基于宏细观参数关联准则的DEM细观参数标定方法

摘要

本公开提供了一种基于宏细观参数关联准则的DEM细观参数标定方法，获取经室内基础力学试验得到的岩石DEM宏观力学参数；根据岩石DEM宏观力学参数、先验条件和预设机器学习模型，得到用于岩石力学特征模拟的岩石DEM细观力学参数；其中，细观力学参数为预设机器学习模型的预测结果与各先验证条件结果的加权和；本公开通过建立DEM宏观力学参数和细观力学参数标定的样本库，分析样本库中宏观力学参数和细观力学参数的关联，将其作为先验约束条件，结合预设的机器学习模型，实现了细观参数的快速标定，进而实现了更高精度的岩石力学特征模拟。

说明书

技术领域

本公开涉及岩石力学特性模拟技术领域，特别涉及一种基于宏细观参数关联准则的DEM细观参数标定方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

基础设施建设的快速发展，一大批水利水电、交通、能源开采等重大工程正筹备建设。为保证施工的安全性，亟需明晰施工中各种灾害的致灾机理，并对其进行重点防控。在致灾机理的研究中，数值模拟方法以其可重复性强、可实施性好等独特的优势得到了广泛的应用。

在众多数值模拟方法中，离散单元法(DEM)被广泛应用于模拟材料损伤和非线性力学行为。特别是其在模拟大变形、岩体破裂、各向异性等问题中有出色的表现，使得DEM成为解决岩土工程问题的重要数值模拟手段之一。

细观参数选取是否正确直接影响离散元模拟能否成功，即通过调节细观力学参数使模型的单轴压缩强度、弹性模量、泊松比和抗拉强度等宏观力学性能与期望值相符。目前，DEM中参数标定的方法主要以“试错法”为主，即基于文献和软件手册中的部分参数建议值，选定细观参数进行室内试验的模拟，将模拟得到的宏观力学参数与实验室得到的宏观力学参数进行比较，根据两者之间宏观参数的差异，不断调整细观参数，最终使模型的宏观参数达到期望值。然而这种方法及其依赖离散元数值模拟的经验并且浪费大量计算和时间成本。

机器学习是一种能够根据数据特点进行归纳、分析、学习、演绎的方法，不仅能够归纳已知样本特征值和目标值之间的关联性，还能快速的对未知样本的目标值进行精确预测，所以将其应用于DEM参数标定过程能够极大提高参数标定效率和准确率。

发明人发现，目前针对DEM参数标定的机器学习方法均是直接将数据导入机器学习模型中，学习样本的数据量直接决定着标定模型的准确率，然而获取大量参数标定数据需耗费大量时间，且获取的数据普遍性较差，从而使得最终岩石力学特性模拟结果较差。

发明内容

为了解决现有技术的不足，本公开提供了一种基于宏细观参数关联准则的DEM细观参数标定方法，通过建立DEM宏观力学参数和细观力学参数标定的样本库，分析样本库中宏观力学参数和细观力学参数的关联，将其作为先验约束条件，结合预设的机器学习模型，实现了细观参数的快速标定，进而实现了更高精度的岩石力学特征模拟。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于宏细观参数关联准则的DEM细观参数标定方法。

一种基于宏细观参数关联准则的DEM细观参数标定方法，包括以下过程：

获取经室内基础力学试验得到的岩石DEM宏观力学参数；

根据岩石DEM宏观力学参数、先验条件和预设机器学习模型，得到用于岩石力学特征模拟的岩石DEM细观力学参数；

其中，细观力学参数为预设机器学习模型的预测结果与各先验证条件结果的加权和。

进一步的，宏观力学参数至少包括宏观弹性模量、泊松比、宏观抗压强度和宏观抗剪强度。

进一步的，细观力学参数至少包括颗粒有效模量、颗粒密度、粘结有效模量和粘结强度。

进一步的，将宏观力学参数和细观力学参数的对应关系作为预设机器学习模型的先验条件。

进一步的，细观力学参数为：第一系数与预设机器学习模型的预测结果的乘积，再同各先验条件计算结果与对应的第二系数的乘积的加和。

更进一步的，每个先验条件包括一个对应的第二系数。

更进一步的，各个第二系数的加和为第一数值，第一系数为第二数值，第一数值和第二数值的加和为1。

本公开第二方面提供了一种基于宏细观参数关联准则的DEM细观参数标定系统。

一种基于宏细观参数关联准则的DEM细观参数标定系统，包括：

数据获取模块，被配置为：获取经室内基础力学试验得到的岩石DEM宏观力学参数；

细观参数标定模块，被配置为：根据岩石DEM宏观力学参数、先验条件和预设机器学习模型，得到用于岩石力学特征模拟的岩石DEM细观力学参数；

其中，细观力学参数为预设机器学习模型的预测结果与各先验证条件结果的加权和。

本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于宏细观参数关联准则的DEM细观参数标定方法中的步骤。

本公开第四方面提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于宏细观参数关联准则的DEM细观参数标定方法中的步骤。

与现有技术相比，本公开的有益效果是：

1、本公开所述的方法、系统、介质或电子设备，通过建立DEM宏观力学参数和细观力学参数标定的样本库，分析样本库中宏观力学参数和细观力学参数的关联，将其作为先验约束条件，结合预设的机器学习模型，实现了细观参数的快速标定，进而实现了更高精度的岩石力学特征模拟。

2、本公开所述的方法、系统、介质或电子设备，克服了目前参数标定工作中普遍使用“试错法”以及传统的机器学习方法的不足，采用机器学习方法对细观参数的取值进行预测，并通过归纳大量参数标定工作中宏细观参数的关联关系作为修正参数标定结果的先验条件，可以在保证较高参数标定准确率的同时极大提高其标定效率，从而更好的模拟岩石的力学特性。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例1提供的参数标定方法的流程示意图。

图2为本公开实施例1提供的DEM模拟基础力学试验的部分示意图。

图3为本公开实施例1提供的细观参数和宏观参数关联关系曲线示意图。

图4为本公开实施例1提供的机器学习过程中参数标定结果验证示意图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例1：

如图1所示，本公开实施例1提供了一种以宏细观参数关联准则为先验约束条件的DEM细观参数智能标定方法，包括以下过程：

S1：建立机器学习样本库。

开展大量基础力学试验的DEM数值模拟，如单轴压缩试验、双轴压缩试验、巴西劈裂试验、三轴压缩试验、直剪试验等(如图2，a为单轴压缩试验模拟，b为巴西劈裂试验模拟，c为三轴压缩试验模拟)。记录上述数值试验中模型的细观力学参数和试验结果得出的宏观力学参数，每次试验记录的宏细观参数为一组样本。基于上述的参数样本建立DEM宏细观参数标定数据库，作为机器学习的样本库。

S2：建立细观参数标定先验条件。

S2.1：收集先验条件。

收集DEM计算中宏观参数与细观参数间的对应关系，归纳表达式，如式(1)。

P(E,μ,σ,τ…)＝f

式(1)中，P为宏观力学参数，其中E为宏观弹性模量，μ为泊松比，σ为宏观抗压强度、τ为宏观抗剪强度；f

S2.2：分析数据库宏细观参数关联关系。

基于S1中所建立的数据库模型，分析宏观参数对细观参数变化的敏感程度，并通过回归分析(如图3，a为宏观弹性模量与颗粒有效模量关系，b为宏观抗压强度与粘结法向强度关系)，最终得到如S2.1中式(1)的宏细观参数对应关系表达式。

S3：建立细观参数标定的机器学习模型。

基于XGBoost算法开发用于细观参数标定模型。

S3.1：引入参数标定先验条件。

将S2中获得的宏细观参数对应关系式作为参数标定模型的先验条件，用于为模型预测提供细观参数范围，加快其学习和预测的速度。模型的预测结果为多个参数关系式(式(1))和XGBoost目标函数(式(2))组合的新目标函数表达式，如式(3)，由此初步建立细观参数标定模型。

式(2)为XGBoost模型的目标函数，其中L(φ)

式(3)为细观参数预测模型的最终表达式，其中，M为最终标定的细观参数值，α为机器学习预测结果系数(一般取0.8)，β

S3.2：划分训练集和测试集。

将S1中建立的参数标定数据库中样本分两组，其中80％的样本作为训练集，用于机器学习模型对数据特征进行分析及学习，其余20％的样本作为测试集，用于验证模型学习结果的准确性。

S3.3：训练参数标定模型。

将训练集中的宏观力学参数(弹性模量、泊松比、抗压强度、内摩擦角、内聚力等)作为特征值，细观力学参数(颗粒有效模量、颗粒密度、粘结有效模量、粘结强度等)作为目标值导入至模型中，通过调节模型中的回归树数量K、回归树迭代步长η，正则系数γ、λ等参数，完成模型的训练。

S3.4：参数标定模型准确性验证。

将测试集中的宏观力学参数作为特征值，导入S2.2中建立的参数标定模型中，运行模型预测细观力学参数值，将预测结果与测试集中对应的细观力学参数进行对比(如图4)，计算结果评价指标R

其中，y

S3.5：重复上述S3.2～S3.4，直至R

S4：基于宏观参数标定细观参数。

S4.1：通过室内基础力学试验(单轴压缩、巴西劈裂等)获取需要标定离散元计算模型的宏观力学参数值。

S4.2：将S4.1中获得的宏观力学参数输入到S3中建立的细观参数标定机器学习模型中，得到细观参数的预测值。

S4.3：输出S4.2中计算所得到的细观参数标定结果，基于此细观参数建立DEM数值计算模型，进行基础力学试验模拟。

S4.4：获取S4.3中DEM模拟所得到的模型宏观力学参数，将其与S4.1中室内试验所得到的宏观力学参数进行对比，验证模型的准确性。

实施例2：

本公开实施例2提供了一种基于宏细观参数关联准则的DEM细观参数标定系统，包括：

数据获取模块，被配置为：获取经室内基础力学试验得到的岩石DEM宏观力学参数；

细观参数标定模块，被配置为：根据岩石DEM宏观力学参数、先验条件和预设机器学习模型，得到用于岩石力学特征模拟的岩石DEM细观力学参数；

其中，细观力学参数为预设机器学习模型的预测结果与各先验证条件结果的加权和。

所述系统的工作方法与实施例1提供的基于宏细观参数关联准则的DEM细观参数标定方法相同，这里不再赘述。

实施例3：

本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的基于宏细观参数关联准则的DEM细观参数标定方法中的步骤。

实施例4：

本公开实施例4提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于宏细观参数关联准则的DEM细观参数标定方法中的步骤。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。