CN110377980B - 一种基于bp神经网络岩石节理面峰值抗剪强度的预测方法 - Google Patents

一种基于bp神经网络岩石节理面峰值抗剪强度的预测方法 Download PDF

Info

Publication number
CN110377980B
CN110377980B CN201910582777.6A CN201910582777A CN110377980B CN 110377980 B CN110377980 B CN 110377980B CN 201910582777 A CN201910582777 A CN 201910582777A CN 110377980 B CN110377980 B CN 110377980B
Authority
CN
China
Prior art keywords
neural network
shear strength
rock
test
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
CN201910582777.6A
Other languages
English (en)
Other versions
CN110377980A (zh
Inventor
黄曼
马成荣
罗战友
杜时贵
邹宝平
陈洁
洪陈杰
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.)
University of Shaoxing
Original Assignee
University of Shaoxing
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 University of Shaoxing filed Critical University of Shaoxing
Priority to CN201910582777.6A priority Critical patent/CN110377980B/zh
Publication of CN110377980A publication Critical patent/CN110377980A/zh
Application granted granted Critical
Publication of CN110377980B publication Critical patent/CN110377980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/24—Investigating strength properties of solid materials by application of mechanical stress by applying steady shearing forces
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Computer Hardware Design (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Devices Affording Protection Of Roads Or Walls For Sound Insulation (AREA)

Abstract

一种基于BP神经网络岩石节理面峰值抗剪强度的预测方法，包括如下步骤：(1)训练参数的获取：1.1)通过三维激光扫描仪获取结构面三维形貌点云数据集，通过MATLAB程序得到最大可能接触面积比、节理面粗糙度参数；1.2)通过巴西劈裂试验、单轴试验和剪切试验获取岩石抗拉强度、施加于岩石上的法向应力；(2)通过训练完毕的神经网络进行峰值剪切强度的预测：2.1)步骤(1)获取的数据构成神经网络训练的预测数据集；2.2)将训练测试数据输入BP神经网络，训练好的网络根据自身学习情况，数据之间的逻辑和高度非线性映射关系，通过各神经元已经确定连接权值和阈值预测峰值剪切强度值τp。本发明快速预测岩石结构抗剪强度。

Description

一种基于BP神经网络岩石节理面峰值抗剪强度的预测方法
技术领域
本发明涉及一种基于BP神经网络岩石节理面峰值抗剪强度的预测方法，适用于通过分析影响结构面力学性能的因素预测结构面峰值抗剪强度的场合。
背景技术
结构面是岩体形成和地质作用的漫长历史过程中，在岩体内不断发育的地质界面，形成岩体的薄弱环节。对于裂隙岩体，结构的剪切行为尤为重要，因为结构控制着岩体的变形能力、强度，进而控制着岩体的稳定性，其主要破坏形式是沿结构面的剪切破坏。结构面峰值剪切强度的受诸多因素影响，作用于结构面上的正应力是外在因素，结构面存在各质异性、各向异性、尺寸效应特征等力学特性与形貌特征是内在因素。Grasselli从大量剪切试验中发现岩石结构上下表面最陡的凸起部位是发生破环的关键位置，认为在结构面的断裂过程中起主要破坏的作用的是拉伸破坏而非受压破坏，在剪切模型中考虑了σt和最大可能接触面积比A0作为内在因素。
发明内容
为了克服已有技术无法预测岩石节理面峰值抗剪强度的不足，本发明提供一种基于BP神经网络岩石节理面峰值抗剪强度的预测方法，综合考虑了影响结构面剪切行为的多种因素：最大可能接触面积比A0、节理面粗糙度参数
Figure BDA0002113503590000011
岩石抗拉强度σt、施加于岩石上的法向应力σn，通过训练好的BP神经网络预测峰值剪切强度。
本发明解决其技术问题所采用的技术方案是：
一种基于BP神经网络岩石节理面峰值抗剪强度的预测方法，所述方法包括如下步骤：
(1)训练参数的获取
1.1)通过三维激光扫描仪获取结构面三维形貌点云数据集，通过MATLAB程序得到最大可能接触面积比A0、节理面粗糙度参数
Figure BDA0002113503590000021
1.2)通过巴西劈裂试验、单轴试验和剪切试验获取岩石抗拉强度σt、施加于岩石上的法向应力σn；
(2)通过训练完毕的神经网络进行峰值剪切强度的预测
2.1)步骤(1)获取的数据构成神经网络训练的预测数据集
Figure BDA0002113503590000022
2.2)将得到的训练测试数据输入BP神经网络，训练好的网络根据自身学习情况，数据之间的逻辑和高度非线性映射关系，通过各神经元已经确定连接权值和阈值预测峰值剪切强度值τp。
本发明的有益效果主要表现在：充分考虑结构面剪切过程中影响因素，通过神经网络建立的高度非线性关系分析各因素权重比例，快速预测岩石结构抗剪强度。
附图说明
图1为结构面峰值抗剪强度BP神经网络预测方法流程的示意图。
图2为峰值剪切强度的原始值和预测值对比的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种基于BP神经网络的结构面峰值抗剪强度预测模型的构建方法，包括如下步骤：
(1)训练参数的获取
1.1)通过三维激光扫描仪获取结构面三维形貌点云数据集，通过MATLAB程序得到最大可能接触面积比A0、节理面粗糙度参数
Figure BDA0002113503590000023
1.2)通过巴西劈裂试验、单轴试验和剪切试验获取岩石抗拉强度σt、施加于岩石上的法向应力σn；
(2)通过训练完毕的神经网络进行峰值剪切强度的预测
2.1)步骤(1)获取的数据构成神经网络训练的预测数据集
Figure BDA0002113503590000031
2.2)将得到的训练测试数据输入BP神经网络，训练好的网络根据自身学习情况，数据之间的逻辑和高度非线性映射关系，通过各神经元已经确定连接权值和阈值预测峰值剪切强度值τp。
本发明将以实例具体说明：
(1)根据Grasselli对7种岩石的37组试验结果，构建BP神经网络训练的预测数据集
Figure BDA0002113503590000032
具体参数见表1。
Figure BDA0002113503590000033
Figure BDA0002113503590000041
表1
图2为峰值剪切强度的原始值和预测值对比图。Grasselli等的试验峰值剪切强度原始值与本发明运用BP神经网络的预测值有较好的吻合度。说明BP神经网络的预测结果可靠性较高。
(2)选取Grasselli等和唐志成等提出的峰值抗剪强度准则进行比较以验证BP神经网络模型预测结果的合理性。
Grasselli等提出的剪切强度公式：
Figure BDA0002113503590000042
式中：τp为峰值剪切强度，A0为最大可能接触面积比，
Figure BDA0002113503590000043
为沿剪切方向最大有效倾角，C是一个无量纲的粗糙度参数，拟合进行计算，σn为法向应力，σt为岩石抗拉强度，
Figure BDA0002113503590000044
为基本摩擦角，α为剪切方向角。
唐志成等提出的剪切强度公式：
Figure BDA0002113503590000045
式中：τp为峰值剪切强度，σn为法向应力，
Figure BDA0002113503590000046
为基本摩擦角，A0为最大可能接触面积比，
Figure BDA0002113503590000047
为沿剪切方向最大有效倾角，C是一个无量纲的粗糙度参数，拟合进行计算，σt为岩石抗拉强度。
使用Grasselli模型和唐志成模型计算结果、BP神经网络模型预测结果及试验实测峰值抗剪强度如表2所示。
Figure BDA0002113503590000051
表2
Grasselli模型、唐志成模型和BP神经网络模型的平均估计误差分别为24.1％、14.8％和8.2％。三种模型在预测天然岩石结构抗剪强度方面均具有有效性，运用本发明构建的BP神经网络精度高于Grasselli模型和唐志成模型。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (1)

1.一种基于BP神经网络岩石节理面峰值抗剪强度的预测方法，其特征在于，所述方法包括如下步骤：
(1)训练参数的获取
1.1)通过三维激光扫描仪获取结构面三维形貌点云数据集，通过MATLAB程序得到最大可能接触面积比A0、节理面粗糙度参数
Figure FDA0004126730880000011
Figure FDA0004126730880000012
为沿剪切方向最大有效倾角，C是一个无量纲的粗糙度参数；
1.2)通过巴西劈裂试验、单轴试验和剪切试验获取岩石抗拉强度σt、施加于岩石上的法向应力σn；
(2)通过训练完毕的神经网络进行峰值剪切强度的预测
2.1)步骤(1)获取的数据构成神经网络训练的预测数据集
Figure FDA0004126730880000013
2.2)将得到的训练测试数据输入BP神经网络，训练好的网络根据自身学习情况，数据之间的逻辑和高度非线性映射关系，通过各神经元已经确定连接权值和阈值预测峰值剪切强度值τp。
CN201910582777.6A 2019-07-01 2019-07-01 一种基于bp神经网络岩石节理面峰值抗剪强度的预测方法 Active CN110377980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910582777.6A CN110377980B (zh) 2019-07-01 2019-07-01 一种基于bp神经网络岩石节理面峰值抗剪强度的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910582777.6A CN110377980B (zh) 2019-07-01 2019-07-01 一种基于bp神经网络岩石节理面峰值抗剪强度的预测方法

Publications (2)

Publication Number Publication Date
CN110377980A CN110377980A (zh) 2019-10-25
CN110377980B true CN110377980B (zh) 2023-05-12

Family

ID=68251398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910582777.6A Active CN110377980B (zh) 2019-07-01 2019-07-01 一种基于bp神经网络岩石节理面峰值抗剪强度的预测方法

Country Status (1)

Country Link
CN (1) CN110377980B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111366475B (zh) * 2020-03-25 2023-02-03 中国电建集团成都勘测设计研究院有限公司 一种碎粒型结构面及结构带抗剪强度参数获取方法
CN113063675B (zh) * 2021-03-26 2023-06-23 长安大学 一种软-硬节理峰值剪切强度的计算方法
CN115618512B (zh) * 2022-10-12 2024-04-26 北京建筑大学 岩石节理各向异性特征量化方法、装置、设备及存储介质
CN115587443B (zh) * 2022-10-14 2024-03-26 北京建筑大学 岩石节理面粗糙度的确定方法、装置、电子设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105259331A (zh) * 2015-11-06 2016-01-20 三峡大学 一种节理岩体单轴强度预测方法
CN107784191A (zh) * 2017-12-12 2018-03-09 中国地质大学（武汉） 基于神经网络模型的异性结构面峰值抗剪强度预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9747393B2 (en) * 2011-02-09 2017-08-29 Exxonmobil Upstream Research Company Methods and systems for upscaling mechanical properties of geomaterials
US10410118B2 (en) * 2015-03-13 2019-09-10 Deep Genomics Incorporated System and method for training neural networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105259331A (zh) * 2015-11-06 2016-01-20 三峡大学 一种节理岩体单轴强度预测方法
CN107784191A (zh) * 2017-12-12 2018-03-09 中国地质大学（武汉） 基于神经网络模型的异性结构面峰值抗剪强度预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Tang Zhicheng et al..New Criterion for Evaluating the Peak Shear Strength of Rock Joints Under Different Contact States.Rock Mechanics and Rock Engineering.2016,第49卷第1191-1199 页. *
Tian Yongchao et al..Updates to Grasselli’s Peak Shear Strength Model.Rock Mechanics and Rock Engineering.2018,第51卷第2115–2133页. *
周喻 等.基于BP神经网络的岩土体细观力学参数研究.岩土力学.2011,第32卷(第12期),第3821-3826页. *
赵洪波 等.岩石节理抗剪强度的支持向量机预测.长江科学院院报.2004,第21卷(第6期),第45-46页. *
陈世江 等.岩体结构面剪切强度模型研究进展.金属矿山.2017,(第492期),第1-7页. *
陈曦 等.基于Grasselli形貌参数的岩石节理初始剪胀角新模型.岩石力学与工程学报.2019,第38卷(第1期),第133-152页. *

Also Published As

Publication number Publication date
CN110377980A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110377980B (zh) 一种基于bp神经网络岩石节理面峰值抗剪强度的预测方法
WO2018214348A1 (zh) 千米深井提升机主轴多失效模式可靠性评估方法
US20230168150A1 (en) Dynamic joint distribution alignment network-based bearing fault diagnosis method under variable working conditions
Sobczyk et al. Random fatigue: from data to theory
CN109030202B (zh) 一种快速确定岩石类脆性材料离散元模型参数的方法
CN109871609B (zh) 基于bp-fem对海洋浮式平台系泊***响应的预测方法
Keawsawasvong et al. Ultimate lateral capacity of two dimensional plane strain rectangular pile in clay
CN109490072B (zh) 一种土木工程建筑用检测***及其检测方法
Eliáš et al. Modeling of mode-I fatigue crack growth in quasibrittle structures under cyclic compression
Rummel Nondestructive inspection reliability history, status and future path
Lasisi et al. A boosted tree machine learning alternative to predictive evaluation of nondestructive concrete compressive strength
CN114279842A (zh) 一种确定岩石裂纹起裂应力和损伤应力的方法及***
Beijing et al. Crack detection and evolution law for rock mass under SHPB impact tests
Aydin et al. Damage detection in Timoshenko beam structures by multilayer perceptron and radial basis function networks
Gregoire et al. Continuum to discontinuum transition during failure in nonlocal damage models
CN110457746B (zh) 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法
CN105300819A (zh) 基于支持向量机算法的合金钢疲劳极限检测方法及其***
CN113702509B (zh) 划分岩爆过程中张拉和剪切裂纹的方法
Pourzangbar Determination of the most effective parameters on scour depth at seawalls using genetic programming (GP)
CN113065224B (zh) 基于图像识别的深海管道裂纹扩展监测与可靠性评估方法
CN114996934A (zh) 一种考虑损伤累积的微动疲劳寿命预测方法
CN114580274A (zh) 一种钛合金应力腐蚀临界应力强度因子预测方法
Nanda et al. Effect of Slenderness ratio on crack parameters of simply supported Shaft
CN113486595A (zh) 一种井喷智能预警方法、***、设备和存储介质
Sedghi et al. Effects of mooring line design parameters on the line dynamics and fatigue response of subsea mooring lines

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