基于超声波频谱深度迁移学习的岩心单轴抗压强度测定方法及装置与流程

本发明涉及一种基于超声波频谱深度迁移学习的岩心单轴抗压强度测定方法及装置。适用于工程地质、岩石力学以及人工智能领域。

背景技术：

岩心单轴抗压强度是工程地质勘察中极为重要的工作内容和目标，可根据室内压缩实验获得。岩心单轴抗压强度影响因素包括内因和外因，前者主要包括岩石密度、矿物结构、结构面发育特征、风化程度等，后者主要为围压环境。岩心单轴抗压强度测试需要使用复杂的压力机在室内完成，并且经强度测试后的岩心样品会被破坏，从而无法进行后续相关实验研究。

超声波测试技术是一种非破坏性测试方法，是以超声波在岩体中的传播特性与岩体的物理力学参数相关性为基础，通过测定声波在岩体中的传播特性参数，为评价工程岩体力学性质提供依据，目前在岩石工程中应用广泛，主要有工程岩体质量分级、围岩松动圈的测定、大坝基础灌浆效果检测、岩体动静弹模对比、测定风化系数、确定岩体完整性等地质勘察。超声波在岩石中的传播特征主要受岩石矿物组成、密度、结构构造、风化程度和围压环境等因素影响，与岩石单轴抗压强度影响因素相似，并且定性上，岩石单轴抗压强度越大，超声波在岩石中的传播速度越高，目前已有学者通过建立声波波速与岩石强度之间的关系对岩石强度进行计算，但都是基于岩石其他物理力学参数，辅以声波波速值进行回归拟合获得对应的函数关系式，泛化能力弱，依赖项多，表征复杂，因此实用价值较低。

近年来，随着计算机技术的快速发展，人工智能逐渐兴起，其中又以深度学习技术的发展最为迅速，广泛应用于计算机视觉、音频、文本和自然语言处理等方面。在地学领域中，一些学者也逐渐开始应用深度学习解决相关问题，例如张野等将利用谷歌公司开发的inception-v3深度卷积模型，建立了岩石图像集分析的深度学习迁移模型，初步实现了岩石岩性的自动识别与分类；程建国和刘丽婷基于深度学习理论，提出了岩石孔隙识别方法和岩石图像分类方法；陈冠宇等人通过深度学习算法对不良地质体进行识别与分类，也取得了一定的成果。李明超等通过采集岩体表面锤击声频，基于相应的回弹仪测试结果，利用inception-v3深度卷积模型，对其频谱图进行深度学习，生成概率矩阵，对应强度值，初步实现了岩体表面强度的智能化测定。然而，该方法存在较多的问题，比如声波采集过程中噪音的干扰，回弹仪强度测试的准确性问题，岩体的各向异性特征以及最后分类结果的非连续性等，此外，inception-v3模型中的池化层一定程度上也会造成声波频谱图信息的丢失。

技术实现要素：

本发明要解决的技术问题是：提供一种基于超声波频谱深度迁移学习的岩心单轴抗压强度测定方法及装置，以快速、非破坏性地测定岩心单轴抗压强度。

本发明所采用的技术方案是：一种基于超声波频谱深度迁移学习的岩心单轴抗压强度测定方法，其特征在于：

获取待测定岩心样品的超声波频谱图；

将获得的所述超声波频谱图输入训练好的深度学习模型，预测该待测定岩心样品的单轴抗压强度值；

所述深度迁移学习模型由对至少一个训练样本进行训练得到，所述训练样本包括岩心样品的超声波频谱图和单轴抗压强度值。

所述深度迁移学习模型的训练步骤如下：

获取岩心样本的超声波频谱图；

获取同一段岩心样本的单轴抗压强度值；

将同一个岩心样品的超声波频谱图与单轴抗压强度值数据一一对应；

调整resnet50残差深度网络模型，即将所有池化层去掉，对最后全连接层中的激活函数去掉，增加一个恒等函数，使其成为一个输出为1个单元的全连接层；

将超声波频谱图和单轴抗压强度值分别作为输入参数和标记数据，对调整后的resnet50残差深度网络模型进行训练。

训练过程使用均方误差作为损失函数，使用平均绝对误差作为回归指标；

将超声波频谱图-单轴抗压强度值数据集划分为训练集和测试集，并且对训练集进行k折验证；根据k折验证的平均绝对误差指标，调整深度迁移学习模型的超参数，以提高回归准确度。

所述岩心样品直径50mm，长为100mm。

一种基于超声波频谱深度迁移学习的岩心单轴抗压强度测定装置，其特征在于：

超声波频谱图获取模块，用于获取待测定岩心样品的超声波频谱图；

单轴抗压强度值预测模块，用于将获得的所述超声波频谱图输入训练好的深度迁移学习模型，预测该待测定岩心样品的单轴抗压强度值；

所述深度迁移学习模型由对至少一个训练样本进行训练得到，所述训练样本包括岩心样品的超声波频谱图和单轴抗压强度值。

还包括模型训练模块，模型训练模块用于

获取岩心样本的超声波频谱图；

获取同一段岩心样本的单轴抗压强度值；

将同一个岩心样品的超声波频谱图与单轴抗压强度值数据一一对应；

调整resnet50残差深度网络模型，即将所有池化层去掉，对最后全连接层中的激活函数去掉，增加一个恒等函数，使其成为一个输出为1个单元的全连接层；

将超声波频谱图和单轴抗压强度值分别作为输入参数和标记数据，对调整后的resnet50残差深度网络模型进行训练。

所述模型训练模块训练过程使用均方误差作为损失函数，使用平均绝对误差作为回归指标；

将超声波频谱图-单轴抗压强度值数据集划分为训练集和测试集，并且对训练集进行k折验证；根据k折验证的平均绝对误差指标，调整深度迁移学习模型的超参数，以提高回归准确度。

所述岩心样品直径50mm，长为100mm。

本发明的有益效果是：本发明根据超声波频谱图直接预测岩心单轴抗压强度，操作简便且准确度较高，适用于野外环境下的快速勘察工作。

附图说明

图1为实施例的流程图。

图2为实施例的系统框图。

具体实施方式

如图1所示，本实施例为一种基于超声波频谱深度迁移学习的岩心单轴抗压强度测定方法，具体步骤如下：

获取待测定岩心样品的超声波频谱图；

将获得的所述超声波频谱图输入训练好的深度学习模型，预测该待测定岩心样品的单轴抗压强度值。

本实施例中深度迁移学习模型由对至少一个训练样本进行训练得到，训练样本包括岩心样品的超声波频谱图和单轴抗压强度值，具体训练步骤如下：

使用岩石超声波测试仪，对岩心样品(直径50mm，长为100mm)进行超声波测试，获取岩心样本的超声波频谱图；

对同一段岩心样品进行室内单轴抗压强度测试，获取同一段岩心样本的单轴抗压强度值；

将同一个岩心样品的超声波频谱图与单轴抗压强度值数据一一对应；

调整resnet50残差深度网络模型，即将所有池化层去掉，对最后全连接层中的激活函数去掉，增加一个恒等函数，使其成为一个输出为1个单元的全连接层；

将超声波频谱图和单轴抗压强度值分别作为输入参数和标记数据，对调整后的resnet50残差深度网络模型进行训练。

本例在训练过程使用均方误差作为损失函数，使用平均绝对误差(mae)作为回归指标；将超声波频谱图-单轴抗压强度值数据集划分为训练集和测试集，并且对训练集进行k折验证，根据k折验证的mae指标，调整深度迁移学习模型的超参数，以提高回归准确度。

图2为本实施例的一种基于超声波频谱深度迁移学习的岩心单轴抗压强度测定装置，包括超声波频谱图获取模块1、单轴抗压强度值预测模块2和模型训练模块3，其中超声波频谱图获取模块1用于获取待测定岩心样品的超声波频谱图；单轴抗压强度值预测模块2用于将获得的所述超声波频谱图输入训练好的深度学习模型，预测该待测定岩心样品的单轴抗压强度值；所述深度迁移学习模型由对至少一个训练样本进行训练得到，所述训练样本包括岩心样品的超声波频谱图和单轴抗压强度值。

本例中模型训练模块3用于获取岩心样本的超声波频谱图；获取同一段岩心样本的单轴抗压强度值；将同一个岩心样品的超声波频谱图与单轴抗压强度值数据一一对应；调整resnet50残差深度网络模型，即将所有池化层去掉，对最后全连接层中的激活函数去掉，增加一个恒等函数，使其成为一个输出为1个单元的全连接层；将超声波频谱图和单轴抗压强度值分别作为输入参数和标记数据，对调整后的resnet50残差深度网络模型进行训练。

本实施例中模型训练模块3在训练过程使用均方误差作为损失函数，使用平均绝对误差(mae)作为回归指标；将超声波频谱图-单轴抗压强度值数据集划分为训练集和测试集，并且对训练集进行k折验证，根据k折验证的mae指标，调整深度迁移学习模型的超参数，以提高回归准确度。