[发明专利]基于宏细观参数关联准则的DEM细观参数标定方法

说明书

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。

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。