CN114092767A - 基于机器学习的岩石破坏形态预测方法及系统 - Google Patents
基于机器学习的岩石破坏形态预测方法及系统 Download PDFInfo
- Publication number
- CN114092767A CN114092767A CN202111422430.9A CN202111422430A CN114092767A CN 114092767 A CN114092767 A CN 114092767A CN 202111422430 A CN202111422430 A CN 202111422430A CN 114092767 A CN114092767 A CN 114092767A
- Authority
- CN
- China
- Prior art keywords
- rock
- sample
- prediction
- rock sample
- damage
- 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.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 170
- 230000006378 damage Effects 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010801 machine learning Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000000853 adhesive Substances 0.000 claims description 6
- 230000001070 adhesive effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012669 compression test Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本公开提供了一种基于机器学习的岩石破坏形态预测方法及系统,包括:获取待岩石试样的相关数据;依据获取的相关数据和预设的岩石破坏形态预测模型,得到岩石试样变形破坏数据矩阵;其中,所述岩石破坏形态预测模型通过BP神经网络训练得到;根据岩石试样变形破坏数据矩阵,绘制岩石试样变形破坏图像,实现待预测岩石试样破坏形态的预测;本公开采用了机器学习中的BP神经网络模型,通过特定的预测参数进行预测,简化了参数选取,提高了预测效率;同时,预测结果以岩石试样变形破坏图像直接体现,实现了在高效率预测基础上,直接形象的体现岩石破坏形态结果的目的。
Description
技术领域
本公开属于岩石破坏形态智能预测技术领域,尤其涉及基于机器学习的岩石破坏形态预测方法及系统。
背景技术
岩石作为地下工程领域应用最为广泛的材料之一,其破坏往往诱发崩塌、滑坡和隧道塌方等地质灾害,给地下工程的修建和运营带来了极大的挑战。因此,研究不同岩石在不同围压下的破坏形态从而采取有效的防护措施维护地下工程的长期稳定一直是岩石力学领域的重点和热点,对于地下工程的建设与运行具有重要意义。目前,研究岩石破坏形态的方法主要包括室内试验方法和数值模拟方法;室内试验方法存在时间周期长、费用高,取样难和结果离散性大等缺点;而数值模拟方法则存在输入参数难以确定、收敛性差和计算效率低等缺点,且需要模拟人员具备一定的基础知识,给工程应用带来了很多不便。
本公开发明人发现,现有的岩石破坏形态预测方法中,参数选取复杂,预测效率底,精度差;现有岩石破坏形态预测方法中,不能兼顾在高效率及高精度的预测基础上,直接形象的体现岩石破坏形态预测的预测结果。
发明内容
本公开为了解决上述问题,提出了一种基于机器学习的岩石破坏形态预测方法及系统,本公开能够准确和快速预测岩石的破坏形态。
为了实现上述目的,本发明是通过如下的技术方案来实现:
第一方面,本公开提供了一种基于机器学习的岩石破坏形态预测方法,包括:
获取待预测岩石试样的相关数据;
依据获取的相关数据和预设的岩石破坏形态预测模型,得到岩石试样变形破坏数据矩阵;其中,所述岩石破坏形态预测模型通过BP神经网络训练得到;
根据岩石试样变形破坏数据矩阵,绘制岩石试样变形破坏图像,实现待预测岩石试样破坏形态的预测。
进一步的,所述相关数据包括弹性模量、单轴抗拉强度、单轴抗压强度和围压。
进一步的,预测前,对所述相关数据进行编码和归一化处理。
进一步的,所述岩石破坏形态预测模型的训练包括:
获取岩石试样破坏形态影响参数数据以及对应的岩石试样变形破坏数据矩阵,建立样本集;
将岩石试样破坏形态影响参数数据以及对应的岩石试样变形破坏数据矩阵进行预处理;
将预处理后的岩石试样破坏形态影响参数数据作为输入,将预处理后的岩石试样变形破坏数据矩阵作为输出,输入至构建好的BP神经网络,进行训练;
通过BP神经网络,根据设定的最大神经元数量逐个增加神经元,使训练误差逐渐减小,直到误差小于容限,确定BP神经网络的最优参数,获得训练好的BP神经网络。
进一步的,所述对应的岩石试样变形破坏样本数据矩阵,通过对岩石试样变形破坏图像进行灰度化处理得到。
进一步的,通过固定尺寸圆柱体试样的三轴压缩试验,获取岩石破坏试样,并用透明胶粘剂将岩石破坏试样粘合;
待胶粘剂固化后,将岩石破坏试样放在以黑色为背景的水平面固定位置,使用角度和位置固定的照相机拍摄岩石破坏试样在固定光线下的侧面变形破坏彩色照片;
将岩石试样变形破坏彩色照片中的瑕疵处理干净,得到岩石试样变形破坏图像;
读取岩石试样变形破坏图像的三维数据矩阵,采用matlab的imread函数;
将岩石试样变形破坏图像的三维数据矩阵转化为元素值是灰度值的二维数据矩阵,采用matlab的rgb2gray函数;
将岩石试样变形破坏图像的灰度值二维数据矩阵调整至固定行列数,得到岩石试样变形破坏样本数据矩阵,采用matlab的interp2函数。
进一步的,所述岩石破坏形态预测模型的设别过程为:
输入样本向量首先与权值向量相乘;
将相乘后的结果输入到隐含层节点中,计算样本与节点中心的距离;
将距离值经过BP函数的映射后形成隐含层的输出,再输入到输出层,各个隐含层节点的线性组合形成了最终的网络输出。
第二方面,本公开还提供了一种基于机器学习的岩石破坏形态预测系统,包括采集模块、预测模块和预测结果处理模块;
所述采集模块,被配置为:获取待预测岩石试样的相关数据;
所述预测模块,被配置为:依据获取的相关数据和预设的岩石破坏形态预测模型,得到岩石试样变形破坏数据矩阵;其中,所述岩石破坏形态预测模型通过BP神经网络训练得到;
所述预测结果处理模块,被配置为:根据岩石试样变形破坏数据矩阵,绘制岩石试样变形破坏图像,实现待预测岩石试样破坏形态的预测。
第三方面,本公开还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现了第一方面所述的基于机器学习的岩石破坏形态预测方法的步骤。
第四方面,本公开还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现了第一方面所述的基于机器学习的岩石破坏形态预测方法的步骤。
与现有技术相比,本公开的有益效果为:
1.本公开采用了机器学习中的BP神经网络模型,通过特定的预测参数进行预测,简化了参数选取,提高了预测效率;同时,预测结果以岩石试样变形破坏图像直接体现,实现了在高效率及高精度预测基础上,直接形象的体现岩石破坏形态结果的目的。
2.本公开采用了机器学习中的BP神经网络模型,应用于岩石试样破坏形态的数据预测,具有较高的预测准确率,而且反应迅速,提高企业的工作效率;与现有的岩石试样破坏形态室内试验研究方法和数值模拟研究方法不同,基于机器学习的方法周期短、成本低,且不必进行大量运算,大大提高了岩石试样破坏形态研究与预测的效率。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解,本实施例的示意性实施例及其说明用于解释本实施例,并不构成对本实施例的不当限定。
图1为本公开实施例1的流程图;
图2为本公开实施例1的BP神经网络的结构示意图;
图3为本公开实施例1的BP神经网络的训练方法的流程图;
图4为本公开实施例1的岩石试样变形破坏样本数据矩阵获取方法的流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1:
本实施例供了一种基于机器学习的岩石破坏形态预测方法,包括:
获取待岩石试样的相关数据;
依据获取的相关数据和预设的岩石破坏形态预测模型,得到岩石试样变形破坏数据矩阵;其中,所述岩石破坏形态预测模型通过BP神经网络训练得到;
根据岩石试样变形破坏数据矩阵,绘制岩石试样变形破坏图像,实现待预测岩石试样破坏形态的预测。
具体的,如图1所示,基于机器学习的岩石试样破坏形态预测方法,包括如下步骤:
步骤1.获取岩石试样破坏形态影响参数数据;
步骤2.将岩石试样破坏形态影响参数数据进行预处理;
步骤3.将预处理后的岩石试样破坏形态影响参数数据输入岩石变形破坏预测模型,输出得到岩石试样变形破坏数据矩阵;
步骤4.根据岩石试样变形破坏数据矩阵绘制岩石试样变形破坏图像,得到待预测岩石试样的破坏形态;
在本实施例中,步骤1中,岩石试样破坏形态影响参数数据包括:待预测岩石试样的弹性模量、单轴抗拉强度、单轴抗压强度和围压;待预测岩石试样的弹性模量和单轴抗压强度可通过岩石的单轴压缩试验确定,待预测岩石试样的单轴抗拉强度可通过岩石的单轴拉伸试验或者巴西劈裂试验确定;
步骤2中,预处理包括对参数数据进行向量化编码和归一化处理;向量化编码可以采用one-hot编码或者采用embedding编码,归一化处理可以采用matlab中的mapminmax函数对数据进行归一化。
步骤3中,岩石变形破坏预测模型为机器学习中的BP神经网络模型,可以采用matlab的newff函数创建。
在本实施例中,BP神经网络可以设置为三层的前向网络,如图2所示,包括:第一层为输入层,节点个数等于输入的维数;第二层为隐含层,节点个数视问题的复杂度而定;第三层为输出层,节点个数等于输出数据的维数。所述隐含层采用BP函数作为基函数,将输入向量空间转换到隐含层空间。
在本实施例中,BP神经网络的识别过程如下:
步骤31.输入样本向量首先与权值向量相乘;
步骤32.将步骤31中相乘后的结果输入到隐含层节点中,计算样本与节点中心的距离;
步骤33.将距离值经过BP函数的映射后形成隐含层的输出,再输入到输出层,各个隐含层节点的线性组合形成了最终的网络输出。
在本实施例中,所述BP函数网络的训练方法,如图3所示,包括如下步骤:
S1.获取岩石试样破坏形态影响参数数据以及对应的岩石试样变形破坏数据矩阵,建立样本集;
S2.将岩石试样破坏形态影响参数数据以及对应的岩石试样变形破坏数据矩阵进行预处理;
S3.将预处理后的岩石试样破坏形态影响参数数据作为输入,将预处理后的岩石试样变形破坏数据矩阵作为输出,输入至构建好的BP神经网络,进行训练;
S4.通过BP神经网络,根据设定的最大神经元数量逐个增加神经元,使训练误差逐渐减小,直到误差小于容限,确定BP神经网络的最优参数,获得训练好的BP神经网络。
在本实施例中,还包括如下步骤,将样本集数据划分为训练集和测试集,通过训练集数据执行训练方法对BP神经网络进行训练,同时通过测试集数据对训练好的BP神经网络进行测试。
步骤S1中,岩石试样破坏形态影响参数样本数据,包括大量详尽的岩石试样的弹性模量、单轴抗拉强度、单轴抗压强度和围压数据;对应的岩石试样变形破坏样本数据矩阵,可通过对岩石试样变形破坏图像进行灰度化处理得到。
岩石试样变形破坏样本数据矩阵获取步骤如图4所示,包括:
1、通过固定尺寸圆柱体试样的三轴压缩试验,获取岩石破坏试样,并用透明胶粘剂将岩石破坏试样粘合;
2、待胶粘剂固化后,将岩石破坏试样放在以黑色为背景的水平面固定位置,使用角度、位置固定的照相机拍摄岩石破坏试样在固定光线下的侧面变形破坏彩色照片;
3、将岩石试样变形破坏彩色照片中的瑕疵处理干净,得到岩石试样变形破坏图像,可采用photoshop的修复画笔工具;
4、读取岩石试样变形破坏图像的三维数据矩阵,可采用matlab的imread函数;
5、将岩石试样变形破坏图像的三维数据矩阵转化为元素值是灰度值的二维数据矩阵,可采用matlab的rgb2gray函数;
6、将岩石试样变形破坏图像的灰度值二维数据矩阵调整至固定行列数,得到岩石试样变形破坏样本数据矩阵,可采用matlab的interp2函数。
步骤S2中,预处理的方法与步骤2中的预处理方法可以相同,包括编码以及归一化处理。
步骤S3中,构建好的BP神经网络与前述BP神经网络的结构相同,构建方法相同以及网络设置相同,此处不再赘述。
步骤4中,岩石试样变形破坏图像即可反映待预测岩石的破坏形态,可根据岩石试样变形破坏数据矩阵,采用matlab的imshow函数绘制得到。
实施例2:
本实施例提供了一种基于机器学习的岩石破坏形态预测系统,包括采集模块、预测模块和预测结果处理模块;
所述采集模块,被配置为:获取待岩石试样的相关数据;
所述预测模块,被配置为:依据获取的相关数据和预设的岩石破坏形态预测模型,得到岩石试样变形破坏数据矩阵;其中,所述岩石破坏形态预测模型通过BP神经网络训练得到;
所述预测结果处理模块,被配置为:根据岩石试样变形破坏数据矩阵,绘制岩石试样变形破坏图像,实现待预测岩石试样破坏形态的预测。
实施例3:
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现了实施例1所述的基于机器学习的岩石破坏形态预测方法的步骤。
实施例4:
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现了实施例1所述的基于机器学习的岩石破坏形态预测方法的步骤。
以上所述仅为本实施例的优选实施例而已,并不用于限制本实施例,对于本领域的技术人员来说,本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本实施例的保护范围之内。
Claims (10)
1.基于机器学习的岩石破坏形态预测方法,其特征在于,包括:
获取待预测岩石试样的相关数据;
依据获取的相关数据和预设的岩石破坏形态预测模型,得到岩石试样变形破坏数据矩阵;其中,所述岩石破坏形态预测模型通过BP神经网络训练得到;
根据岩石试样变形破坏数据矩阵,绘制岩石试样变形破坏图像,实现待预测岩石试样破坏形态的预测。
2.如权利要求1所述的基于机器学习的岩石破坏形态预测方法,其特征在于,所述相关数据包括弹性模量、单轴抗拉强度、单轴抗压强度和围压。
3.如权利要求1所述的基于机器学习的岩石破坏形态预测方法,其特征在于,预测前,对所述相关数据进行编码和归一化处理。
4.如权利要求1所述的基于机器学习的岩石破坏形态预测方法,其特征在于,所述岩石破坏形态预测模型的训练包括:
获取岩石试样破坏形态影响参数数据以及对应的岩石试样变形破坏数据矩阵,建立样本集;
将岩石试样破坏形态影响参数数据以及对应的岩石试样变形破坏数据矩阵进行预处理;
将预处理后的岩石试样破坏形态影响参数数据作为输入,将预处理后的岩石试样变形破坏数据矩阵作为输出,输入至构建好的BP神经网络,进行训练;
通过BP神经网络,根据设定的最大神经元数量逐个增加神经元,使训练误差逐渐减小,直到误差小于容限,确定BP神经网络的最优参数,获得训练好的BP神经网络。
5.如权利要求4所述的基于机器学习的岩石破坏形态预测方法,其特征在于,所述对应的岩石试样变形破坏样本数据矩阵,通过对岩石试样变形破坏图像进行灰度化处理得到。
6.如权利要求5所述的基于机器学习的岩石破坏形态预测方法,其特征在于,样本数据矩阵获取过程为:
通过固定尺寸圆柱体试样的三轴压缩试验,获取岩石破坏试样,并用透明胶粘剂将岩石破坏试样粘合;
待胶粘剂固化后,将岩石破坏试样放在以黑色为背景的水平面固定位置,使用角度和位置固定的照相机拍摄岩石破坏试样在固定光线下的侧面变形破坏彩色照片;
将岩石试样变形破坏彩色照片中的瑕疵处理干净,得到岩石试样变形破坏图像;
读取岩石试样变形破坏图像的三维数据矩阵,采用matlab的imread函数;
将岩石试样变形破坏图像的三维数据矩阵转化为元素值是灰度值的二维数据矩阵,采用matlab的rgb2gray函数;
将岩石试样变形破坏图像的灰度值二维数据矩阵调整至固定行列数,得到岩石试样变形破坏样本数据矩阵,采用matlab的interp2函数。
7.如权利要求4所述的基于机器学习的岩石破坏形态预测方法,其特征在于,所述岩石破坏形态预测模型的设别过程为:
输入样本向量首先与权值向量相乘;
将相乘后的结果输入到隐含层节点中,计算样本与节点中心的距离;
将距离值经过BP函数的映射后形成隐含层的输出,再输入到输出层,各个隐含层节点的线性组合形成了最终的网络输出。
8.基于机器学习的岩石破坏形态预测系统,其特征在于,包括采集模块、预测模块和预测结果处理模块;
所述采集模块,被配置为:获取待岩石试样的相关数据;
所述预测模块,被配置为:依据获取的相关数据和预设的岩石破坏形态预测模型,得到岩石试样变形破坏数据矩阵;其中,所述岩石破坏形态预测模型通过BP神经网络训练得到;
所述预测结果处理模块,被配置为:根据岩石试样变形破坏数据矩阵,绘制岩石试样变形破坏图像,实现待预测岩石试样破坏形态的预测。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现了如权利要求1-7任一项所述的基于机器学习的岩石破坏形态预测方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于机器学习的岩石破坏形态预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111422430.9A CN114092767B (zh) | 2021-11-26 | 2021-11-26 | 基于机器学习的岩石破坏形态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111422430.9A CN114092767B (zh) | 2021-11-26 | 2021-11-26 | 基于机器学习的岩石破坏形态预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114092767A true CN114092767A (zh) | 2022-02-25 |
CN114092767B CN114092767B (zh) | 2024-04-30 |
Family
ID=80305021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111422430.9A Active CN114092767B (zh) | 2021-11-26 | 2021-11-26 | 基于机器学习的岩石破坏形态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092767B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226080A (zh) * | 2013-03-20 | 2013-07-31 | 辽宁工程技术大学 | 一种基于神经网络的岩石破坏强度确定方法 |
US20130238304A1 (en) * | 2012-03-06 | 2013-09-12 | Michael Edwin Glinsky | Model Predicting Fracturing of Shale |
CN105260575A (zh) * | 2015-11-17 | 2016-01-20 | 中国矿业大学 | 一种基于神经网络的巷道围岩变形预测方法 |
US20190057168A1 (en) * | 2016-03-28 | 2019-02-21 | Baker Hughes, A Ge Company, Llc | Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation |
CN110009706A (zh) * | 2019-03-06 | 2019-07-12 | 上海电力学院 | 一种基于深层神经网络和迁移学习的数字岩心重构方法 |
RU2718409C1 (ru) * | 2018-10-23 | 2020-04-02 | Автономная некоммерческая образовательная организация высшего образования "Сколковский институт науки и технологий" | Система восстановления трехмерной структуры образца породы |
CN112525932A (zh) * | 2020-12-01 | 2021-03-19 | 合肥工业大学 | 一种岩石微缺陷三维重构的方法及系统 |
-
2021
- 2021-11-26 CN CN202111422430.9A patent/CN114092767B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130238304A1 (en) * | 2012-03-06 | 2013-09-12 | Michael Edwin Glinsky | Model Predicting Fracturing of Shale |
CN103226080A (zh) * | 2013-03-20 | 2013-07-31 | 辽宁工程技术大学 | 一种基于神经网络的岩石破坏强度确定方法 |
CN105260575A (zh) * | 2015-11-17 | 2016-01-20 | 中国矿业大学 | 一种基于神经网络的巷道围岩变形预测方法 |
US20190057168A1 (en) * | 2016-03-28 | 2019-02-21 | Baker Hughes, A Ge Company, Llc | Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation |
RU2718409C1 (ru) * | 2018-10-23 | 2020-04-02 | Автономная некоммерческая образовательная организация высшего образования "Сколковский институт науки и технологий" | Система восстановления трехмерной структуры образца породы |
CN110009706A (zh) * | 2019-03-06 | 2019-07-12 | 上海电力学院 | 一种基于深层神经网络和迁移学习的数字岩心重构方法 |
CN112525932A (zh) * | 2020-12-01 | 2021-03-19 | 合肥工业大学 | 一种岩石微缺陷三维重构的方法及系统 |
Non-Patent Citations (2)
Title |
---|
李怀珍, 袁瑞甫: "基于神经网络的声发射定位技术及在岩石破裂实验中的应用", 矿业工程, no. 05, 15 October 2005 (2005-10-15) * |
赵明生;徐海波;张敢生;: "基于神经网络的炸药与岩石匹配的研究", 辽宁科技学院学报, no. 01, 15 March 2009 (2009-03-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN114092767B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465748A (zh) | 基于神经网络的裂缝识别方法、装置、设备及存储介质 | |
CN106251249A (zh) | 一种建筑施工信息化动态监测系统 | |
CN110175641B (zh) | 图像识别方法、装置、设备和存储介质 | |
CN111711820A (zh) | 一种基于生成对抗网络的裂缝图像压缩采样方法 | |
CN111174961B (zh) | 一种基于模态分析的索力光学测量方法及其测量系统 | |
CN107944118A (zh) | 一种有效的建筑安全监测方法 | |
CN111598879A (zh) | 一种结构疲劳累积损伤评估的方法、系统及设备 | |
CN112884001B (zh) | 碳钢石墨化自动评级方法和系统 | |
CN106203453B (zh) | 一种基于压缩感知的生物与非生物目标识别方法及其系统 | |
CN117421701B (zh) | 一种自升式平台桩腿三维空间姿态分布式监测方法 | |
CN112597694A (zh) | 基于神经网络的围岩变形预测系统及预测方法 | |
CN112347531B (zh) | 一种脆性大理石三维裂纹扩展路径预测方法及系统 | |
CN114092767B (zh) | 基于机器学习的岩石破坏形态预测方法及系统 | |
CN109300103B (zh) | 一种混凝土表面裂缝宽度检测方法 | |
CN116433661B (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
CN116662920A (zh) | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 | |
Gajewski et al. | Mixed experimental/numerical methods applied for concrete parameters estimation | |
CN114255183A (zh) | 数据与知识联合驱动的智能计算光学成像方法 | |
Luo et al. | Robotic automatic generation of performance model for nonuniform linear material via deep learning | |
Xie et al. | An automatic pixel-level crack identification method for coals experiencing SHPB impact tests | |
CN115712726B (zh) | 基于双词嵌入的情感分析方法、装置以及设备 | |
CN111241614A (zh) | 基于条件生成对抗网络模型的工程结构荷载反演方法 | |
CN111291490B (zh) | 一种结构多尺度异类响应的非线性映射智能建模方法 | |
CN115546498B (zh) | 一种基于深度学习的流场时变数据的压缩存储方法 | |
CN116822146B (zh) | 一种基于多层感知机的柔性防护系统智能快速计算方法 |
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 |