CN115295098A - 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统 - Google Patents

一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统 Download PDF

Info

Publication number
CN115295098A
CN115295098A CN202210857731.2A CN202210857731A CN115295098A CN 115295098 A CN115295098 A CN 115295098A CN 202210857731 A CN202210857731 A CN 202210857731A CN 115295098 A CN115295098 A CN 115295098A
Authority
CN
China
Prior art keywords
sample
machine learning
permeability
data set
pore
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.)
Pending
Application number
CN202210857731.2A
Other languages
English (en)
Inventor
马刚
张佳
周伟
陈治平
张大任
常晓林
王桥
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 WHU
Original Assignee
Wuhan University WHU
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 WHU filed Critical Wuhan University WHU
Priority to CN202210857731.2A priority Critical patent/CN115295098A/zh
Publication of CN115295098A publication Critical patent/CN115295098A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统，其中的方法采用离散单元法生成不同级配的圆球颗粒集合体，并对颗粒试样进行区域分割，建立包含颗粒材料级配信息和三维图像结构的试样数据集，再通过格子玻尔兹曼方法和D3Q19晶格模型，计算颗粒试样的渗透率；提取颗粒试样宏观、微观尺度的结构特征；构建训练机器学习模型的数据集；训练机器学习模型，最终得到能通过颗粒材料多个尺度结构特征准确有效预测渗透率的模型。本发明的方法弥补了宏观结构参数无法准确描述孔隙内部复杂结构的缺陷。同时基于提取的结构参数构建基于机器学习的渗透率预测模型，解决了传统渗流试验耗时长，颗粒尺寸变化范围大导致试验器材受限的问题。

Description

一种基于机器学习的圆球颗粒体系渗透特性的预测方法及 系统
技术领域
本发明涉及多孔介质渗流技术领域，尤其涉及一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统。
背景技术
渗透率作为表征多孔介质中流体传导特性的重要参数，涉及水利、岩土、农业、石油开采等多个领域。例如在水利工程中，堆石料的渗透特性作为坝体稳定运行的关键因素，是大坝质量安全监测的一大重点研究内容。传统的渗透特性研究一般在现场或室内进行，如钻孔抽水试验、室内渗流试验等，但往往受限于试验器材和场地，无法及时获取渗透数据。因此一些研究依据多孔介质的结构特征参数，如孔隙率、不均匀系数、曲率系数等提出渗透率经验公式。然而上述研究将多孔介质视作一个整体进行处理，仅使用宏观参数对多孔介质结构进行描述，但是这种方法较为片面，无法准确、全面地概况出多孔介质的内部结构。因此根据经验公式无法得到准确的渗透率结果。目前亟需一种能对多孔介质渗透率进行准确、快速预测的高时效性数值模拟方法。
近年来机器学习的发展迅速，被广泛用于分析各类复杂的情况，基于机器学习的对多孔介质的渗透率预测也有了一定的研究，但目前现有大部分预测方法均停留在二维层面，且选用的特征参数数量也较少，预测性能还有很大的提升空间，如公开号为CN109191423B的现有技术公开了一种基于机器图像智能学习的多孔介质渗透率预测方法，选取多组不同干密度的同一种多孔介质材料，并确定各组多孔介质材料的真实渗透率；对各组多孔介质材料采用SEM电镜扫描得出其SEM图像，然后计算得出各个SEM图像的灰度均值、灰度方差、图像能量、图像熵值和分形维数；采用极限学习机神经网络模型对各个SEM图像的五个图像特征参数及其所对应的真实渗透率进行训练学习，确定五个图像特征参数与真实渗透率之间的变化关系；预测时将未知渗透率的多孔介质材料的SEM图像参数输入，极限学习机神经网络模型即可预测出该多孔介质材料的渗透率。这种方法虽然能对渗透率进行预测，但是通过SEM2D图形来模拟多孔介质，存在一定的局限性，不能真实反映出多孔介质的整体性质。
由此可知，现有技术中的方法存在预测准确性和时效性不佳的技术问题。
发明内容
为了克服上述现有技术的不足，本发明提供了一种基于机器学习的圆球颗粒体系渗透特性快速预测方法，不仅能够通过颗粒堆积反映圆球颗粒体系内部的复杂孔隙结构，同时提取基于宏观尺度及微观尺度多个尺度的孔隙结构特征来描述颗粒材料的复杂孔隙结构，并能准确、快速地预测出颗粒材料渗透率。该发明根据颗粒的级配信息和压实程度，构建颗粒材料数值试样，随后采用格子玻尔兹曼等方法进行渗透特性数值模拟，得到颗粒材料渗透率；同时，基于宏观尺度、微观尺度提取试样结构信息，以颗粒材料的孔隙结构特征参数作为输入量、颗粒材料的渗透率作为输出量，建立并训练用于预测颗粒材料渗透特性的机器学习模型。采用该方法，可以快速、准确获取颗粒材料的渗透特性。
本发明采用的技术方案如下：
第一方面提供了一种基于机器学习的圆球颗粒体系渗透特性的预测方法，包括：
S1：根据圆球颗粒材料级配信息及压实程度，由离散单元法生成不同级配颗粒集合体并压缩获得计算试样，然后进行区域分割，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集；
S2：基于格子玻尔兹曼法和D3Q19晶格模型，对试样数据集中的试样进行渗透率计算，得到圆球颗粒材料的渗透率；
S3：对试样数据集中的试样进行结构特征提取，其中，提取的结构特征包括宏观尺度参数和微观尺度参数；
S4：根据计算得到的颗粒材料的渗透率和提取的结构特征，构建机器学习模型数据集，并从机器学习模型数据集划分出训练数据集；构建机器学习模型，基于训练数据集并用随机森林算法对机器学习模型进行训练，得到训练好的渗透率预测模型；
S5：利用训练好的渗透率预测模型进行圆球颗粒体系渗透率的预测。
在一种实施方式中，步骤S1包括：
S1.1：根据已知的工程数据获取圆球颗粒材料级配信息；
S1.2：根据圆球颗粒材料级配信息，通过离散单元法生成若干不同级配颗粒集合体，根据压实程度对颗粒集合体中的试样进行压缩，得到计算试样；
S1.3：根据计算式样中圆球颗粒的位置信息，对孔隙区域与固体区域进行分割，以数值“0”表示孔相、数值“1”表示固相，使得三维图像结构转化为三维数字矩阵形式，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集，其中，试样数据集的表现形式为二进制文件。
在一种实施方式中，步骤S2包括：
S2.1：采用格子玻尔兹曼方法对试样数据集中的试样进行渗透率计算，选取D3Q19晶格模型，模型的构建基础为单松弛时间的BGK模型，具体地，设定水流方向为x方向，整个流域空间被离散为格子点，流体的运动过程被转化为流体粒子的碰撞与迁移过程，流体粒子的碰撞与迁移过程通过基于流体粒子的分布函数进行迭代演化实现，演化过程见下式：
Figure BDA0003754892570000031
式中，fn为粒子非平衡态分布函数；x为粒子位置；en为第n个方向上粒子的速度；t为离散时间；τ为松弛时间；fn,eq为粒子平衡态分布函数；
S2.2：当流动模拟达到稳定状态时，通过公式(1)计算得到流场的速度分布；
S2.3：基于计算得到的流场的速度分布通过达西方程计算得到圆球颗粒材料的。
在一种实施方式中，步骤S3提取的宏观尺度参数包括试样孔隙率、试样迂曲度、试样孔隙异质性以及试样分形维数，其中，试样孔隙率的计算方式为：
φ＝Vvoid/Vall (2)
式中，φ为试样孔隙率，Vvoid为孔隙体积，Vall为试样总体积，
试样迂曲度的计算方式为：
Figure BDA0003754892570000032
式中，τs为试样迂曲度，i为流场中第i个节点，N为流场中节点总数，vxi为第i个节点的x方向流速，vyi为第i个节点的y方向流速，vzi为第i个节点的z方向流速，其中，各个方向的流速为步骤S2.2中的流场的速度分布；
试样孔隙异质性的计算方式为：
Figure BDA0003754892570000033
式中，φj为第j个子试样的孔隙率；φ为试样整体孔隙率；
试样分形维数的计算方式为：
Figure BDA0003754892570000034
式中，A为Rn空间的任意非空有界子集；Nr(A)为覆盖A所需要的边长为r的n维立方体的最小数目。
在一种实施方式中，步骤S3提取的微观尺度参数包括孔隙尺度上的结构特征参数、不同试样内部的连通方式和流通程度，提取过程包括：
基于最大球算法，建立孔隙网络模型，在孔隙网络模型中提取平均孔隙配位数C、平均孔隙半径rp、平均喉道半径rt、平均喉道长度lt作为孔隙尺度上的结构特征参数，其中，孔隙网络模型将结构内部的孔隙等效为一系列的孔隙体和喉道，孔隙体以圆球表示，喉道以细杆表示；
采用复杂网络方法对试样内部的微观结构及连通性进行分析，其中，将孔隙点作为复杂网络中的节点，喉道作为两个节点之间相连接的边，将喉道的断面积作为每条边的权重，由此形成复杂网络，通过对形成的复杂网络进行分析计算得到聚类系数、异质系数、全局效率指标，利用得到的指标得到不同试样内部的连通方式和流通程度。
在一种实施方式中，复杂网络的聚类系数的计算方式为：
Figure BDA0003754892570000041
式中，V为复杂网络中的节点集合，a为节点编号，k为节点度的数量，t(G)为复杂网络中节点与边构成的三角形数量，聚类系数指标用以反映复杂网络中节点的邻居之间互为邻居的概率；
复杂网络度异质系数用复杂网络中度分布的熵H表示，计算方式为，
Figure BDA0003754892570000042
复杂网络中度分布的熵用以表示网络中节点的不均匀性，P(k)代表复杂网络中度值为k的节点比例；
复杂网络中的全局效率的计算方式为：
Figure BDA0003754892570000043
式中，Z为复杂网络中节点总个数；
Figure BDA0003754892570000044
为节点i和节点i*之间的最短路径长度，全局效率用以量化孔隙结构的连通程度，反映流体在孔隙网络中的传输能力与效率。
在一种实施方式中，S4包括：
S4.1：根据提取得到的宏观尺度、微观尺度结构参数及计算得到的圆球颗粒材料的渗透率构建机器学习模型数据集；
datam(X,Y) (9)
式中m为样本数量；X为样本结构特征参数；Y为目标结果；
S4.2：从机器学习模型数据集划分出训练数据集；构建机器学习模型，基于训练数据集并用随机森林算法对机器学习模型进行训练，得到训练好的渗透率预测模型，其中，训练过程中，采用R2值评估机器学习模型的拟合准确性：
Figure BDA0003754892570000051
式中，
Figure BDA0003754892570000052
为模型预测值；Ys为测试数据集中每个样本的目标值；
Figure BDA0003754892570000053
为测试数据集中样本目标值的均值，R2的大小用以表示机器学习模型预测效果。
在一种实施方式中，在步骤S4.1之后，所述方法还包括：
对机器学习模型数据集进行数据预处理，具体为：对输入数据进行归一化处理，将数据在[0,1]范围内进行映射；
Figure BDA0003754892570000054
Figure BDA0003754892570000055
式中，s为样本编号；X′s和Y′s为归一化后的数值；Xs和Ys分别为样本第一数值和样本第二数值；Xmin、Xmax表示样本第一数值的最小值和最大值，Ymin、、Ymax分别为样本第二数值的最小值与最大值。
基于同样的发明构思，本发明第二方面提供了一种基于机器学习的圆球颗粒体系渗透特性的预测系统，包括：
试样数据集建立模块，用于根据圆球颗粒材料级配信息及压实程度，由离散单元法生成不同级配颗粒集合体并压缩获得计算试样，然后进行区域分割，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集；
渗透率计算模块，用于基于格子玻尔兹曼法和D3Q19晶格模型，对试样数据集中的试样进行渗透率计算，得到圆球颗粒材料的渗透率；
结构特征提取模块，用于对试样数据集中的试样进行结构特征提取，其中，提取的结构特征包括宏观尺度参数和微观尺度参数；
模型训练模块，用于根据计算得到的颗粒材料的渗透率和提取的结构特征，构建机器学习模型数据集，并从机器学习模型数据集划分出训练数据集；构建机器学习模型，基于训练数据集并用随机森林算法对机器学习模型进行训练，得到训练好的渗透率预测模型；
预测模块，用于利用训练好的渗透率预测模型进行圆球颗粒体系渗透率的预测。
基于同样的发明构思，本发明第三方面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第一方面所述的方法。
相对于现有技术，本发明的优点和有益的技术效果如下：
本发明提供的方法，构建了包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集，该数据集为以圆球颗粒材料级配信息为基础的颗粒堆积模型数据集，该颗粒堆积模型能够反映颗粒材料内部的复杂真实孔隙结构，提高数据集的应用性及实际工程价值。并且，本发明提供了一种基于宏观尺度与微观尺度相结合的试样孔隙结构描述方法，提取结构参数如孔隙率φ、迂曲度τs、孔隙异质性系数Id、分形维数Fd、平均孔隙配位数C、平均孔隙半径rp、平均喉道半径rt、平均喉道长度lt、全局聚类系数T、度分布的熵H、全局效率
Figure BDA0003754892570000061
作为机器学习模型输入参数。采用试样结构的多尺度信息，大大提高了对试样结构描述的准确性，克服了以往研究中提取试样结构信息不全面、代表性不强的缺陷。最后，采用基于随机森林算法的机器学习模型，对试样的结构参数与渗透率组成的数据集进行训练学习，得到试样结构与渗透率之间的关系。基于该发明对颗粒材料进行渗透率预测时，只需输入其结构参数就可快速得到其渗透率数值。本发明克服了室内试验与现场试验周期性长、渗透性数据无法快速获取的缺陷，提高了渗透率预测的时效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于机器学习的颗粒材料渗透率快速预测方法流程图。
图2为本发明实施例中选取的五个样本的级配曲线示意图。
图3为本发明实施例中三种尺度模型示意图，其中(a)为孔隙结构示意图，(b)为孔隙网络模型，(c)为复杂网络模型。
图4为本发明实施例中渗流模拟域与边界条件示意图。
图5为本发明实施例中机器学习模型预测结果示意图。
具体实施方式
本发明公开了一种基于机器学习的圆球颗粒体系渗透特性快速预测方法。首先采用离散单元法生成不同级配的圆球颗粒集合体，通过改变目标压力和颗粒间摩擦系数，生成不同密实程度的颗粒试样；对颗粒试样进行区域分割，建立包含颗粒材料级配信息和三维图像结构的大规模试样数据集，再通过格子玻尔兹曼方法和D3Q19晶格模型，计算颗粒试样的渗透率；接着提取颗粒试样宏观、微观尺度的结构特征；以颗粒材料多个尺度的结构特征参数作为输入，颗粒试样渗透率作为输出，构建训练机器学习模型的大规模数据集；训练机器学习模型，最终得到能通过颗粒材料多个尺度结构特征准确有效预测渗透率的模型。
本发明的方法可通过数值模拟的方式生成具有不同级配特性、不同密实程度的圆球颗粒集合体，通过颗粒堆积反映圆球颗粒体系内部的复杂孔隙结构，基于宏观尺度及微观尺度的孔隙结构特征来描述颗粒材料的复杂孔隙结构，弥补了宏观结构参数无法准确描述孔隙内部复杂结构的缺陷。同时基于提取的结构参数构建基于机器学习的渗透率预测模型，解决了传统渗流试验耗时长，颗粒尺寸变化范围大导致试验器材受限的问题。实践证明该预测方法便捷有效，具有较高的预测精度，有较强的工程应用推广价值。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本发明实施例提供了一种基于机器学习的圆球颗粒体系渗透特性的预测方法，包括：
S1：根据圆球颗粒材料级配信息及压实程度，由离散单元法生成不同级配颗粒集合体并压缩获得计算试样，然后进行区域分割，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集；
S2：基于格子玻尔兹曼法和D3Q19晶格模型，对试样数据集中的试样进行渗透率计算，得到圆球颗粒材料的渗透率；
S3：对试样数据集中的试样进行结构特征提取，其中，提取的结构特征包括宏观尺度参数和微观尺度参数；
S4：根据计算得到的颗粒材料的渗透率和提取的结构特征，构建机器学习模型数据集，并从机器学习模型数据集划分出训练数据集；构建机器学习模型，基于训练数据集并用随机森林算法对机器学习模型进行训练，得到训练好的渗透率预测模型；
S5：利用训练好的渗透率预测模型进行圆球颗粒体系渗透率的预测。
请参见图1，为本发明实施例中基于机器学习的颗粒材料渗透率快速预测方法流程图。
具体来说，通过改变目标压力和颗粒间摩擦系数，可以生成不同密实程度的颗粒试样；对颗粒试样进行区域分割，建立包含颗粒材料级配信息和三维图像结构的大规模试样数据集。
以颗粒材料多个尺度的结构特征参数作为输入，颗粒试样渗透率作为输出，对机器学习模型进行训练，并采用随机森林算法对训练过程进行控制和决策，得到训练好的渗透率预测模型，最后可以利用训练好的渗透率预测模型进行圆球颗粒体系渗透率的预测。
在一种实施方式中，步骤S1包括：
S1.1：根据已知的工程数据获取圆球颗粒材料级配信息；
S1.2：根据圆球颗粒材料级配信息，通过离散单元法生成若干不同级配颗粒集合体，根据压实程度对颗粒集合体中的试样进行压缩，得到计算试样；
S1.3：根据计算式样中圆球颗粒的位置信息，对孔隙区域与固体区域进行分割，以数值“0”表示孔相、数值“1”表示固相，使得三维图像结构转化为三维数字矩阵形式，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集，其中，试样数据集的表现形式为二进制文件。
具体来说，通过离散单元法可以生成大量不同的级配颗粒集合体，对颗粒集合体试样进行压缩，压实程度可以根据实际情况设置，例如控制目标围压为1MPa，得到后续模拟计算所用的试样。
请参见图2，为本发明实施例中选取的五个样本的级配曲线示意图。
在一种实施方式中，步骤S2包括：
S2.1：采用格子玻尔兹曼方法对试样数据集中的试样进行渗透率计算，选取D3Q19晶格模型，模型的构建基础为单松弛时间的BGK模型，具体地，设定水流方向为x方向，整个流域空间被离散为格子点，流体的运动过程被转化为流体粒子的碰撞与迁移过程，流体粒子的碰撞与迁移过程通过基于流体粒子的分布函数进行迭代演化实现，演化过程见下式：
Figure BDA0003754892570000081
式中，fn为粒子非平衡态分布函数；x为粒子位置；en为第n个方向上粒子的速度；t为离散时间；τ为松弛时间；fn,eq为粒子平衡态分布函数；
S2.2：当流动模拟达到稳定状态时，通过公式(1)计算得到流场的速度分布；
S2.3：基于计算得到的流场的速度分布通过达西方程计算得到圆球颗粒材料的。
具体来说，公式(1)表示格子玻尔兹曼方法(LBM)计算的基本原理，为流体域每一个格点的平衡函数，当数值模拟(流动模拟)达到稳定状态后，通过对每一格点的平衡函数进行统计运算，求解可得到流场的速度分布，再由达西方程计算得到渗透率。
请参见图4，为本发明实施例中渗流模拟域与边界条件示意图。
在一种实施方式中，步骤S3提取的宏观尺度参数包括试样孔隙率、试样迂曲度、试样孔隙异质性以及试样分形维数，其中，试样孔隙率的计算方式为：
φ＝Vvoid/Vall (2)
式中，φ为试样孔隙率，Vvoid为孔隙体积，Vall为试样总体积，
试样迂曲度的计算方式为：
Figure BDA0003754892570000091
式中，τs为试样迂曲度，i为流场中第i个节点，N为流场中节点总数，vxi为第i个节点的x方向流速，vyi为第i个节点的y方向流速，vzi为第i个节点的z方向流速，其中，各个方向的流速为步骤S2.2中的流场的速度分布；
试样孔隙异质性的计算方式为：
Figure BDA0003754892570000092
式中，φj为第j个子试样的孔隙率；φ为试样整体孔隙率；
试样分形维数的计算方式为：
Figure BDA0003754892570000093
式中，A为Rn空间的任意非空有界子集；Nr(A)为覆盖A所需要的边长为r的n维立方体的最小数目。
具体来说，根据孔相与固相分割结果，可以获取孔隙体积与试样总体积之比，作为试样孔隙率。
基于步骤2的渗透率中的公式(公式1)，获取试样内部流速场分布，并按照公式(3)计算迂曲度。
在计算试样孔隙异质性时，将试样分割为M×M×M个子试样，分别计算每个子试样的孔隙率，从而得到孔隙异质性。
在计算试样分形维数时，采用盒维数的计算方法对试样的分形维数进行计算，用以反映孔隙结构的复杂性与不规则性。
在一种实施方式中，步骤S3提取的微观尺度参数包括孔隙尺度上的结构特征参数、不同试样内部的连通方式和流通程度，提取过程包括：
基于最大球算法，建立孔隙网络模型，在孔隙网络模型中提取平均孔隙配位数C、平均孔隙半径rp、平均喉道半径rt、平均喉道长度lt作为孔隙尺度上的结构特征参数，其中，孔隙网络模型将结构内部的孔隙等效为一系列的孔隙体和喉道，孔隙体以圆球表示，喉道以细杆表示；
采用复杂网络方法对试样内部的微观结构及连通性进行分析，其中，将孔隙点作为复杂网络中的节点，喉道作为两个节点之间相连接的边，将喉道的断面积作为每条边的权重，由此形成复杂网络，通过对形成的复杂网络进行分析计算得到聚类系数、异质系数、全局效率指标，利用得到的指标得到不同试样内部的连通方式和流通程度。
请参见图3，为本发明实施例中三种尺度模型示意图，其中(a)为孔隙结构示意图，(b)为孔隙网络模型，(c)为复杂网络模型。
在一种实施方式中，复杂网络的聚类系数的计算方式为：
Figure BDA0003754892570000101
式中，V为复杂网络中的节点集合，a为节点编号，k为节点度的数量，t(G)为复杂网络中节点与边构成的三角形数量，聚类系数指标用以反映复杂网络中节点的邻居之间互为邻居的概率；
复杂网络度异质系数用复杂网络中度分布的熵H表示，计算方式为，
Figure BDA0003754892570000102
复杂网络中度分布的熵用以表示网络中节点的不均匀性，P(k)代表复杂网络中度值为k的节点比例；
复杂网络中的全局效率的计算方式为：
Figure BDA0003754892570000103
式中，Z为复杂网络中节点总个数；
Figure BDA0003754892570000104
为节点i和节点i*之间的最短路径长度，全局效率用以量化孔隙结构的连通程度，反映流体在孔隙网络中的传输能力与效率。
通过计算出的复杂网络的指标对不同试样的微观结构(连通方式、流通程度)进行表征，从而得到微观尺度参数。
部分样本结构特征参数与渗透率计算结果如表1所示。
表1部分样本结构特征参数与渗透率结果
Figure BDA0003754892570000105
Figure BDA0003754892570000111
在一种实施方式中，S4包括：
S4.1：根据提取得到的宏观尺度、微观尺度结构参数及计算得到的圆球颗粒材料的渗透率构建机器学习模型数据集；
datam(X,Y) (9)
式中m为样本数量；X为样本结构特征参数；Y为目标结果；
S4.2：从机器学习模型数据集划分出训练数据集；构建机器学习模型，基于训练数据集并用随机森林算法对机器学习模型进行训练，得到训练好的渗透率预测模型，其中，训练过程中，采用R2值评估机器学习模型的拟合准确性：
Figure BDA0003754892570000112
式中，
Figure BDA0003754892570000113
为模型预测值；Ys为测试数据集中每个样本的目标值；
Figure BDA0003754892570000114
为测试数据集中样本目标值的均值，R2的大小用以表示机器学习模型预测效果。
具体来说，在随机森林的决策过程中，自根节点开始，采用有放回的随机抽样，此时数据被分为多个训练子集，这些训练子集依据自身的特征参数进行分裂从而形成决策树。每个决策树进行并行计算，最终得到所有决策树结果的众数作为预测结果。在训练过程中，选取80％的数据作为训练集，20％的数据作为测试集。训练集为参与机器学习模型训练过程的数据集，利用测试集可以对机器学习模型预测结果的准确性进行评估。采用R2值评估机器学习模型的拟合准确性。
请参见图5，为本发明实施例中机器学习模型预测结果示意图。
在一种实施方式中，在步骤S4.1之后，所述方法还包括：
对机器学习模型数据集进行数据预处理，具体为：对输入数据进行归一化处理，将数据在[0,1]范围内进行映射；
Figure BDA0003754892570000121
Figure BDA0003754892570000122
式中，s为样本编号；X′s和Y′s为归一化后的数值；Xs和Ys分别为样本第一数值和样本第二数值；Xmin、Xmax表示样本第一数值的最小值和最大值，Ymin、、Ymax分别为样本第二数值的最小值与最大值。
数据预处理能够提高数据样本中的数据精度，提高机器学习的收敛速度。
本发明所涉及的一种基于机器学习的圆球颗粒体系渗透特性快速预测方法包括以下五个实施步骤：
一、获取颗粒材料级配信息，由离散单元法生成不同级配颗粒集合体并在一定条件下压缩获得计算试样，进行区域分割，建立包含颗粒材料级配信息和三维图像结构的大规模试样数据集；
二、通过格子玻尔兹曼法，使用D3Q19晶格模型，计算试样的渗透率；
三、对结构特征信息进行提取，分别计算获取试样的宏观和微观三种尺度参数；
四、以这些参数数据结果建立起机器学习模型的数据集，构建机器学习模型，并用随机森林算法对其进行训练，最终得到能准确有效预测渗透率的模型。
五、利用训练好的渗透率预测模型进行圆球颗粒体系渗透率的预测。
本发明产生的有益效果是：
可通过数值模拟的方式生成具有不同级配特性、不同密实程度的圆球颗粒集合体，通过颗粒堆积反映圆球颗粒体系内部的复杂孔隙结构，基于宏观尺度及微观尺度的孔隙结构特征来描述颗粒材料的复杂孔隙结构，弥补了宏观结构参数无法准确描述孔隙内部复杂结构的缺陷。同时基于提取的结构参数构建基于机器学习的渗透率预测模型，解决了传统渗流试验耗时长，颗粒尺寸变化范围大导致试验器材受限的问题。实践证明该预测方法便捷有效，具有较高的预测精度，有较强的工程应用推广价值。
实施例二
基于同样的发明构思，本实施例提供了一种基于机器学习的圆球颗粒体系渗透特性的预测系统，包括：
试样数据集建立模块，用于根据圆球颗粒材料级配信息及压实程度，由离散单元法生成不同级配颗粒集合体并压缩获得计算试样，然后进行区域分割，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集；
渗透率计算模块，用于基于格子玻尔兹曼法和D3Q19晶格模型，对试样数据集中的试样进行渗透率计算，得到圆球颗粒材料的渗透率；
结构特征提取模块，用于对试样数据集中的试样进行结构特征提取，其中，提取的结构特征包括宏观尺度参数和微观尺度参数；
模型训练模块，用于根据计算得到的颗粒材料的渗透率和提取的结构特征，构建机器学习模型数据集，并从机器学习模型数据集划分出训练数据集；构建机器学习模型，基于训练数据集并用随机森林算法对机器学习模型进行训练，得到训练好的渗透率预测模型；
预测模块，用于利用训练好的渗透率预测模型进行圆球颗粒体系渗透率的预测。
由于本发明实施例二所介绍的系统为实施本发明实施例一中基于机器学习的圆球颗粒体系渗透特性的预测方法所采用的系统，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该系统的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的系统都属于本发明所欲保护的范围。
实施例三
基于同一发明构思，本发明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，该程序被执行时实现如实施例一中所述的方法。
由于本发明实施例三所介绍的计算机可读存储介质为实施本发明实施例一中基于机器学习的圆球颗粒体系渗透特性的预测方法所采用的计算机可读存储介质，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的计算机可读存储介质都属于本发明所欲保护的范围。
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、CD-ROM、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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例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 (10)

1.一种基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，包括：
S1：根据圆球颗粒材料级配信息及压实程度，由离散单元法生成不同级配颗粒集合体并压缩获得计算试样，然后进行区域分割，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集；
S2：基于格子玻尔兹曼法和D3Q19晶格模型，对试样数据集中的试样进行渗透率计算，得到圆球颗粒材料的渗透率；
S3：对试样数据集中的试样进行结构特征提取，其中，提取的结构特征包括宏观尺度参数和微观尺度参数；
S4：根据计算得到的颗粒材料的渗透率和提取的结构特征，构建机器学习模型数据集，并从机器学习模型数据集划分出训练数据集；构建机器学习模型，基于训练数据集并用随机森林算法对机器学习模型进行训练，得到训练好的渗透率预测模型；
S5：利用训练好的渗透率预测模型进行圆球颗粒体系渗透率的预测。
2.如权利要求1所述的基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，步骤S1包括：
S1.1：根据已知的工程数据获取圆球颗粒材料级配信息；
S1.2：根据圆球颗粒材料级配信息，通过离散单元法生成若干不同级配颗粒集合体，根据压实程度对颗粒集合体中的试样进行压缩，得到计算试样；
S1.3：根据计算式样中圆球颗粒的位置信息，对孔隙区域与固体区域进行分割，以数值“0”表示孔相、数值“1”表示固相，使得三维图像结构转化为三维数字矩阵形式，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集，其中，试样数据集的表现形式为二进制文件。
3.如权利要求1所述的基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，步骤S2包括：
S2.1：采用格子玻尔兹曼方法对试样数据集中的试样进行渗透率计算，选取D3Q19晶格模型，模型的构建基础为单松弛时间的BGK模型，具体地，设定水流方向为x方向，整个流域空间被离散为格子点，流体的运动过程被转化为流体粒子的碰撞与迁移过程，流体粒子的碰撞与迁移过程通过基于流体粒子的分布函数进行迭代演化实现，演化过程见下式：
Figure FDA0003754892560000011
式中，fn为粒子非平衡态分布函数；x为粒子位置；en为第n个方向上粒子的速度；t为离散时间；τ为松弛时间；fn,eq为粒子平衡态分布函数；
S2.2：当流动模拟达到稳定状态时，通过公式(1)计算得到流场的速度分布；
S2.3：基于计算得到的流场的速度分布通过达西方程计算得到圆球颗粒材料的。
4.如权利要求3所述的基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，步骤S3提取的宏观尺度参数包括试样孔隙率、试样迂曲度、试样孔隙异质性以及试样分形维数，其中，试样孔隙率的计算方式为：
φ＝Vvoid/Vall (2)
式中，φ为试样孔隙率，Vvoid为孔隙体积，Vall为试样总体积，
试样迂曲度的计算方式为：
Figure FDA0003754892560000021
式中，τs为试样迂曲度，i为流场中第i个节点，N为流场中节点总数，vxi为第i个节点的x方向流速，vyi为第i个节点的y方向流速，vzi为第i个节点的z方向流速，其中，各个方向的流速为步骤S2.2中的流场的速度分布；
试样孔隙异质性的计算方式为：
Figure FDA0003754892560000022
式中，φj为第j个子试样的孔隙率；φ为试样整体孔隙率；
试样分形维数的计算方式为：
Figure FDA0003754892560000023
式中，A为Rn空间的任意非空有界子集；Nr(A)为覆盖A所需要的边长为r的n维立方体的最小数目。
5.如权利要求1所述的基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，步骤S3提取的微观尺度参数包括孔隙尺度上的结构特征参数、不同试样内部的连通方式和流通程度，提取过程包括：
基于最大球算法，建立孔隙网络模型，在孔隙网络模型中提取平均孔隙配位数C、平均孔隙半径rp、平均喉道半径rt、平均喉道长度lt作为孔隙尺度上的结构特征参数，其中，孔隙网络模型将结构内部的孔隙等效为一系列的孔隙体和喉道，孔隙体以圆球表示，喉道以细杆表示；
采用复杂网络方法对试样内部的微观结构及连通性进行分析，其中，将孔隙点作为复杂网络中的节点，喉道作为两个节点之间相连接的边，将喉道的断面积作为每条边的权重，由此形成复杂网络，通过对形成的复杂网络进行分析计算得到聚类系数、异质系数、全局效率指标，利用得到的指标得到不同试样内部的连通方式和流通程度。
6.如权利要求5所述的基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，复杂网络的聚类系数的计算方式为：
Figure FDA0003754892560000031
式中，V为复杂网络中的节点集合，a为节点编号，k为节点度的数量，t(G)为复杂网络中节点与边构成的三角形数量，聚类系数指标用以反映复杂网络中节点的邻居之间互为邻居的概率；
复杂网络度异质系数用复杂网络中度分布的熵H表示，计算方式为，
Figure FDA0003754892560000032
复杂网络中度分布的熵用以表示网络中节点的不均匀性，P(k)代表复杂网络中度值为k的节点比例；
复杂网络中的全局效率的计算方式为：
Figure FDA0003754892560000033
式中，Z为复杂网络中节点总个数；
Figure FDA0003754892560000034
为节点i和节点i*之间的最短路径长度，全局效率用以量化孔隙结构的连通程度，反映流体在孔隙网络中的传输能力与效率。
7.如权利要求1所述的基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，S4包括：
S4.1：根据提取得到的宏观尺度、微观尺度结构参数及计算得到的圆球颗粒材料的渗透率构建机器学习模型数据集；
datam(X,Y)(9)式中m为样本数量；X为样本结构特征参数；Y为目标结果；
S4.2：从机器学习模型数据集划分出训练数据集；构建机器学习模型，基于训练数据集并用随机森林算法对机器学习模型进行训练，得到训练好的渗透率预测模型，其中，训练过程中，采用R2值评估机器学习模型的拟合准确性：
Figure FDA0003754892560000041
式中，
Figure FDA0003754892560000042
为模型预测值；Ys为测试数据集中每个样本的目标值；
Figure FDA0003754892560000043
为测试数据集中样本目标值的均值，R2的大小用以表示机器学习模型预测效果。
8.如权利要求7所述的基于机器学习的圆球颗粒体系渗透特性的预测方法，其特征在于，在步骤S4.1之后，所述方法还包括：
对机器学习模型数据集进行数据预处理，具体为：对输入数据进行归一化处理，将数据在[0,1]范围内进行映射；
Figure FDA0003754892560000044
Figure FDA0003754892560000045
式中，s为样本编号；Xs′和Ys′为归一化后的数值；Xs和Ys分别为样本第一数值和样本第二数值；Xmin、Xmax表示样本第一数值的最小值和最大值，Ymin、、Ymax分别为样本第二数值的最小值与最大值。
9.一种基于机器学习的圆球颗粒体系渗透特性的预测系统，其特征在于，包括：
试样数据集建立模块，用于根据圆球颗粒材料级配信息及压实程度，由离散单元法生成不同级配颗粒集合体并压缩获得计算试样，然后进行区域分割，建立包含圆球颗粒材料级配信息、围压和三维图像结构的试样数据集；
渗透率计算模块，用于基于格子玻尔兹曼法和D3Q19晶格模型，对试样数据集中的试样进行渗透率计算，得到圆球颗粒材料的渗透率；
结构特征提取模块，用于对试样数据集中的试样进行结构特征提取，其中，提取的结构特征包括宏观尺度参数和微观尺度参数；
模型训练模块，用于根据计算得到的颗粒材料的渗透率和提取的结构特征，构建机器学习模型数据集，并从机器学习模型数据集划分出训练数据集；构建机器学习模型，基于训练数据集并用随机森林算法对机器学习模型进行训练，得到训练好的渗透率预测模型；
预测模块，用于利用训练好的渗透率预测模型进行圆球颗粒体系渗透率的预测。
10.一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如权利要求1至8中任一项权利要求所述的方法。
CN202210857731.2A 2022-07-20 2022-07-20 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统 Pending CN115295098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210857731.2A CN115295098A (zh) 2022-07-20 2022-07-20 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210857731.2A CN115295098A (zh) 2022-07-20 2022-07-20 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统

Publications (1)

Publication Number Publication Date
CN115295098A true CN115295098A (zh) 2022-11-04

Family

ID=83823615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210857731.2A Pending CN115295098A (zh) 2022-07-20 2022-07-20 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统

Country Status (1)

Country Link
CN (1) CN115295098A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116657224A (zh) * 2023-07-21 2023-08-29 佛山日克耐热材料有限公司 一种气凝胶粉渗透装置的控制方法及其系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116657224A (zh) * 2023-07-21 2023-08-29 佛山日克耐热材料有限公司 一种气凝胶粉渗透装置的控制方法及其系统
CN116657224B (zh) * 2023-07-21 2024-02-13 佛山日克耐热材料有限公司 一种气凝胶粉渗透装置的控制方法及其系统

Similar Documents

Publication Publication Date Title
CN108763711B (zh) 一种基于岩心扫描图像分块数值模拟的渗透率预测方法
Harandizadeh et al. Application of improved ANFIS approaches to estimate bearing capacity of piles
CN111144055B (zh) 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质
CN108921945B (zh) 结合居中轴线与实体模型的孔隙网络模型构建方法
Yu et al. Identification of rock pore structures and permeabilities using electron microscopy experiments and deep learning interpretations
Fu et al. Statistical characterization and reconstruction of heterogeneous microstructures using deep neural network
CN112560966B (zh) 基于散射图卷积网络的极化sar图像分类方法、介质及设备
CN112307536B (zh) 一种大坝渗流参数反演方法
CN115295098A (zh) 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统
CN114897781A (zh) 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法
CN110260914B (zh) 一种基于测点时空特征的工程安全监测系统区域划分方法
CN110222368A (zh) 一种利用二维切片计算岩心三维孔隙度和渗透率的方法
CN116975987B (zh) 基于声学特征的深水浅层岩土工程参数预测方法及装置
CN112949944B (zh) 一种基于时空特征的地下水位智能预测方法及系统
Meng et al. Transformer-based deep learning models for predicting permeability of porous media
CN112037181B (zh) 2d saxs图谱解析模型训练方法及装置
CN117408167A (zh) 基于深度神经网络的泥石流灾害易发性预测方法
CN115688583A (zh) 用于岩心的渗流模拟方法、处理器及机器可读存储介质
CN112884739B (zh) 一种基于深度学习网络的堆石体填筑密实度快速检测方法
Lin et al. Transregional spatial correlation revealed by deep learning and implications for material characterisation and reconstruction
CN112070110A (zh) 一种致密储层微观孔喉结构分级模式的预测方法
CN113657021A (zh) 一种基于bp神经网络的海洋测量周期评定方法
CN114460639A (zh) 页岩油储层渗透率的预测方法及装置
CN117351212B (zh) 一种基于双向多尺度注意力的水利环境下的点云分割方法
CN116029402A (zh) 裂缝型基岩潜山油藏采收率预测模型训练及预测方法和装置

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