[发明专利]基于机器学习的岩体表征单元体积数值预测方法及系统

权利要求书

1.一种基于机器学习的岩体表征单元体积数值预测方法，其特征在于，包括：

基于预先构建的合成岩体模型，获取多组岩体力学性质参数下的表征单元体积，得到样本数据集；

对样本数据集进行归一化处理，并将岩体力学性质参数作为输入样本，将表征单元体积作为输出样本；

将归一化处理后的设定数量的样本数据集用于训练模型，得到表征单元体积模型，建立岩体力学性质参数与表征单元体积之间的非线性数学关系；

将归一化处理后的剩余样本数据集用于测试模型，通过回归分析指标，定量判断模型预测的准确性；

基于岩体表征单元体积预测模型及工程岩体力学性质参数，预测出工程岩体表征单元体积，作为数值模拟的基本单元。

2.如权利要求1所述的基于机器学习的岩体表征单元体积数值预测方法，其特征在于，获取多组岩体力学性质参数下的表征单元体积的过程为：

根据实际工程现场测试的岩体力学性质参数对预先构建的合成岩体模型进行参数标定，赋予合成岩体模型颗粒参数；

从合成岩体模型中心点向外选取若干比例一致且体积递增的岩体子模型；

模拟各岩体子模型的岩体室内试验过程，通过监测曲线获取相应岩体力学性质参数；

绘制相应模型体积与岩体力学性质参数之间的曲线关系图，当岩体模型的力学性质参数趋于稳定时，将极限模型体积作为表征单元体积。

3.如权利要求1所述的基于机器学习的岩体表征单元体积数值预测方法，其特征在于，所述合成岩体模型包括工程尺度岩体颗粒模型和离散裂隙网络模型。

4.如权利要求3所述的基于机器学习的岩体表征单元体积数值预测方法，其特征在于，所述工程尺度岩体颗粒模型通过离散元构建而成。

5.如权利要求3所述的基于机器学习的岩体表征单元体积数值预测方法，其特征在于，所述离散裂隙网络模型根据工程现场的岩体三维激光扫描数据获取结构面产状信息构建而成。

6.如权利要求1所述的基于机器学习的岩体表征单元体积数值预测方法，其特征在于，所述表征单元体积模型为XGBoost模型。

7.如权利要求1所述的基于机器学习的岩体表征单元体积数值预测方法，其特征在于，在绘制的模型体积与岩体力学性质参数之间的曲线关系图中，横坐标为模型体积，纵坐标为岩体力学性质参数。

8.一种基于机器学习的岩体表征单元体积数值预测系统，其特征在于，包括：

样本数据集获取模块，其用于基于预先构建的合成岩体模型，获取多组岩体力学性质参数下的表征单元体积，得到样本数据集；

样本数据集归一化模块，其用于对样本数据集进行归一化处理，并将岩体力学性质参数作为输入样本，将表征单元体积作为输出样本；

表征单元体积模型训练模块，其用于将归一化处理后的设定数量的样本数据集用于训练模型，得到表征单元体积模型，建立岩体力学性质参数与表征单元体积之间的非线性数学关系；

模型预测定量判断模块，其用于将归一化处理后的剩余样本数据集用于测试模型，通过回归分析指标，定量判断模型预测的准确性；

表征单元体积预测模块，其用于基于岩体表征单元体积预测模型及工程岩体力学性质参数，预测出工程岩体表征单元体积，作为数值模拟的基本单元。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于机器学习的岩体表征单元体积数值预测方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于机器学习的岩体表征单元体积数值预测方法中的步骤。