一种岩石弹性变形能指数的测定方法、系统、终端及可读存储介质与流程

1.本发明属于矿业工程和岩土工程领域，具体涉及一种岩石弹性变形能指数的测定方法、系统、终端及可读存储介质。


背景技术：

2.国内外学者与工程界常用冲击倾向的概念来描述矿岩物质的岩爆倾向性，并采用波兰学者a.q.kidybinshi提出的岩石弹性变形能指数w
et
加以度量。如图1所示，该岩石弹性变形能指数w
et
的测定方法是对岩石试件进行单轴压缩试验，将试件加载至应力达到单轴抗压强度的80％～90％，然后卸载至零得到应力
‑
应变曲线，再通过应力
‑
应变曲线不同部分的面积计算得到弹性变形能e
e
和耗损应变能e
p
，二者的比值即为岩石试件的弹性变形能指数。
3.从原理来看，该指数是用岩样中储存的弹性变形能与由于永久变形和碎裂造成的耗损应变能之间的比值来确定的，所以根据图1所示的计算曲线，可以得到w
et
的具体计算公式：
[0004][0005]
通过该指数的数值大小，学者们通过大量案例研究和工程实际考察将该指数与岩爆强烈程度对应起来，得到如表1所示的岩爆倾向性判据表，从表1中可以看出w
et
指数越大，岩爆表现的程度就越强烈。
[0006]
表1弹性变形能指数的岩爆倾向性判据表
[0007]
无岩爆弱岩爆中等岩爆强烈岩爆<2.02.0
‑
3.53.5
‑
5.0≥5.0
[0008]
测试岩石弹性变形能指数的关键步骤是预先判断岩石的单轴抗压强度，然后才可以准确地将试件加载到单轴抗压强度的0.8～0.9倍。但是岩石力学指标的离散度大，无法可靠地准确预计每块试件的强度并控制加载达到试件强度的80％～90％时卸载，从而限制了w
et
指数的准确性。如果在选择的卸载点低于试件强度的80％，则会导致曲线过早下落，处于岩石弹性变形阶段，使得e
e
偏大，e
p
偏小，从而造成了弹性变形能指数偏大。而当卸载点高于试件强度的0.9倍时，试件容易出现破坏，从而使得试件加载进程结束，得不到图1中的完整卸载曲线，也就得不到w
et
指数。因此，寻求加载过程中能即时预报载荷达到极限承载能力的80％～90％的控制手段，在测试岩石弹性变形能指数中具有非常实际的应用价值。
[0009]
目前，对于岩石试件单轴抗压强度的预判主要采用了平均值替代的方法。该方法首先对一批岩石试件进行试验得到单轴压缩强度，然后根据该批试件的强度平均值作为后续测试试件的强度，以此强度值为基准进行加载和卸载得到应力
‑
应变曲线。对于不同的岩石试件来说，平均值法具有很大的偶然性和误差性，因为对于不同的岩石试件而言，其强度
值具有极大的离散性，仅靠平均值无法确切代表不同岩石试件的强度值。
[0010]
此外，公布号为cn 109238846 a的专利中提出了一种通过波速法测定岩石岩爆弹性变形能指标的方法，它通过“应力—时间”和“波速—时间”，间接建立“应力—波速”的关系曲线，通过分析即找出当应力达到试件强度的80％～90％时所对应的岩石波速值。如图2所示，该发明的核心依据是将波速值下降点和岩石强度的80％联系起来，通过观察试样垂直于应力方向的波速值是否发生明显下降，从而可以判断荷载是否达到岩石强度80％。
[0011]
但也有学者通过试验研究发现，岩石弹性波与单轴抗压强度之间的波速值下降点并不全是该专利所述的80％。在波速
‑
应变曲线中存在一个明显的下降行为点，此时波速突然下降而对应的应力与峰值压力之比λ也达到某一数值。在文献1《致密碳酸盐岩石力学与声学实验研究》中对灰岩进行单轴压缩试验，发现加载初期横波速度增加，其后在λ＝75％时波速加速下降；文献2《不同条件下花岗岩中声波传播速度的规律》进行了花岗岩试验测试，发现在λ＝76.4％时岩石波速加速下降；文献3《岩石加载过程声波波速变化规律实验研究》得到片麻岩的λ＝72.8％；文献4《岩石脆性临界破坏的波速特征分析》基于有关研究统计和分析，最终得出结论：对大部分岩石来说λ的平均值为74.8％。
[0012]
以上相关的研究结果表明，以λ＝80％作为判断依据是非常不准确的，该测定方法会使得测试出的w
et
指数偏大，存在显而易见的系统误差，不能获得准确的w
et
指数。同时该发明的测试过程是动态的，即需要在进行单轴压缩试验的同时在试件上安装发射换能器和接收换能器并接收波速信号，该过程中压力机和岩石声波参数测定仪是相互并行操作的，而岩石试件的高度一般较小，非常容易使得岩石波速测量出现紊乱和数据波动。
[0013]
因此，现有技术手段还无法准确测定弹性变形能指数，其中，为了实现准确测定，加载过程中能即时预报载荷达到单轴抗压强度的80％～90％是至关重要的，因此，准确测定每块岩石的单轴抗压强度也是关键性的技术。


技术实现要素：

[0014]
本发明的目的是针对现有技术中还无法准确测定岩石弹性变形能指数的问题，提供一种岩石弹性变形能指数的测定方法、系统、终端及可读存储介质。所述方法利用机器学习的优势，将密度、纵波速度作为输入特征进行模型训练得到单轴抗压强度预测模型，从而可以准确预测岩石的单轴抗压强度，进而基于精确的单轴抗压强度，可以准确预测后续待测岩石的卸载点位置，解决了现有技术在岩石弹性变形能指数测试中无法准确判断卸载点的问题，最终可以测试出更加精确的岩石弹性变形能指数。
[0015]
一方面，本发明提供一种岩石弹性变形能指数的测定方法，其包括以下步骤：
[0016]
步骤1：获取岩石样本，并测定岩石样本的密度、纵波速度以及单轴抗压强度；
[0017]
步骤2：将岩石样本的密度、纵波速度以及单轴抗压强度作为输入数据输入机器学习模型得到单轴抗压强度预测模型；
[0018]
其中，所述单轴抗压强度预测模型的输入特征为岩石的密度、纵波速度；输出数据为岩石的单轴抗压强度；
[0019]
步骤3：利用所述单轴抗压强度预测模型测定待测岩石的单轴抗压强度；
[0020]
步骤4：基于待测岩石的单轴抗压强度进行单轴加卸载试验，获得待测岩石的弹性变形能指数。
[0021]
可选地，所述机器学习模型为ga
‑
svm解译模型，基于所述ga
‑
svm解译模型的单轴抗压强度预测模型的构建过程如下：
[0022]2‑
1：参数初始化ga算法参数；
[0023]2‑
2：初始化粒子种群，其中，将持向量机svm模型中惩罚因子c和敏感参数g取值作为优化目标，每一组惩罚因子c和敏感参数g表征一个粒子位置，并在惩罚因子c和敏感参数g的取值范围取值得到初始化粒子种群；
[0024]2‑
3：基于支持向量机svm模型以及粒子取值，并利用岩石样本进行svm模型训练，并基于训练后的模型计算每个粒子对应的适应度；
[0025]2‑
4：根据粒子的适应度剔除不满足要求的个体，并将种群内的个体进行交叉、变异、选择，再返回步骤2
‑
3，循环迭代更新，否则，直至满足迭代终止条件，退出当前迭代更新，执行步骤2
‑
5；
[0026]2‑
5：基于当前每个粒子的适应度选择最佳粒子，所述最佳粒子对应的惩罚因子c和敏感参数g为最优惩罚因子c和敏感参数g；
[0027]2‑
6：基于所述最优惩罚因子c、敏感参数g以及支持向量机svm模型，并利用岩石样本进行svm模型训练得到单轴抗压强度预测模型。
[0028]
可选地，所述支持向量机svm模型中隐藏层的模型函数为：
[0029][0030]
对应得到模型解为：
[0031][0032]
式中，f(x)为单轴抗压强度预测模型的解，对应单轴抗压强度的预测值；k(x,x
i
)为核函数，x
i
对应第i个岩石样本，x为模型的自变量，σ为高斯核函数的带宽，α
i
为第i个样本引入松弛变量ξ
i
时对应的lagrange乘子，α
i*
第i个样本引入松弛变量时对应的lagrange乘子，c为惩罚因子，ξ
i
和为松弛变量，为松弛变量，为样本数据划分超平面的法向量，敏感参数g存在：b为偏置常数，m为样本容量。
[0033]
可选地，步骤2
‑
6中基于所述最优惩罚因子c、敏感参数g以及支持向量机svm模型，并利用岩石样本进行svm模型训练得到单轴抗压强度预测模型的过程如下：
[0034]
首先，获取岩石样本的测试集，并基于所述最优惩罚因子c、敏感参数g，利用所述测试集中岩石样本进行svm模型训练得到单轴抗压强度预测模型；
[0035]
然后，获取岩石样本的预测集，并利用所述预测集中岩石样本进行单轴抗压强度预测模型进行模型验证以及调节。
[0036]
可选地，所述岩石样本为标准岩石试件，步骤2中将岩石样本的密度、纵波速度以及单轴抗压强度作为输入数据输入机器学习模型之前，所述方法还包括：对数据进行标准化处理；
[0037]
其中，任一个岩石样本的密度、纵波速度以及单轴抗压强度表示为：
[0038][0039]
标准化处理公式如下：
[0040][0041]
式中，x
i
为岩石样本i的密度、纵波速度以及单轴抗压强度构成的数据矩阵，x
i*
为岩石样本i对应标准化处理后的数据矩阵；ρ
i
、v
i
、r
i
为岩石样本i的密度、纵波速度以及单轴抗压强度；为岩石样本的密度、纵波速度以及单轴抗压强度的平均值；s
ρ
、s
v
、s
r
为岩石样本的密度、纵波速度以及单轴抗压强度的标准差。
[0042]
可选地，所述岩石样本的密度、纵波速度以及单轴抗压强度的测定过程如下：
[0043]
测定岩石样本的体积v、质量m，再利用所述体积v、质量m计算出密度；
[0044]
在岩石样本表面涂抹耦合剂，采用直透法布置换能器，对换能器施加压力，测读纵波在岩石样本中行走的时间，并按照如下公式计算出纵波速度；
[0045][0046]
式中，v为纵波速度，单位m/s；l为射、接收换能器中心间的距离，m；t
p
为纵波在岩石样本中行走的时间，单位s，t0为仪器系统的零延时，单位s
[0047]
对岩石样本进行单轴压缩试验得到单轴抗压强度。
[0048]
第二方面，本发明提供一种基于上述测定方法的测定系统，其包括：
[0049]
参数获取模块，用于获取岩石样本的密度、纵波速度以及单轴抗压强度；
[0050]
模型构建模块，用于将岩石样本的密度、纵波速度以及单轴抗压强度作为输入数据输入机器学习模型得到单轴抗压强度预测模型；
[0051]
其中，所述单轴抗压强度预测模型的输入特征为岩石的密度、纵波速度；输出数据为岩石的单轴抗压强度；
[0052]
测定模块，用于利用所述单轴抗压强度预测模型测定待测岩石的单轴抗压强度；以及用于基于待测岩石的单轴抗压强度进行单轴加卸载试验，获得待测岩石的弹性变形能指数。
[0053]
第三方面，本发明提供一种终端，其包括：
[0054]
一个或多个处理器；
[0055]
存储了一个或多个程序的存储器；
[0056]
所述处理器调用所述程序以实现：
[0057]
一种岩石弹性变形能指数的测定方法的步骤。
[0058]
第四方面，本发明提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以实现：
[0059]
一种岩石弹性变形能指数的测定方法的步骤。
[0060]
有益效果
[0061]
1.本发明所述方法利用了机器学习的优势，选择将密度、纵波速度作为输入特征进行模型训练得到单轴抗压强度预测模型，从而可以准确预测岩石的单轴抗压强度，进而，基于精确的单轴抗压强度，可以准确预测后续待测岩石的卸载点位置，解决了现有技术在岩石弹性变形能指数测试中无法准确判断卸载点的问题，最终可以测试出更加精确的岩石弹性变形能指数。
[0062]
2.本发明之所以选择密度、纵波速度的参数组合是考虑到了密度和纵波波速的试验是无损的，不会对试件产生额外的扰动，得到的预测结果更精确。
[0063]
3.本发明进一步优选方案中选择ga
‑
svm解译模型。其中，支持向量机(svm)模型理论上可以在全局意义上逼近任意非线性函数，它根据结构风险最小化原则提高模型的泛化能力，在统计样本量较少的情况下，也能获得较好的统计规律。支持向量机模型通过非线性变换将问题转化到高维的特征空间，从而显著地避免灾难数据现象、局部极小化等在预测过程中经常出现的问题。岩石试验本身具有小样本的性质，试件的次数较少，所以非常适合用支持向量机模型来解决与岩石试件有关的参数预测问题。
[0064]
遗传算法(ga)基于种群个体的优胜劣汰的进化原则使得种群不断朝着某一方向进化，同时可以根据全局搜寻到种群中最优的个体，从而得到满足要求的最优解。它具有极高的兼容性和内在并行性，可以直接操作结构对象，不要求函数的连续性和求导即可自适应调整搜索方向，直到迭代过程趋于收敛，从而更快的在全局搜索惩罚因子c和敏感参数g的最优值。
附图说明
[0065]
图1是岩石弹性能量指数计算模型示意图；
[0066]
图2是cn201811006283.5中得到的应力
‑
波速对应曲线示意图；
[0067]
图3是本发明提供的ga
‑
svm解译模型的算法流程示意图；
[0068]
图4是本发明提供的单轴抗压强度预测模型的网络架构示意图；
[0069]
图5是训练集的岩石单轴抗压强度ga
‑
svm解译模型图，其中，(a)、(b)、(c)分别为应用a
10
训练集构建的ga
‑
svm解译模型、应用a
15
训练集构建的ga
‑
svm解译模型、应用a
20
训练集构建的ga
‑
svm解译模型；
[0070]
图6是预测集预测结果对比图，其中，(a)、(b)、(c)分别为使用a
10
训练的解译模型预测单轴抗压强度
‑
predict_a
10
、使用a
15
训练的解译模型预测单轴抗压强度
‑
predict_a
15
、使用a
20
训练的解译模型预测单轴抗压强度predict_a
20
；
[0071]
图7是by1
‑
by5试件的单轴抗压强度的预测值和真实值的对比图；
[0072]
图8是试件加卸载曲线图，其中，(a)、(b)、(c)、(d)、(e)分别为by
‑
1试件加卸载曲线图、by
‑
2试件加卸载曲线图、by
‑
3试件加卸载曲线图、by
‑
4试件加卸载曲线图、by
‑
5试件加卸载曲线图；
[0073]
图9是本发明实施例1对应的流程示意图。
具体实施方式
[0074]
本发明提供一种岩石弹性变形能指数的测定方法、系统、终端及可读存储介质，用于准确测定岩石弹性变形能指数。下面将结合实施例对本发明做进一步的说明。
[0075]
实施例1：
[0076]
本实施例提供一种岩石弹性变形能指数的测定方法的测定方法，其包括以下步骤：
[0077]
步骤1：获取岩石样本，并测定岩石样本的密度、纵波速度以及单轴抗压强度。
[0078]
其中，将待测岩石制备成符合有关试验规范和规程要求的标准岩石试件，并对试件进行标号作为岩石样本。然后按照下述方法测定岩石样本的密度、纵波速度以及单轴抗压强度。
[0079]
测试标准岩石试件的密度ρ：先测得各标准岩石试件的体积v，然后在精密天平上测定各标准岩石试件的质量m(称量精确至0.01g)，按下式计算矿岩天然密度后，将所得岩石密度记录在数据表中：
[0080][0081]
式中，ρ为岩石天然密度，单位g/cm3；m为岩石质量，单位g；a为标准岩石试件的截面积，cm2；h为标准岩石试件的高度，单位cm。
[0082]
测试标准岩石试件的纵波速度v：在标准岩石试件表面涂抹耦合剂，采用直透法布置换能器，对换能器施加压力，测读纵波在标准岩石试件中行走的时间，按下式计算岩块的纵波速度，并将数据对应记录到表格中：
[0083][0084]
式中，v为纵波速度，单位m/s；l为射、接收换能器中心间的距离，m；t
p
为纵波在标准岩石试件中行走的时间，单位s，t0为仪器系统的零延时，单位s。
[0085]
测试标准岩石试件的单轴抗压强度r：进行常规单轴压缩试验，在材料试验机上得到标准岩石试件的单轴抗压强度r，并将标准岩石试件的单轴压缩试验数据结果对应填入表格中。应当理解，本领域若有其他可行方式可以测定岩石样本的密度、纵波速度以及单轴抗压强度，也是适用于本发明的。
[0086]
步骤2：将岩石样本的密度、纵波速度以及单轴抗压强度作为输入数据输入机器学习模型得到单轴抗压强度预测模型；其中，所述单轴抗压强度预测模型的输入特征为岩石的密度、纵波速度；输出数据为岩石的单轴抗压强度。
[0087]
本实施例中优选输入机器学习模型之前，对数据进行标准化处理。其中，任一个岩石样本的密度、纵波速度以及单轴抗压强度表示为：
[0088]
[0089]
标准化处理公式如下：
[0090][0091]
式中，x
i
为岩石样本i的密度、纵波速度以及单轴抗压强度构成的数据矩阵，x
i*
为岩石样本i对应标准化处理后的数据矩阵；ρ
i
、v
i
、r
i
为岩石样本i的密度、纵波速度以及单轴抗压强度；为岩石样本的密度、纵波速度以及单轴抗压强度的平均值；s
ρ
、s
v
、s
r
为岩石样本的密度、纵波速度以及单轴抗压强度的标准差。
[0092]
其他可行的实施例中，对数据标准化的处理过程不进行限定。本实施例中所选用的机器学习模型为ga
‑
svm解译模型。其中，ga
‑
svm解译模型实质为利用ga遗传算法优化支持向量机svm的参数。本实施例使用ga
‑
svm模型预测岩石加载过程中的单轴抗压强度的误差小，模型的稳定性高、准确率高，且无需进行大量岩石加载试验，在试验测试时可显著降低试验测试成本。
[0093]
其中，基于所述ga
‑
svm解译模型的单轴抗压强度预测模型的构建过程如下：
[0094]2‑
1：参数初始化ga算法参数；
[0095]2‑
2：初始化粒子种群，其中，将持向量机svm模型中惩罚因子c和敏感参数g取值作为优化目标，每一组惩罚因子c和敏感参数g表征一个粒子位置，并在惩罚因子c和敏感参数g的取值范围取值得到初始化粒子种群；
[0096]2‑
3：基于支持向量机svm模型以及粒子取值，并利用岩石样本进行svm模型训练，并基于训练后的模型计算每个粒子对应的适应度。
[0097]
其中，本实施例中对适应度函数不进行具体的限定，但是适应度函数应当与模型的精度、准确率相关，用于表征一组惩罚因子c和敏感参数g确定的支持向量机svm模型与本发明的匹配性，即表征一组惩罚因子c和敏感参数g确定的支持向量机svm模型的性能。
[0098]2‑
4：根据粒子的适应度剔除不满足要求的个体，并将种群内的个体进行交叉、变异、选择，再返回步骤2
‑
3，循环迭代更新，否则，直至满足迭代终止条件，退出当前迭代更新，执行步骤2
‑
5；
[0099]2‑
5：基于当前每个粒子的适应度选择最佳粒子，所述最佳粒子对应的惩罚因子c和敏感参数g为最优惩罚因子c和敏感参数g。
[0100]
其中，若是适应度值越高，表示模型性能越佳时，则选择适应度值最大的例子为最佳粒子；若适应度值越低表示模型性能越佳时，则选择适应度值最小的粒子为最佳粒子。
[0101]2‑
6：基于所述最优惩罚因子c、敏感参数g以及支持向量机svm模型，并利用岩石样本进行svm模型训练得到单轴抗压强度预测模型。
[0102]
其中，步骤2
‑
6中基于所述最优惩罚因子c、敏感参数g以及支持向量机svm模型，并利用岩石样本进行svm模型训练得到单轴抗压强度预测模型的过程如下：
[0103]
首先，获取岩石样本的测试集，并基于所述最优惩罚因子c、敏感参数g，利用所述
测试集中岩石样本进行svm模型训练得到单轴抗压强度预测模型；
[0104]
然后，获取岩石样本的预测集，并利用所述预测集中岩石样本进行单轴抗压强度预测模型进行模型验证以及调节。调节过程可以选择按照现有常规调节方式调节支持向量机svm的模型参数；或者选择返回利用ga算法迭代优化惩罚因子c、敏感参数g。
[0105]
本实施例中将测试集中岩石样本的单轴抗压强度的预测准确率高于90％，视为利用训练集构建的ga
‑
svm解译模型可行有效，若准确率低于90％，视为不满足要求，需要进行调节。其他可行的实施例中，可以根据实际精度需求等对条件进行适应性调整，本发明对此不进行具体的限定。
[0106]
步骤3：利用所述单轴抗压强度预测模型测定待测岩石的单轴抗压强度。
[0107]
其中，获取待测岩石的密度以及纵波速度，然后输入值单轴抗压强度预测模型测定单轴抗压强度。应当理解，训练好的模型用在同一类岩石的上肯定是最好的，但在单轴抗压强度差距不大的岩石种类中也可以用。
[0108]
步骤4：基于待测岩石的单轴抗压强度进行单轴加卸载试验，获得待测岩石的弹性变形能指数。
[0109]
步骤4中在得到每块待测岩石的单轴抗压强度后，可以准确将将试件加载至应力达到单轴抗压强度的80％～90％，然后卸载至零得到应力
‑
应变曲线，进而计算出岩石试件的弹性变形能指数。
[0110]
实施例2：
[0111]
本实施例提供一种基于上述测定方法的测定系统，其包括：参数获取模块、模型构建模块和测定模块。
[0112]
其中，参数获取模块，用于获取岩石样本的密度、纵波速度以及单轴抗压强度；
[0113]
模型构建模块，用于将岩石样本的密度、纵波速度以及单轴抗压强度作为输入数据输入机器学习模型得到单轴抗压强度预测模型；
[0114]
其中，所述单轴抗压强度预测模型的输入特征为岩石的密度、纵波速度；输出数据为岩石的单轴抗压强度；
[0115]
测定模块，用于利用所述单轴抗压强度预测模型测定待测岩石的单轴抗压强度以及用于基于待测岩石的单轴抗压强度进行单轴加卸载试验，获得待测岩石的弹性变形能指数。
[0116]
应当理解，本实施例2对应实施例1，因此，各个模块的实现过程可以参照实施例1的相关陈述。
[0117]
其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0118]
实施例3：
[0119]
本实施例提供一种终端，其包括：一个或多个处理器以及存储了一个或多个程序的存储器，所述处理器调用所述程序以实现：
[0120]
步骤1：获取岩石样本，并测定岩石样本的密度、纵波速度以及单轴抗压强度；
[0121]
步骤2：将岩石样本的密度、纵波速度以及单轴抗压强度作为输入数据输入机器学习模型得到单轴抗压强度预测模型；
[0122]
其中，所述单轴抗压强度预测模型的输入特征为岩石的密度、纵波速度；输出数据为岩石的单轴抗压强度；
[0123]
步骤3：利用所述单轴抗压强度预测模型测定待测岩石的单轴抗压强度；
[0124]
步骤4：基于待测岩石的单轴抗压强度进行单轴加卸载试验，获得待测岩石的弹性变形能指数。
[0125]
各个步骤的具体实现过程请参照前述方法的阐述。
[0126]
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
[0127]
实施例4：
[0128]
本实施例提供一种可读存储介质，其存储了计算机程序，计算机程序被处理器调用以实现：
[0129]
步骤1：获取岩石样本，并测定岩石样本的密度、纵波速度以及单轴抗压强度；
[0130]
步骤2：将岩石样本的密度、纵波速度以及单轴抗压强度作为输入数据输入机器学习模型得到单轴抗压强度预测模型；
[0131]
其中，所述单轴抗压强度预测模型的输入特征为岩石的密度、纵波速度；输出数据为岩石的单轴抗压强度；
[0132]
步骤3：利用所述单轴抗压强度预测模型测定待测岩石的单轴抗压强度；
[0133]
步骤4：基于待测岩石的单轴抗压强度进行单轴加卸载试验，获得待测岩石的弹性变形能指数。
[0134]
各个步骤的具体实现过程请参照前述方法的阐述。
[0135]
所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
[0136]
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介
质包括：u盘、移动硬盘、只读存储器(rom，read
‑
onlymemory)、随机存取存储器(ram，randomaccess memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0137]
应用实例：
[0138]
为了达到本发明的目的、内容、优点更加清楚，以下将结合某铅锌矿山深部开采矿岩岩爆倾向研究测试实例来具体说明。
[0139]
(1)将来自该矿山深部的白云岩制备成满足有关试验标准和规范的25个岩石试件，并对试件进行标号1
‑
25；
[0140]
(2)测试白云岩试件的密度ρ，使用凡士林作为耦合剂，采用直透法得到试件的纵波波速v，并将数据对应记录到表格中。
[0141]
(3)进行常规单轴压缩试验，得到试件的单轴抗压强度r，并补充到数据表格中。
[0142]
(4)采用z
‑
score方法进行参数标准化处理。构建密度、纵波波速和单轴抗压强度的原始数据样本x，将x中的指标数据标准化处理，然后根据波速和密度指标的权重系数，得到最终样本数据矩阵x
f
：
[0143]
表2最终样本数据矩阵x
f
[0144][0145][0146]
(5)划分训练集和预测集。如表3、表4和表5所示，为寻求最优训练集的个体数量，分别划分其中的10组、15组和20组的实数集a
10
、a
15
、a
20
作为训练集。
[0147]
表3划分10组数据作为训练集
‑
a
10
[0148][0149]
表4划分15组数据作为训练集
‑
a
15
[0150][0151][0152]
表5划分20组数据作为训练集
‑
a
20
[0153][0154]
(6)如图5所示，将满足收敛条件得到的遗传算法优化参数值c1和g1代入训练集的隐藏层，最终分别建立a
10
、a
15
、a
20
训练集的ga
‑
svm模型。
[0155]
通过a
10
、a
15
、a
20
训练集建立的ga
‑
svm解译模型可得到单轴抗压强度r与静态参数密度ρ和波速v的对应关系，并形成该矿区深部白云岩的解译模型数据库。
[0156]
(7)如图6所示，应用a
10
、a
15
、a
20
训练集训练的ga
‑
svm解译模型可以得到预测集的单轴抗压强度r1预测值集合predict_a
10
、predict_a
15
、predict_a
20
，将该预测值集合中的个体数据与实验真实值进行对比，并把结果汇总在表6中。
[0157]
表6使用构建的ga
‑
svm解译模型预测单轴抗压强度
[0158][0159]
采用均方误差(mean
‑
square error,mse)综合评价预测结果的精确度，可以发现predict_a
10
、predict_a
15
、predict_a
20
集合的均方误差分别为0.13599、0.001677、0.041664，可以看出predict_a
15
的均方误差最低。使用该方法进行岩石单轴抗压强度预测可以效果良好，准确度高，预测值偏差都低于10％。通过比较predict_a
10
、predict_a
15
和predict_a
20
的误差率得出，三者的预测结果均方误差均较小，平均误差率分别为2.14％、0.53％、2.80％，且predict_a
15
数据集的平均误差最小，说明应用a
15
训练集得到的ga
‑
svm模型预测效果最好，精度最高。
[0160]
通过比较发现，采用10组数据构建ga
‑
svm解译模型存在数据量较小的劣势，采用20组数据建立解译模型会消耗更多的岩石试件导致测试成本上升，故使用15组数据进行解译模型构建的综合表现最好，能最大程度的降低该发明的测试成本，同时准确率高，又准又省地完成试验参数测试。
[0161]
(8)进行后续待测岩石的弹性变形能指数测试。利用剩余的白云岩制备出5个白云岩标准试件并分别编号为by
‑
1、by
‑
2、by
‑
3、by
‑
4、by
‑
5，测试试件的密度、纵波波速。
[0162]
利用a
15
训练集构建的ga
‑
svm解译模型预测加载过程中试件的单轴抗压强度，并计算出各个试件的卸载点，卸载之后得到岩石弹性变形能指数的计算曲线，最终通过公式计算出各个试件的w
et
指数，并根据岩爆倾向性判据表1将得到的w
et
指数与工程实际相联系，以此验证结果是否与实际相符。
[0163]
如表7所示，测定岩石弹性变形能指数试验完成之后，重新对by
‑
1至by
‑
5试件进行单轴压缩试验，得到试件的单轴抗压强度的真实值，并与预测值进行对比，从而判断建立的
ga
‑
svm解译模型在实际测试中的表现是否优良。
[0164]
表7岩石试件的弹性变形能指数测试结果
[0165][0166]
图7所示为by1‑
by5试件的单轴抗压强度的预测值和真实值的对比图，图8为by1‑
by5试件加卸载后得到的岩石弹性能量曲线。
[0167]
综合预测结果和实际表现可以得出，在实际测试中本发明预测出的单轴抗压强度预测值与真实值的误差率分别为0.9％、3.1％、3.2％、2.4％、3％，均在5％以下，满足工程的实际要求。而且卸载点强度值与单轴抗压强度预测值的比值k也均在80％～90％，最终计算出的w
et
指数与实际现场状况相对应，充分反映了该铅锌矿山深部矿岩的岩爆倾向性程度，说明本发明方法准确度高，可靠性强。
[0168]
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。