CN108445030B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108445030B
CN108445030B CN201810098519.6A CN201810098519A CN108445030B CN 108445030 B CN108445030 B CN 108445030B CN 201810098519 A CN201810098519 A CN 201810098519A CN 108445030 B CN108445030 B CN 108445030B
Authority
CN
China
Prior art keywords
cemented fill
sample
image
cemented
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
Application number
CN201810098519.6A
Other languages
English (en)
Other versions
CN108445030A (zh
Inventor
秦学斌
刘浪
王湃
陈柳
张波
张小艳
王美
王燕
孙伟博
邱华富
朱超
辛杰
方治余
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN201810098519.6A priority Critical patent/CN108445030B/zh
Publication of CN108445030A publication Critical patent/CN108445030A/zh
Application granted granted Critical
Publication of CN108445030B publication Critical patent/CN108445030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种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，包括步骤：一、制成SEM扫描电镜样品；二、扫描形成SEM电镜扫描图像并存储到计算机中；三、对SEM电镜扫描图像进行高斯滤波处理；四、得到多个胶结充填体聚类图像；五、确定胶结充填体微观孔隙图，得到胶结充填体微观孔隙二值图；六、对胶结充填体微观孔隙二值图进行分析处理，得到胶结充填体的多个微观参数；七、将胶结充填体的多个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，得到单轴力学响应预测结果。本发明预测效率高，预测精度高，耗费的人力物力少，对于研究胶结充填体的强度和稳定性具有重要意义，实用性强，推广应用价值高。

Description

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
技术领域
本发明涉及胶结充填采矿技术领域，具体涉及一种基于图像与微观参数的胶结充填体力学响应特性预测方法。
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)；Fal l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，更是没有基于图像处理与胶结充填体的微观参数确定胶结充填体力学响应特性的方法；而且，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，提供一种基于图像与微观参数的胶结充填体力学响应特性预测方法，其方法步骤简单，设计新颖合理，实现方便快捷，预测效率高，预测精度高，耗费的人力物力少，对于研究胶结充填体的强度和稳定性具有重要意义，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：一种基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于，该方法包括以下步骤：
步骤一、从胶结充填体试样上取一部分制成SEM扫描电镜样品；
步骤二、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；
步骤三、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；
步骤四、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；
步骤五、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；
步骤六、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；
步骤七、所述计算机将步骤六中得到的胶结充填体的多个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，得到单轴力学响应预测结果。
上述的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，其特征在于：步骤一中所述SEM扫描电镜样品的长度、宽度和高度均为10mm。
上述的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，其特征在于：步骤三中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。
上述的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，其特征在于：步骤四中所述计算机调用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的具体过程为：
步骤401、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,…,ucn]，uik为矩阵U的元素且uik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，wk为样本点xk的权值，dik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uik的权重指数且m＞1；
步骤402、设置聚类中心数目c的值、隶属度uik的权重指数m的值和最小迭代误差ε的值；
步骤403、用公式更新样本点xk的权值wk；uτj为矩阵U的元素且uτj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；uij为矩阵U的元素且uij表示第j个样本点属于第i类的隶属度；
步骤404、用公式更新uik；其中，drk为样本点xk到中心点vr的欧式距离，1≤r≤c；
步骤405、用公式更新vi；
步骤406、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403；其中，t为时间。
上述的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，其特征在于：步骤402中设置聚类中心数目c的值为4，设置隶属度uik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。
上述的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，其特征在于：步骤七中所述Tensorflow深度学习力学响应特性预测网络的构建方法为：
步骤701、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，剩余部分作为单轴抗压强度测试样品；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702、采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，并对测得的多个抗压强度测试样品的单轴抗压强度取均值，得到胶结充填体试样的单轴抗压强度；
步骤703、获取Tensorflow深度学习力学响应特性预测网络的训练样本，具体过程为：
步骤7031、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7032、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7033、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7034、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7035、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704、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微观参数、输出层为胶结充填体的单轴抗压强度的Tensorflow深度学习网络，将其存储的多组胶结充填体的多个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。
上述的基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于：步骤702中所述胶结充填体单轴抗压强度测试装置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，所述座垫的顶部设置有用于放置胶结充填体试样的试样放置槽，所述座垫上位于所述试样放置槽的中心位置处设置有排水阀；多根拉杆的中部设置有用于固定多根拉杆的固定架，多根拉杆的上部固定连接有顶部装载板；所述轴向加压传力机构包括安装在顶部装载板上的气缸，所述气缸的活塞杆向下设置，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、压力传感器和气缸控制电磁阀，所述压力传感器与加压控制器的输入端连接，所述气缸控制电磁阀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。
上述的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，其特征在于：所述试样放置槽内设置有套装在胶结充填体试样底部的O型密封圈，所述座垫上设置有位于所述试样放置槽周围的多孔石。
上述的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，其特征在于：步骤702中所述采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，其中对每个抗压强度测试样品进行单轴抗压强度测试的具体过程为：
步骤7021、将O型密封圈放入所述试样放置槽内后，将胶结充填体试样放入所述试样放置槽内，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；并在座垫上放入位于所述试样放置槽周围的多孔石；
步骤7022、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压力或卸载压力，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单轴抗压强度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，卸载压力。
上述的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，其特征在于：步骤六中得到的胶结充填体的微观参数的数量与步骤7035中得到的每组胶结充填体的微观参数的数量相等且均为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；步骤六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与步骤7035中所述计算机调用孔隙图像定量分析模块对每个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相同且均为：
步骤F1、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F2、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F3、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F4、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F5、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F6、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F7、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F8、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F9、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F10、根据公式确定圆形度R，其中，Ri为第i个孔隙的圆形度且Ri＝4πSi/Li 2，Si为第i个孔隙的面积，Li第i个孔隙的周长，i的取值为1～n的自然数，n为孔隙数；
步骤F11、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F12、根据公式确定加权概率熵Hm，其中，hmi为第i个孔隙的概率熵且N为孔隙排列方向的定向角区间数，pij为第i个孔隙在第j个定向角区间中出现的概率，j的取值为1～N的自然数；ai为第i个孔隙的权重值且
本发明与现有技术相比具有以下优点：
1、本发明采用扫描电子显微镜(Scanning Electronic Microscopy，SEM)扫描采集样品图像，采用FCM模糊聚类处理方法提取胶结充填体微观孔隙图，采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，再采用Tensorflow深度学习网络建立胶结充填体的微观参数与力学响应之间的非线性关系，从而预测胶结充填体的力学响应特性，方法步骤简单，设计新颖合理，实现方便快捷，预测效率高，周期短，耗费的人力物力少。
2、本发明在采用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。
3、本发明采用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。
4、本发明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。
5、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，而且将这个参数应用于预测胶结充填体的力学响应特性，能够获得更准确的预测结果。
6、本发明采用Tensorflow深度学习网络构建了胶结充填体的微观参数与力学响应之间的非线性关系，一次进行构建Tensorflow深度学习力学响应预测网络，能够多次方便快捷的使用，使得进行胶结充填体力学响应特性预测时，无需再多次做实验测试，只需将SEM电镜扫描图像采集到计算机中，即可通过图像处理和应用Tensorflow深度学习力学响应预测网络自动完成力学响应特性预测的整个过程，方便快捷。
7、单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；本发明构建Tensorflow深度学习力学响应预测网络时，输出为单轴抗压强度，并将单轴抗压强度作为单轴力学响应预测结果，对于研究胶结充填体的强度和稳定性具有重要意义。
8、本发明采用自主研发制造的胶结充填体单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，胶结充填体单轴抗压强度测试装置的结构简单，实现及使用操作方便，且能够测得准确的单轴抗压强度。
9、本发明研究的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，因此本发明的方法不仅能够为研究新型胶结充填体贡献力量，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，本发明方法步骤简单，设计新颖合理，实现方便快捷，预测效率高，预测精度高，耗费的人力物力少，对于研究胶结充填体的强度和稳定性具有重要意义，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高斯滤波处理后的SEM电镜扫描图像。
图3A为本发明具体实施例中对进行高斯滤波处理后的SEM电镜扫描图像进行FCM模糊聚类处理得到的亮的胶结充填体聚类图像。
图3B为本发明具体实施例中对进行高斯滤波处理后的SEM电镜扫描图像进行FCM模糊聚类处理得到的较亮的胶结充填体聚类图像。
图3C为本发明具体实施例中对进行高斯滤波处理后的SEM电镜扫描图像进行FCM模糊聚类处理得到的暗的胶结充填体聚类图像。
图3D为本发明具体实施例中对进行高斯滤波处理后的SEM电镜扫描图像进行FCM模糊聚类处理得到的最暗的胶结充填体聚类图像。
图4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5为本发明具体实施例中的胶结充填体微观孔隙二值图。
图6为本发明胶结充填体单轴抗压强度测试装置的结构示意图。
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—O型密封圈；
7—多孔石； 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—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。
具体实施方式
如图1所示，本发明的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，包括以下步骤：
步骤一、从胶结充填体试样19上取一部分制成SEM扫描电镜样品；
具体实施时，制成SEM扫描电镜样品还进行了多次喷碳处理。
本实施例中，步骤一中所述SEM扫描电镜样品的长度、宽度和高度均为10mm。
步骤二、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；
步骤三、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，步骤三中所述计算机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2所示。
步骤四、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，步骤四中所述计算机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401、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,…,ucn]，uik为矩阵U的元素且uik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，wk为样本点xk的权值，dik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uik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402、设置聚类中心数目c的值、隶属度uik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uik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403、用公式更新样本点xk的权值wk；uτj为矩阵U的元素且uτj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；uij为矩阵U的元素且uij表示第j个样本点属于第i类的隶属度；
步骤404、用公式更新uik；其中，drk为样本点xk到中心点vr的欧式距离，1≤r≤c；
步骤405、用公式更新vi；
步骤406、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403；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3A～图3D所示，分别为亮、较亮、暗和最暗四个胶结充填体聚类图像。
步骤五、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3D，即图3D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4所示，得到的胶结充填体微观孔隙二值图如图5所示。
步骤六、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；
步骤七、所述计算机17将步骤六中得到的胶结充填体的多个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，得到单轴力学响应预测结果。
本实施例中，步骤七中所述Tensorflow深度学习力学响应特性预测网络的构建方法为：
步骤701、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，剩余部分作为单轴抗压强度测试样品；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702、采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，并对测得的多个抗压强度测试样品的单轴抗压强度取均值，得到胶结充填体试样19的单轴抗压强度；
本实施例中，如图6所示，步骤702中所述胶结充填体单轴抗压强度测试装置包括座垫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19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，所述座垫10的顶部设置有用于放置胶结充填体试样19的试样放置槽，所述座垫10上位于所述试样放置槽的中心位置处设置有排水阀5；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，多根拉杆8的上部固定连接有顶部装载板9；所述轴向加压传力机构包括安装在顶部装载板9上的气缸2，所述气缸2的活塞杆向下设置，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、压力传感器13和气缸控制电磁阀14，所述压力传感器13与加压控制器18的输入端连接，所述气缸控制电磁阀14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。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。
本实施例中，所述试样放置槽内设置有套装在胶结充填体试样19底部的O型密封圈6，所述座垫10上设置有位于所述试样放置槽周围的多孔石7。通过设置O型密封圈6，能够防止给胶结充填体试样19施加轴向压力时胶结充填体试样19与座垫10硬接触造成胶结充填体试样19的损伤。通过设置多孔石7，能够吸收胶结充填体试样19渗出的水。
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702中所述采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，其中对每个抗压强度测试样品进行单轴抗压强度测试的具体过程为：
步骤7021、将O型密封圈6放入所述试样放置槽内后，将胶结充填体试样19放入所述试样放置槽内，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；并在座垫10上放入位于所述试样放置槽周围的多孔石7；
步骤7022、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施加压力或卸载压力，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单轴抗压强度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，卸载压力。
步骤703、获取Tensorflow深度学习力学响应特性预测网络的训练样本，具体过程为：
步骤7031、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7032、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，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7033、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，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具体过程与步骤四相同。
步骤7034、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7035、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，步骤六中得到的胶结充填体的微观参数的数量与步骤7035中得到的每组胶结充填体的微观参数的数量相等且均为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；步骤六中所述计算机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与步骤7035中所述计算机17调用孔隙图像定量分析模块对每个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相同且均为：
步骤F1、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F2、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F3、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F4、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F5、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F6、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F7、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F8、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F9、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F10、根据公式确定圆形度R，其中，Ri为第i个孔隙的圆形度且Ri＝4πSi/Li 2，Si为第i个孔隙的面积，Li第i个孔隙的周长，i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F11、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F12、根据公式确定加权概率熵Hm，其中，hmi为第i个孔隙的概率熵且N为孔隙排列方向的定向角区间数，例如，取N为36，即每10°一个扇区；pij为第i个孔隙在第j个定向角区间中出现的概率，j的取值为1～N的自然数；ai为第i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；Hm越大，说明孔隙排列越混乱，有序性越低，反之，Hm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，当孔隙面积大时，对概率熵的贡献率大，反之贡献率小。
步骤704、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微观参数、输出层为胶结充填体的单轴抗压强度的Tensorflow深度学习网络，将其存储的多组胶结充填体的多个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。
综上所述，本发明采用扫描电子显微镜扫描采集样品图像，采用高斯滤波方法对SEM电镜扫描图像进行高斯滤波处理，采用FCM模糊聚类处理方法提取胶结充填体微观孔隙图，将高斯滤波处理后的SEM电镜扫描图像与胶结充填体微观孔隙二值图合并的方法得到测试样本图像，作为Tensorflow深度学习力学响应预测网络的输入，再采用Tensorflow深度学习网络建立图像到力学响应特性之间的端到端的预测模型，从而预测胶结充填体的力学响应特性，方法步骤简单，设计新颖合理，实现方便快捷，预测效率高，周期短，耗费的人力物力少。
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 (9)

1.一种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，其特征在于，该方法包括以下步骤：
步骤一、从胶结充填体试样(19)上取一部分制成SEM扫描电镜样品；
步骤二、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；
步骤三、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；
步骤四、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；
步骤四中所述计算机(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401、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,…,ucn]，uik为矩阵U的元素且uik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，wk为样本点xk的权值，dik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uik的权重指数且m＞1；
步骤402、设置聚类中心数目c的值、隶属度uik的权重指数m的值和最小迭代误差ε的值；
步骤403、用公式更新样本点xk的权值wk；uτj为矩阵U的元素且uτj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；uij为矩阵U的元素且uij表示第j个样本点属于第i类的隶属度；
步骤404、用公式更新uik；其中，drk为样本点xk到中心点vr的欧式距离，1≤r≤c；
步骤405、用公式更新vi；
步骤406、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403；其中，t为时间；
步骤五、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；
步骤六、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；
步骤七、所述计算机(17)将步骤六中得到的胶结充填体的多个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，得到单轴力学响应预测结果。
2.按照权利要求1所述的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，其特征在于：步骤一中所述SEM扫描电镜样品的长度、宽度和高度均为10mm。
3.按照权利要求1所述的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，其特征在于：步骤三中所述计算机(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。
4.按照权利要求1所述的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，其特征在于：步骤402中设置聚类中心数目c的值为4，设置隶属度uik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。
5.按照权利要求1所述的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，其特征在于：步骤七中所述Tensorflow深度学习力学响应特性预测网络的构建方法为：
步骤701、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，剩余部分作为单轴抗压强度测试样品；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702、采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，并对测得的多个抗压强度测试样品的单轴抗压强度取均值，得到胶结充填体试样(19)的单轴抗压强度；
步骤703、获取Tensorflow深度学习力学响应特性预测网络的训练样本，具体过程为：
步骤7031、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7032、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7033、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7034、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7035、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704、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微观参数、输出层为胶结充填体的单轴抗压强度的Tensorflow深度学习网络，将其存储的多组胶结充填体的多个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所述的基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于：步骤702中所述胶结充填体单轴抗压强度测试装置包括座垫(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(19)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)，所述座垫(10)的顶部设置有用于放置胶结充填体试样(19)的试样放置槽，所述座垫(10)上位于所述试样放置槽的中心位置处设置有排水阀(5)；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)，多根拉杆(8)的上部固定连接有顶部装载板(9)；所述轴向加压传力机构包括安装在顶部装载板(9)上的气缸(2)，所述气缸(2)的活塞杆向下设置，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)、压力传感器(13)和气缸控制电磁阀(14)，所述压力传感器(13)与加压控制器(18)的输入端连接，所述气缸控制电磁阀(14)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。
7.按照权利要求6所述的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，其特征在于：所述试样放置槽内设置有套装在胶结充填体试样(19)底部的O型密封圈(6)，所述座垫(10)上设置有位于所述试样放置槽周围的多孔石(7)。
8.按照权利要求7所述的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，其特征在于：步骤702中所述采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，其中对每个抗压强度测试样品进行单轴抗压强度测试的具体过程为：
步骤7021、将O型密封圈(6)放入所述试样放置槽内后，将胶结充填体试样(19)放入所述试样放置槽内，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；并在座垫(10)上放入位于所述试样放置槽周围的多孔石(7)；
步骤7022、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)施加压力或卸载压力，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单轴抗压强度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，卸载压力。
9.按照权利要求5所述的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，其特征在于：步骤六中得到的胶结充填体的微观参数的数量与步骤7035中得到的每组胶结充填体的微观参数的数量相等且均为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；步骤六中所述计算机(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与步骤7035中所述计算机(17)调用孔隙图像定量分析模块对每个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相同且均为：
步骤F1、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F2、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F3、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F4、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F5、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F6、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F7、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F8、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F9、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F10、根据公式确定圆形度R，其中，Ri为第i个孔隙的圆形度且Ri＝4πSi/Li 2，Si为第i个孔隙的面积，Li第i个孔隙的周长，i的取值为1～n的自然数，n为孔隙数；
步骤F11、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F12、根据公式确定加权概率熵Hm，其中，hmi为第i个孔隙的概率熵且N为孔隙排列方向的定向角区间数，pij为第i个孔隙在第j个定向角区间中出现的概率，j的取值为1～N的自然数；ai为第i个孔隙的权重值且
CN201810098519.6A 2018-01-31 2018-01-31 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 Active CN108445030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810098519.6A CN108445030B (zh) 2018-01-31 2018-01-31 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810098519.6A CN108445030B (zh) 2018-01-31 2018-01-31 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

Publications (2)

Publication Number Publication Date
CN108445030A CN108445030A (zh) 2018-08-24
CN108445030B true CN108445030B (zh) 2019-01-01

Family

ID=63191499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810098519.6A Active CN108445030B (zh) 2018-01-31 2018-01-31 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

Country Status (1)

Country Link
CN (1) CN108445030B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109856029B (zh) * 2019-02-01 2021-07-30 中海石油(中国)有限公司上海分公司 一种基于图像分析的孔隙度评价方法
CN111060440B (zh) * 2020-01-13 2022-11-08 湖南工程学院 用于泡沫混凝土抗压强度的检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61147377A (ja) * 1984-12-20 1986-07-05 Fuji Electric Co Ltd 画像解析装置
CN105074456A (zh) * 2013-03-15 2015-11-18 Bp北美公司 用于改进由岩石样品的材料特性的直接数值模拟以及确定材料特性的不确定性的系统和方法
CN106404632A (zh) * 2016-11-03 2017-02-15 中海石油(中国)有限公司 一种花岗岩储层的微观裂缝‑孔隙结构分类图版构建方法
CN106990128A (zh) * 2017-04-05 2017-07-28 北京矿冶研究总院 区域尾矿库环境风险评估中斑块影像和污染特征耦合方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61147377A (ja) * 1984-12-20 1986-07-05 Fuji Electric Co Ltd 画像解析装置
CN105074456A (zh) * 2013-03-15 2015-11-18 Bp北美公司 用于改进由岩石样品的材料特性的直接数值模拟以及确定材料特性的不确定性的系统和方法
CN106404632A (zh) * 2016-11-03 2017-02-15 中海石油(中国)有限公司 一种花岗岩储层的微观裂缝‑孔隙结构分类图版构建方法
CN106990128A (zh) * 2017-04-05 2017-07-28 北京矿冶研究总院 区域尾矿库环境风险评估中斑块影像和污染特征耦合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
含硫充填体膨胀裂隙发育特性与单轴抗压强度的关联分析;尹升华 等;《工程科学学报》;20180115;第40卷(第1期);第9-16页 *
基于重构相空间充填体变形规律的灰色预测研究;李夕兵 等;《安全与环境学报》;20041231;第4卷(第6期);第54-57页 *

Also Published As

Publication number Publication date
CN108445030A (zh) 2018-08-24

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
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
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
CN109779624B (zh) 基于岩溶参数综合评价裂缝—孔洞型碳酸盐岩储层的方法
CN105139444B (zh) 基于岩心二维颗粒图像的三维颗粒结构重建方法
CN107657243A (zh) 基于遗传算法优化的神经网络雷达一维距离像目标识别方法
CN109523069A (zh) 一种利用机器学习预测充填材料强度参数的方法
CN110410054A (zh) 一种煤层气井压裂裂缝变时空导流能力的预测方法
CN108256258B (zh) 基于sem图像的胶结充填体力学响应特性预测方法
Xiong et al. Characteristics and origin of the heterogeneity of the Lower Silurian Longmaxi marine shale in southeastern Chongqing, SW China
Farres Some observations on the stability of soil aggregates to raindrop impact
CN107423466A (zh) 一种支撑剂嵌入和裂缝导流能力定量预测的数值模拟方法
CN110362914A (zh) 一种不规则柱状节理网络模型随机生成方法
CN111706316A (zh) 一种多重介质芯片油藏及其制作和应用方法
Wang et al. Investigation of pore structure and reservoir quality of Eocene beach-bar sandstones in Dongying Depression, Bohai Bay Basin, East China
Ma et al. Determination of the critical flow pore diameter of shale caprock
CN108240940B (zh) 一种胶结充填体力学响应特性测试系统及方法
Masad et al. Simulation of fluid flow and permeability in cohesionless soils
Abdollahi et al. Reconstitution of sand specimens using a rainer system
Deng et al. Factors controlling reservoir quality of a retreating delta-front in shallow-water lacustrine in the Songliao Basin, Northeast China
ANDROUTSOPOULOS et al. Tomography of macro-meso-pore structure based on mercury porosimetry hysteresis
CN110428189A (zh) 一种地下水水源地回补潜力的量化评价方法及系统
CN109376948A (zh) 一种地下储气库科学选址方法
Li et al. The probability of oil and water movement in tight sandstone: Evaluation methodology and mechanism analysis
Kong et al. Influence mechanism of lightweight aggregate on concrete impermeability: Prediction by ANN

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