基于矿物数据和模型融合的岩石强度参数智能预测方法
本发明涉及岩石强度智能预测,具体为基于矿物数据和模型融合的岩石强度参数智能预测方法。
背景技术:
1、在岩石力学参数评估中,获取岩石强度数据依赖于室内单轴压缩试验或三轴试验,这类方法对试样制备要求严格,测试周期长,难以适用于不规则岩屑或珍贵岩样的大批量快速检测。利用矿物组分和简单回归的经验公式预测强度可在一定程度上减少试验工作量,但仅凭矿物含量数据无法反映矿物颗粒形态、接触关系、胶结特征等细观结构因素对宏观力学行为的控制作用,预测偏差较大。基于机器学习的矿物-强度预测模型需要大量有标签强度数据作为训练样本,而实际工程环境或科研场景中能够获得的破坏性强度实测数据往往十分有限,样本不足会导致模型过拟合或泛化能力薄弱。单独采用离散元等细观数值模拟手段能够再现矿物颗粒非均质性对岩石破裂过程的影响,然而精确的数值模型需要详细的矿物类型、结构、单矿物力学参数以及颗粒间接触参数,这些条件在现场难以同时满足,且模拟结果与真实岩体强度之间存在偏差,直接将其用于标定或替代实测值存在不确定性。现有技术方案未能充分整合多源矿物学信息以同时驱动细观力学模拟与数据驱动建模,使得少量实测样本条件下的岩石强度智能预测难以获得兼具物理一致性与统计精度的结果。需要解决在矿物种类、含量、结构、弹性模量及硬度等参数已知时,如何从中生成具有细观力学内涵的模拟强度数据作为补充标签的问题,并且需要解决如何将少量实测强度与模拟强度有机融合,建立以简便可获取的矿物组分特征为输入的高精度强度映射模型的问题。
技术实现思路
1、本发明的目的在于提供一种基于矿物数据和模型融合的岩石强度参数智能预测方法,以解决现有方法依赖大量破坏性试验、在少样本条件下预测可靠性不足,以及难以有效融合矿物细观结构与力学信息进行强度预测的问题。
2、为了实现上述目的,本发明提供如下技术方案:本发明提供一种基于矿物数据和模型融合的岩石强度参数智能预测方法,包括以下步骤:获取待预测岩石的多源矿物参数,所述多源矿物参数至少包括矿物物相种类数据、矿物物相含量数据、矿物类型数据、矿物结构数据、各矿物弹性模量数据、各矿物硬度数据和岩石宏观强度实测数据;根据所述多源矿物参数构建三维数字岩心模型,并基于voronoi算法对所述三维数字岩心模型进行网格剖分,建立细观数值模拟模型;在所述细观数值模拟模型上施加单轴压缩边界条件,执行细观数值模拟计算,提取模拟应力-应变曲线和模拟宏观强度数据;以所述矿物物相种类数据和所述矿物物相含量数据作为输入特征,以所述岩石宏观强度实测数据和所述模拟宏观强度数据作为标签值,训练机器学习回归模型,得到映射关系模型;将现场实测的待预测岩石矿物物相种类数据和矿物物相含量数据输入所述映射关系模型,输出岩石强度预测值。
3、作为本发明的一个技术方案,所述获取待预测岩石的多源矿物参数的步骤中,采用便携式x射线衍射仪获取岩石的矿物物相种类数据和矿物物相含量数据;采用tima自动矿物分析系统与偏光镜联用获取岩石的矿物类型数据和矿物结构数据;采用纳米压痕仪获取岩石中各矿物的弹性模量数据和硬度数据;采用单轴试验机获取岩石的岩石宏观强度实测数据。通过多源测试手段获取的矿物参数涵盖了成分、结构及力学属性等跨尺度信息,能够为数字岩心建模和机器学习提供更为全面的数据基础。
4、优选的,根据所述多源矿物参数构建三维数字岩心模型的步骤具体包括:将所述矿物物相种类数据、所述矿物物相含量数据、所述矿物类型数据、所述矿物结构数据、各矿物弹性模量数据、各矿物硬度数据和岩石宏观强度实测数据进行跨尺度数据融合;根据融合后的数据确定典型细观结构参数;基于所述典型细观结构参数构建三维数字岩心模型。所述典型细观结构参数包括矿物颗粒粒径分布数据、矿物接触关系数据、孔隙率数据和胶结强度数据。如此构建的三维数字岩心模型能够真实反映岩石内部矿物组成与微观结构特征,提高后续数值模拟的保真度。
5、进一步地,对所述三维数字岩心模型进行网格剖分,建立细观数值模拟模型的步骤具体包括:采用离散元方法对所述三维数字岩心模型进行网格剖分;基于voronoi网格算法生成voronoi网格数值模型;设置所述voronoi网格数值模型的细观力学参数,所述细观力学参数包括矿物颗粒密度、矿物颗粒接触刚度、矿物颗粒摩擦系数和矿物颗粒黏结强度;将设置好细观力学参数的voronoi网格数值模型作为细观数值模拟模型。该模型将矿物颗粒的几何形态与接触力学特性充分纳入考量,使得细观模拟能够有效反映矿物颗粒间的相互作用及其对宏观力学行为的影响。
6、在本发明的一种实施方式中,在所述细观数值模拟模型上施加单轴压缩边界条件,执行细观数值模拟计算,提取模拟应力-应变曲线和模拟宏观强度数据的步骤具体包括:在所述细观数值模拟模型的上表面施加向下位移载荷,所述细观数值模拟模型的侧向表面为自由面,在所述细观数值模拟模型的下表面施加固定约束,作为单轴压缩边界条件;采用离散元迭代计算方法执行单轴压缩条件下的细观破坏模拟计算;在模拟计算过程中记录每一计算步的应力和应变数据,生成模拟应力-应变曲线;从所述模拟应力-应变曲线中提取峰值应力作为模拟宏观强度数据。通过细观数值模拟获取的模拟强度数据,能够作为实测强度数据的有益补充,弥补现场试验样本有限的不足。
7、作为本发明的另一个技术方案,训练机器学习回归模型的步骤具体包括:将所述矿物物相种类数据编码为类别特征向量,将所述矿物物相含量数据编码为数值特征向量,将所述类别特征向量和所述数值特征向量拼接为输入特征向量;将所述岩石宏观强度实测数据和所述模拟宏观强度数据进行加权融合,得到融合强度标签值;以所述输入特征向量作为模型输入,以所述融合强度标签值作为模型输出目标,采用随机森林回归算法训练初始回归模型;对所述初始回归模型进行交叉验证和超参数优化,得到训练好的映射关系模型。该方案将实测数据与模拟数据进行有机融合,标签值既保留了现场实测的真实性,又融合了数值模拟所揭示的物理规律,有利于提升映射关系模型的泛化能力和预测精度。
8、在训练初始回归模型时,优选的,对所述输入特征向量进行归一化处理,消除量纲差异;设置随机森林回归算法的超参数,所述超参数包括决策树数量n、决策树最大深度d和节点分裂最小样本数m;采用bootstrap抽样方法从训练集中有放回地抽取n个子样本集;基于每个子样本集构建一棵决策树,共构建n棵决策树,每棵决策树均基于所述输入特征向量和所述融合强度标签值进行训练。基于每个子样本集构建一棵决策树的过程具体包括:在当前决策树的每个节点分裂时,从所述输入特征向量中随机选取特征子集;基于均方误差准则从所述特征子集中选择最优分裂特征和最优分裂阈值;根据所述最优分裂特征和所述最优分裂阈值将当前节点的样本集分裂为左子节点样本集和右子节点样本集;递归执行节点分裂过程,直至当前决策树的深度达到最大深度d或节点样本数小于节点分裂最小样本数m。其中,基于均方误差准则选择最优分裂特征和最优分裂阈值的方式为:对于所述特征子集中的每个候选特征,遍历该候选特征的所有取值作为候选分裂阈值;计算每个候选分裂阈值下的左子节点样本集的岩石强度方差和右子节点样本集的岩石强度方差;计算左子节点样本集的岩石强度方差与右子节点样本集的岩石强度方差的加权和,作为该候选分裂阈值对应的均方误差;选取均方误差最小的候选特征和候选分裂阈值作为最优分裂特征和最优分裂阈值。如此构建的随机森林回归模型能够有效处理矿物物相种类和含量这类多维度输入特征与岩石强度之间的复杂非线性映射关系,并且通过集成多棵决策树能够显著降低过拟合风险。
9、在超参数优化过程中,采用五折交叉验证法将训练集划分为五个子集,轮流将其中四个子集作为训练子集、一个子集作为验证子集,重复五次训练和验证过程;在每次验证过程中计算预测强度值与融合强度标签值之间的决定系数r²和均方根误差rmse;调整所述决策树数量n、所述决策树最大深度d和所述节点分裂最小样本数m,重复五折交叉验证过程,直至决定系数r²达到最大化且均方根误差rmse达到最小化;将决定系数r²最大化和均方根误差rmse最小化时所对应的超参数组合作为优化后的超参数组合。经过优化后的映射关系模型可在保证预测精度的同时具有良好的稳定性。
10、本发明基于矿物数据和模型融合进行岩石强度参数智能预测,将矿物多源参数测试、细观数值模拟与机器学习回归建模深度融合,仅需利用现场快速获取的矿物物相种类和含量数据即可实现岩石强度的高精度预测,大幅提高了现场预测的便捷性和实时性,降低了对大量室内岩石力学试验的依赖。
11、在上述技术方案中,本发明提供的技术效果和优点:
12、通过获取矿物物相种类、矿物物相含量、矿物类型、矿物结构以及各矿物弹性模量和硬度数据,并依据这些多源矿物参数构建三维数字岩心模型,再对其进行基于voronoi网格算法的网格剖分并赋予细观力学参数,建立细观数值模拟模型。在模型上施加单轴压缩边界条件执行模拟计算,提取模拟应力-应变曲线与模拟宏观强度数据。这一方案将矿物颗粒的真实力学性质直接嵌入数值模型,使得模拟过程能够复现矿物界面滑移、颗粒破碎和胶结破坏等细观机制对宏观强度的贡献,生成的模拟宏观强度数据携带了矿物非均质分布和接触力学特征,与实测强度在物理意义上保持一致。该模拟数据可作为实测标签的有效扩充,在实测破坏性数据稀缺时丰富训练样本空间,减轻对大量室内试验的依赖,并且可以通过改变矿物组合参数批量生成覆盖多种岩性情景的补充标签,增强样本多样性。
13、以矿物物相种类数据和矿物物相含量数据作为输入特征,将岩石宏观强度实测数据与模拟宏观强度数据加权融合后作为标签值,训练机器学习回归模型形成映射关系模型。预测阶段仅需利用便携式x射线衍射等手段获取现场待测岩石的矿物物相种类与含量并输入该模型,即可直接输出强度预测值。融合实测与模拟标签的构建方式使模型在仅拥有少量实测强度样本的条件下,仍能从模拟标签中学习到矿物细观构造特征与强度之间的隐含非线性关联,避免因样本不足导致的过拟合和预测性能退化。加权融合策略允许根据数据可靠性调整实测标签与模拟标签的贡献比重,在不破坏实测数据优先性的前提下,利用模拟标签填补样本分布间隙,由此获得的对矿物物相组合变化具有更强适应能力的映射关系能够显著改善复杂矿物组分条件下的预测稳定性与准确度,同时满足现场快速获取岩石强度参数的工程需求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com