智能岩石力学—参数与模型的智能辨识中国科技论文在线.pdfVIP

____________________________________________________________________________________ 智能岩石力学(2)—参数与模型的智能辨识1 冯夏庭1,2 杨成祥1 1 沈阳东北大学资源与土木工程学院 (110006) 2 中国科学院武汉岩土力学研究所 (430071) 1. 引言 输入参数和本构模型是岩石力学研究中最核心的两个问题。然而，由于岩石力学的研究 对象是复杂的地质体，受断层、节理裂隙切割，加上工程开挖和外部环境的影响，致使许多 情况下。我们不能获得很好的输入参数和本构模型。“输入参数和本构模型给不准”已成为 岩石力学理论分析和数值模拟的“瓶颈”问题。本文应用智能岩石力学的观点[1,2]，就如何 进行输入参数和本构模型的自适应辨识进行探讨。 2. 输人参数的智能辨识 2.1 利用基于信息分形的神经网络重构 有关研究表明，岩体力学信息存在分形自相似性。例如，在空间和尺寸上。岩石微破裂 (cm 级)—中等破裂(如岩爆)—大破裂(如地震)(km 级)存在分形自相似性。在时间的分布上， 作者的研究表明在环境(化学溶液、水、空气等)作用下，花岗岩、砂岩在不同的应力过程(蠕 变、加载、卸载、松弛) 中的微破裂事件遵从分形自相似规律N (t)∞t D ，其中，t 为时间，D 为分形维数[3] 。再如，对中间含有一节理的大理岩试件进行了多次剪切试验。后次试验是在 上次试验试件一分为二所得的每个试件上进行。试验结果表明，节理的开度(Aperture)随剪 切位移的增加具有明显的尺度效应(Scalc effect)，即在同样试验手段测得的同等剪切位移下， 大尺度试件的节理开度要大于由通过分割获得的小尺度试件的节理开度[4] 。 既然岩石力学的信息存在分形自相似性，就可以构造一种从局部信息预测整体信息的推 广预测算法，以实现由容易获得的露头信息预测出岩体的整体信息。这种做法就是：首先利 用容易获得的局部信息，建立神经网络模型；利用信息分形、尺度效应，通过岩体力学信息 的分形神经网络重构，获得反映岩体力学的整体信息的大网络；借助于该大网络，可以实现 对岩体力学的整体信息的预测。 一些代表性的成果有：利用岩石力学试件声发射试验中测得的凯塞效应，可以估算出原 岩应力。岩体的力学参数(如原岩应力、弹性模量、内聚力、内摩擦角等)也可以通过岩土结 1 本课题得到国家自然科学基金、教育部博士点基金和中国科学院“百人计划”项目 资助。 ____________________________________________________________________________________中国科技论文在线 构在开挖后测得的位移进行某种模型重构(如神经网络模型、数学模型等的重构)而获得。这 就是通常所说的位移反分析法。利用岩石节理的尺度效应，构造了遗传—神经网络模型[4] 。 利用该模型可以由较小尺度的节理开度预测较大尺度的节理开度随剪切位移的变化模式。利 用信息分形和神经网络重构，对在环境(化学溶液、水、空气等)作用下，花岗岩、砂岩在不 同的应力过程(压缩、蠕变、加载、卸载、松弛) 中的微破裂随时间演化的模式、煤矿顶板来 压和开挖结构的变形等随时间演化的模式分别进行了建模和预测[5-7] 。 2.2 智能化位移反分析法 一种方法是数值模拟与神经网络结合，进行位移反分析。其主要思路是：首先，用数值 模拟计算给出计算参数( E , µ, c,ϕ,σ , ……)条件下的计算结果( σ, u, ……) ，由这两者组成样本