页面标题
课题组新闻
课题组新闻
祝贺吴优同学的论文被《Computers and Geotechnics》期刊录用

发布时间:2023-12-06 03:58:57浏览次数:914次

Wu Z, Wu Y, Weng L, Li M, Wang Z, Chu Z. (2024) Machine learning approach to predicting the macro-mechanical properties of rock from the meso-mechanical parameters[J]. Computers and Geotechnics.

在交通强国、能源转型和深地战略等国家重大需求牵引下,深部地下工程迎来新的发展期。岩石的宏观力学性质是地下工程设计和安全施工的重要参数。然而在高地应力及复杂破碎岩体地质条件下,标准岩样获取困难,导致通过传统室内测试手段难以快速确定工程设计所需的岩石宏观基本力学参数。因此,建立一种经济且易实现的间接方法来预测岩石宏观力学性质具有重要意义。本文结合数值模拟及机器学习手段的优势,提出了岩石细宏观力学性能关联预测方法,建立了可准确快速获取岩石宏观力学性质的预测系统。首先,将FDEM数值方法在准确刻画岩石细宏观力学联系的优势以及细观力学测试方法相结合,构建真实表征岩石细观结构的FDEM-GBM数值模型,并检验了模型的有效性。在此基础上,通过数值方法建立机器学习所需岩石细宏观力学关联数据库。在机器学习模型训练中,利用采用网格搜索确定了多种回归算法的最优超参数组合,实现模型预测效果大幅提升,分别比较不同模型在岩石单轴抗压强度及弹性模量的效果,并确立了两个参数各自对应的最优预测模型。最后,更换岩石种类验证了预测模型的有效性和准确性。研究成果可为评估工程设计所需的宏观力学性质提供快速而有效的参考。

Wuyou-05.jpg

图 1 融合机器学习方法的岩石细宏观关联力学性质预测方法

Wuyou-02.jpg

图 2 不同算法模型下预测性能指标对比