基于深度学习的节理岩体RQD与岩体各向异性预测研究

目录

1 绪论

1.1 研究背景与意义

1.2 国内外研究进展

1.2.1 岩体RQD获取及其各向异性研究现状

1.2.2 卷积神经网络研究现状

1.3 主要研究内容

1.4 研究方案和技术路线

1.5 创新点

2 卷积神经网络概述

2.1 神经元

2.2 传统神经网络

2.2.1 传统神经网络概述

2.2.2 传统神经网络训练的原理

2.3 经典神经网络

2.4 卷积神经网络

2.4.1 卷积神经网络的运行原理

2.4.2 卷积神经网络的基本结构

2.4.3 卷积神经网络优化

2.4 本章小结

3 基于CNN下节理岩体RQD的预测

3.1 节理岩体模拟图像的生成

3.1.1 节理岩体模拟图生成的步骤

3.1.2 节理岩体模拟图RQD合理性验证

3.2 基于CNN下节理岩体RQD预测模型的设计

3.2.1 样本数据的设置

3.2.2 初始模型的构建

3.2.3 网络模型方案的设计

3.2.4 模型训练终止准则及性能评价标准

3.3 模型方案结果的分析及超参数的确定

3.3.1 卷积核大小的确定

3.3.2 卷积层数及卷积核分布的确定

3.3.3 批量样本数的确定

3.3.4 丢弃权值的确定

3.3.5 最终模型说明

3.4 模型验证及分析

3.5 单值模型在真实节理岩体图片中的应用

3.5.1 图片收集

3.5.2 图像预处理

3.5.3 图像测试及结果分析

3.6 本章小结

4 基于CNN下节理岩体RQD各向异性系数的预测

4.1 耦合模型的设计

4.1.1 样本数据的设置

4.1.2 初始耦合模型的构建

4.1.3 耦合模型方案的设计

4.1.4 耦合模型训练终止的规则及模型的评价标准

4.2 耦合模型设计方案的结果分析及参数

4.2.1 卷积层数及卷积核分布的确定

4.2.2 批量样本数的确定

4.2.3 丢弃权值的确定

4.2.4 耦合模型的说明

4.3 耦合模型验证及分析

4.4 耦合模型在真实节理岩体各向异性系数预测中的应用

4.4.1 样本收集

4.4.2 数据预处理

4.4.3 测试结果分析

4.5 本章小结

5 节理岩体RQD各向异性的研究

5.1 人工计算下节理岩体RQD各向异性的研究

5.1.1 研究样本的选择

5.1.2 基于人工计算对节理岩体RQD各向异性的研究

5.2 单值模型下节理岩体RQD各向异性的研究

5.2.1 研究样本的选择

5.2.2 基于单值模型对节理岩体RQD各向异性的研究

5.2.3 单值模型及人工计算下节理岩体RQD各向异性的对比分析

5.3 耦合模型下节理岩体RQD各向异性的研究

5.3.1 研究样本的选择

5.3.2 基于耦合模型对节理岩体RQD各向异性的研究

5.3.3 耦合模型及人工计算下节理岩体RQD各向异性的对比分析

5.4 三种方式下节理岩体RQD各向异性研究的对比

5.4 本章小结

6 结论与展望

6.1 结论

6.2 不足与展望

致谢

参考文献

附录

攻读硕士学位期间主要研究成果