[发明专利]一种基于神经网络的岩石破坏强度确定方法

说明书

技术领域

本发明涉及岩土工程中的岩石破坏强度研究，特别是涉及基于神经网络的岩石破坏强度确定方法。 

背景技术

对于岩土工程设计，岩石的强度是最重要的考虑因素之一。经过多年的研究以形成了一些基于经验的岩石强度准则。在这些准则中，最大主应力值 是单轴抗压强度和最小主应力的函数，并且其系数是通过对实验数据的反演回归得到的。但是经验强度准则对于范围较大的加载应力域和各类岩石并不能完全准确的进行预测。这是由于在参数回归时使用的数据是特定的某类岩石和特定的应力范围。如果将反演参数后的准则对非该特定范围内的情况进行预测时就会产生严重偏差。 

对于多种岩石在实验过程中，施加应力与应变的对应关系复杂且非线性，岩体受力内部结构可能破坏，产生微小裂缝等原因，岩体应变的精确测量较为困难。但是施加的应力、、和的测量相对容易，而且其各力之间有一定的内在联系，如果能找到他们之间的映射关系，那么就可以避免对变形量的测量和通过反演拟合预测其值。 

对于上述复杂非线性大数据量的映射分析，可以采用神经网(ANN)络进行预测。神经网络是一种多元非线性动力学系统，具有高度的非线性映射能力、良好的自适应性、自组织性和很强的自学习能力。本文使用ANN在较大轴应力域内对7种岩石的强度准则进行研究，确定其值。通过神经网络对各种岩石的和在不同加载应力下的进行预测。通过实验室得到的数据进行训练。并将结果与Hoek–Brown(H-B)准则预测结果进行比较。结果表明ANN更加有适应性和准确性。 

发明内容

针对岩石破坏强度确定过程中存在的问题，本发明提出一种基于神经网络的岩石破坏强度确定方法。 

使用前馈式神经网络（FFNN）进行预测。对FFNN的有效利用首先要确定隐含网络层数和计算神经元的数量。如果隐含层有足够的隐含神经元，那么使用双曲线正切Ｓ传递函数和线性传输函数组成的两层神经网络是较为合适的结构。神经元的数量是避免超适应问题的关键，即如果一些ANN适应训练数据的性能相同，那么最简单的ANN最好。根据目前研究的经验，确定隐含层中的神经元数量不能通过准确计算得到。一般情况下只能在训练和预测后才能对其调整以便增加其适应性，但是可以通过一些相关的参数对其进行估计。在FFNN中的单隐含层内的神经元估计数量如表1所示。 

  

表1 数据的单隐含层中神经元的估计数量

估计式估计数量56463

注：、和分别是输入神经元数量、输出神经元数量和训练样本数量，本例中、、（50×70%，50是最小的实验次数）；是噪声系数，；是越界常量，。根据表2的计算结果，单隐含层神经元数量为3。

为了提高训练的效率和泛化性，ANN的输入值和输出值应进行规格化，即这些值按照相应的算法落在[-1,1]内。本文使用线性规格化公式（1）使值落在上述范围内。 

                   (1) 

式中：是规格化后的值，和分别为被规格化实验数据数列中的最大值和最小值。