[發明專利]一種基于機器學習的巖土材料離散元自動建模方法

有效

• 申請號: 202110119098.2
• 申請日: 2021-01-28
• 公開（公告）號: CN112765895B
• 公開（公告）日: 2023-10-17
• 發明（設計）人: 袁冰;朱莉莉;劉春;謝斐;夏國慶;張宸瑋;權雪瑞;耿煥
• 申請（專利權）人: 南京大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/23;G06N20/00;G06F111/10;G06F119/14
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 陳建和

本發明公開了一種基于機器學習的巖土材料離散元自動建模方法，首先通過重力堆積操作建立砂巖幾何模型，然后通過數值試驗獲取模型實際力學性質，生成用于機器學習訓練的樣本數據集并對未訓練的樣本數據集進行相關性分析；根據樣本數據，采用XGBoost算法進行訓練，對訓練結果進行相關性分析，探究樣本量與誤差關系；最后使用訓練完成的XGBoost訓練模型進行自動建模。本發明通過對實際力學性質進行數值實驗、訓練、驗證和測試操作，實現具有特定力學性質巖土材料快速建模。

技術領域

本發明涉及離散元建模技術領域，主要涉及一種基于機器學習的巖土材料離散元自動建模方法。

背景技術

巖土體在宏觀上相對連續，而在微觀上是由一系列顆粒、孔隙和裂隙組成的系統結構。離散元法通過堆積和膠結顆粒來構建模型，能夠天然地模擬巖土體的非連續性和不均勻性,為探索巖土體宏觀力學性質的微觀機制提供了一個有效的方法。離散元堆積模型的力學性質受顆粒性質、堆積過程和膠結情況等多種因素的共同作用，通常無法直接得到指定力學性質的離散元模型。目前獲取特定力學性質模型的方法主要有兩類，第一類為試錯法，通常依賴于繁瑣的參數調整和力學性質測試操作，使得離散元模型的宏觀力學響應達到理想狀態或與室內試驗結果一致。第二類為經驗公式法，由基于模擬或者試驗結果，統計分析宏觀力學性質和微觀參數的相互關系。如何快速準確建立具有特定力學性質的巖土材料模型仍是急需解決的問題。

發明內容

發明目的：為了解決上述背景技術中存在的問題，本發明提供了一種基于機器學習的巖土材料離散元自動建模方法。通過對實際力學性質進行數值實驗、訓練、驗證和測試操作，實現具有特定力學性質巖土材料快速建模。

技術方案：為實現上述目的，本發明采用的技術方案為：

一種基于機器學習的巖土材料離散元自動建模方法，包括以下步驟：

步驟S1、基于線彈性接觸理論建立巖石離散元模型，所述模型包括依次堆疊的上壓力板、試樣和下壓力板；通過重力沉積過程建立緊密堆積模型；

步驟S2、對所述緊密堆積模型賦予砂巖的宏觀力學性質，并且根據轉換公式和力學性質擴大比例系數計算對應的微觀力學參數，自動賦予每個單元；平衡模型，并且通過數值模擬試驗獲取模型的輸入力學性質；

步驟S3、基于步驟S2中數值模擬試驗步驟，建立一定數量的巖石離散元模型；所述巖石離散元模型的尺寸粒徑均相同；對每個巖石離散元模型賦予不同的宏觀力學性質，依次經數值模擬試驗后得到相應的輸入力學性質，最終生成相應數量的樣本，作為訓練樣本數據集；

步驟S4、將輸入力學性質作為特征，實際力學性質作為標簽數據，采用皮爾遜相關系數在樣本數據訓練前對特征和標簽數據進行初步相關性分析，計算輸入力學性質和實際力學性質間的相關系數；

步驟S5、對收集的樣本數據集進行處理，采用XGBoost算法進行訓練，建立輸入力學性質與實際力學性質之間的定量關系，獲取訓練好的XGBoost模型；

步驟S6、采用皮爾遜相關系數對訓練結果所得特征和標簽數據進行相關性分析，并與訓練前的相關系數進行對比，獲取訓練的數據集樣本量對訓練結果的影響，發現隨著訓練樣本數量的增加，平均誤差和誤差標準差逐漸下降，預測精度越來越高，訓練結果越來越穩定。；

步驟S7、根據訓練完成的XGBoost訓練模型進行自動建模，獲取最終的離散元模型。

進一步地，所述步驟S2中通過數值模擬試驗獲取模型的輸入力學性質具體步驟包括：

步驟S2.1、對所述緊密堆積模型進行第一次單軸壓縮試驗，通過應力應變曲線計算得到楊氏模量E；通過監測壓縮過程中模型豎向壓縮量和側向膨脹量計算得到模型的泊松比ν；