基于生成式对抗网络GAN的岩体节理网络模拟方法与流程

基于生成式对抗网络gan的岩体节理网络模拟方法
技术领域
1.本发明属于岩土工程中关于岩石节理试验研究领域，涉及节理岩体室内模型试验和数值试验过程中基于gan神经网络随机节理网络模型的生成方法。


背景技术：

2.岩体结构面的研究对于岩质边坡稳定性评价有着不可忽视的重要性，而岩体节理裂隙发育特征对整个工程稳定性安全影响巨大，岩体节理裂隙网络模拟是解决节理岩体工程问题的重要方法。近年来，水利水电工程开发建设过程中，所面临的节理岩体工程问题日益突出。其中，边坡内部的节理裂隙网络十分发育，为了更精确的模拟出节理岩体的力学行为规律，目前常采用数值模拟的办法。
3.前人在这方面进行了大量的研究工作，并发展了诸多针对斜坡块体的稳定计算方法和考虑结构面的数值模拟方法，如：离散单元法及有限元法等，使得斜坡稳定分析结果的可靠度越来越高。尤其是数值模拟方法的不断发展，突破了原来极限平衡法计算边坡稳定性的限制，从而能够获得更多关于边坡应力——应变场、发展演化及破坏机制等众多信息，为更全面评价斜坡稳定性提供了强有力的支持。
4.而对结构面的数值模拟旨在研究总结出岩体结构在空间、力学上的分布规律并对其进行稳定性评价，传统的节理数据随机生成方法如：voronoi图随机生成柱状节理裂隙网络形状等，或是人为选取节理数据进行生产，均太过主观和随机，严重影响结构面分布的规律性和各向异性力学特征。
5.因此，提供一种能够模拟真实情况的不规则节理网络方法，对于岩体结构面发育分布特征研究及岩质边坡稳定性评价具有十分重要的意义。


技术实现要素：

6.为了补充区域岩体节理数据模拟节理网络的不足，本发明的目的旨在提供一种基于生成式对抗网络gan的岩体节理网络模拟方法，该技术利用生成式对抗神经网络gan生产具有研究区岩体节理特性的数据，从而模拟出与现场实际一致的不规则节理网络模型，为开展不规则节理岩体力学特性的数值模拟研究提供了技术支持。
7.本发明采用如下技术方案实现。
8.基于生成式对抗网络gan的岩体节理网络模拟方法，本发明所述方法包括以下步骤：
9.s1获取待模拟地区节理岩体参数；
10.s2由gan神经网络的生成网络生成随机样本数据；
11.s3由判别网络提取真实样本和随机样本的特征值进行比较；
12.s4判断生成的随机样本数据是否真实，若随机样本数据真实概率与真实数据匹配，进入步骤s5；否则删除该组随机数据，并返回步骤s2重新生成数据并判定；
13.s5利用生成的岩体节理参数进行二维、三维数值模型建模。
14.本发明所述在研究区确定调查范围内的平硐中，统计s1节理岩体参数包括倾向、倾角、区域结构面数量n以及结构面间距d。
15.本发明所述神经网络由python构建。
16.本发明所述s2步骤包括以下分步骤：
17.s21确定各参数取值范围；
18.s22生成网络捕捉真实样本特征；
19.s23通过随机函数在各参数栏内生成随机数据；
20.s24将数据整理为真实数据格式，便于输入判别网络。
21.本发明所述步骤s21中，利用已统计的真实数据整理出各参数阈值范围。
22.本发明所述步骤s24中，务必确保数据进入神经网络时与真实数据格式排布一致。
23.本发明所述判别网络分别对真假两组数据进行设参训练，最终获得其特征值进行判定分类，步骤s3包括以下步骤：
24.s31使用label＝1计算代价函数来训练判别网络对真实数据的识别；
25.s32使用label＝0计算代价函数来训练判别网络对随机数据的识别；
26.s33判别网络不断拒绝来自生成网络的真实概率接近0的数据，导致生成网络反向输出能使辨别网络判定接近概率1的样本。数据将越来越接近真实情况。
27.本发明所述步骤s4中，设置一个循环全连接网络镶嵌gan网络，若数据合格则产出，否则删除数据重新由生成器生产新数据进入循环。
28.本发明所述步骤s5中，数值建模软件为udec、flac3d的一种。
29.本发明所提供的基于生成式对抗网络gan的岩体节理网络模拟方法，具有如下有益效果：
30.本发明首先通过现场调查获取待模拟地区节理岩体参数，采用gan神经网络，将复杂的节理网络信息提取特征因子，再由生成网络生成随机的噪声样本输入到储存有真实样本的判别网络中，根据特征值检验输入样本是否伪造(即以最接近真实样本的数据进行输出)。最后将得到的节理岩体数据输入到模拟软件中便可以构建与实际节理岩体足尺二维、三维数值模型或缩尺相似的模型，能够更准确的反映研究区实际岩体节理状况。为开展节理岩体力学特性数值模拟分析和模型试验研究提供技术支持。
31.本发明采用大量的实地数据进行样本约束，更大程度的接近实际岩体结构面的分布规模以及规律，从而能构建更真实的三维模型。
32.本发明采用循环全连接神经网络优化了gan网络，使其能充分模拟真实数据生产模拟数据，为数值模拟试验提供了充足的数据支持。
附图说明
33.图1基于生成式对抗网络gan的岩体节理网络模拟方法的流程示意图。
34.图2基于实测数据生成的单位区域三维节理分布模型。
35.图3基于gan神经网络生成随机数据构建的单位区域三维节理分布模型。
具体实施方式
36.为了使本发明的流程机理、效果以及优点更加直观，特此结合附图和具体实施例
对本发明做进一步说明。
37.基于生成式对抗网络gan的岩体节理网络模拟方法，本发明所述方法包括以下步骤：
38.s1获取待模拟地区节理岩体参数；
39.s2由gan神经网络的生成网络生成随机样本数据；
40.s3由判别网络提取真实样本和随机样本的特征值进行比较；
41.s4判断生成的随机样本数据是否真实，若随机样本数据真实概率与真实数据匹配，进入步骤s5；否则删除该组随机数据，并返回步骤s2重新生成数据并判定；
42.s5利用生成的岩体节理参数进行二维、三维数值模型建模。
43.本发明所述在研究区确定调查范围内的平硐中，统计s1节理岩体参数包括倾向、倾角、区域结构面数量n以及结构面间距d。
44.本发明所述神经网络由python构建。
45.本发明所述s2步骤包括以下分步骤：
46.s21确定各参数取值范围；
47.s22生成网络捕捉真实样本特征；
48.s23通过随机函数在各参数栏内生成随机数据；
49.s24将数据整理为真实数据格式，便于输入判别网络。
50.本发明所述步骤s21中，利用已统计的真实数据整理出各参数阈值范围。
51.本发明所述步骤s24中，务必确保数据进入神经网络时与真实数据格式排布一致。
52.本发明所述判别网络分别对真假两组数据进行设参训练，最终获得其特征值进行判定分类，步骤s3包括以下步骤：
53.s31使用label＝1计算代价函数来训练判别网络对真实数据的识别；
54.s32使用label＝0计算代价函数来训练判别网络对随机数据的识别；
55.s33判别网络不断拒绝来自生成网络的真实概率接近0的数据，导致生成网络反向输出能使辨别网络判定接近概率1的样本。数据将越来越接近真实情况。
56.本发明所述步骤s4中，设置一个循环全连接网络镶嵌gan网络，若数据合格则产出，否则删除数据重新由生成器生产新数据进入循环。
57.本发明所述步骤s5中，数值建模软件为udec、flac3d的一种。
58.实施案例
59.本实施例以gs水电站坝体平硐内节理现场调查结果为例，对本发明提供的基于生成式对抗网络gan的岩体节理网络模拟方法进行详细说明。
60.如图1所示，本实施例采用的基于生成式对抗网络(gan)的岩体节理网络模拟技术包括以下步骤：
61.s1获取待模拟地区节理岩体参数；
62.通过现场调查，获得了平硐内节理的倾向，倾角，区域结构面数量以及结构面间隙等数据。
63.s2由gan神经网络的生成网络生成随机样本数据；
64.将现场得到的节理岩体参数设置为训练样本，由gan神经网络的生成器捕捉其特征参数，进而生成具有该特征参数的随机样本数据。
65.本实例采用的最优生成函数为：
[0066][0067]
s3由判别网络提取真实样本和随机样本的特征值进行比较；
[0068]
生成的随机样本进入到判别器中，由判别器捕捉其特征参数，与真实数据进行比较。为避免受到生成器提取的参数影响，不直接读取生成器内的参数，而是判别器重新提取。
[0069]
本实例采用的最优判别函数为:
[0070]
v(d)＝∫
x p
data
(x)log(d(x)) pg(x)log(1-d(x))d
x
ꢀꢀ
(2)
[0071]
s4判断生成的随机样本数据是否真实，若随机样本数据真实概率与真实数据匹配，进入步骤s5，否则删除该组随机数据，并返回步骤s2重新生成数据并判定；
[0072]
随机数据和真实数据的相似概率靠近1则输出，靠近0则返回，并通过梯度上升的方法，极大化判别器价值函数，更新判别器的参数；通过梯度下降的方法，极小化生成器价值函数，更新生成器的参数。
[0073]
s5利用生成的岩体节理参数进行二维、三维数值模型建模。
[0074]
以上所述的仅是本发明的部分具体实施例，方案中公知的具体内容或常识在此未作过多描述(包括但不仅限于简写、缩写)。应当指出，上述实施例不以任何方式限制本发明，对于本领域的技术人员来说，凡是采用等同替换或等效变换的方式获得的技术方案均落在本发明的保护范围内。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。