本发明属于胶结充填采矿技术领域，具体涉及一种基于sem图像的胶结充填体力学响应特性预测方法。
背景技术：
随着国家科学技术的发展，对节能环保技术的要求也越来越高，传统的胶结充填采矿使用水泥作为胶凝材料，水泥的成本高达充填总成本的75％。通过研究发展，尾砂中含有活性氧化硅和氧化铝，使用尾砂代替部分水泥作为胶结材料，不仅能够降低尾砂的排放量，有效降低充填采矿的成本，还能够提高充填体强度，减少地面坍塌面积，对环境的保护也起着积极推动的作用。因此，选矿厂排出的尾砂逐渐成为矿山胶结充填的主要骨料。胶结充填体作为胶结充填采矿法的核心内容，它涉及到矿山安全和矿山经济效益。以“充填体作用机理、充填体强度、充填体的合理匹配及充填体的力学响应特性”为内容的充填体力学，几年来受到了采矿届的高度重视。近年来已召开了八届国际充填学术会议，在充填体力学的许多方面有了很大的进展，学术界普遍认为充填体力学性能是严重影响和制约胶结充填采矿法的关键因素。
采用尾砂实现不同水灰配比、不同养护龄期等对胶结充填体的力学性质具有直接的影响关系。尾砂作为充填采空区最常用的充填骨料之一，在解决充填骨料不足的同时，为极厚矿体矿柱回采时贫化率低、损失率大、“三下”资源开采安全性低以及深部岩体地压控制难等问题的解决提供了有效途径。许多研究者对尾砂膏体充填的成分配比、稳定过程及机械强度做了深入的研究。例如，kesimala等人研究了脱泥铜铅锌尾砂与膏体强度的关系，发现尾砂颗粒大小分布对胶结充填体强度有较大的影响；在2003年第16期第10卷的期刊《mineralsengineering》(矿物工程)上发表了文章theeffectofdeslimingbysedimentationonpastebackfillperformance(脱矿泥的矿体充填体沉积性能影响)；fall等人研究了养护温度对尾砂胶结充填体的强度的影响；在2010年第4期第10卷的期刊《engineeringgeology》(工程地质)上发表了文章acontributiontounderstandingtheeffectsofcuringtemperatureonthemechanicalpropertiesofminecementedtailingsbackfill(温度对尾砂胶结充填体力学性能影响的贡献)；gxiu等人采用不同比例尾砂胶结强度与不同浓度下在实验室进行了实验，揭示尾砂在微观方面化学反应机理，对充填体稳定性的宏观尺寸的影响研究；在2012年第6期第14卷的期刊《internationaljournalofdigitalcontenttechnology&itsapplications》(数字内容技术及其应用)上发表了文章microstructuretestandmacrosizeeffectonthestabilityofcementedtailingsbackfill(微观结构试验及宏观尺寸对胶结尾砂充填体的稳定性影响)；李文臣等人通过胶砂实验，研究了硫酸盐对胶结充填体单轴抗压强度与弹性模量关系的影响；在2016年第1期第42卷的期刊《中国煤炭》上发表了文章《硫酸盐对胶结充填体单轴抗压强度与弹性模量关系影响研究》。但是，现有技术中，对胶结充填体力学响应特性预测多采用实验测试的方法，测试周期长、效率低，耗费的人力物力高，影响了新的胶结充填体的快速推广应用，容易造成采矿工期的拖延。
技术实现要素：
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于sem图像的胶结充填体力学响应特性预测方法，其方法步骤简单，设计新颖合理，实现方便快捷，预测效率高，周期短，耗费的人力物力少，对于研究胶结充填体的强度和稳定性具有重要意义，实用性强，应用范围广，推广应用价值高。
为解决上述技术问题，本发明采用的技术方案是：一种基于sem图像的胶结充填体力学响应特性预测方法，其特征在于，该方法包括以下步骤：
步骤一、从胶结充填体试样上取一部分制成sem扫描电镜样品；
步骤二、采用sem扫描电镜对sem扫描电镜样品进行扫描，形成sem电镜扫描图像并存储到计算机中；
步骤三、所述计算机调用高斯滤波处理模块对sem电镜扫描图像进行高斯滤波处理，得到高斯滤波处理后的sem电镜扫描图像；
步骤四、所述计算机调用fcm模糊聚类处理模块对进行高斯滤波处理后的sem电镜扫描图像进行孔隙图像提取，得到与聚类中心数目相等的多个胶结充填体聚类图像；
步骤五、所述计算机将灰度值最小一类的胶结充填体聚类图像确定为胶结充填体微观孔隙图，并对胶结充填体微观孔隙图进行二值化处理，得到胶结充填体微观孔隙二值图；
步骤六、所述计算机将步骤三中得到的高斯滤波处理后的sem电镜扫描图像与步骤五中得到的胶结充填体微观孔隙二值图进行合并，得到测试样本图像；
步骤七、所述计算机对测试样本图像进行正规化处理，形成像素为960×960的正规化测试样本图像；
步骤八、所述计算机将步骤七中得到的正规化测试样本图像输入预先构建的tensorflow深度学习力学响应预测网络中，得到单轴力学响应预测结果。
上述的基于sem图像的胶结充填体力学响应特性预测方法，其特征在于：步骤一中所述sem扫描电镜样品的长度、宽度和高度均为10mm。
上述的基于sem图像的胶结充填体力学响应特性预测方法，其特征在于：步骤三中所述计算机调用高斯滤波处理模块对sem电镜扫描图像进行高斯滤波处理采用的公式为l(x,y)＝i(x,y)*g(x,y)，其中，i(x,y)表示sem电镜扫描图像，g(x,y)为高斯滤波函数，l(x,y)为高斯滤波处理后的sem电镜扫描图像，x为图像的横坐标，y为图像的纵坐标。
上述的基于sem图像的胶结充填体力学响应特性预测方法，其特征在于：步骤四中所述计算机调用fcm模糊聚类处理模块对进行高斯滤波处理后的sem电镜扫描图像进行孔隙图像提取，得到与聚类中心数目相等的多个胶结充填体聚类图像的具体过程为：
步骤401、定义采用基于样本加权的fcm模糊聚类算法，目标函数为
步骤402、设置聚类中心数目c的值、隶属度uik的权重指数m的值和最小迭代误差ε的值；
步骤403、用公式
步骤404、用公式
步骤405、用公式
步骤406、判断是否满足||j(t+1)-j(t)||＜ε，当满足||j(t+1)-j(t)||＜ε时，聚类停止，提取得到与聚类中心数目相等的多个胶结充填体聚类图像；否则，返回步骤403；其中，t为时间。
上述的基于sem图像的胶结充填体力学响应特性预测方法，其特征在于：步骤402中设置聚类中心数目c的值为4，设置隶属度uik的权重指数m的值为2，设置最小迭代误差ε的取值为0.3。
上述的基于sem图像的胶结充填体力学响应特性预测方法，其特征在于：步骤八中所述tensorflow深度学习力学响应特性预测网络的构建方法为：
步骤801、从多个编号后的各个胶结充填体试样上取一部分制成sem扫描电镜样品，剩余部分作为单轴抗压强度测试样品；并对多个sem扫描电镜样品和多个抗压强度测试样品一一对应编号；
步骤802、采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，并对测得的多个抗压强度测试样品的单轴抗压强度取均值，得到胶结充填体试样的单轴抗压强度；
步骤803、获取tensorflow深度学习力学响应特性预测网络的训练样本图像，具体过程为：
步骤8031、采用sem扫描电镜分别对多个sem扫描电镜样品进行多次扫描，形成多个sem电镜扫描图像并存储到计算机中；所述sem电镜扫描图像的数量至少为150个；
步骤8032、所述计算机调用高斯滤波处理模块分别对多个sem电镜扫描图像进行高斯滤波处理，得到多个高斯滤波处理后的sem电镜扫描图像；
步骤8033、所述计算机调用fcm模糊聚类处理模块分别对多个进行高斯滤波处理后的sem电镜扫描图像进行孔隙图像提取，得到多组胶结充填体聚类图像，每组胶结充填体聚类图像中胶结充填体聚类图像的数量与聚类中心数目相等；
步骤8034、所述计算机将每组胶结充填体聚类图像中灰度值最小一类的胶结充填体聚类图像确定为胶结充填体微观孔隙图，并对多个胶结充填体微观孔隙图进行二值化处理，得到多个胶结充填体微观孔隙二值图；
步骤8035、所述计算机将步骤8032中得到的多个高斯滤波处理后的sem电镜扫描图像与步骤8034中得到多个的胶结充填体微观孔隙二值图按照编号对应进行合并，得到多个训练样本图像；
步骤804、所述计算机分别对多个训练样本图像进行正规化处理，形成多个像素为960×960的正规化训练样本图像；
步骤805、所述计算机构建一个卷积网络核的层数为五层、输入层为正规化训练样本图像、输出层为正规化训练样本图像对应的单轴抗压强度的tensorflow深度学习网络，将其存储的多个正规化训练样本图像作为训练样本，对tensorflow深度学习网络进行训练，得到tensorflow深度学习力学响应特性预测网络；所述tensorflow深度学习力学特性响应预测网络五层卷积网络核的大小从一层到第五层分别为3x3,2x2,3x3,2x2,2x2。
上述的基于sem图像的胶结充填体力学响应特性预测方法，其特征在于：步骤802中所述胶结充填体单轴抗压强度测试装置包括座垫和固定连接在座垫顶部的多根拉杆，以及用于给胶结充填体试样施加轴向压力的轴向加压传力机构和用于给轴向加压传力机构提供动力的轴向加压动力系统；所述座垫的底部固定连接有多个底座，所述座垫的顶部设置有用于放置胶结充填体试样的试样放置槽，所述座垫上位于所述试样放置槽的中心位置处设置有排水阀；多根拉杆的中部设置有用于固定多根拉杆的固定架，多根拉杆的上部固定连接有顶部装载板；所述轴向加压传力机构包括安装在顶部装载板上的气缸，所述气缸的活塞杆向下设置，所述气缸的活塞杆底部连接有压力传递板；所述轴向加压动力系统包括压缩空气气源和加压控制器，以及一端与压缩空气气源连接、另一端与气缸连接的气体输送管；所述气体输送管上从连接压缩空气气源到连接气缸的位置依次设置有气动三联件、压力传感器和气缸控制电磁阀，所述压力传感器与加压控制器的输入端连接，所述气缸控制电磁阀与加压控制器的输出端连接，所述加压控制器通过通信模块与计算机连接。
上述的基于sem图像的胶结充填体力学响应特性预测方法，其特征在于：所述试样放置槽内设置有套装在胶结充填体试样底部的o型密封圈，所述座垫上设置有位于所述试样放置槽周围的多孔石。
上述的基于sem图像的胶结充填体力学响应特性预测方法，其特征在于：所述加压控制器为可编程逻辑控制器，所述通信模块为rs-485通信模块。
上述的基于sem图像的胶结充填体力学响应特性预测方法，其特征在于：步骤802中所述采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，其中对每个抗压强度测试样品进行单轴抗压强度测试的具体过程为：
步骤8021、将o型密封圈放入所述试样放置槽内后，将胶结充填体试样放入所述试样放置槽内，使胶结充填体试样的中心与气缸的活塞杆和压力传递板的中心相对应；并在座垫上放入位于所述试样放置槽周围的多孔石；
步骤8022、打开压缩空气气源，通过调节气动三联件调节压缩空气气源输出的压缩空气的气压，加压控制器通过控制气缸控制电磁阀换向，控制气缸的活塞杆向下或向上运动，对胶结充填体试样施加压力或卸载压力，将胶结充填体试样破裂时加压控制器采集到的压力传感器检测的压力值记为f，加压控制器将压力值f传输给计算机，计算机根据公式
本发明与现有技术相比具有以下优点：
1、本发明采用扫描电子显微镜(scanningelectronicmicroscopy，sem)扫描采集样品图像，采用fcm模糊聚类处理方法提取胶结充填体微观孔隙图，再采用tensorflow深度学习网络建立图像到力学响应特性之间的端到端的预测模型，从而预测胶结充填体的力学响应特性，方法步骤简单，设计新颖合理，实现方便快捷，预测效率高，周期短，耗费的人力物力少。
2、本发明在采用fcm模糊聚类处理方法提取胶结充填体微观孔隙图像前，还采用了高斯滤波方法对sem电镜扫描图像进行高斯滤波处理，有助于得到更准确的预测结果。
3、本发明采用fcm模糊聚类处理方法提取胶结充填体微观孔隙图像，能够避免样本空间中不同样本矢量对聚类结果的不同影响。
4、本发明采用将高斯滤波处理后的sem电镜扫描图像与胶结充填体微观孔隙二值图合并的方法得到测试样本图像，作为tensorflow深度学习力学响应预测网络的输入，能够避免原始sem电镜扫描图像中冗余信息的影响，提高了力学响应特性预测精度。
5、本发明采用tensorflow深度学习网络构建了sem电镜扫描图像与胶结充填体力学响应特性之间的关系，一次进行构建tensorflow深度学习力学响应预测网络，能够多次方便快捷的使用，使得进行胶结充填体力学响应特性预测时，无需再多次做实验测试，只需将sem电镜扫描图像采集到计算机中，即可自动完成力学响应特性预测的整个过程，方便快捷。
6、单轴抗压强度是反映充填体力学性能的一个重要参数，它能在一定程度上反应充填体的强度和稳定性；本发明构建tensorflow深度学习力学响应预测网络时，输出为单轴抗压强度，并将单轴抗压强度作为单轴力学响应预测结果，对于研究胶结充填体的强度和稳定性具有重要意义。
7、本发明采用自主研发制造的胶结充填体单轴抗压强度测试装置对抗压强度测试样品进行抗压强度测试，胶结充填体单轴抗压强度测试装置的结构简单，实现及使用操作方便，且能够测得准确的单轴抗压强度。
8、本发明研究的力学响应特性是胶结充填体的重要特性，胶结充填体又是胶结充填采矿法的核心内容，因此本发明的方法不仅能够为研究新型胶结充填体贡献力量，还能够为降低尾砂的排放量、降低充填采矿的成本、保护环境、提高矿石回采率、缓解深井高温、优化矿区环境和控制地表沉降等贡献力量；本发明的实用性强，应用范围广，推广应用价值高。
综上所述，本发明方法步骤简单，设计新颖合理，实现方便快捷，预测效率高，周期短，耗费的人力物力少，对于研究胶结充填体的强度和稳定性具有重要意义，实用性强，应用范围广，推广应用价值高。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
图2为本发明具体实施例中高斯滤波处理后的sem电镜扫描图像。
图3a为本发明具体实施例中对进行高斯滤波处理后的sem电镜扫描图像进行fcm模糊聚类处理得到的亮的胶结充填体聚类图像。
图3b为本发明具体实施例中对进行高斯滤波处理后的sem电镜扫描图像进行fcm模糊聚类处理得到的较亮的胶结充填体聚类图像。
图3c为本发明具体实施例中对进行高斯滤波处理后的sem电镜扫描图像进行fcm模糊聚类处理得到的暗的胶结充填体聚类图像。
图3d为本发明具体实施例中对进行高斯滤波处理后的sem电镜扫描图像进行fcm模糊聚类处理得到的最暗的胶结充填体聚类图像。
图4为本发明具体实施例中的胶结充填体微观孔隙二值图。
图5为本发明具体实施例中的测试样本图像。
图6为本发明胶结充填体单轴抗压强度测试装置的结构示意图。
附图标记说明:
1—气体输送管；2—气缸；3—压力传递板；
4—压缩空气气源；5—排水阀；6—o型密封圈；
7—多孔石；8—拉杆；9—顶部装载板；
10—座垫；11—试样放置槽；12—气动三联件；
13—压力传感器；14—气缸控制电磁阀；15—底座；
16—通信模块；17—计算机；18—加压控制器；
19—胶结充填体试样。
具体实施方式
如图1所示，本发明的基于sem图像的胶结充填体力学响应特性预测方法，包括以下步骤：
步骤一、从胶结充填体试样19上取一部分制成sem扫描电镜样品；
具体实施时，制成sem扫描电镜样品还进行了多次喷碳处理。
本实施例中，步骤一中所述sem扫描电镜样品的长度、宽度和高度均为10mm。
步骤二、采用sem扫描电镜对sem扫描电镜样品进行扫描，形成sem电镜扫描图像并存储到计算机17中；
步骤三、所述计算机17调用高斯滤波处理模块对sem电镜扫描图像进行高斯滤波处理，得到高斯滤波处理后的sem电镜扫描图像；
本实施例中，步骤三中所述计算机17调用高斯滤波处理模块对sem电镜扫描图像进行高斯滤波处理采用的公式为l(x,y)＝i(x,y)*g(x,y)，其中，i(x,y)表示sem电镜扫描图像，g(x,y)为高斯滤波函数，l(x,y)为高斯滤波处理后的sem电镜扫描图像，x为图像的横坐标，y为图像的纵坐标。
本实施例中，高斯滤波处理后的sem电镜扫描图像如图2所示。
步骤四、所述计算机17调用fcm模糊聚类处理模块对进行高斯滤波处理后的sem电镜扫描图像进行孔隙图像提取，得到与聚类中心数目相等的多个胶结充填体聚类图像；
本实施例中，步骤四中所述计算机17调用fcm模糊聚类处理模块对进行高斯滤波处理后的sem电镜扫描图像进行孔隙图像提取，得到与聚类中心数目相等的多个胶结充填体聚类图像的具体过程为：
步骤401、定义采用基于样本加权的fcm模糊聚类算法，目标函数为
步骤402、设置聚类中心数目c的值、隶属度uik的权重指数m的值和最小迭代误差ε的值；
本实施例中，步骤402中设置聚类中心数目c的值为4，设置隶属度uik的权重指数m的值为2，设置最小迭代误差ε的取值为0.3。
步骤403、用公式
步骤404、用公式
步骤405、用公式
步骤406、判断是否满足||j(t+1)-j(t)||＜ε，当满足||j(t+1)-j(t)||＜ε时，聚类停止，提取得到与聚类中心数目相等的多个胶结充填体聚类图像；否则，返回步骤403；其中，t为时间。
本实施例中，聚类中心数目c的值为4，得到四个胶结充填体聚类图像，如图3a～图3d所示，分别为亮、较亮、暗和最暗四个胶结充填体聚类图像。
步骤五、所述计算机17将灰度值最小一类的胶结充填体聚类图像(最暗的胶结充填体聚类图像)确定为胶结充填体微观孔隙图，并对胶结充填体微观孔隙图进行二值化处理，得到胶结充填体微观孔隙二值图；
本实施例中，灰度值最小的胶结充填体聚类图像为图3d，即图3d为胶结充填体微观孔隙图，得到的胶结充填体微观孔隙二值图如图4所示。
步骤六、所述计算机17将步骤三中得到的高斯滤波处理后的sem电镜扫描图像与步骤五中得到的胶结充填体微观孔隙二值图进行合并，得到测试样本图像；由于原始sem电镜扫描图像中的冗余信息较多，即一般认为黑色区域为孔隙部分，由于受扫描时不同因素的影响，可能存在扫描的明暗程度不同一等情况，因此，本发明将步骤三中得到的高斯滤波处理后的sem电镜扫描图像与步骤五中得到的胶结充填体微观孔隙二值图进行合并，得到测试样本图像，能够避免冗余信息的影响，提高单轴力学响应特性预测精度。
例如，如图5所示，即为本实施例中得到的测试样本图像。
步骤七、所述计算机17对测试样本图像进行正规化处理，形成像素为960×960的正规化测试样本图像；
步骤八、所述计算机17将步骤七中得到的正规化测试样本图像输入预先构建的tensorflow深度学习力学响应预测网络中，得到单轴力学响应预测结果。
本实施例中，步骤八中所述tensorflow深度学习力学响应特性预测网络的构建方法为：
步骤801、从多个编号后的各个胶结充填体试样19上取一部分制成sem扫描电镜样品，剩余部分作为单轴抗压强度测试样品；并对多个sem扫描电镜样品和多个抗压强度测试样品一一对应编号；例如，多个胶结充填体试样19的编号分别为1、2、…、n，多个sem扫描电镜样品的编号分别为a1、a2、…、an，多个单轴抗压强度测试样品的编号分别为b1、b2、…、bn；
具体实施时，制成sem扫描电镜样品还进行了多次喷碳处理。
步骤802、采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，并对测得的多个抗压强度测试样品的单轴抗压强度取均值，得到胶结充填体试样19的单轴抗压强度；
本实施例中，如图6所示，步骤802中所述胶结充填体单轴抗压强度测试装置包括座垫10和固定连接在座垫10顶部的多根拉杆8，以及用于给胶结充填体试样19施加轴向压力的轴向加压传力机构和用于给轴向加压传力机构提供动力的轴向加压动力系统；所述座垫10的底部固定连接有多个底座15，所述座垫10的顶部设置有用于放置胶结充填体试样19的试样放置槽，所述座垫10上位于所述试样放置槽的中心位置处设置有排水阀5；多根拉杆8的中部设置有用于固定多根拉杆8的固定架11，多根拉杆8的上部固定连接有顶部装载板9；所述轴向加压传力机构包括安装在顶部装载板9上的气缸2，所述气缸2的活塞杆向下设置，所述气缸2的活塞杆底部连接有压力传递板3；所述轴向加压动力系统包括压缩空气气源4和加压控制器18，以及一端与压缩空气气源4连接、另一端与气缸2连接的气体输送管1；所述气体输送管1上从连接压缩空气气源4到连接气缸2的位置依次设置有气动三联件12、压力传感器13和气缸控制电磁阀14，所述压力传感器13与加压控制器18的输入端连接，所述气缸控制电磁阀14与加压控制器18的输出端连接，所述加压控制器18通过通信模块16与计算机17连接。具体实施时，所述压力传递板3由橡胶制成。采用橡胶制成压力传递板3，一方面，能够分配气缸2的活塞杆传递的压力，使压力更加均匀地施加在胶结充填体试样19顶部；另一方面，压力传递板3传递压力到胶结充填体试样19上时，不会对胶结充填体试样19的顶面造成损伤。
本实施例中，所述试样放置槽内设置有套装在胶结充填体试样19底部的o型密封圈6，所述座垫10上设置有位于所述试样放置槽周围的多孔石7。通过设置o型密封圈6，能够防止给胶结充填体试样19施加轴向压力时胶结充填体试样19与座垫10硬接触造成胶结充填体试样19的损伤。通过设置多孔石7，能够吸收胶结充填体试样19渗出的水。
本实施例中，所述加压控制器18为可编程逻辑控制器，所述通信模块16为rs-485通信模块。
本实施例中，步骤802中所述采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，其中对每个抗压强度测试样品进行单轴抗压强度测试的具体过程为：
步骤8021、将o型密封圈6放入所述试样放置槽内后，将胶结充填体试样19放入所述试样放置槽内，使胶结充填体试样19的中心与气缸2的活塞杆和压力传递板3的中心相对应；并在座垫10上放入位于所述试样放置槽周围的多孔石7；
步骤8022、打开压缩空气气源4，通过调节气动三联件12调节压缩空气气源4输出的压缩空气的气压，加压控制器18通过控制气缸控制电磁阀14换向，控制气缸2的活塞杆向下或向上运动，对胶结充填体试样19施加压力或卸载压力，将胶结充填体试样19破裂时加压控制器18采集到的压力传感器13检测的压力值记为f，加压控制器18将压力值f传输给计算机17，计算机17根据公式
步骤803、获取tensorflow深度学习力学响应特性预测网络的训练样本图像，具体过程为：
步骤8031、采用sem扫描电镜分别对多个sem扫描电镜样品进行多次扫描，形成多个sem电镜扫描图像并存储到计算机17中；所述sem电镜扫描图像的数量至少为150个；
步骤8032、所述计算机17调用高斯滤波处理模块分别对多个sem电镜扫描图像进行高斯滤波处理，得到多个高斯滤波处理后的sem电镜扫描图像；
本实施例中，所述计算机17调用高斯滤波处理模块分别对多个sem电镜扫描图像进行高斯滤波处理采用的公式为l(x,y)＝i(x,y)*g(x,y)，其中，i(x,y)表示sem电镜扫描图像，g(x,y)为高斯滤波函数，l(x,y)为高斯滤波处理后的sem电镜扫描图像，x为图像的横坐标，y为图像的纵坐标。
步骤8033、所述计算机17调用fcm模糊聚类处理模块分别对多个进行高斯滤波处理后的sem电镜扫描图像进行孔隙图像提取，得到多组胶结充填体聚类图像，每组胶结充填体聚类图像中胶结充填体聚类图像的数量与聚类中心数目相等；
本实施例中，所述计算机17调用fcm模糊聚类处理模块对进行高斯滤波处理后的sem电镜扫描图像进行孔隙图像提取的具体过程与步骤四相同。
步骤8034、所述计算机17将每组胶结充填体聚类图像中灰度值最小一类的胶结充填体聚类图像(最暗的胶结充填体聚类图像)确定为胶结充填体微观孔隙图，并对多个胶结充填体微观孔隙图进行二值化处理，得到多个胶结充填体微观孔隙二值图；
步骤8035、所述计算机17将步骤8032中得到的多个高斯滤波处理后的sem电镜扫描图像与步骤8034中得到多个的胶结充填体微观孔隙二值图按照编号对应进行合并，得到多个训练样本图像；
步骤804、所述计算机17分别对多个训练样本图像进行正规化处理，形成多个像素为960×960的正规化训练样本图像；
具体实施时，当训练样本图像大于正规化要得到的像素960×960时，对图像进行等比例缩小，得到正规化训练样本图像；当训练样本图像小于正规化要得到的像素960×960时，对图像采用白色进行边沿扩充，得到正规化训练样本图像。
步骤805、所述计算机17构建一个卷积网络核的层数为五层、输入层为正规化训练样本图像、输出层为正规化训练样本图像对应的单轴抗压强度的tensorflow深度学习网络，将其存储的多个正规化训练样本图像作为训练样本，对tensorflow深度学习网络进行训练，得到tensorflow深度学习力学响应特性预测网络；所述tensorflow深度学习力学特性响应预测网络五层卷积网络核的大小从一层到第五层分别为3x3,2x2,3x3,2x2,2x2。
综上所述，本发明采用扫描电子显微镜扫描采集样品图像，采用高斯滤波方法对sem电镜扫描图像进行高斯滤波处理，采用fcm模糊聚类处理方法提取胶结充填体微观孔隙图，将高斯滤波处理后的sem电镜扫描图像与胶结充填体微观孔隙二值图合并的方法得到测试样本图像，作为tensorflow深度学习力学响应预测网络的输入，再采用tensorflow深度学习网络建立图像到力学响应特性之间的端到端的预测模型，从而预测胶结充填体的力学响应特性，方法步骤简单，设计新颖合理，实现方便快捷，预测效率高，周期短，耗费的人力物力少。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。