(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211129674.2 (22)申请日 2022.09.16 (71)申请人 上海济目科技有限公司 地址 200092 上海市杨 浦区国康路46号,同 济科技大厦41 1 (72)发明人 薛亚东　罗炜　张维　沈恺　吴晨　 周鸣亮　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 刘芳 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种岩石 破坏预测方法及系统 (57)摘要 本发明涉及一种岩石破坏预测方法及系统， 首先利用DIC技术在岩石样本进行岩石压缩试验 时采集岩石样本的应变分布图像； 从应变分布图 像中选取应变值在0到预设值之间的应变分布图 以及峰值破坏时的应变分布图组成数据集， 并将 数据集分为训练集和测试集； 搭建Pre RNN++预测 模型， 并利用训练集对模型进行训练， 用测试集 对训练后的模 型进行评估， 当评估 结果符合预设 要求时， 得到训练好的模型， 利用训练好的模型 对待测岩样进行峰值破坏时图像的预测， 并根据 预测的图形计算轴向变形量， 进而估计破坏能量 和破坏时间。 本发明为后续对重大自然灾害的预 测， 尤其是围岩失稳破坏的预测做出一定的技术 积累。 权利要求书3页 说明书10页 附图4页 CN 115496961 A 2022.12.20 CN 115496961 A 1.一种岩石破坏预测方法， 其特 征在于， 包括： 在对岩石试样进行岩石压缩试验的全过程中， 采用DIC技术采集所述岩石试样表面的 应变分布图； 从所述应 变分布图中选取 所述岩石试样主破裂面的图像， 记为第一图像； 从所述第一图像中选取数据集， 并将所述数据集分为训练集和测试集； 所述数据集包 括应变值在0到预设值之间的应 变分布图以及峰值破坏时的应 变分布图； 搭建基于PreRNN++的预测模型， 并以所述训练集中应变值在0到预设值之间的应变分 布图为输入， 以所述训练集中的峰值破坏时的应变分布图为标签对所述预测模型进行训 练， 得到第一模型； 利用所述测试集对所述第一模型进行评估， 若评估结果不满足预设要求， 则调整所述 预测模型 的超参数， 并返回步骤 “并利用所述训练集对所述预测模型进行训练 ”， 直到评估 结果满足预设要求， 得到第二模型； 利用所述第二模型对待预测岩 样峰值破坏时的应 变分布图进行 预测， 得到预测图像； 根据所述预测图像中像素点在压力方向的位置变化， 计算所述待预测岩样破坏时的轴 向变形量； 根据所述轴向变形量预测破坏能量和破坏时间。 2.根据权利要求1所述的方法， 其特征在于， 所述在对岩石试样进行岩石压缩试验全过 程中， 采用DIC技 术采集所述岩石试样表面的应 变分布图， 具体包括： 在所述岩石试样表面进行喷涂， 得到 散斑点； 在所述岩石压缩试验 全过程中， 利用相机采集所述岩石试样的图像， 得到目标图像； 以所述散斑点 为参考， 利用DIC算法计算所述目标图像的全场应 变位移； 根据所述全场应 变位移， 得到所述岩石试样表面的应 变分布图。 3.根据权利要求2所述的方法， 其特征在于， 所述利用DIC算法计算所述目标图像的全 场应变位移， 具体包括： 将所述目标图像划分为多个子区； 获取每个所述子区变形 前和变形后所有像素点的坐标； 根据所述 坐标， 计算所有所述子区变形 前后的互相关矩阵； 利用非线性 最小二乘法求 解所述互相关矩阵， 得到所述目标图像的全场应 变位移。 4.根据权利要求1所述的方法， 其特征在于， 所述从所述第一图像中选取数据集， 具体 包括： 以应变值0.05％为步长， 选取应 变范围在0 ‑0.5％之间的多张应 变分布图； 选取所述峰值破坏时的应 变分布图； 由所述应变范围在0 ‑0.5％之间的多张应变分布图和所述峰值破坏时的应变分布图得 到所述数据集。 5.根据权利要求1所述的方法， 其特征在于， 所述基于PreRNN++的预测模型包括： 输入 层、 隐藏层和还原层； 所述隐藏层由四层Causal  LSTM和Gradient  Highway Unit层采用级联结构组成， 所述 Gradient  Highway Unit层插入至第一层Caucal  LSTM和第二层Caucal  LSTM之间； 每一层 所述Caucal  LSTM包含11个Caucal  LSTM单元， 所述Gradient  Highway Unit层包含11个权　利　要　求　书 1/3 页 2 CN 115496961 A 2Gradient  Highway Unit单元， 第 一层所述C ausal LSTM的前10个单元连接所述输入层， 第 四层所述Causal  LSTM的最后1个单 元连接所述还原层； 第一层所述Causal  LSTM、 所述Gradient  Highway Unit层、 第四层所述Cau sal LSTM和 所述还原层， 均设置 64个隐藏状态， 并依次选用3 ×3、 1×1、 5×5和1×1的卷积核； 第二层所述Causal  LSTM和第三层所述Causal  LSTM， 均设置128个隐藏状态， 并选用5 ×5的卷积核。 6.根据权利要求1所述的方法， 其特征在于， 所述方法还包括： 采用均方误差、 结构相似 性和峰值信噪比三个指标对所述第一模型进行评估。 7.根据权利要求1所述的方法， 其特征在于， 所述根据所述轴向变形量预测破坏能量和 破坏时间， 具体包括： 根据所述待预测岩样的应力应变曲线， 利用最小二乘法拟合应力σ 、 应变ε 的关系， 得到 应力应变表达式； 利用公式 计算所述破坏能量Uf； V为所述待预测岩样的体积， ΔL为 所述轴向变形量， L 为所述待预测岩 样的实际高度； 利用公式t＝ΔL/ υ0， 计算所述破坏时间t； v0为待预测岩样进行岩石压缩试验的恒 定位 移速率。 8.一种岩石破坏预测系统， 其特 征在于， 包括： DIC采集模块， 用于在对岩石试样进行岩石压缩试验的全过程中， 采用DIC技术采集所 述岩石试样表面的应 变分布图； 主破裂面选取模块， 用于从所述应变分布图中选取所述岩石试样主破裂面的图像， 记 为第一图像； 数据集获取模块， 用于从所述第一图像中选取数据集， 并将所述数据集分为训练集和 测试集； 所述数据集包括应变值在0到预设值之间的应变分布图以及峰值破坏时的应变分 布图； 模型训练模块， 用于搭建基于PreRNN++的预测模型， 并以所述训练集 中应变值在0到预 设值之间的应变分布图为输入， 以所述训练集中的峰值破坏时的应变分布图为标签对所述 预测模型进行训练， 得到第一模型； 模型评估模块， 用于利用所述测试集对所述第一模型进行评估， 若评估结果不满足预 设要求， 则调整所述预测模型的超参数， 并返回步骤 “并利用所述训练集对所述预测模型进 行训练”， 直到评估结果满足预设要求， 得到第二模型； 预测图像获取模块， 用于利用所述第 二模型对待预测岩样峰值破坏时的应变分布图进 行预测， 得到预测图像； 轴向变形量预测模块， 用于根据所述预测图像中像素点在压力方向的位置变化， 计算 所述待预测岩 样破坏时的轴向变形量； 破坏能量和破坏时间预测模块， 用于根据所述轴向变形量， 预测破坏能量和破坏时间。 9.根据权利要求8所述的系统， 其特 征在于， 所述DIC采集模块， 具体包括： 喷涂子模块， 用于在所述岩石试样表面进行喷涂， 得到 散斑点； 采集子模块， 用于在所述岩石压缩试验全过程中， 利用相机采集所述岩石试样的图像，权　利　要　求　书 2/3 页 3 CN 115496961 A 3