基于几何指标和机器学习的岩石拉伸与剪切断裂机制定量识别

《Theoretical and Applied Fracture Mechanics》:Quantitative identification of tensile and shear fracture mechanisms in rocks using geometric indicators and machine learning

【字体: 大 中 小 】 时间:2026年09月28日 来源:Theoretical and Applied Fracture Mechanics 6.0

编辑推荐:

   摘要精确识别岩石裂纹的破坏模式对于理解岩石破坏机制和评估工程稳定性至关重要。本研究开发了一种基于裂纹形态和机器学习的定量方法,用于区分拉伸裂纹和剪切裂纹。首先采用U-Net分割方法,从三轴压缩砂岩试样中提取裂纹几何形状。随后引入了无量纲几何指标,包括长径比(RE)和紧凑度(R

  

摘要

精确识别岩石裂纹的破坏模式对于理解岩石破坏机制和评估工程稳定性至关重要。本研究开发了一种基于裂纹形态和机器学习的定量方法,用于区分拉伸裂纹和剪切裂纹。首先采用U-Net分割方法,从三轴压缩砂岩试样中提取裂纹几何形状。随后引入了无量纲几何指标,包括长径比(RE)和紧凑度(RC),用于表征裂纹形态,并研究了它们与破坏模式之间的关系。结果表明,拉伸裂纹通常表现出较高的长径比,而剪切裂纹由于局部裂纹的发展而呈现出较大的紧凑度。使用RE、RC和围压的平衡随机森林模型取得了可靠的分类性能,拉伸裂纹的F1得分为79.97%。模型解释进一步揭示,在低围压下几何特征主导裂纹模式识别,而在高围压下应力条件的重要性逐渐增加。所提出的方法在裂纹形态与破坏机制之间建立了定量联系,为自动化岩石裂纹分析提供了一种实用工具。

引言

岩石裂纹的精确识别和定量表征是水电边坡、地下开挖[1]、[2]、[3]和采矿[4]、[5]等地质工程项目稳定性评估的基本前提。裂纹不仅会削弱岩体的结构完整性并改变其水力学特性[6]、[7],还会显著增加突然破坏的风险[8]、[9]、[10]、[11]。尤为关键的是,裂纹的几何形态——包括其延伸、边界曲折度和表面复杂性——不仅仅是一个静态统计参数,而是原位应力历史[12]和非线性损伤演化[13]、[14]的直接物理投影。因此,从裂纹图像中提取几何信息并解读其潜在的力学含义,构成了宏观观察与破坏机制识别之间的重要桥梁[15]、[16]。历史上,裂纹识别主要依赖手工绘制或常规数字图像处理(DIP)技术[17]、[18]、[19]。然而,这些传统范式主观性强、对背景噪声敏感,且过度依赖经验阈值,无法充分应对实际工程场景中复杂裂纹网络的分析需求[20]。
为了克服传统视觉技术的固有瓶颈,深度学习和尤其是语义分割[21]、[22],深刻改变了裂纹图像分析的范式[23]、[24]。卷积神经网络(CNN),如U-Net和DeepLab[25]、[26]、[27],在实现像素级分类方面展现出卓越能力。它们能够有效捕捉不同地质场景[28]、[29]、[30]和成像模式(包括X射线CT和无人机影像[31]、[32]、[33])下的层次化特征。尽管取得了这些进展,在工程适应性方面仍存在重大挑战。在岩石裂纹图像中,裂纹像素通常仅占图像总面积的极小比例,导致严重的类别不平衡[34]。常规损失函数往往使模型偏向背景,导致系统性遗漏微裂缝和碎片化边界[35]。因此,需要一种精细的训练策略,精确平衡裂纹敏感性和噪声抑制,以获取高保真度形态掩膜。
在成功实现图像分割的基础上,后续几何参数的提取是将视觉数据转化为工程见解的核心步骤[36]、[37]。现有文献已建立了提取迹线长度、开度和周长等基本尺寸属性的稳健工作流程[38]、[39]、[40]。然而,这些传统几何描述符具有强烈的尺度依赖性,其数值随图像分辨率和观测尺度剧烈波动[41]、[42],限制了跨实验的比较。更重要的是,现有研究主要停留在描述性统计层面[43]、[44],未能建立所提取形态特征与潜在力学破坏模式(如拉伸与剪切机制)之间的显式定量映射。因此,识别既具有尺度不变性又具有力学敏感性的几何描述符仍是一个关键的研究空白。
弥补这一空白需要从描述性几何向智能化力学推断迈进。最近,机器学习已成为岩石破坏模式分类的有力工具[45],这主要得益于对声发射(AE)信号[46]、[47]、微地震波形[48]、[49]和宏观力学参数[50]、[51]的分析。除传感器应用外,机器学习日益被用于固体力学和岩土工程中的预测建模。现有研究已将机器学习模型应用于岩石边坡破坏和安全系数预测[52],以及基于岩体特征的爆破设计粉单耗预测[53]。在结构工程中,机器学习也已与有限元分析相结合,用于预测约束混凝土柱的压缩行为[54]和纳米二氧化硅增强混凝土的抗压强度[55]。为提高预测性能,一些研究将优化算法引入机器学习模型,如使用进化搜索策略优化的混合极限学习机框架[56]。数据驱动方法也被引入断裂力学领域,开发了集成学习和深度学习模型以高预测精度估计缺口试样的I型和II型断裂参数[57]。尽管取得了这些进展,大多数现有方法仍依赖监测数据、材料性能或数值生成数据集作为模型输入,而裂纹本身的几何特征很少被作为主要信息来源使用。这一局限主要与缺乏能够定量表征裂纹形态的标准几何描述符以及现有预测模型可解释性有限有关。因此,从裂纹几何直接推断破坏机制的研究仍不够充分。迫切需要一种透明的数据驱动框架,能够严格从裂纹形态解码破坏机制并提供物理可解释的决策边界。
为了弥补这些方法上的空白,本研究提出了一种集成的、几何驱动的推断框架,旨在将描述性裂纹形态转化为定量破坏机制。应明确指出,本研究的主要贡献不在于个别深度学习或机器学习技术的算法开发,而在于集成的、物理信息融合的完整计算流程。具体而言,本研究的贡献包括:(1) 引入一组特定的无量纲指标组合(长径比RE和紧凑度RC),直接映射裂纹边界曲折度和传播各向异性;(2) 通过不平衡感知和可解释的机器学习方法,在这些描述性几何与潜在的拉伸-剪切破坏机制之间建立透明的定量物理解释。最终,该框架将裂纹分析从定性视觉检查转变为透明的、物理信息驱动的计算范式,为岩体稳定性评估提供了稳健的分析工具。

各节摘要

实验方案与高保真裂纹形态获取

本节通过实验数据准备、U-Net分割方法的构建以及性能验证,介绍了高保真岩石裂纹形态的获取过程。

裂纹形态的定量提取与力学解释

基于第2节获得的高保真裂纹掩膜,建立了一个多层次定量表征体系,将像素级视觉形态转化为具有明确物理含义的几何描述符。

几何驱动的破坏机制智能推断

基于第3节建立的对机制敏感的几何特征及其统计特征,本节构建了一个可解释的推断框架,将形态描述符转化为自动化破坏机制预测。

结论

本研究建立了一个可解释的框架,将高保真裂纹图像转化为无量纲形态轮廓,进而智能推断潜在的拉伸或剪切破坏机制。通过将定量形态与可解释机器学习相结合,所提出的方法在裂纹几何与力学起源之间建立了直接的、具有物理基础的联系。主要结论如下:
  • 1.

CRediT作者贡献声明

李书恒:撰写——初稿、数据整理。张津:撰写——审阅与编辑、概念化。朱姝:撰写——审阅与编辑、验证。吴旺滋阳:可视化、验证、数据整理。朱奇之:指导、方法论、概念化。邵健夫:验证、指导、方法论。

利益冲突声明

作者声明不存在任何已知的竞争性经济利益或个人关系,这些关系可能影响本文所报告的工作。

致谢

本研究由中国国家自然科学基金(资助号12472402、42307192和52579101)共同资助。
李书恒|张津|朱姝|吴旺滋阳|朱奇之|邵健夫
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号