CN110928181A - 一种真三轴面扰动下硬岩峰后破坏过程智能控制方法 - Google Patents

Abstract

本发明涉及岩石力学试验机控制技术领域，提供一种真三轴面扰动下硬岩峰后破坏过程智能控制方法。首先确定PID控制参数影响因素包括扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标；然后在n种不同岩石的PID控制参数影响因素的每种参数组合下进行调试试验，得到最优PID控制参数，形成训练样本集；接着，构建并训练基于进化神经网络的PID控制参数预测模型；最后，利用训练后的预测模型预测待试验岩石的最优PID控制参数来控制其在面扰动下的硬岩峰后破坏过程，并根据试验结果更新训练样本集，进一步优化预测模型。本发明能够动态优化PID控制参数及PID控制参数预测模型，提高了PID控制参数预测的精度、效率。

Description

一种真三轴面扰动下硬岩峰后破坏过程智能控制方法

技术领域

本发明涉及岩石力学试验机控制技术领域，特别是涉及一种真三轴面扰动下硬岩峰后破坏过程智能控制方法。

背景技术

通过岩石力学试验机进行岩石力学试验获取岩石全应力应变曲线是了解岩石力学特性的一种有效的方法。以岩石峰值强度为界，岩石全应力应变曲线能被分为峰前区和峰后区。通常岩石的峰后特性对岩石工程的稳定性十分重要。但是因为峰后的硬岩处于一种极其不稳定的状态，与峰前明显不同，所以对控制性能的要求也是极高的。目前岩石力学静态试验，通过加大刚度同时提高岩石力学试验机控制精度已经能够较好地获得一些硬岩的峰后曲线，但是仍然存在如图1所示的硬岩峰后压崩的情况，特别是进行面扰动试验时，更会出现控制精度下降甚至无法得到峰后曲线的情况。

目前试验机控制原理为PID控制方法。通过调整K_p、K_i、K_d这3个系数使系统能快速响应、响应收敛、控制精度高，从而获得较真实的峰后特性的应力应变曲线。目前的控制器已能够满足获取一些硬岩静态应力应变峰后曲线的需求，但是硬岩试样的特性不同所需的控制特性也是不同的。特别是进行面扰动试验时情况更会有所不同。首先从扰动力的响应角度看，面扰动试验时扰动力参数为幅值和频率，整个油缸的活塞动态运动，活塞质量大因此惯性大，针对单一频率，精确控制已有较大的难度。当频率变化时所需要的控制响应能力也会发生变化，即试验机所需的控制响应能力随频率动态变化。若从低频率变化到高频率时，低频率的PID参数的响应速度无法满足高频的需求，若频率从高频变化到低频时，高频率的PID参数响应太快却降低了稳定性同样无法获得预期的扰动力量值。固定的PID参数便会造成响应速度或响应稳定性的下降，从而无法获得期望的控制效果。并且因为面扰动将会在真三轴应力状态全过程的任一节点施加在试样上，扰动力无法到达预期效果进而岩石破裂过程的变化速率也会与预期的不同，固定的响应能力也可能无法满足变化的破裂速率的需求从而造成峰后过程的失控，从而无法获取不同频率面扰动条件下的峰后应力应变曲线。若想在不同扰动频率下获取较好的响应及峰后应力应变曲线，则需对各个频率反复调试获取各个频率对应的最优PID参数，这样做无疑是繁琐的，将耗费大量时间和精力，同时试验的成功率无法得到保证。又因为目前PID参数控制为一种经验式的控制参数，因此无法知道频率特征与PID参数间的准确函数关系。因此传统的静态PID参数调整方式在面扰动条件下变得十分繁琐。

发明内容

针对现有技术存在的问题，本发明提供一种真三轴面扰动下硬岩峰后破坏过程智能控制方法，能够动态优化PID控制参数并动态优化PID控制参数预测模型，提高了PID控制参数预测的精度、效率及面扰动试验的成功率。

本发明的技术方案为：

一种真三轴面扰动下硬岩峰后破坏过程智能控制方法，其特征在于，包括下述步骤：

步骤1：确定岩石真三轴面扰动试验中PID控制参数{K_p,K_i,K_d}的影响因素包括扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标；

步骤2：进行调试试验以构建数据库：

步骤2.1：对n种不同岩石进行矿物成分分析，获取每种岩石的脆性矿物含量、黏土矿物含量、硅酸盐岩矿物含量，计算每种岩石的岩石脆性指标＝脆性矿物含量/(脆性矿物含量+黏土矿物含量+碳酸盐岩矿物含量)；

步骤2.2：对n种不同岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标进行正交设计，得到n⁴种参数组合；利用每一种参数组合对岩石进行真三轴面扰动调试试验，采用最小二乘法获取扰动力目标曲线中的时域数据与扰动力实际响应曲线中的时域数据之间的误差平方和最小时的PID控制参数作为该参数组合下的最优PID控制参数；每种参数组合下的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标及最优PID控制参数构成一个训练样本，n⁴个训练样本构成训练样本集；在真三轴岩石力学试验机的控制系统中建立数据库，将训练样本集存入数据库中；

步骤3：以扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标为输入、最优PID控制参数为输出，构建基于进化神经网络的PID控制参数预测模型；

步骤4：利用训练样本集对PID控制参数预测模型进行训练；

步骤5：提取待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标输入训练后的PID控制参数预测模型中，输出待试验岩石的最优PID控制参数预测值，利用待试验岩石的最优PID控制参数预测值对待试验岩石在真三轴面扰动下的硬岩峰后破坏过程进行控制：

若峰后应力应变曲线不出现压崩，则试验成功，将待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标及最优PID控制参数预测值作为新的训练样本加入训练样本集中，将训练样本集存入数据库中，转至步骤4；

若峰后应力应变曲线出现压崩，则试验不成功，利用待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标对待试验岩石进行真三轴面扰动调试试验，采用最小二乘法获取扰动力目标曲线中的时域数据与扰动力实际响应曲线中的时域数据之间的误差平方和最小时的PID控制参数作为待试验岩石的最优PID控制参数，将待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标及最优PID控制参数作为新的训练样本加入训练样本集中，将训练样本集存入数据库中，转至步骤4。

本发明的有益效果为：

本发明通过在PID控制参数的影响因素——扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标的不同参数组合下对岩石进行真三轴面扰动调试试验，获取了每种参数组合下的最优PID控制参数，形成了训练样本集，构建并训练了基于进化神经网络的PID控制参数预测模型，能够动态优化PID控制参数并动态优化预测模型，解决了因扰动力频率等PID控制参数影响因素改变导致系统上一次试验的PID控制参数不适用的问题，提高了PID控制参数预测的精度和效率，提高了面扰动试验的成功率，同时也提升了岩石力学试验机的智能化水平，降低了人力、财力、精力成本。

附图说明

图1为出现峰后压崩的应力-应变曲线图。

图2为本发明的真三轴面扰动下硬岩峰后破坏过程智能控制方法的流程图。

图3为本发明的真三轴面扰动下硬岩峰后破坏过程智能控制方法中基于进化神经网络的PID控制参数预测模型的结构示意图。

具体实施方式

下面将结合附图和具体实施方式，对本发明作进一步描述。

如图2所示，本发明的一种真三轴面扰动下硬岩峰后破坏过程智能控制方法，包括下述步骤：

步骤1：确定岩石真三轴面扰动试验中PID控制参数{K_p,K_i,K_d}的影响因素包括扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标。

步骤2：进行调试试验以构建数据库：

步骤2.1：对n＝3种不同岩石进行矿物成分分析，获取每种岩石的脆性矿物含量、黏土矿物含量、硅酸盐岩矿物含量，计算每种岩石的岩石脆性指标＝脆性矿物含量/(脆性矿物含量+黏土矿物含量+碳酸盐岩矿物含量)；

步骤2.2：对3种不同岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标进行正交设计，得到3⁴＝81种参数组合；利用每一种参数组合对岩石进行真三轴面扰动调试试验，采用最小二乘法获取扰动力目标曲线中的时域数据与扰动力实际响应曲线中的时域数据之间的误差平方和最小时的PID控制参数作为该参数组合下的最优PID控制参数{K_p,K_i,K_d}；每种参数组合下的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标及最优PID控制参数构成一个训练样本，81个训练样本构成训练样本集；在真三轴岩石力学试验机的控制系统中建立数据库，将训练样本集存入数据库中。

其中，每种岩石的扰动力幅值、扰动力频率、变形控制速率都可以通过本领域公知的技术手段在真三轴岩石力学试验机中对岩石进行试验得到。

步骤3：以扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标为输入、最优PID控制参数为输出，构建如图3所示的基于进化神经网络的PID控制参数预测模型。

步骤4：利用训练样本集对PID控制参数预测模型进行训练。

其中，进化神经网络是基于进化计算和神经网络两大智能分支，将二者有机融合在一起产生的一种全新的神经网络。如图3所示，进化神经网络的网络结构由输入层、隐含层、输出层构成。利用大量的样本数据对进化神经网络进行训练，构建出最优的进化神经网络结构。这样就可以无需了解输入输出之间的确切函数关系，通过输入参数利用优化的神经网络来预测需要的输出值即PID控制参数值。

首先设定进化神经网络的参数约束范围、总进化代数、保存间隔代数、种群规模、随机数种子、编码串长、代间隔比例、交叉概率、保留进化结果数、变异概率、编码方案、适应值形式、选择策略、交叉方案、变异方案，然后计算遗传算法样本适应值。接下来设置最大迭代次数、误差记录间隔、误差稳定时间、误差控制的个体目标、系统目标及测试目标。再设置学习参数的学习率及冲量系数、结构层数。将上述参数设定好，导入训练样本集，训练神经网络结构。

步骤5：提取待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标输入训练后的PID控制参数预测模型中，输出待试验岩石的最优PID控制参数预测值，利用待试验岩石的最优PID控制参数预测值对待试验岩石在真三轴面扰动下的硬岩峰后破坏过程进行控制：

若峰后应力应变曲线不出现压崩，则试验成功，将待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标及最优PID控制参数预测值作为新的训练样本加入训练样本集中，将训练样本集存入数据库中，转至步骤4，进一步训练预测模型，使预测模型得到进一步的优化，以用于下一次PID控制参数的预测；

若峰后应力应变曲线出现压崩，则试验不成功，利用待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标对待试验岩石进行真三轴面扰动调试试验，采用最小二乘法获取扰动力目标曲线中的时域数据与扰动力实际响应曲线中的时域数据之间的误差平方和最小时的PID控制参数作为待试验岩石的最优PID控制参数，将待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标及最优PID控制参数作为新的训练样本加入训练样本集中，将训练样本集存入数据库中，转至步骤4。

显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (1)

1.一种真三轴面扰动下硬岩峰后破坏过程智能控制方法，其特征在于，包括下述步骤：

步骤1：确定岩石真三轴面扰动试验中PID控制参数{K_p,K_i,K_d}的影响因素包括扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标；

步骤2：进行调试试验以构建数据库：

步骤2.1：对n种不同岩石进行矿物成分分析，获取每种岩石的脆性矿物含量、黏土矿物含量、硅酸盐岩矿物含量，计算每种岩石的岩石脆性指标＝脆性矿物含量/(脆性矿物含量+黏土矿物含量+碳酸盐岩矿物含量)；

步骤2.2：对n种不同岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标进行正交设计，得到n⁴种参数组合；利用每一种参数组合对岩石进行真三轴面扰动调试试验，采用最小二乘法获取扰动力目标曲线中的时域数据与扰动力实际响应曲线中的时域数据之间的误差平方和最小时的PID控制参数作为该参数组合下的最优PID控制参数；每种参数组合下的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标及最优PID控制参数构成一个训练样本，n⁴个训练样本构成训练样本集；在真三轴岩石力学试验机的控制系统中建立数据库，将训练样本集存入数据库中；

步骤3：以扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标为输入、最优PID控制参数为输出，构建基于进化神经网络的PID控制参数预测模型；

步骤4：利用训练样本集对PID控制参数预测模型进行训练；

步骤5：提取待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标输入训练后的PID控制参数预测模型中，输出待试验岩石的最优PID控制参数预测值，利用待试验岩石的最优PID控制参数预测值对待试验岩石在真三轴面扰动下的硬岩峰后破坏过程进行控制：

若峰后应力应变曲线不出现压崩，则试验成功，将待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标及最优PID控制参数预测值作为新的训练样本加入训练样本集中，将训练样本集存入数据库中，转至步骤4；

若峰后应力应变曲线出现压崩，则试验不成功，利用待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标对待试验岩石进行真三轴面扰动调试试验，采用最小二乘法获取扰动力目标曲线中的时域数据与扰动力实际响应曲线中的时域数据之间的误差平方和最小时的PID控制参数作为待试验岩石的最优PID控制参数，将待试验岩石的扰动力幅值、扰动力频率、变形控制速率、岩石脆性指标及最优PID控制参数作为新的训练样本加入训练样本集中，将训练样本集存入数据库中，转至步骤4。

Images