基于岩石微组构采用多元回归和人工智能技术估算岩石抗压强度

摘要

单轴抗压强度(UCS)是完整岩石的最重要参数之一，它通常用于地面和地下各种工程设计中。但是，有时由于岩石各向异性以及岩石结构和构造的复杂性，很难测得理想的数据。因此，采用经验方法来估计岩石的单轴抗压强度参数具有一定的实用性和经济性。基于此，本研究的目的是吸引工程地质学者采用较稳定的岩石微观岩相特征预测完整岩石的单轴抗压强度，研究成果在当前相关领域具有创新性。当岩石存在较明显的变形时，岩石的微观特征对于岩石的破坏形式的非常重要的影响，尽管，有时候在对岩石特性的初步分析时经常忽略这些内容。
　　本课题采用人工神经网络（ANNS）和模糊系统(FIS)以及多变量回归(MR)方法研究了角岩的各向异性以及微观特征与单轴抗压强度(UCS)的关系。斜长角岩取自四川省理县老君沟区域的岩石边坡，所取岩石具有典型的结构构造，其力学特性分析对本区域岩石工程设计具有重要意义。在对岩相特征的定量分析和岩石强度参数测试的基础上，采用SPSS V.19.0对数据进行了全面的统计分析，结果表明矿物晶粒大小、形状、石英含量是影响单轴抗压强度(UCS)的主要因素。相对于早先得到的岩石构造对岩石单轴抗压强度(UCS)影响的模型，本研究选取了相对较少的因素，但是这些已经足够构建估算此类岩石型的单轴抗压强度(UCS)。为了评估模型的实用性，选取相关系数(R)、方差(VAF)均方根（RMSE）三个指标对模型进行对比分析，结果表明虽然三个模型都可以可靠的预测岩石的单轴抗压强度(UCS)，但ANN模型表现最优。因此，在缺乏相关地质资料的基础上，采用岩石的微观特征可以得到较满意的岩石的强度和变形参数。但，ANNs模型与其它两个模型相比，其最主要的问题是在输入输出数据之间关系的不透明性。此外，本次研究了岩石面理方位对岩石强度和变形的影响，这些因素对当地工程设计具有重要意义。为了测试面理方位对岩石强度和变形的影响，根据面理角度（β=0°，30°，60°和90°）进行取样，实验数据表明不同面理方位对岩石参数影响显著。平行面理的纵波和剪切波波速明显大于其他方向的测试值。岩石强度的各向异性比值系数在0.96-1.47之间波动，并不呈现明显的线性特征。而且，而弹性变形试验表明，弹性变形性能与角岩的微观结构、各向异性特征没有关系。不过，岩石的杨氏模量与岩石层理的方向β的关系具有“U型”和“递减型”关系。因此，建议进一步研究此类岩性的各向异性特征。

目录

声明

摘要

Abstract

TABLE OF CONTENTS

LIST OF FIGURES

LIST OF TABLES

Chapter 1 Introduction

1．1 Research Significance

1．2 Literature Review

1．3 Objectives of thesis

1．4 Structure of the Thesis

Chapter 2 Field Data and Laboratory Experiments

2．1 Rock samples collection and preparation

2．2 Laboratory Experiments

2．2．1 Mechanical and dynamical tests

2．2．2 Microscopic study and X-ray diffraction(XRD)

Chapter 3 Quantitative Microfabrics Analysis

3．1 An overview of rock fabric

3．2 Petrographic Image Analysis(PIA)

3．3 Semi-automatic petrographic image analysis

3．3．1 Image acquisition

3．3．2 Image pre-processing

3．3．3 Image digitizing

3．3．4 Image measurement and the data analysis

3．4 Basic geometrical parameters measured by image processing

3．4．1 Grain Size(GS)

3．4．2 Aspect Ratio(AR)

3．4．3 Shape Factor(SF)

3．4．4 Shape preferred orientation

3．5 Petrographic description of rock samples

3．6 Importance and applicability of rock microfabrics analysis for the geomechanical behavior of rocks

Chapter 4 Assessment of UCS by quantitative rock microfabrics parameters using regression technique

4．1 Introduction

4．2 An overview to regression analysis

4．3 Statistical analysis

4．3．1 Descriptive statistics for all variables

4．3．2 Bivariate statistics (correlation analysis)

4．3．3 Development of predicting models using simple regression analysis

4．3．3 Multiple regression analysis

Chapter 5 Computational Intelligence Techniques(CIT) for the prediction of UCS from petrographic characteristics of rock

5．1 Introduction

5．2 Artificial Neural Networks(ANNs)

5．2．1 Overview of ANNs

5．2．2 Architecture and performance of ANNs model

5．2．3 Optimal ANNs model selection

5．2．4 Conventional statistical analysis Versus ANNs

5．2．5 Application of ANNs in current study

5．3 Fuzzy model

5．3．1 Overview of Fuzzy Logic(FL)

5．3．2 Structure of Fuzzy System

5．3．3 Mamadani fuzzy inference model

5．4 Results and performance assessment of varied models used in the study

Chapter 6 Assessments of strength and modulus anisotropy of banded amphibolite rocks

6．1 Introduction

6．2 Velocity anisotropy

6．3 Strength anisotropy

6．4 Modulus anisotropy

4．5 Assessment of modulus anisotropy from wave velocity measurements

Conclusion and recommendations

1．Conclusion

2．Recommendations

Acknowledgment

Appendixes

List of Publications