CN113378909B - 一种岩石节理面粗糙度系数的分级表征方法、设备及介质 - Google Patents

一种岩石节理面粗糙度系数的分级表征方法、设备及介质 Download PDF

Info

Publication number
CN113378909B
CN113378909B CN202110632148.7A CN202110632148A CN113378909B CN 113378909 B CN113378909 B CN 113378909B CN 202110632148 A CN202110632148 A CN 202110632148A CN 113378909 B CN113378909 B CN 113378909B
Authority
CN
China
Prior art keywords
jrc
standard
curve
roughness
joint surface
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
CN202110632148.7A
Other languages
English (en)
Other versions
CN113378909A (zh
Inventor
叶义成
吴孟龙
元宙昊
胡南燕
王其虎
罗斌玉
谭文侃
姜维
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.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
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 Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN202110632148.7A priority Critical patent/CN113378909B/zh
Publication of CN113378909A publication Critical patent/CN113378909A/zh
Application granted granted Critical
Publication of CN113378909B publication Critical patent/CN113378909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开了一种岩石节理面粗糙度系数的分级表征方法、设备及介质；该方法包括：通过灰度图像处理将标准JRC曲线数字化，以获取标准曲线轮廓坐标值；将所述标准JRC曲线进行聚合经验模态分解，利用临界分解水平判别准则，分解为初级粗糙结构和次级粗糙结构；利用所述初级粗糙结构和次级粗糙结构完成节理面粗糙度系数的分级表征。该方法基于初级粗糙度和次级粗糙度统计参数提出的分级表征公式对于节理面粗糙度系数的准确表征具有重要意义；且通过双参数来表征岩石节理面粗糙度系数要比单一参数时相关性系数要高；通过聚合经验模态分解处理标准JRC曲线的方法比其它方法相比，数学定义更加明确，更加客观。

Description

一种岩石节理面粗糙度系数的分级表征方法、设备及介质
技术领域
本发明涉及岩石力学技术领域，特别涉及一种岩石节理面粗糙度系数的分级表征方法、设备及介质。
背景技术
天然岩体经过漫长地质作用，内部存在大量不连续节理面，节理面粗糙特性对节理岩体的力学性能及水力传导性有重要影响，主要控制着工程岩体的稳定性及渗透特性。天然节理的结构形态千差万别，统计分布呈现较大随机性，节理面粗糙度的数学表征是研究节理岩体水力特性的基础。
国内外学者针对节理面粗糙度定量描述开展了大量研究工作。但存在以下不足：(1)大多通过一系列单参数经验公式来定量表征节理面粗糙度系数(JRC)；(2)定义初级粗糙结构和次级粗糙结构时大多是主观的，未给出客观的数学定义；(3)标准JRC曲线的分解存在一定的噪声影响，导致分解不完全或者过度分解。
因此，如何解决上述不足，成为同行从业人员亟待解决的问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种岩石节理面粗糙度系数的分级表征方法、设备及介质。
第一方面，本发明实施例提供一种岩石节理面粗糙度系数的分级表征方法，包括：
S1、通过灰度图像处理将标准JRC曲线数字化，以获取标准曲线轮廓坐标值；
S2、将所述标准JRC曲线进行聚合经验模态分解，利用临界分解水平判别准则，分解为初级粗糙结构和次级粗糙结构；
S3、利用所述初级粗糙结构和次级粗糙结构完成节理面粗糙度系数的分级表征。
在一个实施例中，所述步骤S1中轮廓坐标值的获取，以轮廓中心线为基准，标准JRC曲线经过灰度图像处理后得到一个n×m阶灰度矩阵，即该曲线沿水平方向被分为n段，每个像素点的尺寸：μ＝L/n；L表示标准JRC曲线水平方向的像素；
标准JRC曲线轮廓中心线的坐标(xi，yj)表示为：
Figure BDA0003104047470000021
式中：i为灰度矩阵的列号；j为灰度矩阵第i列中灰阶较小的单元格最大行号与最小行号的平均值。
在一个实施例中，所述步骤S2中临界分解水平的判别准则包括：
以初级粗糙结构与原标准JRC曲线相关性系数开始发生显著变化，次级粗糙结构的分布满足高斯分布作为临界分解水平判别准则；其中采用适用于大样本检验的K-S检验来判别是否满足高斯分布。
在一个实施例中，所述步骤S2中将所述标准JRC曲线进行聚合经验模态分解，包括：
S21、在目标数据上加入白噪声信号；
S22、将加入的白噪声信号分解为IMF；
S23、每次加入不同的白噪声序列，反复重复步骤S21、S22共N次；所述N为所述标准JRC曲线的数量；
S24、把分解得到的各个IMF的均值作为最终的结果。
在一个实施例中，所述步骤S3包括：
S31、统计原始标准JRC曲线及聚合经验模态分解后的标准JRC曲线的统计参数均方根Z2和轮廓指数RP的变化规律；
S32、根据所述变化规律对节理面粗糙度系数分级表征；
S33、通过预设数量的剖面，对节理面粗糙度系数分级表征进行有效性验证。
在一个实施例中，所述步骤S32包括：
采用初级粗糙度结构的统计参数和次级粗糙度结构的统计参数来完成节理面粗糙度系数的分级表征：表征方式如下：
JRC＝37.92*(Z2 1st)0.8195+120.4*(Z2 2nd)0.8195-3.414
JRC＝17.07*(RP 1st)19.88-15.75*(RP 2nd)-82.69-0.2437
式中：Z2 1st为原始标准JRC曲线统计参数均方根；Z2 2nd为聚合经验模态分解后的标准JRC曲线统计参数均方根；RP 1st为原始标准JRC曲线的轮廓指数；RP 2nd为聚合经验模态分解后的标准JRC曲线的轮廓指数。
第二方面，本发明实施例还提供一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述实施例中任一所述的方法。
第三方面，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其特征在于，当所述计算机程序中的指令由处理器执行时，能够实现如上述实施例中任一所述的方法。
本发明实施例提供的上述技术方案的有益效果至少包括：
(1)采用灰度图像处理方法将标准的JRC曲线数字化，通过聚合经验模态分解将标准JRC曲线分解为初级波状起伏结构和次级细微粗糙结构；以临界分解水平判别准则；在此基础上，可将标准JRC曲线分解为初级波状起伏结构和次级细微粗糙结构。通过聚合经验模态分解处理标准JRC曲线的方法比其它方法相比，数学定义更加明确，更加客观；
(2)进一步地，上述临界分解水平判别准则，以不同分解水平标准JRC曲线的初级波状起伏结构、与标准JRC曲线之间的相关性系数开始发生突变及次级细微粗糙结构满足高斯分布为判据，建立了临界分解水平判别准则。该判别准则更客观、利于后续节理面粗糙度系数的分级表征更准确。
(3)基于初级波状起伏结构统计参数(P1st)和次级细微粗糙结构统计参数(P2nd)建立了岩石节理面粗糙度系数(JRC)分解表征公式：JRC＝a*(P1st)m+b*(P2nd)n+c。用初级波状起伏结构统计参数(P1st)和次级细微粗糙结构统计参数(P2nd)双参数来表征岩石节理面粗糙度系数要比单一参数时相关性系数要高。用处于临界分解水平的统计参数表征JRC时的相关性系数要比其它分解水平高，分别为其平均值的1.04和1.01倍。用处于临界分解水平的统计参数表征JRC时比用单一统计参数、其它各分解水平的统计参数表征时用更加客观、准确；
(4)用聚合经验模态分解的方法对岩石节理面粗糙度系数(JRC)进行分级表征时无需考虑节理面粗糙度系数对采样间隔的依赖性。用小波变换的方法对岩石节理面粗糙度系数(JRC)进行分级表征时，不会出现因采样间隔造成剖面局部信息被忽略的现象。用聚合经验模态分解的方法对岩石节理面粗糙度系数(JRC)进行分级表征要比其它方法更加客观、准确。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1附图为岩石节理面粗糙度系数的分级表征方法流程图。
图2附图为经过灰度图像处理，重构后的10条标准JRC曲线示意图。
图3附图为经过聚合经验模态分解后的6#标准JRC曲线初级粗糙结构和次级粗糙结构示意图。
图4附图为各分解水平标准JRC曲线初级粗糙结构与原始标准JRC曲线之间的相关性系数示意图。
图5附图为聚合经验模态分解后标准JRC曲线的统计参数变化规律图。
图6附图为岩石节理面粗糙度系数分级表征公式的三维拟合图。
图7附图为验证步骤中计算值与实测值的误差统计图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供的岩石节理面粗糙度系数的分级表征方法，参照图1所示，其包括：
S1、通过灰度图像处理将标准JRC曲线数字化，以获取标准曲线轮廓坐标值；
S2、将所述标准JRC曲线进行聚合经验模态分解，利用临界分解水平判别准则，分解为初级粗糙结构和次级粗糙结构；
S3、利用所述初级粗糙结构和次级粗糙结构完成节理面粗糙度系数的分级表征。
本实施例中，比如首先选取Barton基于136组岩石试件剪切试验研究给出的10条标准JRC曲线，通过灰度图像处理将标准JRC曲线数字化，以聚合经验模态分解为基础，再辅以临界分解水平准则，将标准JRC曲线分解成初级波纹起伏结构和次级细微粗糙结构，最后利用初级波纹起伏结构和次级细微粗糙结构的统计参数完成节理面粗糙度系数(JRC)的分级表征。岩石节理面分级表征方法得到的相关性系数要比用单一参数表征时分别高0.053和0.029。基于初级粗糙度和次级粗糙度统计参数提出的分级表征公式对于节理面粗糙度系数的准确表征具有重要意义。
下面分别对上述步骤以10条标准JRC曲线为例进行详细的说明。
上述步骤S1的轮廓坐标获取：
S11、在进行聚合经验模态分解或计算剖面统计参数前，需将标准JRC曲线数字化，获取标准曲线轮廓坐标值。
S12、采用灰度图像处理方法获取标准JRC曲线轮廓的坐标值，可减小数据光标法及高分辨率扫描仪法中存在的人为误差。
S13、在获取标准JRC曲线轮廓坐标值时，一般以轮廓中心线为基准，其中轮廓中心线的高度与灰度矩阵中灰阶较小的单元格相关。标准JRC曲线经过灰度图像处理后可得到一个n×m阶灰度矩阵，即该曲线沿水平方向被分为n段，每个像素点的尺寸：μ＝L/n，L表示标准JRC曲线水平方向的像素；
则标准JRC曲线轮廓中心线的坐标(xi，yj)可以表示为：
Figure BDA0003104047470000061
式中：i为灰度矩阵的列号，j为灰度矩阵第i列中灰阶较小的单元格最大行号与最小行号的平均值。通过该方法可获得10条标准JRC曲线轮廓坐标数据。
S14、在获得坐标数据后，对10条标准JRC曲线进行重构，重构后的结果如图2所示。
上述步骤S2标准JRC曲线的分解：如图3为经过聚合经验模态分解后的6#标准JRC曲线初级粗糙结构和次级粗糙结构。
步骤在于：
S21：为将标准JRC曲线分解为由初级粗糙结构和次级粗糙结构，需先对10条标准JRC曲线进行聚合经验模态分解。在其基础上利用临界分解水平判别准则，便可将标准JRC曲线分解为由初级粗糙结构和次级粗糙结构。
S22：利用MATLAB对10条标准JRC曲线进行聚合经验模态分解。具体步骤为：
S2.1在目标数据上加入白噪声信号；
S2.2将加入的白噪声信号分解为IMF；
S2.3每次加入不同的白噪声序列，反复重复步骤(1)、(2)10次；
S2.4把分解得到的各个IMF的均值作为最终的结果。
以6#标准JRC曲线为例，6#标准JRC曲线的6水平分解后的结果见图3。
S23：在每个分解水平，近似部分RESi代表剖面的主要起伏/波动(初级粗糙)，细节部分IMFi主要表示较大频率的小尺度波动。随着分解水平的增加，细节部分逐渐被提取出来。在此基础上只需给出临界分解水平的判别准则，便可将原始标准JRC曲线的分解为初级波状起伏结构和次级细微粗糙结构。
S24：基于临界分解水平判别准则，对10条标准JRC曲线的临界分解水平进行分析判断。
S25：在确定临界分解水平后，标准JRC曲线可被分解为由初始粗糙结构和次级粗糙结构。
其中，上述步骤S23中，临界分解水平的确定准则。为将标准JRC曲线分解为由初级粗糙结构和次级粗糙结构，需要确定聚合经验模态分解的临界分解水平。基于临界分解水平判别准则，对10条标准JRC曲线的临界分解水平进行分析判断。
参照图4所示，为各分解水平标准JRC曲线初级粗糙结构与原始标准JRC曲线之间的相关性系数。从图4(a)中可以看出，1#、、3#、4#、5#、6#、7#、9#标准JRC曲线当分解水平大于3时，相关性系数开始发生显著变化。从图4(b)中可以看出，6#、8#、10#标准JRC曲线在分解水平大于2时，相关性系数开始发生显著变化，即，1#、、3#、4#、5#、6#、7#、9#标准JRC曲线的临界分解水平为3，6#、8#、10#标准JRC曲线的临界分解水平为2。
运用K-S检验(P>0.05)来判定次级粗糙结构是否满足高斯分布，检验结果如下表所示。从表1中可以看出10条标准JRC曲线的P值均大于0.05，为此10条标准JRC曲线处于临界水平时分解出的次级粗糙度满足高斯分布。
表1
Figure BDA0003104047470000081
通过临界分解水平可以知道最能体现标准JRC曲线原始特征信息的最佳分解点。相关性准则认为通过比较聚合经验模态分解的重构信号与原始信号之间的相关性系数，可以确定聚合经验模态分解提取原始信号特征的准确度，即聚合经验模态分解重构信号能提取原始信号特征的程度。为此，以初级粗糙结构与原标准JRC曲线相关性系数开始发生显著变化，次级粗糙结构的分布满足高斯分布作为临界分解水平判别准则，其中采用适用于大样本检验的K-S检验来判别是否满足高斯分布。可得出10条标准JRC曲线的临界分解水平，如下表2所示。
如下表2所示。
表2
Figure BDA0003104047470000082
根据本发明实施例，步骤S25中标准JRC曲线可被分解为由初始粗糙结构和次级粗糙结构。
上述步骤S3中，包括如下子步骤：
S31、统计原始标准JRC曲线及聚合经验模态分解后的标准JRC曲线的统计参数均方根Z2和轮廓指数RP的变化规律；
S32、根据所述变化规律对节理面粗糙度系数分级表征；
S33、通过预设数量的剖面，对节理面粗糙度系数分级表征进行有效性验证。
根据本发明实施例，步骤S31统计参数均方根(Z2)和轮廓指数(RP)的变化规律。结果见图5。
原始标准JRC曲线及聚合经验模态分解后的标准JRC曲线的统计参数均方根(Z2)和轮廓指数(RP)的变化规律如图6所示。从图6中可以看出，统计参数总体上随着剖面号的增加而增加，但随着分解水平的变化统计参数亦会呈现出不同的变化趋势，同时还可以看出，近似部分统计参数与细节部分统计参数随着分解水平的增加呈现不同的变化趋势。如分解水平为0～3时，近似部分统计参数Z2 1st在4#～5#剖面处呈减小趋势，而在分解水平为4～8时，近似部分统计参数Z2 1st在4#～5#剖面处呈增加趋势；分解水平为0～3时，近似部分统计参数Z2 1st在7#～8#剖面处呈减小趋势，而在分解水平为4～8时，近似部分统计参数Z2 1st在7#～8#剖面处呈增长趋势；分解水平为0～5时，细节部分统计参数Z2 2nd在7#～8#剖面处呈减小趋势，而在分解水平为6～8时，细节部分统计参数Z2 2nd在7#～8#剖面处呈增长趋势。由于初级结构面和次级结构面统计参数变化趋势不同，因此，仅用单一的统计参数来同时表征初级结构面和次级结构面的界里面粗糙度系数是不合适的。
步骤S32节理面粗糙度系数的分级表征方法。在研究岩体节理面粗糙度定量化表征时建立了诸如对数、线性、平方根和幂律等各种类型的估值公式。在总结分析的基础上，提出用下式表示已有的粗糙度系数表征公式：
JRC＝a×[P]b+c
其中：a、b、c为幂参数，P为统计粗糙度参数。
为降低节理面粗糙度系数对采样间隔的依赖性，采用初级粗糙度的统计参数和次级粗糙度的统计参数来完成节理面粗糙度系数的分级表征。但上述公式仅包括单一统计参数，为此将上述公式中的统计参数P变为初级粗糙度统计参数P1st和次级粗糙度统计参数P2nd，具体见下式：
JRC＝a×[P1st]m+b×[P2nd]n+c
其中：a、b、c、m、n为幂参数，P1st和P2nd为统计粗糙度参数。
利用MATLAB的Curve fitting工具箱按照上述公式分别对JRC分级表征进行拟合，结果如下表3所示：
表3
Figure BDA0003104047470000101
临界分解水平的拟合结果见下式。
JRC＝37.92*(Z2 1st)0.8195+120.4*(Z2 2nd)0.8195-3.414
JRC＝17.07*(RP 1st)19.88-15.75*(RP 2nd)-82.69-0.2437
三维拟合图见图6。
用双参数表征JRC得到的相关性系数比用单一参数时大。用处于临界分解水平的统计参数表征JRC时得到的相关性系数要比其它分解水平高，采用统计参数Z2时比其最小值、平均值及最大值分别高0.0514、0.0377和0.0048；采用统计参数Rp时比其最小值、平均值及最大值分别高0.0280、0.0172和0.0052倍。也进一步说明了初级粗糙结构和次级粗糙结构的表征方式不同，采用分级表征方式是合理有效的。其中，Rp临界分解水平的相关性系数比Z2小0.0256，表明Rp和JRC的幂指数关系要弱于Z2。因此，用初级粗糙结构和次级粗糙结构的统计参数(双参数)来表征JRC是合理的，有效的。
根据本发明实施例，上述步骤S33节理粗糙度系数分级表征有效性验证。比如选取55个剖面用于验证，计算值与实测值的误差统计图7。其中参数Z2表征方法(图7的左部分(a))，误差在0～2之间的占比为91.37％，在2～3.5之间的占比为8.63％；参数RP表征方法(图7的右部分(b))，误差在0～2之间的占比为88.86％，在2～3.5之间的占比为11.14％。再次说明上述双参数表征方法来表征岩石结构面粗糙度系数是合理、有效的。
基于同一发明构思，本发明实施例还提供一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现一种岩石节理面粗糙度系数的分级表征方法。
本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现一种岩石节理面粗糙度系数的分级表征方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种岩石节理面粗糙度系数的分级表征方法，其特征在于，包括：
S1、通过灰度图像处理将标准JRC曲线数字化，以获取标准曲线轮廓坐标值；
S2、将所述标准JRC曲线进行聚合经验模态分解，利用临界分解水平判别准则，分解为初级粗糙结构和次级粗糙结构；步骤S2中临界分解水平的判别准则包括：以初级粗糙结构与原标准JRC曲线相关性系数开始发生显著变化，次级粗糙结构的分布满足高斯分布作为临界分解水平判别准则；其中采用适用于大样本检验的K-S检验来判别是否满足高斯分布；
S3、利用所述初级粗糙结构和次级粗糙结构完成节理面粗糙度系数的分级表征；
步骤S3包括：
S31、统计原始标准JRC曲线及聚合经验模态分解后的标准JRC曲线的统计参数均方根Z2和轮廓指数RP的变化规律；
S32、根据所述变化规律对节理面粗糙度系数分级表征；
S33、通过预设数量的剖面，对节理面粗糙度系数分级表征进行有效性验证。
2.如权利要求1所述的一种岩石节理面粗糙度系数的分级表征方法，其特征在于，步骤S1中轮廓坐标值的获取，以轮廓中心线为基准，标准JRC曲线经过灰度图像处理后得到一个n×m阶灰度矩阵，即该曲线沿水平方向被分为n段，每个像素点的尺寸：μ＝L/n；L表示标准JRC曲线水平方向的像素；
标准JRC曲线轮廓中心线的坐标(xi，yj)表示为：
Figure FDA0003723421440000011
式中：i为灰度矩阵的列号；j为灰度矩阵第i列中灰阶较小的单元格最大行号与最小行号的平均值。
3.如权利要求1所述的一种岩石节理面粗糙度系数的分级表征方法，其特征在于，步骤S2中将所述标准JRC曲线进行聚合经验模态分解，包括：
S21、在目标数据上加入白噪声信号；
S22、将加入的白噪声信号分解为IMF；
S23、每次加入不同的白噪声序列，反复重复步骤S21、S22共N次；所述N为所述标准JRC曲线的数量；
S24、把分解得到的各个IMF的均值作为最终的结果。
4.如权利要求1所述的一种岩石节理面粗糙度系数的分级表征方法，其特征在于，步骤S32包括：
采用初级粗糙度结构的统计参数和次级粗糙度结构的统计参数来完成节理面粗糙度系数的分级表征：表征方式如下：
JRC＝37.92*(Z2 1st)0.8195+120.4*(Z2 2nd)0.8195-3.414
JRC＝17.07*(RP 1st)19.88-15.75*(RP 2nd)-82.69-0.2437
式中：Z2 1st为原始标准JRC曲线统计参数均方根；Z2 2nd为聚合经验模态分解后的标准JRC曲线统计参数均方根；RP 1st为原始标准JRC曲线的轮廓指数；RP 2nd为聚合经验模态分解后的标准JRC曲线的轮廓指数。
5.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如权利要求1-4中任一所述的方法。
6.一种计算机可读介质，其上存储有计算机程序，其特征在于，当所述计算机程序中的指令由处理器执行时，能够实现如权利要求1-4中任一所述的方法。
CN202110632148.7A 2021-06-07 2021-06-07 一种岩石节理面粗糙度系数的分级表征方法、设备及介质 Active CN113378909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110632148.7A CN113378909B (zh) 2021-06-07 2021-06-07 一种岩石节理面粗糙度系数的分级表征方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110632148.7A CN113378909B (zh) 2021-06-07 2021-06-07 一种岩石节理面粗糙度系数的分级表征方法、设备及介质

Publications (2)

Publication Number Publication Date
CN113378909A CN113378909A (zh) 2021-09-10
CN113378909B true CN113378909B (zh) 2022-08-12

Family

ID=77576118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110632148.7A Active CN113378909B (zh) 2021-06-07 2021-06-07 一种岩石节理面粗糙度系数的分级表征方法、设备及介质

Country Status (1)

Country Link
CN (1) CN113378909B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934484A (zh) * 2024-03-25 2024-04-26 中铁四局集团有限公司 一种隧道掌子面围岩级别判定方法、设备、存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3596469A (en) * 1967-11-30 1971-08-03 Mitsubishi Rayon Co Process for the stabilization of soil
CN105158039A (zh) * 2015-09-08 2015-12-16 河海大学 一种用于裂隙岩体渗流试验仿真裂隙制作方法
CN107563087A (zh) * 2017-09-13 2018-01-09 绍兴文理学院 最优采样间距条件下的结构面粗糙度系数统计方法
CN107656902A (zh) * 2017-09-13 2018-02-02 绍兴文理学院 不同采样间距下的结构面粗糙度系数统计方法
CN108647408A (zh) * 2018-04-16 2018-10-12 大连理工大学 一种新型岩石节理双阶粗糙度定量分析方法
CN111274664A (zh) * 2019-11-11 2020-06-12 宁波大学 基于小波分析的各级表面形貌对抗剪强度贡献程度的确定方法
CN112329595A (zh) * 2020-11-02 2021-02-05 中南大学 一种岩石节理面几何形貌频谱分析与重建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3596469A (en) * 1967-11-30 1971-08-03 Mitsubishi Rayon Co Process for the stabilization of soil
CN105158039A (zh) * 2015-09-08 2015-12-16 河海大学 一种用于裂隙岩体渗流试验仿真裂隙制作方法
CN107563087A (zh) * 2017-09-13 2018-01-09 绍兴文理学院 最优采样间距条件下的结构面粗糙度系数统计方法
CN107656902A (zh) * 2017-09-13 2018-02-02 绍兴文理学院 不同采样间距下的结构面粗糙度系数统计方法
CN108647408A (zh) * 2018-04-16 2018-10-12 大连理工大学 一种新型岩石节理双阶粗糙度定量分析方法
CN111274664A (zh) * 2019-11-11 2020-06-12 宁波大学 基于小波分析的各级表面形貌对抗剪强度贡献程度的确定方法
CN112329595A (zh) * 2020-11-02 2021-02-05 中南大学 一种岩石节理面几何形貌频谱分析与重建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Estimation of the joint roughness coefficient (JRC) of rock joints by vector similarity measures;Rui Yong et al.;《Bull Eng Geol Environ》;20170203;第735-749页 *
Estimation of the joint roughness coefficient of rock joints by consideration of two-order asperity and its application in double-joint shear tests;X.G. Liu et al.;《Engineering Geology》;20170216;第243-255页 *
Wavelet analysis of JRC exemplar profiles;M.S. Asadi et al.;《ResearchGate》;20160205;第215-220页 *

Also Published As

Publication number Publication date
CN113378909A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
Mu et al. Feasibility analysis of the replacement of the actual machining surface by a 3D numerical simulation rough surface
CN103616179A (zh) 一种基于缺陷建模的传动齿轮疲劳寿命评估方法
CN113378909B (zh) 一种岩石节理面粗糙度系数的分级表征方法、设备及介质
CN103149348B (zh) 基于小波多尺度分析的先进陶瓷磨削表面损伤的评价方法
Chu et al. Quantification of soil random roughness and surface depression storage: Methods, applicability, and limitations
Pour Simultaneous application of time series analysis and wavelet transform for determining surface roughness of the ground workpieces
CN116306047B (zh) 一种铝合金件表面抛光控制方法及系统
CN107729651A (zh) 基于多维度的坡面细沟发育形态特征综合量化方法
CN107194114B (zh) 一种岩石结构面多重分形参数的计算方法
CN116050644A (zh) 一种基于灰色模型预测大坝变形极值的方法
Zhou et al. The three-point sinuosity method for calculating the fractal dimension of machined surface profile
CN109657287B (zh) 基于综合得分法水文模型精度识别的方法
Mu et al. Study on rough surfaces: A novel method for high-precision simulation and interface contact performances analysis
CN117972314A (zh) 一种基于数字孪生的云平台监控方法及系统
CN107292100B (zh) 一种岩石结构面分形维数的计算方法
CN107239629B (zh) 一种岩石结构面实验室合理尺寸确定的分形维数分析方法
CN107292017B (zh) 岩石结构面实验室合理尺寸确定的多重分形参数分析方法
CN102830430B (zh) 一种层位速度建模方法
CN115598017B (zh) 一种透水混凝土用粗骨料形态识别及骨架评价方法
CN116110526A (zh) 一种钛合金应力腐蚀临界应力强度因子预测方法
CN101509858A (zh) 乏信息材料洛氏硬度测量不确定度评定的方法
CN113432978A (zh) 一种高聚物材料力学性能的细观分析方法
Mudelsee et al. Optimal heavy tail estimation–Part 1: Order selection
CN117520752B (zh) 基于大数据的水利工程信息管理方法
CN113284139B (zh) 一种基于周期性变异函数的快速估计地物空间格局的方法

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