|
|
基于深度学习与声发射的岩石拉剪裂纹实时识别模型
郎浩天, 梁鹏, 王聚贤, 孟凡阳, 卞韵淇, 叶丰恺, 刘洋
岩土力学. 2026 (8):
2838-2850.
DOI: 10.16285/j.rsm.2025.0932
CSTR: 32223.14.j.rsm.2025.0932
摘要
(
4 )
PDF(28048KB)
(
2
)
岩石破裂过程中裂纹类型的精准识别,对揭示岩体破坏机制、防控工程灾害具有重要意义。开展砂岩剪切试验与巴西劈裂声发射试验,采用Pearson与随机森林方法优选声发射参数,运用合成少数类过采样技术(synthetic minority over- sampling technique,简称SMOTE)平衡拉剪裂纹数据,构建融合拉剪裂纹特征的声发射数据集。结合多种机器学习模型性能评估指标,确定卷积神经网络(convolutional neural network,简称CNN)的基础识别模型架构,进而构建卷积神经网络-长短期记忆网络-多头注意力机制(CNN-long short term memory-multi head attention,简称CNN-LSTM-multi head attention)模型、卷积神经网络-门控循环单元(CNN-gated recurrent unit,简称CNN-GRU)模型、贝叶斯优化-卷积神经网络-长短期记忆网络(Bayesian optimization-CNN-LSTM,简称BO-CNN-LSTM)模型3种深度学习模型,发现BO-CNN-LSTM模型最适用于岩石裂纹类型的实时识别,8个最优识别参数为平均频率、持续时间、初始频率、上升时间、峰频、中心频率、幅值和均方根(root mean square,简称RMS)电压,综合准确率达97.89%。基于砂岩单轴压缩试验,对比3种深度学习模型的泛化性能,最优实时识别模型BO-CNN-LSTM与传统高斯混合模型(Gaussian mixture model,简称GMM)-支持向量机(support vector machine,简称SVM)模型的裂纹分类结果差异小于5%。新构建的裂纹类型实时识别模型具备较高的识别精度与泛化能力,可为岩石裂纹类型的实时识别提供可靠依据。
相关文章 |
计量指标
|