CN114088014A - 一种岩体三维裂隙网络模型智能绘制和剖切系统 - Google Patents
一种岩体三维裂隙网络模型智能绘制和剖切系统 Download PDFInfo
- Publication number
- CN114088014A CN114088014A CN202010822694.2A CN202010822694A CN114088014A CN 114088014 A CN114088014 A CN 114088014A CN 202010822694 A CN202010822694 A CN 202010822694A CN 114088014 A CN114088014 A CN 114088014A
- Authority
- CN
- China
- Prior art keywords
- intelligent
- network model
- data
- group
- structural
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种岩体三维裂隙网络模型智能绘制和剖切系统,属于岩体表征技术领域,其步骤包括:(1)岩体结构面极点图和产状玫瑰花图智能绘制系统研发;(2)岩体三维裂隙网络模型智能生成和剖切系统研发。本发明基于模糊等价聚类分析方法编程研发岩体结构面极点图和产状玫瑰花图智能绘制系统,基于蒙特卡洛方法编程研发岩体三维裂隙网络模型智能生成和剖切系统,实现了结构面极点图、产状玫瑰花图、三维裂隙网络模型和二维裂隙网络模型的智能绘制。本发明方法手段智能,工程应用便捷。
Description
技术领域
本发明涉及一种岩体三维裂隙网络模型智能绘制和剖切系统,特别的是本发明基于模糊等价聚类分析方法编程研发岩体结构面极点图和产状玫瑰花图智能绘制系统,基于蒙特卡洛方法编程研发岩体三维裂隙网络模型智能生成和剖切系统,将结构面极点图和产状玫瑰花图智能绘制、岩体三维裂隙网络智能生成和软件编程研发相结合,提供了一种岩体三维裂隙网络模型智能绘制和剖切系统,属于岩体表征技术领域。
背景技术
岩体中广泛发育着结构面,破坏了岩体的连续性、完整性,在很大程度上影响、控制着岩体的稳定性。在漫长的地质历史演变过程中,岩体经历了不同大小、不同方向的多期构造应力场作用,加上岩体本身的非均质性,导致了岩体节理分布的随机性、形态多样性、分布的不均匀性和空间组合的复杂性。对岩体结构的研究及其性状的描述一直是工程地质和岩体力学领域的热点和难点。
结构面在岩体稳定性中起着至关重要的作用。如在岩质边坡稳定性分析中,结构面的产状对稳定性有着很大的影响,如岩体发育与边坡相同方向,且倾角小于边坡角的节理,就能导致边坡失稳,如果它们发育程度在密集,那将大大削弱边坡的稳定性。因此如何快速、有效的对结构面产状进行分析和描述,智能获得区域内结构面的产状和分布特征等,一直以来是岩体工程界最关心和亟待解决的关键技术问题。
目前国内外常用的结构面产状采集方法主要有测线法、精测线法、取样窗法和钻孔岩芯节理采集法。这些测量方法在施用时都面临着野外工作量大,误差大,效果不佳,不能满足现代化施工的需求。而数字摄影测量技术作为一种全新的、快速、高效、准确、全面地获取随机岩体结构面信息的方法,在求解结构面方位和规模信息方面显得尤为先进。其优点是依据非接触测量手段,提供基于三维空间坐标数据和实体模型的数字产品,创建实时的地质信息交流和反馈环境,经过软件处理和运算,直接获得岩体的结构面信息数据,并建立所测范围内岩体表面的三维实体模型,直观的反应出岩体表面结构面的发育情况以及块体信息。因此,通过数字摄影测量技术,可以实现结构面数据的快速获取。
常用的结构面产状统计方法有结构面玫瑰花图和极点图。结构面玫瑰花图是一种简单、清晰、直观的基础地质图件,在表征构造破裂面发育程度和优势方位方面应用广泛。其做法简单,醒目,能比较清楚的反映出主要节理的方向,有助于分析区域构造。在地质分析时,一般常把节理玫瑰花图,按测点位置标绘在地质图上,以清楚反映不同构造部位的节理、褶皱或断层的关系,综合分析出其局部应力的状况,大致确定主应力轴的性质和方向。其中,走向玫瑰花图多应用于节理产状比较陡峻的情况,倾向和倾角玫瑰花图多用于节理产状变化比较大的情况。产状玫瑰花图的缺点是只依据产状的分布进行分组,当同一产状有多组结构面时,产状玫瑰花图不能完全表示出来。
极点图是将所测结构面的极点投影到赤平投影图上,它是一种利用平面上的点和线解析三维空间的线和面的一种图解方法。并能通过旋转变换,恢复构造破坏前的节理、地层产状,通过节理等密度线图可以求出优势结构面的产状。极点图可以同时展现结构面的倾向和倾角的分布,相较于玫瑰花图的方法更科学和准确一些。但是极点图的图解过程却是相当繁琐。手工完成一张极点图如等密线图,需要经过投点,密度统计、百分比换算、勾绘等直线等工序,即费时间又容易出错。同时,极点图还存在着分组结果主要依靠经验,在各组边界不明显的情况下,分组结果缺乏客观性。因此统计分析方法和计算机处理程序逐渐成为极点图绘制的重要方法手段。聚类分析是统计学上研究分类问题的一种方法,它的任务是把所有的样本数据分配到若干的簇,使得同一簇的样本数据聚集在簇中心的周围,它们之间距离比较近,而不同簇样本数据之间的距离比较远。聚类分析方法包括系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法等。其中,模糊等价聚类方法在处理结构面上具有较好的优势。
由于结构面玫瑰花图和极点图均能够反映结构面产状的不同方面,单一的图解在应用和绘制过程中总存在着或多或少的问题。如果现场测量的结构面数据量过大,还存在处理繁琐,费时的问题。因此,如果能够将两种绘制方法融合到一个绘制系统中,既能实现结构面玫瑰花图的自智能绘制,又能实现结构面极点图的智能绘制,将会对结构面的产状分析带来很大的益处。目前国内外学者虽然有通过编写程序实现结构面产状的识别,但是却很少有学者将其形成系统智能的软件系统。
裂隙岩体是十分复杂的非均质各向异性介质,结构性是裂隙岩体最基本特性,与宏观力学特性一样受结构面分布情况的影响和控制。岩体内部大量的原生活次生结构面,共同构成了岩体内部的裂隙网络状态。岩体裂隙网络在工程扰动作用下岩体三向应力重新分布,造成裂隙网络不断扩展贯通,结构面进一步发育,进而降低岩体强度和稳定性。
在裂隙网络模拟中,结构面被赋予随机特性,结构面网络模拟技术可以被用来作为定量描述和处理纷繁结构面体系的工具。通过研究岩体的节理裂隙的特征及分布规律,构建与现场岩体实际节理裂隙分布特征具有统计相似特征的节理网络模型,是进行节理裂隙岩体工程力学行为计算与分析研究的基础。
岩体结构面网格模拟技术是利用概率统计学原理,采用Monte Carlo方法模拟结构面网格,已经成为研究岩体结构特征及非连续力学特性的重要手段。裂隙网格模拟技术是一个涉及到统计学、土木工程、采矿工程、石油工程、地质工程及计算机的多学科交叉问题。岩体裂隙网格技术通过结构面的概率分布形态,建立起结构面概率模型,进而基于蒙特卡洛方法生成岩体裂隙网络模型。
岩体三维裂隙网络模型在智能生成和剖切方面的不足,概况来说,是如何将野外测量的大量结构面数据,系统智能的实现数据识别处理、产状分组、极点图绘制、数据统计分析、数据导出,以及如何系统智能的实现随机数的求解、三维裂隙网络模型的生成、二维裂隙网络模型的智能切割和数据导出。即如何形成一套完整的、智能的、可视化的岩体三维裂隙网络模型智能生成和剖切系统。这些不足具体体现在以下两个大的方面:
(一)岩体结构面极点图和产状玫瑰花图智能绘制,具体包括以下7个方面:
(1)结构面数据的智能识别导入。常规现场测量往往获得大量结构面数据,这些结构面数据庞杂且没有规律性,手动处理起来非常繁琐和困难,且往往存在大量重复性操作,处理效率也比较低。如何将这些产状各异的结构面数据智能识别导入到分析系统中,是进行结构面分析的首要和重要的一步。
(2)结构面产状的智能分组。结构面数据导入后,如何根据一定的算法流程,智能实现结构面的分组,是结构面分析处理中的最重要一步。较传统统计方法相比,智能分组具有迅速、便捷,精确和大量节省处理时间等优点。
(3)结构面极点图的智能绘制。常规的结构面产状分析通常采用散点图和等密度图等方法,虽然直观明了,但是只能给出定性的划分,无法给出定量的结构面产状,而且分组结果需要依靠人为经验,缺乏客观性。而通过等价模糊聚类方法,可以实现对结构面产状的智能聚类分析,可以准确的反映数据实际分布,获得结构面精确、准确的产状分布和产状数据,可以克服人为经验分组的不客观性。
(4)结构面数据的智能统计分析。结构面的几何参数主要包括倾向、倾角、迹长、间距和断距等,其均值、方差和概率分布形态的统计在手动求解处理时存在工作量大,费时费力,且重复性高等问题,因此,实现结构面数据的智能统计分析,将有效的缩短求解工作量和求解时间,提高工作效率。
(5)结构面数据的智能输出。常规的结构面处理方法本身就繁琐,数据输出也无法有效智能。因此实现结构面数据的智能输出也将有效的缩减数据处理时间。
(6)产状玫瑰花图的智能绘制。常规的玫瑰花图绘制方法繁琐,且很难实现大批量的结构面数据的智能绘制,当某一产状有多组结构面时,需要多次重复绘制。因此,实现产状玫瑰花图的智能绘制,能快速智能的获得结构面产状玫瑰花图,减少工作量和提高工作效率。
(7)结构面极点图和产状玫瑰花图绘制的智能性和系统性。常规的结构面极点图和玫瑰花图,往往是单独绘制,手动分析或者分步操作进行的,没有形成系统性的结构面数据智能导入、智能分类、智能绘制、智能统计分析和智能输出等数字化、智能化的流程性操作系统。
(二)岩体三维裂隙网络模型的智能生成和剖切,具体包括以下5个方面:
(1)数据的智能导入。经过处理后的结构面数据往往数量非常多,若手动输入到软件系统中非常繁琐,处理效率也非常低。因此,如何将这些大量的结构面数据智能识别导入到分析系统中,是进行岩体三维裂隙网络模型智能生成和剖切的首要和重要的一步。
(2)随机数的求解。随机数的求解是根据结构面的分布形态,通过在(0,1)区间上生成均匀分布随机变量ri,利用这些均匀随机变量产生服从其他分布的随机数。需要求解众多节理几何参数的密度函数,具有计算量大、耗时、重复性等特征,若手动求解起来,则相当繁琐麻烦。如何采用系统智能化的方法实现随机数的求解是一项重要的工作。
(3)岩体的三维裂隙网络模型的智能生成。岩体的三维裂隙网络模型是利用求得的随机数以及每条结构面的数据信息,智能的再现出服从这种模型的结构面网络模型,过程中涉及每条结构面的圆盘中心点坐标(x,y,z),圆盘半径D,倾角DA,倾向DD,走向SD,厚度thin,法向方向NX,NY,NZ和节理分组,数据量非常大,求解过程繁琐,需要借助计算机程序语言的方式才能实现。因此,如何利用编程软件,通过每条结构面的基本信息和随机数,智能生成三维裂隙网络模型是研究的重点和难点。
(4)二维裂隙网络模型智能切割。常规的二维裂隙网络模型,通常是通过二维数据的形式生成实现,但是二维数据涵盖的范围具有一定的局限性,同时二维数据的获取,本身就有一定的局限性,由二维数据生成二维剖面后,所能表征出的真实岩体可靠性程度大大降低。因此,通过在三维裂隙网络模型上,任意角度和任意位置切割,将能更好的反映出岩体的真实剖面状态。
(5)数据的智能输出。无论是三维裂隙网络模型还是二维裂隙网络模型,里面都蕴含着大量的结构面基本信息,主要包括倾向、倾角、迹长、间距和断距,均值、方差和概率分布形态,中心点坐标(x,y,z),圆盘半径D,厚度thin,法向方向NX,NY,NZ和节理分组等,将这些数据信息,智能规范的输出,能有效的缩短求解工作量和求解时间,提高工作效率。
鉴于此,本发明提出了一种岩体三维裂隙网络模型智能绘制和剖切系统。
发明内容
为了实现岩体三维裂隙网络模型智能表征重构和任意剖面切割,本发明提供了一种岩体三维裂隙网络模型智能绘制和剖切系统,基于模糊等价聚类分析方法编程研发岩体结构面极点图和产状玫瑰花图智能绘制系统,基于蒙特卡洛方法编程研发岩体三维裂隙网络模型智能生成和剖切系统,将结构面极点图和产状玫瑰花图智能绘制、岩体三维裂隙网络智能生成和软件编程研发相结合,提供了一种岩体三维裂隙网络模型智能绘制和剖切系统。
为了解决上述技术问题,本发明提供如下的技术方案:一种岩体三维裂隙网络模型智能绘制和剖切系统,所述方法包括以下步骤:
1)岩体结构面极点图和产状玫瑰花图智能绘制系统研发,过程如下:
岩体结构面极点图和产状玫瑰花图智能绘制系统包括8个模块,分别为:数据智能导入模块、模糊等价聚类算法智能计算模块、极点图智能绘制模块、结构面智能统计分析模块、数据智能输出模块、走向玫瑰花图智能绘制模块、倾向玫瑰花图智能绘制模块和倾角玫瑰花图智能绘制模块;
1.1:数据智能导入模块
用于将数字摄影测量获得的结构面数据,智能导入到软件系统中;
1.2:模糊等价聚类算法智能计算模块
基于模糊等价聚类算法,智能实现结构面产状的模糊等价聚类,过程如下:
1.2.1:设结构面的实测样本数为N,第i个样本表示为(xi1,xi2),xi1为结构面倾向,xi2为结构面倾角,其模糊关系矩阵R为:
矩阵中的元素rij为第i个样本与第j个样本间的相似系数,表征其两者间的相似程度;rij越大表示样本i与样本j越相似;
1.2.2:计算相似系数rij:
式中,i=1,2...N;j=1,2...N;c为计算参数(0≤c≤1),适当选取c值使得rij在[0,1]中分散开来;
1.2.3:求解闭包t(R):
R2=RR
R4=R2R2
… (3)
当Rn=Rn+1=Rn+2=…时 (5)
有,模糊等价矩阵t(R)=Rn (6)
取定截集水平λ∈[0,1],若t(R)中rij≥λ,则结构面i和j属于同一类;即
rij≥λ (7)
1.3:极点图智能绘制模块
根据聚类结果和结构面分组结果,智能绘制出结构面产状极点图,过程如下;
1.3.1:采用下半球等角度投影方法绘制极点图;
1.3.2:将以倾向αd和倾角βd表示的节理产状数据转换为以节理单位法向量表示的结构面产状数据,设αn和βn分别为结构面单位法向量的倾伏向和倾伏角,对于任意结构面的单位法向量表示为X=(x1,x2,x3),此时半球面上每个点都对应一个节理产状,公式为:
X=(x1,x2,x3) (8)
αd∈(0,360),βd∈(0,90) (11)
1.3.3:得到以单位法向量表示的结构面产状数据;
1.3.4:基于结构面法向产状数据,根据结构面空间赤平投影图的纵剖面原理图,A’点为该平面法线的赤面投影,结合赤平投影原理图,计算出A’在赤平投影图上的坐标xn和yn,公式如下:
1.3.5:求解出所有结构面法线的赤平投影坐标点(xn,yn);
1.3.6:绘制一条直径为单位长度的基圆,绘制出铅直和水平两条直径,并标出E、S、W、N;
1.3.7:将所有结构面的赤平投影坐标(xn,yn),绘制在基圆图上;
1.3.8:智能实现结构面极点图的绘制;
1.4:结构面智能统计分析模块
用于对聚类后的结构面智能统计分析,获取每组结构面的倾向、倾角、迹长、间距和断距的均值和方差,过程如下:
1.4.1:确定样本分区区间m;
1.4.3:计算每个分区区间Mm:
1.4.4:确定样本落在每个分区区间里的概率,先利用计算机循环语言统计落在每一个区间的样本个数Nm,结合样本总数N,计算样本数概率Pm:
1.4.6:求解样本方差S2,其中S为标准差:
1.4.7:根据概率Pm值,自动绘制出每组结构面的倾向、倾角、迹长、间距和断距的概率分布形态;
1.5:数据智能输出模块
智能输出结构面产状的分类信息,包括每组结构面的倾向、倾角、迹长、间距和断距的均值和方差;
1.6:走向玫瑰花图智能绘制模块
根据走向玫瑰花图绘制方法,智能绘制出结构面走向玫瑰花图,过程如下;
1.6.1:将节理走向数据,换算成北东和北西方向,按节理走向方位角大小依次排序,每隔α=10°角度进行分组,每组命名Ti;
Ti={α,α+9°} (19)
α=10(i-1) (20)
i∈(1,10)∪(27,36) (21)
i∈(1,10)∪(27,36) (23)
1.6.3:根据作图的大小和各组节理数目,选取一定长度的线段代表一组节理,确定线段的比例尺LT;
1.6.7:绘制出节理走向玫瑰花图;
1.7:倾向玫瑰花图智能绘制模块
该模块的功能是根据倾向玫瑰花图绘制方法,智能绘制出结构面倾向玫瑰花图;
1.7.1:将节理倾向数据,按节理倾向方位角大小依次排序,每隔θ=10°角度进行分组,每组命名Dj;
Dj={θ,θ+9°} (26)
θ=10(j-1) (27)
j∈(1,36) (28)
j∈(1,36) (30)
1.7.3:根据作图的大小和各组节理数目,选取一定长度的线段代表一组节理,确定线段的比例尺LD;
1.7.7:绘制出结构面倾向玫瑰花图;
1.8:倾角玫瑰花图智能绘制模块
根据倾角玫瑰花图绘制方法,智能绘制出结构面倾角玫瑰花图,过程如下;
1.8.1:将节理数据,先按节理倾向方位角大小依次排序,每隔θ=10°角度进行分组,每组命名Qj;
Qj={θ,θ+9°} (33)
θ=10(j-1) (34)
j∈(1,36) (35)
j∈(1,36) (37)
1.8.3:根据作图的大小和各组节理数目,选取一定的倾角角度代表一组节理,确定线段的比例尺LQ;
1.8.7:绘制出节理倾角玫瑰花图;
2)岩体三维裂隙网络模型智能生成和剖切系统研发,过程如下;
岩体三维裂隙网络模型智能生成和剖切系统研发,包括5个模块,分别为:数据智能导入模块、随机数智能求解模块、三维裂隙网络模型智能生成模块和二维裂隙网络模型智能切割模块;
2.1:数据智能导入模块
用于将处理好的结构面数据,智能导入到软件系统中;
2.2:随机数智能求解模块
基于蒙特卡洛方法和节理分布形态,智能的求解随机数,过程如下:
2.2.1:伪随机数的产生,产生随机数的数学方法应满足以下条件:产生的随机数列应均匀分布在(0,1)区间;序列之间应无相关性;随机序列有足够长的重复周期,在计算机上产生的速度快,占有的内存空间小,具有完全可重复性;
2.2.2:给定分布下随机变量数值的产生,Monte Carlo方法是根据确立的结构面几何概率模型,再现服从这种模型的结构面网络模型,该方法的核心是抽样数的随机性,高品质随机数可以得到良好的模拟结果,即在(0,1)区间上生成均匀分布随机变量ri,利用这些均匀随机变量产生服从其他分布的随机数;
2.2.3:节理几何参数的密度函数常见有正态分布、对数正态分布、负指数分布、均匀分布四种;
2.2.4:根据求得的随机数,确定用于生成节理的基本几何参数;
2.3:三维裂隙网络模型智能生成模块
根据确立的结构面几何概率模型,利用求得的随机数,确定出用于生成节理的基本几何参数,智能的再现出服从这种模型的结构面网络模型,过程如下;
2.3.1:根据结构面数据智能统计结果和求得的随机数,将每组结构面的数据保存到一个文本文件中,用st.dat表示;
2.3.2:st.dat数据内容格式依次为:每条结构面圆盘中心点坐标(x,y,z),圆盘半径D,倾角DA,倾向DD,走向SD,厚度thin,法向方向NX,NY,NZ和节理分组;
2.3.3:为区分不同组别的结构面,对相同组的结构面圆盘赋予相同的颜色,用数列GID表示;
2.3.4:利用Matlab软件,编写程序,读取结构面数据文件st.dat,运行后智能生成岩体三维裂隙网络模型;
2.3.5:得到岩体三维裂隙网络模型;
2.4:二维裂隙网络模型智能切割模块
在三维裂隙网络模型的基础上,智能实现任意角度任意方位的二维裂隙网络模型智能切割,过程如下;
2.4.1:在三维裂隙网络模型上,结合Matlab软件编程工具,以三维裂隙网络模型中心点为中心,实现任意角度的剖面切割功能;
2.4.2:得到穿过中心点的任意角度的二维裂隙网络模型;
2.4.3:在三维裂隙网络模型上,结合Matlab软件编程工具,在三维裂隙网络模型任意位置上,实现任意角度和方位的剖面切割功能;
2.4.4:得到任意角度和方位的二维裂隙网络模型;
2.4.5:将切割剖面上的数据,保存到st1.dat文件中,此时剖面处于三维坐标系下,文件中数据格式自左向右依次为:节理中心点坐标(x,y,z),节理长度D,倾角DA,倾向DD,走向SD,厚度thin,法向方向NX,NY,NZ;
2.4.6:将三维坐标系转化成二维坐标系,并将二维剖面数据保存到st2.dat文件中,文件中数据格式自左向右依次为:节理中心点坐标(x,y),节理长度D,倾角DA,倾向DD,厚度thin,法向方向NX,NY,NZ;
2.5:数据智能输出模块
智能的实现三维裂隙网络模型的数据输出和任意二维裂隙网络模型的数据输出,过程如下;
2.5.1:智能输出st.dat文件数据信息;
2.5.2:智能输出st1.dat文件数据信息;
2.5.3:智能输出st2.dat文件数据信息。
本发明具有以下有益效果:
1、研发了岩体结构面极点图和产状玫瑰花图智能绘制系统,实现了岩体结构面参数的智能导入、产状的智能模糊等价聚类分组、极点图的智能绘制、结构面的智能统计分析、数据的智能输出、走向玫瑰花图的智能绘制、倾向玫瑰花图的智能绘制和倾角玫瑰花图的智能绘制;
2、研发了岩体三维裂隙网络模型智能生成和剖切系统,实现了结构面数据的智能导入、随机数智能求解、三维裂隙网络模型智能生成、二维裂隙网络模型智能切割和数据智能输出;
3、实现了岩体三维裂隙网络模型的智能生成和二维剖面的任意切割;
4、本发明方法手段智能,工程应用便捷。
附图说明:
图1是方法流程图。
图2是结构面产状极点图。
图3是结构面走向玫瑰花图。
图4是结构面倾向玫瑰花图。
图5是二维裂隙网络模型图。
具体实施方式
下面参照附图对本发明做进一步说明。
参照图1~5,一种岩体三维裂隙网络模型智能绘制和剖切系统,方法流程如图1所示,包括以下步骤:
1)岩体结构面极点图和产状玫瑰花图智能绘制系统研发,过程如下:
岩体结构面极点图和产状玫瑰花图智能绘制系统包括8个模块,分别为:数据智能导入模块、模糊等价聚类算法智能计算模块、极点图智能绘制模块、结构面智能统计分析模块、数据智能输出模块、走向玫瑰花图智能绘制模块、倾向玫瑰花图智能绘制模块和倾角玫瑰花图智能绘制模块;
1.1:数据智能导入模块
用于将数字摄影测量获得的结构面数据,智能导入到软件系统中;
1.2:模糊等价聚类算法智能计算模块
基于模糊等价聚类算法,智能实现结构面产状的模糊等价聚类,过程如下:
1.2.1:设结构面的实测样本数为N,第i个样本表示为(xi1,xi2),xi1为结构面倾向,xi2为结构面倾角,其模糊关系矩阵R为:
矩阵中的元素rij为第i个样本与第j个样本间的相似系数,表征其两者间的相似程度;rij越大表示样本i与样本j越相似;
1.2.2:计算相似系数rij:
式中,i=1,2...N;j=1,2...N;c为计算参数(0≤c≤1),适当选取c值使得rij在[0,1]中分散开来;
1.2.3:求解闭包t(R):
R2=RR
R4=R2R2
… (3)
当Rn=Rn+1=Rn+2=…时 (5)
有,模糊等价矩阵t(R)=Rn (6)
取定截集水平λ∈[0,1],若t(R)中rij≥λ,则结构面i和j属于同一类;即
rij≥λ (7)
1.3:极点图智能绘制模块
根据聚类结果和结构面分组结果,智能绘制出结构面产状极点图,过程如下;
1.3.1:采用下半球等角度投影方法绘制极点图;
1.3.2:将以倾向αd和倾角βd表示的节理产状数据转换为以节理单位法向量表示的结构面产状数据,设αn和βn分别为结构面单位法向量的倾伏向和倾伏角,对于任意结构面的单位法向量表示为X=(x1,x2,x3),此时半球面上每个点都对应一个节理产状,公式为:
X=(x1,x2,x3) (8)
αd∈(0,360),βd∈(0,90) (11)
1.3.3:得到以单位法向量表示的结构面产状数据;
1.3.4:基于结构面法向产状数据,根据结构面空间赤平投影图的纵剖面原理图,A’点为该平面法线的赤面投影,结合赤平投影原理图,计算出A’在赤平投影图上的坐标xn和yn,公式如下:
1.3.5:求解出所有结构面法线的赤平投影坐标点(xn,yn);
1.3.6:绘制一条直径为单位长度的基圆,绘制出铅直和水平两条直径,并标出E、S、W、N;
1.3.7:将所有结构面的赤平投影坐标(xn,yn),绘制在基圆图上;
1.3.8:智能实现结构面极点图的绘制,如图2所示;
1.4:结构面智能统计分析模块
用于对聚类后的结构面智能统计分析,获取每组结构面的倾向、倾角、迹长、间距和断距的均值和方差,过程如下:
1.4.1:确定样本分区区间m;
1.4.3:计算每个分区区间Mm:
1.4.4:确定样本落在每个分区区间里的概率,先利用计算机循环语言统计落在每一个区间的样本个数Nm,结合样本总数N,计算样本数概率Pm:
1.4.6:求解样本方差S2,其中S为标准差:
1.4.7:根据概率Pm值,自动绘制出每组结构面的倾向、倾角、迹长、间距和断距的概率分布形态;
1.5:数据智能输出模块
智能输出结构面产状的分类信息,包括每组结构面的倾向、倾角、迹长、间距和断距的均值和方差;
1.6:走向玫瑰花图智能绘制模块
根据走向玫瑰花图绘制方法,智能绘制出结构面走向玫瑰花图,过程如下;
1.6.1:将节理走向数据,换算成北东和北西方向,按节理走向方位角大小依次排序,每隔α=10°角度进行分组,每组命名Ti;
Ti={α,α+9°} (19)
α=10(i-1) (20)
i∈(1,10)∪(27,36) (21)
i∈(1,10)∪(27,36) (23)
1.6.3:根据作图的大小和各组节理数目,选取一定长度的线段代表一组节理,确定线段的比例尺LT;
1.6.7:绘制出节理走向玫瑰花图,如图3所示;
1.7:倾向玫瑰花图智能绘制模块
该模块的功能是根据倾向玫瑰花图绘制方法,智能绘制出结构面倾向玫瑰花图;
1.7.1:将节理倾向数据,按节理倾向方位角大小依次排序,每隔θ=10°角度进行分组,每组命名Dj;
Dj={θ,θ+9°} (26)
θ=10(j-1) (27)
j∈(1,36) (28)
j∈(1,36) (30)
1.7.3:根据作图的大小和各组节理数目,选取一定长度的线段代表一组节理,确定线段的比例尺LD;
1.7.7:绘制出结构面倾向玫瑰花图,如图4所示;
1.8:倾角玫瑰花图智能绘制模块
根据倾角玫瑰花图绘制方法,智能绘制出结构面倾角玫瑰花图,过程如下;
1.8.1:将节理数据,先按节理倾向方位角大小依次排序,每隔θ=10°角度进行分组,每组命名Qj;
Qj={θ,θ+9°} (33)
θ=10(j-1) (34)
j∈(1,36) (35)
j∈(1,36) (37)
1.8.3:根据作图的大小和各组节理数目,选取一定的倾角角度代表一组节理,确定线段的比例尺LQ;
1.8.7:绘制出节理倾角玫瑰花图;
2)岩体三维裂隙网络模型智能生成和剖切系统研发,过程如下;
岩体三维裂隙网络模型智能生成和剖切系统研发,包括5个模块,分别为:数据智能导入模块、随机数智能求解模块、三维裂隙网络模型智能生成模块和二维裂隙网络模型智能切割模块;
2.1:数据智能导入模块
用于将处理好的结构面数据,智能导入到软件系统中;
2.2:随机数智能求解模块
基于蒙特卡洛方法和节理分布形态,智能的求解随机数,过程如下:
2.2.1:伪随机数的产生,产生随机数的数学方法应满足以下条件:产生的随机数列应均匀分布在(0,1)区间;序列之间应无相关性;随机序列有足够长的重复周期,在计算机上产生的速度快,占有的内存空间小,具有完全可重复性;
2.2.2:给定分布下随机变量数值的产生,Monte Carlo方法是根据确立的结构面几何概率模型,再现服从这种模型的结构面网络模型,该方法的核心是抽样数的随机性,高品质随机数可以得到良好的模拟结果,即在(0,1)区间上生成均匀分布随机变量ri,利用这些均匀随机变量产生服从其他分布的随机数;
2.2.3:节理几何参数的密度函数常见有正态分布、对数正态分布、负指数分布、均匀分布四种;
2.2.4:根据求得的随机数,确定用于生成节理的基本几何参数;
2.3:三维裂隙网络模型智能生成模块
根据确立的结构面几何概率模型,利用求得的随机数,确定出用于生成节理的基本几何参数,智能的再现出服从这种模型的结构面网络模型,过程如下;
2.3.1:根据结构面数据智能统计结果和求得的随机数,将每组结构面的数据保存到一个文本文件中,用st.dat表示;
2.3.2:st.dat数据内容格式依次为:每条结构面圆盘中心点坐标(x,y,z),圆盘半径D,倾角DA,倾向DD,走向SD,厚度thin,法向方向NX,NY,NZ和节理分组;
2.3.3:为区分不同组别的结构面,对相同组的结构面圆盘赋予相同的颜色,用数列GID表示;
2.3.4:利用Matlab软件,编写程序,读取结构面数据文件st.dat,运行后智能生成岩体三维裂隙网络模型;
2.3.5:得到岩体三维裂隙网络模型;
2.4:二维裂隙网络模型智能切割模块
在三维裂隙网络模型的基础上,智能实现任意角度任意方位的二维裂隙网络模型智能切割,过程如下;
2.4.1:在三维裂隙网络模型上,结合Matlab软件编程工具,以三维裂隙网络模型中心点为中心,实现任意角度的剖面切割功能;
2.4.2:得到穿过中心点的任意角度的二维裂隙网络模型;
2.4.3:在三维裂隙网络模型上,结合Matlab软件编程工具,在三维裂隙网络模型任意位置上,实现任意角度和方位的剖面切割功能;
2.4.4:得到任意角度和方位的二维裂隙网络模型,如图5所示;
2.4.5:将切割剖面上的数据,保存到st1.dat文件中,此时剖面处于三维坐标系下,文件中数据格式自左向右依次为:节理中心点坐标(x,y,z),节理长度D,倾角DA,倾向DD,走向SD,厚度thin,法向方向NX,NY,NZ;
2.4.6:将三维坐标系转化成二维坐标系,并将二维剖面数据保存到st2.dat文件中,文件中数据格式自左向右依次为:节理中心点坐标(x,y),节理长度D,倾角DA,倾向DD,厚度thin,法向方向NX,NY,NZ;
2.5:数据智能输出模块
智能的实现三维裂隙网络模型的数据输出和任意二维裂隙网络模型的数据输出,过程如下;
2.5.1:智能输出st.dat文件数据信息;
2.5.2:智能输出st1.dat文件数据信息;
2.5.3:智能输出st2.dat文件数据信息。
Claims (3)
1.一种岩体三维裂隙网络模型智能绘制和剖切系统,其特征在于,所述方法包括以下步骤:
(1)岩体结构面极点图和产状玫瑰花图智能绘制系统研发;
(2)岩体三维裂隙网络模型智能生成和剖切系统研发。
2.如权利要求1所述的岩体三维裂隙网络模型智能绘制和剖切系统,其特征在于,所述步骤(2)中,岩体三维裂隙网络模型智能生成和剖切系统研发的过程如下:
岩体三维裂隙网络模型智能生成和剖切系统研发,包括5个模块,分别为:数据智能导入模块、随机数智能求解模块、三维裂隙网络模型智能生成模块和二维裂隙网络模型智能切割模块;
2.1:数据智能导入模块
用于将处理好的结构面数据,智能导入到软件系统中;
2.2:随机数智能求解模块
基于蒙特卡洛方法和节理分布形态,智能的求解随机数,过程如下:
2.2.1:伪随机数的产生,产生随机数的数学方法应满足以下条件:产生的随机数列应均匀分布在(0,1)区间;序列之间应无相关性;随机序列有足够长的重复周期,在计算机上产生的速度快,占有的内存空间小,具有完全可重复性;
2.2.2:给定分布下随机变量数值的产生,Monte Carlo方法是根据确立的结构面几何概率模型,再现服从这种模型的结构面网络模型,该方法的核心是抽样数的随机性,高品质随机数可以得到良好的模拟结果,即在(0,1)区间上生成均匀分布随机变量ri,利用这些均匀随机变量产生服从其他分布的随机数;
2.2.3:节理几何参数的密度函数常见有正态分布、对数正态分布、负指数分布、均匀分布四种;
2.2.4:根据求得的随机数,确定用于生成节理的基本几何参数;
2.3:三维裂隙网络模型智能生成模块
根据确立的结构面几何概率模型,利用求得的随机数,确定出用于生成节理的基本几何参数,智能的再现出服从这种模型的结构面网络模型,过程如下;
2.3.1:根据结构面数据智能统计结果和求得的随机数,将每组结构面的数据保存到一个文本文件中,用st.dat表示;
2.3.2:st.dat数据内容格式依次为:每条结构面圆盘中心点坐标(x,y,z),圆盘半径D,倾角DA,倾向DD,走向SD,厚度thin,法向方向NX,NY,NZ和节理分组;
2.3.3:为区分不同组别的结构面,对相同组的结构面圆盘赋予相同的颜色,用数列GID表示;
2.3.4:利用Matlab软件,编写程序,读取结构面数据文件st.dat,运行后智能生成岩体三维裂隙网络模型;
2.3.5:得到岩体三维裂隙网络模型;
2.4:二维裂隙网络模型智能切割模块
在三维裂隙网络模型的基础上,智能实现任意角度任意方位的二维裂隙网络模型智能切割,过程如下;
2.4.1:在三维裂隙网络模型上,结合Matlab软件编程工具,以三维裂隙网络模型中心点为中心,实现任意角度的剖面切割功能;
2.4.2:得到穿过中心点的任意角度的二维裂隙网络模型;
2.4.3:在三维裂隙网络模型上,结合Matlab软件编程工具,在三维裂隙网络模型任意位置上,实现任意角度和方位的剖面切割功能;
2.4.4:得到任意角度和方位的二维裂隙网络模型;
2.4.5:将切割剖面上的数据,保存到st1.dat文件中,此时剖面处于三维坐标系下,文件中数据格式自左向右依次为:节理中心点坐标(x,y,z),节理长度D,倾角DA,倾向DD,走向SD,厚度thin,法向方向NX,NY,NZ;
2.4.6:将三维坐标系转化成二维坐标系,并将二维剖面数据保存到st2.dat文件中,文件中数据格式自左向右依次为:节理中心点坐标(x,y),节理长度D,倾角DA,倾向DD,厚度thin,法向方向NX,NY,NZ;
2.5:数据智能输出模块
智能的实现三维裂隙网络模型的数据输出和任意二维裂隙网络模型的数据输出,过程如下;
2.5.1:智能输出st.dat文件数据信息;
2.5.2:智能输出st1.dat文件数据信息;
2.5.3:智能输出st2.dat文件数据信息。
3.如权利要求1或2所述的岩体三维裂隙网络模型智能绘制和剖切系统,其特征在于,所述步骤(1)中,岩体结构面极点图和产状玫瑰花图智能绘制系统研发的过程如下:
岩体结构面极点图和产状玫瑰花图智能绘制系统包括8个模块,分别为:数据智能导入模块、模糊等价聚类算法智能计算模块、极点图智能绘制模块、结构面智能统计分析模块、数据智能输出模块、走向玫瑰花图智能绘制模块、倾向玫瑰花图智能绘制模块和倾角玫瑰花图智能绘制模块;
1.1:数据智能导入模块
用于将数字摄影测量获得的结构面数据,智能导入到软件系统中;
1.2:模糊等价聚类算法智能计算模块
基于模糊等价聚类算法,智能实现结构面产状的模糊等价聚类,过程如下:
1.2.1:设结构面的实测样本数为N,第i个样本表示为(xi1,xi2),xi1为结构面倾向,xi2为结构面倾角,其模糊关系矩阵R为:
矩阵中的元素rij为第i个样本与第j个样本间的相似系数,表征其两者间的相似程度;rij越大表示样本i与样本j越相似;
1.2.2:计算相似系数rij:
式中,i=1,2...N;j=1,2...N;c为计算参数(0≤c≤1),适当选取c值使得rij在[0,1]中分散开来;
1.2.3:求解闭包t(R):
R2=RR
R4=R2R2
…
当Rn=Rn+1=Rn+2=…时
有,模糊等价矩阵t(R)=Rn
取定截集水平λ∈[0,1],若t(R)中rij≥λ,则结构面i和j属于同一类;即
rij≥λ
1.3:极点图智能绘制模块
根据聚类结果和结构面分组结果,智能绘制出结构面产状极点图,过程如下;
1.3.1:采用下半球等角度投影方法绘制极点图;
1.3.2:将以倾向αd和倾角βd表示的节理产状数据转换为以节理单位法向量表示的结构面产状数据,设αn和βn分别为结构面单位法向量的倾伏向和倾伏角,对于任意结构面的单位法向量表示为X=(x1,x2,x3),此时半球面上每个点都对应一个节理产状,公式为:
X=(x1,x2,x3)
αd∈(0,360),βd∈(0,90)
1.3.3:得到以单位法向量表示的结构面产状数据;
1.3.4:基于结构面法向产状数据,根据结构面空间赤平投影图的纵剖面原理图,A’点为该平面法线的赤面投影,结合赤平投影原理图,计算出A’在赤平投影图上的坐标xn和yn,公式如下:
1.3.5:求解出所有结构面法线的赤平投影坐标点(xn,yn);
1.3.6:绘制一条直径为单位长度的基圆,绘制出铅直和水平两条直径,并标出E、S、W、N;
1.3.7:将所有结构面的赤平投影坐标(xn,yn),绘制在基圆图上;
1.3.8:智能实现结构面极点图的绘制;
1.4:结构面智能统计分析模块
用于对聚类后的结构面智能统计分析,获取每组结构面的倾向、倾角、迹长、间距和断距的均值和方差,过程如下:
1.4.1:确定样本分区区间m;
1.4.3:计算每个分区区间Mm:
1.4.4:确定样本落在每个分区区间里的概率,先利用计算机循环语言统计落在每一个区间的样本个数Nm,结合样本总数N,计算样本数概率Pm:
1.4.6:求解样本方差S2,其中S为标准差:
1.4.7:根据概率Pm值,自动绘制出每组结构面的倾向、倾角、迹长、间距和断距的概率分布形态;
1.5:数据智能输出模块
智能输出结构面产状的分类信息,包括每组结构面的倾向、倾角、迹长、间距和断距的均值和方差;
1.6:走向玫瑰花图智能绘制模块
根据走向玫瑰花图绘制方法,智能绘制出结构面走向玫瑰花图,过程如下;
1.6.1:将节理走向数据,换算成北东和北西方向,按节理走向方位角大小依次排序,每隔α=10°角度进行分组,每组命名Ti;
Ti={α,α+9°}
α=10(i-1)
i∈(1,10)∪(27,36)
i∈(1,10)∪(27,36)
1.6.3:根据作图的大小和各组节理数目,选取一定长度的线段代表一组节理,确定线段的比例尺LT;
1.6.7:绘制出节理走向玫瑰花图;
1.7:倾向玫瑰花图智能绘制模块
该模块的功能是根据倾向玫瑰花图绘制方法,智能绘制出结构面倾向玫瑰花图;
1.7.1:将节理倾向数据,按节理倾向方位角大小依次排序,每隔θ=10°角度进行分组,每组命名Dj;
Dj={θ,θ+9°}
θ=10(j-1)
j∈(1,36)
j∈(1,36)
1.7.3:根据作图的大小和各组节理数目,选取一定长度的线段代表一组节理,确定线段的比例尺LD;
1.7.7:绘制出结构面倾向玫瑰花图;
1.8:倾角玫瑰花图智能绘制模块
根据倾角玫瑰花图绘制方法,智能绘制出结构面倾角玫瑰花图,过程如下;
1.8.1:将节理数据,先按节理倾向方位角大小依次排序,每隔θ=10°角度进行分组,每组命名Qj;
Qj={θ,θ+9°}
θ=10(j-1)
j∈(1,36)
j∈(1,36)
1.8.3:根据作图的大小和各组节理数目,选取一定的倾角角度代表一组节理,确定线段的比例尺LQ;
1.8.7:绘制出节理倾角玫瑰花图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010822694.2A CN114088014A (zh) | 2020-08-05 | 2020-08-05 | 一种岩体三维裂隙网络模型智能绘制和剖切系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010822694.2A CN114088014A (zh) | 2020-08-05 | 2020-08-05 | 一种岩体三维裂隙网络模型智能绘制和剖切系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114088014A true CN114088014A (zh) | 2022-02-25 |
Family
ID=80295359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010822694.2A Withdrawn CN114088014A (zh) | 2020-08-05 | 2020-08-05 | 一种岩体三维裂隙网络模型智能绘制和剖切系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114088014A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796455A (zh) * | 2023-05-16 | 2023-09-22 | 长安大学 | 一种岩体裂隙产状的表征方法 |
-
2020
- 2020-08-05 CN CN202010822694.2A patent/CN114088014A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796455A (zh) * | 2023-05-16 | 2023-09-22 | 长安大学 | 一种岩体裂隙产状的表征方法 |
CN116796455B (zh) * | 2023-05-16 | 2024-01-09 | 长安大学 | 一种岩体裂隙产状的表征方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529410B (zh) | 一种基于监控视频的灰霾扩散路径绘制与来源确定方法 | |
CN114088015A (zh) | 一种岩体三维裂隙网络模型快速智能生成和剖切方法 | |
CN114088014A (zh) | 一种岩体三维裂隙网络模型智能绘制和剖切系统 | |
CN112464513A (zh) | 一种基于摄影测量和RQD反演的RQDt最佳阈值t求解方法 | |
CN114092596A (zh) | 一种岩体RQDt快速自动求解绘制方法 | |
CN112132407A (zh) | 一种基于BQ反演最佳阈值t的空间RQDt求解方法 | |
CN114088013A (zh) | 一种岩体三维裂隙网络模型自动绘制和剖切系统 | |
CN114092628A (zh) | 一种岩体广义rqd智能求解绘制系统 | |
CN114088016A (zh) | 一种岩体三维裂隙网络模型快速自动生成和剖切方法 | |
CN114092581A (zh) | 一种岩体RQDt自动求解绘制系统 | |
CN112132411A (zh) | 基于激光扫描、BQ、RQDt各向异性的Q各向异性求解方法 | |
CN114092585A (zh) | 一种岩体广义rqd快速智能求解绘制方法 | |
CN112464516A (zh) | 一种基于激光扫描和RQD反演最佳阈值t的空间RQDt求解方法 | |
CN112132403A (zh) | 一种基于摄影测量和BQ反演的RQDt最佳阈值t求解方法 | |
CN112132408A (zh) | 一种基于激光扫描和BQ反演最佳阈值t的空间RQDt求解方法 | |
CN112132410A (zh) | 一种基于摄影测量和BQ反演最佳阈值t的空间RQDt求解方法 | |
CN114092584A (zh) | 一种岩体结构面极点图和产状玫瑰花图智能绘制系统 | |
CN114092629A (zh) | 一种结构面极点图和产状玫瑰花图自动绘制系统 | |
CN112149996A (zh) | 基于激光扫描、BQ、RQDt各向异性的改进Mathews稳定图评价方法 | |
Li et al. | Quantitative morphology of polder landscape based on SOM identification model: Case study of typical polders in the south of Yangtze River | |
CN114078171A (zh) | 一种岩体结构面极点图和走向玫瑰花图快速智能绘制方法 | |
CN114092664A (zh) | 一种结构面极点图和产状玫瑰花图快速自动绘制方法 | |
CN114092582A (zh) | 一种岩体结构面极点图和倾角玫瑰花图快速智能绘制方法 | |
CN114092630A (zh) | 一种岩体结构面极点图和产状玫瑰花图快速智能绘制方法 | |
CN114092583A (zh) | 一种结构面极点图和倾向玫瑰花图快速自动绘制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220225 |
|
WW01 | Invention patent application withdrawn after publication |