[发明专利]机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法

说明书

本发明涉及机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法，首先经过特征筛选，选取了三维粗糙度参数、法向压力、基本摩擦角以及材料的抗拉强度四个具有代表性的参数作为机器学习模型的输入参数；分别基于支持向量机(SVM)、遗传算法改进的BP神经网络(GA‑BPNN)和随机森林(RF)三种常用的机器学习算法建立节理峰值抗剪强度回归预测模型，并使用10折交叉验证测试各模型的预测性能；然后分析了机器学习模型中参数的敏感性，评估了所建立模型的泛化性能；最后将机器学习得到的峰值抗剪强度模型与四个传统的峰值抗剪强度模型进行了对比，发现机器学习模型显著地提高了预测性能，在提高预测的准确率、减小均方根误差以及平均绝对误差方面有较大的性能提升。

技术领域

本发明涉及岩石节理峰值抗剪强度预测模型领域，具体为机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法。

背景技术

天然岩体中存在大量随机分布的节理，与完整岩体相比，节理的存在一定程度上会降低岩体的强度和稳定性；在岩质边坡或者地下工程的设计中，节理的剪切强度是一个重要的需要考虑的参数；因此，准确评估和预测节理的剪切强度一直是岩土工程的热点问题，在过去的几十年里，研究人员基于剪切试验提出了大量的节理抗剪强度理论模型或者经验公式；然而节理面的抗剪强度受多因素影响，用于描述节理面抗剪强度的参数因人而异，研究人员从不同的角度研究可以采用不同的参数，因而得出了不同的抗剪强度模型。由于岩土材料的不确定性和复杂性，且随着计算机计算效率的不断提高，越来越多的研究人员倾向于使用机器学习算法来解决多因素影响的问题。机器学习算法可以在没有先验假设的条件下从原始数据进行学习，捕获信息间的潜在相关性，发现数据之间隐藏的模式，进而可以对未知数据进行预测。与传统的经验模型相比，机器学习算法由于具有强大的非线性映射能力，通常可以提高预测精度。

在节理面峰值抗剪强度的预测方面，传统的抗剪强度模型都是基于特定的试验数据集来建立的，其表达形式大多是对试验数据的分析和拟合得到。在未知的表达形式里面或许存在更加准确的抗剪强度预测模型，但由于目前模型所涉及的参数过多，多因素影响导致对试验数据的分析和深入越来越困难。因此，考虑到目前节理面抗剪强度与多个参数之间复杂非线性关系的描述仅限于传统的经验公式，基于机器学习算法的节理峰值抗剪强度预测模型鲜有报道，本文采用3种常见的机器学习算法，包括支持向量机(SVM)、遗传算法改进的BP神经网络(GA-BPNN)和随机森林(RF)，结合更大的剪切试验数据集，构建节理面峰值抗剪强度与相关参数间的非线性映射关系，建立节理峰值抗剪强度的机器学习回归预测模型。

发明内容

本发明的目的在于针对背景技术的不足之处，提供一种机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法。

本发明提供的一种机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法，包括以下步骤：

S1、通过统计分析传统的岩石节理峰值抗剪强度模型中所使用的参数，初步选取与岩石节理峰值抗剪强度相关的参数，并建立用于机器学习的岩石节理峰值抗剪强度数据库；

S2、进行特征选择，对所选特征参数进一步处理和分析，排除或者合并冗余的参数，选择最合适的特征并确定最终的输入参数；

S3、采取标准化或者最大最小归一化的缩放方法，将最终选取的特征参数的值进行数据缩放，同时按照一定比例将处理好的数据集划分成训练集和测试集，训练集将用于机器学习模型的训练，训练好的模型将在测试集上进行预测；

S4、建立岩石节理峰值抗剪强度的机器学习模型及模型准确性评估。选取三种机器学习算法来分别建立回归分析模型来预测节理的峰值抗剪强度，包括支持向量机(SVM)、遗传算法改进的BP神经网络(GA-BPNN)和随机森林(RF)。三种机器学习模型分别在训练集上训练，在测试集上预测，其模型性能的优劣使用以下三种指标进行评判：平均绝对误差(MAE)，均方根误差(RMSE)以及决定系数(R²)，计算公式如下：