的定量参数,可以描述微观尺度下胶结充填体中孔隙的整体排列情况;H越大,说明孔隙排列越混乱,有序性越低,反之,H越小,有序性越好。
本发明提出了一种基于面积确定权重值的计算方式,当空隙面积大时,对概率熵的贡献率大,反之贡献率小。
步骤104、所述计算机17调用微观参数与三轴抗压强度的敏感性分析模块对步骤102中得到的多个胶结充填体试样19的三轴抗压强度与步骤103中得到的多个胶结充填体的微观参数组进行敏感性分析,确定出胶结充填体对力学响应特性敏感的敏感性微观参数。
本实施例中,步骤104中所述计算机17调用微观参数与三轴抗压强度的敏感性分析模块对步骤102中得到的多个胶结充填体试样19的三轴抗压强度与步骤103中得到的多个胶结充填体的微观参数组进行敏感性分析,确定出胶结充填体对力学响应特性敏感的敏感性微观参数的具体过程为:
步骤1041、首先,将n个不同养护龄期下的胶结充填体的第λ个微观参数值按照养护龄期从短到长的顺序两两差分得到第λ个微观参数值的n-1个不同差值,其中,第λ个微观参数值的第γ个差值表示为Δx′γ,λ;然后,将n-1个差值分别映射到0~10之间,并将映射到0~10之间的第λ个微观参数值的第γ个差值表示为Δxγ,λ;其中,n为养护龄期的总个数(等于步骤101中胶结充填体试样19的总个数),γ的取值为1~n-1的自然数,λ的取值为1~P的自然数,P为胶结充填体的微观参数的总数量;具体实施时,最小差值为0,最大差值为10,其余差值等比例映射;
本实施例中,P的取值为12;胶结充填体的12个微观参数分别为孔隙数、孔隙总面积、孔隙最大面积、孔隙平均面积、孔隙长轴平均长度、孔隙率、不均匀系数、曲率系数、分选系数、圆形度、分形维数和加权概率熵。
本实施例中,所述n的取值为5,5个不同养护龄期分别为7天、14天、28天、56天和90天。
本实施例中,养护龄期分别为7天(7d)、14天(14d)、28天(28d)、56天(56d)和90天(90d)的胶结充填体的12个微观参数统计表如表1所示。
表1养护龄期分别为7天、14天、28天、56天和90天的胶结充填体的12个微观参数统计表
步骤1042、首先,将n个不同养护龄期下的胶结充填体试样19的单轴抗压强度按照养护龄期从短到长的顺序两两差分得到第n-1个不同单轴抗压强度差值,其中,第γ个单轴抗压强度差值表示为Δy′γ;然后,将n-1个单轴抗压强度差值分别映射到0~10之间,并将映射到0~10之间的第γ个单轴抗压强度差值表示为Δyγ;具体实施时,最小单轴抗压强度差值为0,最大单轴抗压强度差值为10,其余单轴抗压强度差值等比例映射;
本实施例中,养护龄期分别为7天(7d)、14天(14d)、28天(28d)、56天(56d)和90天(90d)的胶结充填体试样19的单轴抗压强度统计图如图3所示。
步骤1043、根据公式计算胶结充填体的第λ个微观参数的敏感性系数sλ;
步骤1044、重复步骤1041~1043,直至λ的取值从1取到P,按照敏感性系数从大到小的顺序排列胶结充填体的P个微观参数;敏感性系数越大,对胶结充填体的性能影响越大;敏感性系数越小,对胶结充填体的性能影响越小;
步骤1045、按照敏感性系数从大到小的顺序计算胶结充填体的P个微观参数各自所占比重,其中,第λ个微观参数的敏感性系数sλ所占比重σλ的计算公式为
步骤1046、按照敏感性系数从大到小的顺序叠加胶结充填体的微观参数所占比重,当比重和时,将前个胶结充填体的微观参数确定为胶结充填体对力学响应特性敏感的敏感性微观参数,将后个胶结充填体的微观参数确定为胶结充填体对力学响应特性不敏感的非敏感性微观参数;其中,的取值为2~P的自然数,τ的取值为的自然数。
本实施例中,当时,且前6个胶结充填体的微观参数按照敏感性系数从大到小的顺序分别为分形维数、孔隙最大面积、孔隙平均面积、孔隙数、孔隙总面积和加权概率熵,因此,胶结充填体对力学响应特性敏感的敏感性微观参数为分形维数、孔隙最大面积、孔隙平均面积、孔隙数、孔隙总面积和加权概率熵,胶结充填体对力学响应特性不敏感的非敏感性微观参数为孔隙长轴平均长度、孔隙率、不均匀系数、曲率系数、分选系数和圆形度。
步骤二、构建建立胶结充填体的敏感性微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应预测网络,并将Tensorflow深度学习力学响应预测网络存储到计算机17中;
本实施例中,步骤二中所述构建建立胶结充填体的敏感性微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应预测网络的具体过程为:
步骤201、从多个编号后的各个胶结充填体试样19上取一部分制成SEM扫描电镜样品,剩余部分作为抗压强度测试样品;并对多个SEM扫描电镜样品和多个抗压强度测试样品一一对应编号;例如,多个胶结充填体试样19的编号分别为1、2、…、N,多个SEM扫描电镜样品的编号分别为A1、A2、…、AN,多个单轴抗压强度测试样品的编号分别为B1、B2、…、BN;
具体实施时,制成SEM扫描电镜样品还进行了多次喷碳处理。
步骤202、采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试,并对测得的多个抗压强度测试样品的三轴抗压强度取均值,得到胶结充填体试样19的三轴抗压强度;
本实施例中,如图4所示,步骤102中所述胶结充填体三轴抗压强度测试装置与步骤202中所述胶结充填体三轴抗压强度测试装置的结构相同且均包括座垫10和固定连接在座垫10顶部的多根拉杆8,以及用于给胶结充填体试样施加围压的围压加载机构、用于给围压加载机构提供动力的围压加载动力系统、用于给胶结充填体试样施加轴向压力的轴向加压传力机构和用于给轴向加压传力机构提供动力的轴向加压动力系统;所述座垫10的底部固定连接有多个底座15,多根拉杆8的中部设置有用于固定多根拉杆8的固定架11;所述围压加载机构包括设置在座垫10顶部用于放置胶结充填体试样19的缸筒29和固定连接在缸筒29顶部的筒盖30,所述缸筒29侧面设置有围压液入口7和位于围压液入口7上方的排气口31,所述排气口31上连接有排气口塞32,所述缸筒29的底部设置有排液阀5;所述围压加载动力系统包括围压液箱20和一端与围压液箱20连接的围压液流入管21,所述围压液流入管21的另一端与围压液入口7连接,所述围压液流入管21上连接有液压泵22、单向阀23和第一压力传感器33,位于液压泵22和单向阀23之间的一段围压液流入管21上连接有围压液溢流管24,所述围压液溢流管24上连接有围压液压力表25和围压液溢流阀26,位于单向阀23和围压液入口19之间的一段围压液流入管21上连接有围压液回流管27,所述围压液回流管27上连接有围压液回流阀28;所述轴向加压传力机构包括固定连接在多根拉杆8上部的顶部装载板9和安装在顶部装载板9上的气缸2,所述气缸2的活塞杆向下设置且穿入筒盖30内,所述气缸2的活塞杆底部连接有压力传递板3;所述轴向加压动力系统包括压缩空气气源4和加压控制器18,以及一端与压缩空气气源4连接、另一端与气缸2连接的气体输送管1;所述气体输送管1上从连接压缩空气气源4到连接气缸2的位置依次设置有气动三联件12、第二压力传感器13和气缸控制电磁阀14;所述第一压力传感器33和第二压力传感器13均与加压控制器18的输入端连接,所述液压泵22和气缸控制电磁阀14均与加压控制器18的输出端连接,所述加压控制器18通过通信模块16与计算机17连接;所述气缸2的活塞杆与筒盖30之间设置有密封圈6。
具体实施时,所述压力传递板3由橡胶制成。采用橡胶制成压力传递板3,一方面,能够分配气缸2的活塞杆传递的压力,使压力更加均匀地施加在胶结充填体试样19顶部;另一方面,压力传递板3传递压力到胶结充填体试样19上时,不会对胶结充填体试样19的顶面造成损伤。
具体实施时,所述加压控制器18为可编程逻辑控制器,所述通信模块16为RS-485通信模块。
本实施例中,步骤102中所述采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试的具体过程,与步骤202中采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试的具体过程相同,且均包括以下步骤:
步骤F1、放置胶结充填体试样19:取下筒盖30,将胶结充填体试样19放入缸筒29内底部中心位置处,并使胶结充填体试样19的中心与气缸2的活塞杆和压力传递板3的中心相对应;然后,再将筒盖30固定连接在缸筒29顶部;
步骤F2、在施加围压情况下,对胶结充填体试样19施加轴向压力,测到三轴抗压强度;具体过程为:取下连接在排气口31上的排气口塞32,打开排气口31,打开围压液溢流阀26的进液开关,加压控制器18驱动液压泵22打开,围压液箱20内的围压液经过液压泵22加压后经由围压液流入管21和围压液入口7流入缸筒29内,当排气口31有围压液流出时,将排气口塞32连接在排气口31上,关闭排气口31,通过缸筒29内的围压液给胶结充填体试样19施加围压;施加围压过程中,第一压力传感器33检测围压液流入管21内的围压液压力并将检测到的压力值输出给加压控制器18,加压控制器18采集第一压力传感器33检测的压力值,并传输给计算机17进行显示和存储;同时,打开压缩空气气源4,通过调节气动三联件12调节压缩空气气源4输出的压缩空气的气压,加压控制器18通过控制气缸控制电磁阀14换向,控制气缸2的活塞杆向下或向上运动,对胶结充填体试样19施加轴向压力或卸载轴向压力,将胶结充填体试样19破裂时加压控制器18采集到的压力传感器13检测的压力值记为F,加压控制器18将压力值F传输给计算机17,计算机17根据公式计算得到抗压强度测试样品的三轴抗压强度P;其中,S为抗压强度测试样品的顶面面积;当气缸2的活塞杆向下运动时,带动压力传递板3向下运动,通过压力传递板3给胶结充填体试样19施加轴向压力,当气缸2的活塞杆向上运动时,带动压力传递板3向上运动,压力传递板3离开胶结充填体试样19的上表面,卸载轴向压力。
步骤203、获取Tensorflow深度学习力学响应特性预测网络的训练样本图像,具体过程为:
步骤2031、采用SEM扫描电镜分别对多个SEM扫描电镜样品进行多次扫描,形成多个SEM电镜扫描图像并存储到计算机17中;所述SEM电镜扫描图像的数量至少为150个;
步骤2032、所述计算机17调用高斯滤波处理模块分别对多个SEM电镜扫描图像进行高斯滤波处理,得到多个高斯滤波处理后的SEM电镜扫描图像;
本实施例中,步骤2032中所述计算机(17)调用高斯滤波处理模块分别对多个SEM电镜扫描图像进行高斯滤波处理采用的公式均为L(x,y)=I(x,y)*G(x,y),其中,I(x,y)表示SEM电镜扫描图像,G(x,y)为高斯滤波函数,L(x,y)为高斯滤波处理后的SEM电镜扫描图像,x为图像的横坐标,y为图像的纵坐标。
步骤2033、所述计算机17调用FCM模糊聚类处理模块分别对多个进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取,得到多组胶结充填体聚类图像,每组胶结充填体聚类图像中胶结充填体聚类图像的数量与聚类中心数目相等;
本实施例中,步骤2033中所述计算机(17)调用FCM模糊聚类处理模块对进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取的方法的具体过程为:
步骤Z1、定义采用基于样本加权的FCM模糊聚类算法,目标函数为满足极值的约束条件为其中,U为模糊矩阵且U=[u11,u22,…,uc′n′],ui′k′为矩阵U的元素且ui′k′表示第k′个样本点属于第i′类的隶属度,n′为样本点总数(在图像中对应每个坐标点的灰度值),c′为聚类中心数目(在图像中根据图像亮度进行分类);V={v1,v2,...vc′}是c′个类的聚类中心,w′k′为样本点xk′的权值,di′k′为样本点xk′到中心点vi′的欧式距离,vi′为V的元素,xk′为样本集X的第k′个样本点且X={x1,x2,...xn′},m′为隶属度ui′k′的权重指数且m′>1;采用基于样本加权的FCM模糊聚类算法,能够避免样本空间中不同样本矢量对聚类结果的不同影响;
步骤Z2、设置聚类中心数目c′的值、隶属度ui′k′的权重指数m′的值和最小迭代误差ε′的值;
步骤Z3、用公式更新样本点xk′的权值w′k′;uτ′j′为矩阵U的元素且uτ′j′表示第j′个样本点属于第τ′类的隶属度,1≤τ′≤c′,1≤j′≤n′;vτ′为V的元素;ui′j′为矩阵U的元素且ui′j′表示第j′个样本点属于第i′类的隶属度;
步骤Z4、用公式更新ui′k′;其中,dr′k′为样本点xk′到中心点vr′的欧式距离,1≤r′≤c′;
步骤Z5、用公式更新vi′;
步骤Z6、判断是否满足||J(t+1)-J(t)||<ε′,当满足||J(t+1)-J(t)||<ε′时,聚类停止,提取得到与聚类中心数目相等的多个胶结充填体聚类图像;否则,返回步骤Z3;其中,t为时间。
步骤2034、所述计算机17将每组胶结充填体聚类图像中灰度值最小一类的胶结充填体聚类图像(最暗的胶结充填体聚类图像)确定为胶结充填体微观孔隙图,并对多个胶结充填体微观孔隙图进行二值化处理,再对孔隙区域进行二值反转处理,得到多个胶结充填体微观孔隙二值图;
步骤2035、所述计算机17调用孔隙图像定量分析模块分别对多个胶结充填体微观孔隙二值图进行分析处理,得到与胶结充填体微观孔隙二值图的数量相对应的多组敏感性微观参数;
步骤204、所述计算机17构建一个卷积网络核的层数为四层、输入层为胶结充填体的多个敏感性微观参数、输出层为胶结充填体的三轴抗压强度的Tensorflow深度学习网络,将其存储的多组胶结充填体的敏感性微观参数作为训练样本,对Tensorflow深度学习网络进行训练,得到建立起了胶结充填体的敏感性微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应特性预测网络。
步骤三、进行胶结充填体力学响应特性预测,具体过程为:
步骤301、从胶结充填体试样19上取一部分制成SEM扫描电镜样品;
步骤302、采用SEM扫描电镜对SEM扫描电镜样品进行扫描,形成SEM电镜扫描图像并存储到计算机17中;
步骤303、所述计算机17调用高斯滤波处理模块对SEM电镜扫描图像进行高斯滤波处理,得到高斯滤波处理后的SEM电镜扫描图像;
本实施例中,步骤303中所述计算机17调用高斯滤波处理模块对SEM电镜扫描图像进行高斯滤波处理采用的公式为L(x,y)=I(x,y)*G(x,y),其中,I(x,y)表示SEM电镜扫描图像,G(x,y)为高斯滤波函数,L(x,y)为高斯滤波处理后的SEM电镜扫描图像,x为图像的横坐标,y为图像的纵坐标。
本实施例中,高斯滤波处理后的SEM电镜扫描图像如图5所示。
步骤304、所述计算机17调用FCM模糊聚类处理模块对进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取,得到与聚类中心数目相等的多个胶结充填体聚类图像;
本实施例中,步骤304中所述计算机17调用FCM模糊聚类处理模块对进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取,得到与聚类中心数目相等的多个胶结充填体聚类图像的具体过程为:
步骤3041、定义采用基于样本加权的FCM模糊聚类算法,目标函数为满足极值的约束条件为其中,U为模糊矩阵且U=[u11,u22,…,uc′n′],ui′k′为矩阵U的元素且ui′k′表示第k′个样本点属于第i′类的隶属度,n′为样本点总数(在图像中对应每个坐标点的灰度值),c′为聚类中心数目(在图像中根据图像亮度进行分类);V={v1,v2,...vc′}是c′个类的聚类中心,w′k′为样本点xk′的权值,di′k′为样本点xk′到中心点vi′的欧式距离,vi′为V的元素,xk′为样本集X的第k′个样本点且X={x1,x2,...xn′},m′为隶属度ui′k′的权重指数且m′>1;采用基于样本加权的FCM模糊聚类算法,能够避免样本空间中不同样本矢量对聚类结果的不同影响;
步骤3042、设置聚类中心数目c′的值、隶属度ui′k′的权重指数m′的值和最小迭代误差ε′的值;
本实施例中,步骤402中设置聚类中心数目c′的值为4,设置隶属度ui′k′的权重指数m′的值为2,设置最小迭代误差ε′的取值为0.3。
步骤3043、用公式更新样本点xk′的权值w′k′;uτ′j′为矩阵U的元素且uτ′j′表示第j′个样本点属于第τ′类的隶属度,1≤τ′≤c′,1≤j′≤n′;vτ′为V的元素;ui′j′为矩阵U的元素且ui′j′表示第j′个样本点属于第i′类的隶属度;
步骤3044、用公式更新ui′k′;其中,dr′k′为样本点xk′到中心点vr′的欧式距离,1≤r′≤c′;
步骤3045、用公式更新vi′;
步骤3046、判断是否满足||J(t+1)-J(t)||<ε′,当满足||J(t+1)-J(t)||<ε′时,聚类停止,提取得到与聚类中心数目相等的多个胶结充填体聚类图像;否则,返回步骤3043;其中,t为时间。
本实施例中,聚类中心数目c的值为4,得到四个胶结充填体聚类图像,如图6A~图6D所示,分别为亮、较亮、暗和最暗四个胶结充填体聚类图像。
步骤305、所述计算机17将灰度值最小一类的胶结充填体聚类图像(最暗的胶结充填体聚类图像)确定为胶结充填体微观孔隙图,并对胶结充填体微观孔隙图进行二值化处理,再对孔隙区域进行二值反转处理,得到胶结充填体微观孔隙二值图;
本实施例中,灰度值最小的胶结充填体聚类图像为图6D,即图6D为胶结充填体微观孔隙图,对胶结充填体微观孔隙图进行二值化处理,得到的图像如图7所示,得到的胶结充填体微观孔隙二值图如图8所示。
步骤306、所述计算机17调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到定量描述孔隙的分布、数量、方向和大小特征的胶结充填体的多个敏感性微观参数;
本实施例中,步骤306中所述敏感性微观参数的数量为6个,6个敏感性微观参数分别为分形维数、孔隙最大面积、孔隙平均面积、孔隙数、孔隙总面积和加权概率熵,步骤306中所述计算机17调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到胶结充填体的6个敏感性微观参数的具体过程为:
步骤3061、将胶结充填体微观孔隙二值图上孔隙的个数确定为胶结充填体的孔隙数;
步骤3062、将胶结充填体微观孔隙二值图上所有孔隙的面积之和确定为胶结充填体的孔隙总面积;
步骤3063、将胶结充填体微观孔隙二值图上所有孔隙中面积最大的孔隙面积确定为孔隙最大面积;
步骤3064、用孔隙总面积除以孔隙数得到胶结充填体的孔隙平均面积;
步骤3065、首先,在胶结充填体微观孔隙二值图上画出网格间距为r的网格,并对画出的网格进行统计,当网格中出现孔隙图像块时,记为1,当网络中未出现孔隙图像块时,记为0,将1的个数确定为孔隙图像块在网格中的个数N(r);然后,根据公式Dc=-lim[lnN(r)/lnr]确定分形维数Dc;其中,r的取值为不大于的非零自然数,表示向下取整,W为胶结充填体微观孔隙二值图的宽度;
步骤3066、根据公式确定加权概率熵H,其中,hζ为第ζ个孔隙的概率熵且m为孔隙排列方向的定向角区间数,pζρ为第ζ个孔隙在第ρ个定向角区间中出现的概率,ρ的取值为1~m的自然数;aζ为第ζ个孔隙的权重值且Sζ为第ζ个孔隙的面积,ζ的取值为1~N的自然数,N为孔隙数。
步骤307、所述计算机17将步骤306中得到的胶结充填体的多个敏感性微观参数输入预先构建的Tensorflow深度学习力学响应预测网络中,得到三轴力学响应预测结果。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (10)
1.一种基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于,该方法包括以下步骤:
步骤一、确定胶结充填体对力学响应特性敏感的敏感性微观参数;
步骤二、构建建立胶结充填体的敏感性微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应预测网络,并将Tensorflow深度学习力学响应预测网络存储到计算机(17)中;
步骤三、进行胶结充填体力学响应特性预测,具体过程为:
步骤301、从胶结充填体试样(19)上取一部分制成SEM扫描电镜样品;
步骤302、采用SEM扫描电镜对SEM扫描电镜样品进行扫描,形成SEM电镜扫描图像并存储到计算机(17)中;
步骤303、所述计算机(17)调用高斯滤波处理模块对SEM电镜扫描图像进行高斯滤波处理,得到高斯滤波处理后的SEM电镜扫描图像;
步骤304、所述计算机(17)调用FCM模糊聚类处理模块对进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取,得到与聚类中心数目相等的多个胶结充填体聚类图像;
步骤305、所述计算机(17)将灰度值最小一类的胶结充填体聚类图像确定为胶结充填体微观孔隙图,并对胶结充填体微观孔隙图进行二值化处理,再对孔隙区域进行二值反转处理,得到胶结充填体微观孔隙二值图;
步骤306、所述计算机(17)调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到定量描述孔隙的分布、数量、方向和大小特征的胶结充填体的多个敏感性微观参数;
步骤307、所述计算机(17)将步骤306中得到的胶结充填体的多个敏感性微观参数输入预先构建的Tensorflow深度学习力学响应预测网络中,得到三轴力学响应预测结果。
2.按照权利要求1所述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤一中所述确定胶结充填体对力学响应特性敏感的敏感性微观参数的具体过程为:
步骤101、从不同养护龄期的多个胶结充填体试样(19)上各取一部分制成SEM扫描电镜样品,剩余部分作为三轴抗压强度测试样品;并对多个SEM扫描电镜样品和多个三轴抗压强度测试样品根据养护龄期一一对应编号;
步骤102、采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试,得到多个胶结充填体试样(19)的三轴抗压强度;
步骤103、采用SEM扫描电镜和计算机(17)分别对多个SEM扫描电镜样品进行扫描和处理,得到多个胶结充填体的微观参数组;其中,对每个SEM扫描电镜样品进行扫描和处理,得到胶结充填体的微观参数组的具体过程为:
步骤1031、采用SEM扫描电镜对SEM扫描电镜样品进行扫描,形成SEM电镜扫描图像并存储到计算机(17)中;
步骤1032、所述计算机(17)将SEM电镜扫描图像的灰度像素值输入预先构建的模拟退火竞争神经网络中,得到模拟退火竞争神经网络的输出,所述模拟退火竞争神经网络的输出为亮、较亮、暗、最暗的四个胶结充填体聚类图像;
其中,所述模拟退火竞争神经网络的构建方法为:
步骤10321、从不同养护龄期的多个胶结充填体试样(19)上各取一部分制成SEM扫描电镜样品;
步骤10322、采用SEM扫描电镜分别对多个SEM扫描电镜样品进行多次扫描,形成多个SEM电镜扫描图像并存储到计算机(17)中;所述SEM电镜扫描图像的数量至少为500个;
步骤10323、所述计算机(17)分别对多个SEM电镜扫描图像进行正规化处理,形成多个像素为640×480的训练样本图像;
步骤10324、所述计算机(17)构建一个两层结构的模拟退火竞争神经网络,输入层为训练样本图像的灰度像素值,输出层为亮、较亮、暗、最暗四类胶结充填体聚类图像;
步骤10325、所述计算机(17)随机设置4个权聚中心w1、w2、w3和w4;
步骤10326、所述计算机(17)初始化自反馈连接权重系数、暂态连接权重系数和内部状态连接权重系数;
步骤10327、所述计算机(17)根据公式计算能量函数E;其中,ux;j为第x个输入神经元zx和第j个权聚中心wj的暂态连接权重系数,x的取值为1~n的自然数,n为输入神经元的总个数,j的取值为1~c的自然数,c的取值为4;
步骤10328、所述计算机(17)根据公式更新t时刻第x个输入神经元zx和第j个权聚中心wj的暂态连接权重系数ux;j(t),其中,e为自然对数,vx;j(t)为t时刻第x个输入神经元zx和第j个权聚中心wj的内部状态连接权重系数且vx;j(t)=kvx;j(t-1)+E-T(t-1)(ux;j(t-1)-I0),k为衰减因子且k的取值范围为0≤k≤1,vx;j(t-1)为t时刻的前一时刻第x个输入神经元zx和第j个权聚中心wj的内部状态连接权重系数,T(t-1)为t时刻的前一时刻的自反馈连接权重系数,ux;j(t-1)为t时刻的前一时刻第x个输入神经元zx和第j个权聚中心wj的暂态连接权重系数,I0为神经元输入偏差,ε为输出函数的衰减印章且ε的取值大于0;
步骤10329、所述计算机(17)根据公式更新t时刻的自反馈连接权重系数T(t),其中,b的取值为500,a的取值为0.98;
步骤103210、所述计算机(17)根据公式vx;j(t+1)=kvx;j(t)+E-T(t)(ux;j(t)-I0)更新t+1时刻第x个输入神经元zx和第j个权聚中心wj的内部状态连接权重系数vx;j(t+1);
步骤103211、所述计算机(17)根据公式Δwj=η(zx-wj)ux;j和公式wj(t+1)=wj(t)+Δwj(t)更新t+1时刻的第j个权聚中心wj(t+1);其中,wj(t)为t时刻的第j个权聚中心,η的取值为0.1;
步骤103212、重复步骤10325~步骤103211,直至将步骤10323中形成的多个训练样本图像全部训练完,构建得到了模拟退火竞争神经网络;
步骤1033、所述计算机(17)将灰度值最小一类的胶结充填体聚类图像确定为胶结充填体微观孔隙图,并对胶结充填体微观孔隙图进行二值化处理,再对孔隙区域进行二值反转处理,得到胶结充填体微观孔隙二值图;
步骤1034、所述计算机(17)调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到定量描述孔隙的分布、数量、方向和大小特征的胶结充填体的多个微观参数;
步骤104、所述计算机(17)调用微观参数与三轴抗压强度的敏感性分析模块对步骤102中得到的多个胶结充填体试样(19)的三轴抗压强度与步骤103中得到的多个胶结充填体的微观参数组进行敏感性分析,确定出胶结充填体对力学响应特性敏感的敏感性微观参数。
3.按照权利要求2所述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤1034中得到的微观参数的数量为12个,12个微观参数分别为孔隙数、孔隙总面积、孔隙最大面积、孔隙平均面积、孔隙长轴平均长度、孔隙率、不均匀系数、曲率系数、分选系数、圆形度、分形维数和加权概率熵;步骤1034中所述计算机(17)调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到胶结充填体的12个微观参数的具体过程为:
步骤10341、将胶结充填体微观孔隙二值图上孔隙的个数确定为胶结充填体的孔隙数;
步骤10342、将胶结充填体微观孔隙二值图上所有孔隙的面积之和确定为胶结充填体的孔隙总面积;
步骤10343、将胶结充填体微观孔隙二值图上所有孔隙中面积最大的孔隙面积确定为孔隙最大面积;
步骤10344、用孔隙总面积除以孔隙数得到胶结充填体的孔隙平均面积;
步骤10345、采用Feret直径定义孔隙区域块的长度,并用所有孔隙的长度之和除以孔隙数得到胶结充填体的孔隙长轴平均长度;
步骤10346、将胶结充填体微观孔隙二值图上所有孔隙的面积之和与胶结充填体微观孔隙二值图的面积的比确定为孔隙率;
步骤10347、首先,将胶结充填体微观孔隙二值图上的孔隙图像块按照面积从小到大排列;然后,根据公式Cu=d60/d10确定不均匀系数Cu,其中,d60为孔隙图像块面积累加和占孔隙总面积的60%对应的孔隙图像块的平均直径,d10为孔隙图像块面积累加和占孔隙总面积的10%对应的孔隙图像块的平均直径;
步骤10348、根据公式确定曲率系数Cc,其中,d30为孔隙图像块面积累加和占孔隙总面积的30%对应的孔隙图像块的平均直径;
步骤10349、根据公式Sc=d25/d75确定分选系数Sc,其中,d25为孔隙图像块面积累加和占孔隙总面积的25%对应的孔隙图像块的平均直径,d75为孔隙图像块面积累加和占孔隙总面积的75%对应的孔隙图像块的平均直径;
步骤103410、根据公式确定圆形度R,其中,Rζ为第ζ个孔隙的圆形度且Rζ=4πSζ/Lζ 2,Sζ为第ζ个孔隙的面积,Lζ第ζ个孔隙的周长,ζ的取值为1~N的自然数,N为孔隙数;
步骤103411、首先,在胶结充填体微观孔隙二值图上画出网格间距为r的网格,并对画出的网格进行统计,当网格中出现孔隙图像块时,记为1,当网络中未出现孔隙图像块时,记为0,将1的个数确定为孔隙图像块在网格中的个数N(r);然后,根据公式Dc=-lim[lnN(r)/lnr]确定分形维数Dc;其中,r的取值为不大于的非零自然数,表示向下取整,W为胶结充填体微观孔隙二值图的宽度;
步骤103412、根据公式确定加权概率熵H,其中,hζ为第ζ个孔隙的概率熵且m为孔隙排列方向的定向角区间数,pζρ为第ζ个孔隙在第ρ个定向角区间中出现的概率,ρ的取值为1~m的自然数;aζ为第ζ个孔隙的权重值且
4.按照权利要求2所述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤104中所述计算机(17)调用微观参数与三轴抗压强度的敏感性分析模块对步骤102中得到的多个胶结充填体试样(19)的三轴抗压强度与步骤103中得到的多个胶结充填体的微观参数组进行敏感性分析,确定出胶结充填体对力学响应特性敏感的敏感性微观参数的具体过程为:
步骤1041、首先,将n个不同养护龄期下的胶结充填体的第λ个微观参数值按照养护龄期从短到长的顺序两两差分得到第λ个微观参数值的n-1个不同差值,其中,第λ个微观参数值的第γ个差值表示为Δx′γ,λ;然后,将n-1个差值分别映射到0~10之间,并将映射到0~10之间的第λ个微观参数值的第γ个差值表示为Δxγ,λ;其中,n为养护龄期的总个数,γ的取值为1~n-1的自然数,λ的取值为1~P的自然数,P为胶结充填体的微观参数的总数量;
步骤1042、首先,将n个不同养护龄期下的胶结充填体试样(19)的单轴抗压强度按照养护龄期从短到长的顺序两两差分得到第n-1个不同单轴抗压强度差值,其中,第γ个单轴抗压强度差值表示为Δy′γ;然后,将n-1个单轴抗压强度差值分别映射到0~10之间,并将映射到0~10之间的第γ个单轴抗压强度差值表示为Δyγ;
步骤1043、根据公式计算胶结充填体的第λ个微观参数的敏感性系数sλ;
步骤1044、重复步骤1041~1043,直至λ的取值从1取到P,按照敏感性系数从大到小的顺序排列胶结充填体的P个微观参数;
步骤1045、按照敏感性系数从大到小的顺序计算胶结充填体的P个微观参数各自所占比重,其中,第λ个微观参数的敏感性系数sλ所占比重σλ的计算公式为
步骤1046、按照敏感性系数从大到小的顺序叠加胶结充填体的微观参数所占比重,当比重和时,将前个胶结充填体的微观参数确定为胶结充填体对力学响应特性敏感的敏感性微观参数,将后个胶结充填体的微观参数确定为胶结充填体对力学响应特性不敏感的非敏感性微观参数;其中,的取值为2~P的自然数,τ的取值为的自然数。
5.按照权利要求2所述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤二中所述构建建立胶结充填体的敏感性微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应预测网络的具体过程为:
步骤201、从多个编号后的各个胶结充填体试样(19)上取一部分制成SEM扫描电镜样品,剩余部分作为抗压强度测试样品;并对多个SEM扫描电镜样品和多个抗压强度测试样品一一对应编号;
步骤202、采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试,并对测得的多个抗压强度测试样品的三轴抗压强度取均值,得到胶结充填体试样(19)的三轴抗压强度;
步骤203、获取Tensorflow深度学习力学响应特性预测网络的训练样本图像,具体过程为:
步骤2031、采用SEM扫描电镜分别对多个SEM扫描电镜样品进行多次扫描,形成多个SEM电镜扫描图像并存储到计算机(17)中;所述SEM电镜扫描图像的数量至少为150个;
步骤2032、所述计算机(17)调用高斯滤波处理模块分别对多个SEM电镜扫描图像进行高斯滤波处理,得到多个高斯滤波处理后的SEM电镜扫描图像;
步骤2033、所述计算机(17)调用FCM模糊聚类处理模块分别对多个进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取,得到多组胶结充填体聚类图像,每组胶结充填体聚类图像中胶结充填体聚类图像的数量与聚类中心数目相等;
步骤2034、所述计算机(17)将每组胶结充填体聚类图像中灰度值最小一类的胶结充填体聚类图像确定为胶结充填体微观孔隙图,并对多个胶结充填体微观孔隙图进行二值化处理,再对孔隙区域进行二值反转处理,得到多个胶结充填体微观孔隙二值图;
步骤2035、所述计算机(17)调用孔隙图像定量分析模块分别对多个胶结充填体微观孔隙二值图进行分析处理,得到与胶结充填体微观孔隙二值图的数量相对应的多组敏感性微观参数;
步骤204、所述计算机(17)构建一个卷积网络核的层数为四层、输入层为胶结充填体的多个敏感性微观参数、输出层为胶结充填体的三轴抗压强度的Tensorflow深度学习网络,将其存储的多组胶结充填体的敏感性微观参数作为训练样本,对Tensorflow深度学习网络进行训练,得到建立起了胶结充填体的敏感性微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应特性预测网络。
6.按照权利要求5所述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤102中所述胶结充填体三轴抗压强度测试装置与步骤202中所述胶结充填体三轴抗压强度测试装置的结构相同且均包括座垫(10)和固定连接在座垫(10)顶部的多根拉杆(8),以及用于给胶结充填体试样施加围压的围压加载机构、用于给围压加载机构提供动力的围压加载动力系统、用于给胶结充填体试样施加轴向压力的轴向加压传力机构和用于给轴向加压传力机构提供动力的轴向加压动力系统;所述座垫(10)的底部固定连接有多个底座(15),多根拉杆(8)的中部设置有用于固定多根拉杆(8)的固定架(11);所述围压加载机构包括设置在座垫(10)顶部用于放置胶结充填体试样(19)的缸筒(29)和固定连接在缸筒(29)顶部的筒盖(30),所述缸筒(29)侧面设置有围压液入口(7)和位于围压液入口(7)上方的排气口(31),所述排气口(31)上连接有排气口塞(32),所述缸筒(29)的底部设置有排液阀(5);所述围压加载动力系统包括围压液箱(20)和一端与围压液箱(20)连接的围压液流入管(21),所述围压液流入管(21)的另一端与围压液入口(7)连接,所述围压液流入管(21)上连接有液压泵(22)、单向阀(23)和第一压力传感器(33),位于液压泵(22)和单向阀(23)之间的一段围压液流入管(21)上连接有围压液溢流管(24),所述围压液溢流管(24)上连接有围压液压力表(25)和围压液溢流阀(26),位于单向阀(23)和围压液入口(19)之间的一段围压液流入管(21)上连接有围压液回流管(27),所述围压液回流管(27)上连接有围压液回流阀(28);所述轴向加压传力机构包括固定连接在多根拉杆(8)上部的顶部装载板(9)和安装在顶部装载板(9)上的气缸(2),所述气缸(2)的活塞杆向下设置且穿入筒盖(30)内,所述气缸(2)的活塞杆底部连接有压力传递板(3);所述轴向加压动力系统包括压缩空气气源(4)和加压控制器(18),以及一端与压缩空气气源(4)连接、另一端与气缸(2)连接的气体输送管(1);所述气体输送管(1)上从连接压缩空气气源(4)到连接气缸(2)的位置依次设置有气动三联件(12)、第二压力传感器(13)和气缸控制电磁阀(14);所述第一压力传感器(33)和第二压力传感器(13)均与加压控制器(18)的输入端连接,所述液压泵(22)和气缸控制电磁阀(14)均与加压控制器(18)的输出端连接,所述加压控制器(18)通过通信模块(16)与计算机(17)连接;所述气缸(2)的活塞杆与筒盖(30)之间设置有密封圈(6)。
7.按照权利要求6所述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤102中所述采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试的具体过程,与步骤202中采用胶结充填体三轴抗压强度测试装置分别对多个抗压强度测试样品进行三轴抗压强度测试的具体过程相同,且均包括以下步骤:
步骤F1、放置胶结充填体试样(19):取下筒盖(30),将胶结充填体试样(19)放入缸筒(29)内底部中心位置处,并使胶结充填体试样(19)的中心与气缸(2)的活塞杆和压力传递板(3)的中心相对应;然后,再将筒盖(30)固定连接在缸筒(29)顶部;
步骤F2、在施加围压情况下,对胶结充填体试样(19)施加轴向压力,测到三轴抗压强度;具体过程为:取下连接在排气口(31)上的排气口塞(32),打开排气口(31),打开围压液溢流阀(26)的进液开关,加压控制器(18)驱动液压泵(22)打开,围压液箱(20)内的围压液经过液压泵(22)加压后经由围压液流入管(21)和围压液入口(7)流入缸筒(29)内,当排气口(31)有围压液流出时,将排气口塞(32)连接在排气口(31)上,关闭排气口(31),通过缸筒(29)内的围压液给胶结充填体试样(19)施加围压;施加围压过程中,第一压力传感器(33)检测围压液流入管(21)内的围压液压力并将检测到的压力值输出给加压控制器(18),加压控制器(18)采集第一压力传感器(33)检测的压力值,并传输给计算机(17)进行显示和存储;同时,打开压缩空气气源(4),通过调节气动三联件(12)调节压缩空气气源(4)输出的压缩空气的气压,加压控制器(18)通过控制气缸控制电磁阀(14)换向,控制气缸(2)的活塞杆向下或向上运动,对胶结充填体试样(19)施加轴向压力或卸载轴向压力,将胶结充填体试样(19)破裂时加压控制器(18)采集到的压力传感器(13)检测的压力值记为F,加压控制器(18)将压力值F传输给计算机(17),计算机(17)根据公式计算得到抗压强度测试样品的三轴抗压强度P;其中,S为抗压强度测试样品的顶面面积;当气缸(2)的活塞杆向下运动时,带动压力传递板(3)向下运动,通过压力传递板(3)给胶结充填体试样(19)施加轴向压力,当气缸(2)的活塞杆向上运动时,带动压力传递板(3)向上运动,压力传递板(3)离开胶结充填体试样(19)的上表面,卸载轴向压力。
8.按照权利要求5所述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤2032中所述计算机(17)调用高斯滤波处理模块分别对多个SEM电镜扫描图像进行高斯滤波处理,以及步骤303中所述计算机(17)调用高斯滤波处理模块对SEM电镜扫描图像进行高斯滤波处理,采用的公式均为L(x,y)=I(x,y)*G(x,y),其中,I(x,y)表示SEM电镜扫描图像,G(x,y)为高斯滤波函数,L(x,y)为高斯滤波处理后的SEM电镜扫描图像,x为图像的横坐标,y为图像的纵坐标。
9.按照权利要求5所述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤2033中所述计算机(17)调用FCM模糊聚类处理模块对进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取的方法,以及步骤304中所述计算机(17)调用FCM模糊聚类处理模块对进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取的方法相同且具体过程均为:
步骤Z1、定义采用基于样本加权的FCM模糊聚类算法,目标函数为满足极值的约束条件为其中,U为模糊矩阵且U=[u11,u22,…,uc′n′],ui′k′为矩阵U的元素且ui′k′表示第k′个样本点属于第i′类的隶属度,n′为样本点总数,c′为聚类中心数目;V={v1,v2,...vc′}是c′个类的聚类中心,w′k′为样本点xk′的权值,di′k′为样本点xk′到中心点vi′的欧式距离,vi′为V的元素,xk′为样本集X的第k′个样本点且X={x1,x2,...xn′},m′为隶属度ui′k′的权重指数且m′>1;
步骤Z2、设置聚类中心数目c′的值、隶属度ui′k′的权重指数m′的值和最小迭代误差ε′的值;
步骤Z3、用公式更新样本点xk′的权值w′k′;uτ′j′为矩阵U的元素且uτ′j′表示第j′个样本点属于第τ′类的隶属度,1≤τ′≤c′,1≤j′≤n′;vτ′为V的元素;ui′j′为矩阵U的元素且ui′j′表示第j′个样本点属于第i′类的隶属度;
步骤Z4、用公式更新ui′k′;其中,dr′k′为样本点xk′到中心点vr′的欧式距离,1≤r′≤c′;
步骤Z5、用公式更新vi′;
步骤Z6、判断是否满足||J(t+1)-J(t)||<ε′,当满足||J(t+1)-J(t)||<ε′时,聚类停止,提取得到与聚类中心数目相等的多个胶结充填体聚类图像;否则,返回步骤Z3;其中,t为时间。
10.按照权利要求1所述的基于敏感性微观参数预测胶结充填体力学响应特性的方法,其特征在于:步骤306中所述敏感性微观参数的数量为6个,6个敏感性微观参数分别为分形维数、孔隙最大面积、孔隙平均面积、孔隙数、孔隙总面积和加权概率熵,步骤306中所述计算机(17)调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理,得到胶结充填体的6个敏感性微观参数的具体过程为:
步骤3061、将胶结充填体微观孔隙二值图上孔隙的个数确定为胶结充填体的孔隙数;
步骤3062、将胶结充填体微观孔隙二值图上所有孔隙的面积之和确定为胶结充填体的孔隙总面积;
步骤3063、将胶结充填体微观孔隙二值图上所有孔隙中面积最大的孔隙面积确定为孔隙最大面积;
步骤3064、用孔隙总面积除以孔隙数得到胶结充填体的孔隙平均面积;
步骤3065、首先,在胶结充填体微观孔隙二值图上画出网格间距为r的网格,并对画出的网格进行统计,当网格中出现孔隙图像块时,记为1,当网络中未出现孔隙图像块时,记为0,将1的个数确定为孔隙图像块在网格中的个数N(r);然后,根据公式Dc=-lim[lnN(r)/lnr]确定分形维数Dc;其中,r的取值为不大于的非零自然数,表示向下取整,W为胶结充填体微观孔隙二值图的宽度;
步骤3066、根据公式确定加权概率熵H,其中,hζ为第ζ个孔隙的概率熵且m为孔隙排列方向的定向角区间数,pζρ为第ζ个孔隙在第ρ个定向角区间中出现的概率,ρ的取值为1~m的自然数;aζ为第ζ个孔隙的权重值且Sζ为第ζ个孔隙的面积,ζ的取值为1~N的自然数,N为孔隙数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810098529.XA CN108229062B (zh) | 2018-01-31 | 2018-01-31 | 基于敏感性微观参数预测胶结充填体力学响应特性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810098529.XA CN108229062B (zh) | 2018-01-31 | 2018-01-31 | 基于敏感性微观参数预测胶结充填体力学响应特性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229062A CN108229062A (zh) | 2018-06-29 |
CN108229062B true CN108229062B (zh) | 2019-03-01 |
Family
ID=62670262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810098529.XA Active CN108229062B (zh) | 2018-01-31 | 2018-01-31 | 基于敏感性微观参数预测胶结充填体力学响应特性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229062B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523069A (zh) * | 2018-11-01 | 2019-03-26 | 中南大学 | 一种利用机器学习预测充填材料强度参数的方法 |
CN109238868A (zh) * | 2018-11-20 | 2019-01-18 | 山东农业大学 | 一种微破损现场检测混凝土结构抗压强度的测试方法 |
CN109900616B (zh) * | 2019-03-19 | 2021-10-01 | 江苏安全技术职业学院 | 一种泡沫浆体材料泡孔均匀度定量表征方法 |
EP3789956A1 (en) * | 2019-09-09 | 2021-03-10 | Robert Bosch GmbH | Method and system for analyzing the mechanical response of microstructures under investigation |
CN112115617A (zh) * | 2020-09-21 | 2020-12-22 | 玉溪矿业有限公司 | 充填体强度匹配系统及其构建方法,充填体强度匹配方法 |
CN112643486B (zh) * | 2020-12-21 | 2022-08-16 | 西北工业大学 | 一种复杂曲面工件磨削过程中的砂带磨损预测方法 |
CN113405906B (zh) * | 2021-06-18 | 2024-03-12 | 江西理工大学 | 一种含初始损伤胶结充填体的损伤模型建立方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103723967A (zh) * | 2013-12-27 | 2014-04-16 | 金川集团股份有限公司 | 一种采矿用充填胶凝材料配比决策方法 |
CN104750940A (zh) * | 2015-04-10 | 2015-07-01 | 中国矿业大学(北京) | 一种地下采场胶结充填体强度动态设计方法 |
CN104820870A (zh) * | 2015-04-30 | 2015-08-05 | 中国矿业大学 | 一种胶结充填材料力学性能预测方法 |
CN105510393A (zh) * | 2015-12-03 | 2016-04-20 | 中国矿业大学(北京) | 一种胶结充填体固结特性的多参数检测系统及其监测方法 |
US9630614B1 (en) * | 2016-01-28 | 2017-04-25 | Miq Llc | Modular power plants for machines |
-
2018
- 2018-01-31 CN CN201810098529.XA patent/CN108229062B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103723967A (zh) * | 2013-12-27 | 2014-04-16 | 金川集团股份有限公司 | 一种采矿用充填胶凝材料配比决策方法 |
CN104750940A (zh) * | 2015-04-10 | 2015-07-01 | 中国矿业大学(北京) | 一种地下采场胶结充填体强度动态设计方法 |
CN104820870A (zh) * | 2015-04-30 | 2015-08-05 | 中国矿业大学 | 一种胶结充填材料力学性能预测方法 |
CN105510393A (zh) * | 2015-12-03 | 2016-04-20 | 中国矿业大学(北京) | 一种胶结充填体固结特性的多参数检测系统及其监测方法 |
US9630614B1 (en) * | 2016-01-28 | 2017-04-25 | Miq Llc | Modular power plants for machines |
Also Published As
Publication number | Publication date |
---|---|
CN108229062A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229062B (zh) | 基于敏感性微观参数预测胶结充填体力学响应特性的方法 | |
CN109447532B (zh) | 一种基于数据驱动的油藏井间连通性确定方法 | |
CN108287254B (zh) | 一种基于图像处理的胶结充填体微观参数敏感性分析方法 | |
Wang et al. | Machine learning approaches to rock fracture mechanics problems: Mode-I fracture toughness determination | |
CN107742031B (zh) | 基于实验和数学算法的驱替实验人造岩心分析制备方法 | |
CN110288258A (zh) | 一种高含水油藏剩余油挖潜方法 | |
CN108763711A (zh) | 一种基于岩心扫描图像分块数值模拟的渗透率预测方法 | |
CN109800521A (zh) | 一种基于机器学习的油水相对渗透率曲线计算方法 | |
CN108843312B (zh) | 油田储层层内非均质性综合评价方法 | |
CN103454399A (zh) | 一种基于盆地演化史的热压生排烃模拟实验装置和方法 | |
CN109815516A (zh) | 对页岩气井产能进行预测的方法及装置 | |
CN108760829A (zh) | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 | |
CN108386176A (zh) | 一种天然裂缝与人工裂缝延伸规律物模试验方法 | |
CN110263431A (zh) | 一种混凝土28d抗压强度预测方法 | |
CN109523069A (zh) | 一种利用机器学习预测充填材料强度参数的方法 | |
CN108509694A (zh) | 一种基于bp神经网络的支撑剂铺置形态预测方法 | |
CN111259602A (zh) | 基于多种群遗传算法优化的bp神经网络的回弹模量确定方法 | |
CN114460120A (zh) | 一种基于核磁共振的致密油渗吸置换的模拟实验装置及方法 | |
Yu et al. | Modeling study of sandstone permeability under true triaxial stress based on backpropagation neural network, genetic programming, and multiple regression analysis | |
CN108445030B (zh) | 基于图像与微观参数的胶结充填体力学响应特性预测方法 | |
CN102373918A (zh) | 低渗油藏油井间歇生产模拟实验装置 | |
CN108256258B (zh) | 基于sem图像的胶结充填体力学响应特性预测方法 | |
Dang et al. | Estimating cement compressive strength from microstructure images using broad learning system | |
CN108240940B (zh) | 一种胶结充填体力学响应特性测试系统及方法 | |
Zerrouki et al. | A Preliminary study of relationships between thermal conductivity and petrophysical parameters in Hamra Quartzites reservoir, Hassi Messaoud field (Algeria) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |