基于BP算法的巖石細觀參數確定方法

摘 要：【目的】采用PFC進行巖石破壞機理的仿真研究是較為常見的，而顆粒流模型所用細觀參數的合理性直接影響著數值仿真結果，因此針對PFC細觀參數的種類繁多、影響復雜、分析困難等問題，在基本宏觀參數的基礎上，以精確預測模型細觀參數為目標，提出一種基于BP算法智能化預測的方法。【方法】通過PFC進行數值仿真試驗，獲取足夠量的數據樣本，結合數據樣本和BP算法建立神經網絡預測模型，并根據實際巖石宏觀參數得到PFC細觀參數預測值。【結果】經對比分析3種不同巖石試件宏觀參數的真實值與反算值，發現兩者間相對誤差均較小。【結論】所述方法具有合理性和可行性，能用于快速確定PFC的各類細觀參數。

關鍵詞：程序PFC；細觀參數；BP算法

中圖分類號：TU452" " "文獻標志碼：A" " "文章編號：1003-5168（2024）10-0055-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.10.011

Rock Mesoscopic Parameter Determination Method Based on BP

Algorithm

LI Bokai1" YU Gui1，2 LI Xing2

（1.School of Civil Engineering Southwest Jiaotong University， Chengdu 610031， China;

2.China Railway Academy Co.，Ltd.，Chendu" 610036，China）

Abstract： [Purposes] It was very common to use PFC to simulate the rock failure mechanism， and the rationality of the mesoscale parameters used in the particle flow model directly affected the numerical simulation results. Therefore， aiming at the problems such as the variety， complex influence and difficult analysis of program PFC meso-scale parameters， an intelligent prediction method based on BP algorithm was proposed to accurately predict model meso-scale parametric on the basis of accurate basic macro parameters. [Methods] Sufficient data samples are obtained by PFC numerical simulation test. A neural network prediction model is established by combining the data samples and BP algorithm， and the predicted values of PFC microparameters were obtained according to the input of actual meso-scale parameters. [Findings] By comparing and analyzing the actual values and inverse values of the meso-scale parameters of three different rock specimens， it is found that the relative errors between them are small. [Conclusions] The results show that the method is reasonable and feasible， and can be used to quickly determine various mesoscopic parameters of PFC.

Keywords： program PFC; meso-scale parameters; BP algorithm

0 引言

在數值仿真中選擇合理的輸入參數是獲取精確數值結果的前提條件之一。所需標定的大量PFC細觀參數使其成為復雜的高維度非線性問題，如果僅采用試錯法進行確定，將導致計算成本過高、參數解釋性不足等問題，從而進一步限制PFC數值仿真的應用和發展［1］。因此，尋找一種精度較高、理論簡單，且計算方便的分析方法，并將其應用在PFC試件模型的細觀參數標定問題中顯得尤為重要。

目前，在細觀參數標定方面，采用的主要方法有適當優化［2］、數據挖掘［3］及機械學習［4］等，但絕大部分仍采用定性化分析加上參數局部考慮的方法進行研究，難以真正全面定量化揭示宏細觀參數間的相互影響機制，況且實際數值仿真效果也往往不佳。

針對上述問題，本研究在眾多研究成果的基礎上，將PFC試件模型的宏觀參數作為神經網絡的輸入部分，并將細觀參數作為神經網絡的輸出部分，基于通過數值仿真試驗所獲得的數據樣本，結合BP算法建立能映射兩組不同類型參數之間一一對應關系的預測模型，希望為程序PFC細觀參數的標定問題提供一定的參考。

1 接觸模型選擇及數值試驗方案設計

1.1 顆粒接觸模型選擇

巖石是由礦物顆粒和膠結體組成的復雜混合體，目前數值研究中常采用平行黏結模型來模擬巖石接觸行為［1］。顆粒間的接觸示意和接觸模型如圖1所示。平行黏結模型通常分為線性和黏結兩部分，用于描述顆粒間的接觸行為及膠結物質。

結合前人相關研究成果［1］和圖1所示的平行黏結模型，可將宏細觀參數之間的定性關系表示為式（1）。

Yi=Φi [（L，W，n，LR，RminRmax），（σc，τc，?）（p， E*，E*，knks，knks，d， μ）] （1）

式中：i的取值為1、2、3，分別代表PFC試件模型的3種宏觀參數；L和W為模型的高與寬；n為顆粒孔隙率；L/R為試件模型高度與顆粒平均粒徑之比；Rmin/Rmax為最小最大粒徑之比；[τc]為平行黏結抗剪強度，由σc、c和?三種參數共同確定；p為試件模型密度；E*為等效模量；E*為平行等效模量；kn/ks為顆粒剛度比；kn/ks為平行黏結剛度比；d為平行黏結控制間隙，d=Δδn，δn為數值仿真過程中顆粒間法向上產生的位移增量。

本研究最終選用彈性模型E應力—應變曲線中的應力峰值強度σpeak和泊松比v作為PFC試件模型的宏觀參數，而選用的細觀參數主要包括以下三大類：試件模型幾何參數（L/R），試件模型變形參數（E*、E*、kn/ks、kn/ks、μ），試件模型強度參數（c、?、σc），共計9種不同的細觀參數。在式（1）中的其余相關參數則以常量進行PFC數值仿真，具體數值見表1。

1.2 試驗方案設計

為后續建立BP神經網絡預測模型，首先需要對上述9種細觀參數進行敏感性分析，以確定各種細觀參數的研究范圍：試件模型高度與顆粒平均粒徑之比L/R設定為25～100；等效模量E*設定為5e7～65e7 Pa；平行等效模量E*設定為4e7～52e7 Pa；剛度比 kn/ks和kn/ks均設定為0.5～2.0；摩擦系數μ設定為0.1～0.4；黏聚力c設定為1e5～9e5 Pa；內摩擦角?設定為30°～50°；平行黏結抗拉強度σc設定為1e6～13e6 Pa。

考慮到細觀參數種類多、交叉不確定性高、常規數值試驗又無法提供大規模數據等因素，本研究通過自編程序PFC中的fish語言實現各種細觀參數的自動變值、相互組合和數值試驗“一鍵化”操作功能，具體數值試驗方案設計見表2。

考慮到數值仿真計算效率問題，本研究僅采用PFC2D模擬巖石三軸壓縮試驗，如圖2所示。

其中試驗過程中所添加的圍壓為1 MPa，通過對試件模型頂部及底部墻體施加固定速度，從而實現對試件模型的加載。為在加載過程中提供一個較為穩定的圍壓，數值仿真時應對試件模型左右兩面墻體進行伺服操作［5］，即提供按式（2）所確定的墻體伺服速度uw。

uw=G（σmea-σreq）=GΔσw （2）

式中：G為墻體伺服系數，見式（3）；σmea為當前墻面接觸應力；σreq為數值仿真所需目標應力。

G=[βAmkwnΔt] （3）

式中：m為顆粒與墻體接觸的個數；A為接觸面積；[β]為伺服迭代時所需控制系數，保證在0～1之間； [kwn]為顆粒與墻體接觸剛度；[Δt]為時間間隔。

2 建立BP神經網絡預測模型

2.1 網絡模型結構及BP算法原理

BP神經網絡實質是一種多層前向網絡，具體網絡結構如圖3所示。

BP神經網絡共有m層，第一層為輸入層，而最后一層為輸出層，中間各層為隱含層。隱含層各神經元的輸入與輸出一般由某種非線性函數（又稱之為激活函數fk）控制。由第k-1層的第j個神經元到第k層的第i個神經元的連接權重值記為w[k-1ij]，并設第k層第i個神經元輸入的總和為u[ik]，輸出為y[ki]，各變量之間的關系見式（4）。

[uki=jwk-1ijyk-1j（k=2，3，…，m）yki=fk（uki）] （4）

整個BP神經網絡就是根據輸入數據X=【x1，x2，…，xDL】T（假設輸入層有pl個神經元），從輸入層開始層層經過各隱含層的非線性變化，最終希望輸出數據與期望輸出數據Y=【y1，y2，…，yDm】T（假設輸出層有pm個神經元）相吻合，從而建立輸入參數到輸出參數的非線性映射。

采用BP算法進行整個神經網絡連接權值的調整，其核心表達式可以歸納為式（5）。

[Δwk-1ij=-εdkiyk-1jdmi=（ymi-ysi）f，m（umi）dki=f，k（uki）ldk+1lwkli（k=m-1，…，2）]" "（5）

式中：[ε]為學習步長，一般為小于0.5的正數；[dki]為網絡誤差傳播信號值；ysi為數據樣本實際輸出期望值；[f，k]為激活函數的一階導數。

由式（5）可知，網絡誤差的求取是一個始于輸出層的反向傳播遞歸過程。整個網絡基于BP算法，通過充足樣本的學習，在訓練過程中不斷修改權值以降低輸出參數偏差，最終達到參數精度要求既為滿意。

2.2 數據樣本預處理

在利用數據樣本對BP神經網絡進行訓練前，必須對所有數據樣本進行“歸一化”處理及分組劃分，數據“歸一化”處理能大幅度提升網絡模型的收斂速度及預測精度。本研究擬采用最大最小歸一化方法將整體數據樣本“歸一”至［-1，1］之間，從而保證總體數據樣本的平均值趨近于0，“歸一化”計算公式見式（6）。

xnow= [x-xminxmax-xmin*2-1]" （6）

式中：x為某類參數原始值；xmin為某類參數最小值；xmax為某類參數最大值；xnow為某類參數經歸一化后的當前值，取值范圍為［-1，1］。

本研究數據樣本的總個數為1 600，現擬采用8∶2的分配比例將所有數據樣本劃分為訓練集和驗證集兩個部分，因此訓練本次BP神經網絡預測模型所用共計1 280組訓練集數據樣本和320組驗證集數據樣本。其中，訓練集僅用于神經網絡本身的訓練及建立，而驗證集用于測試網絡本身的穩定性及計算性能。

2.3 建立BP神經網絡預測模型

建立BP神經網絡預測模型前，首先應進行各神經元之間連接權重參數的初始化賦值，周小棚等［6］將其賦予滿足正態分布且標準差為0.01的隨機值，其次擬采用雙曲正切（tanh）函數作為各神經元的激活函數，函數表達式見式（7）。

y=tanhx=[ex-e-xex+e-x]" " " "（7）

神經網絡訓練過程中的學習步長[ε]取0.01，訓練集及驗證集的損失值計算采用MSE函數，具體見式（8）。

MSE=[1n][i=1n（xi-yi）2] （8）

式中：n為數據樣本數；xi為第i個樣本實際值； yi為第i個樣本預測值。

接著基于TensorFlow學習框架進行BP神經網絡預測模型的訓練和建立。分別輸出模型建立過程中各訓練集和驗證集所產生的函數損失值，具體結果如圖4所示。

通過深入分析圖4所展示的訓練集和驗證集的函數損失值誤差曲線，發現兩者同步降低至趨于平穩，說明模型在建立過程中并未出現過擬合的現象，且均已達到誤差收斂狀態。同樣表明當前建立的BP神經網絡預測模型已初步能夠反映巖石宏觀參數與細觀參數之間的復雜非線性關系。

3 實際應用

現通過室內試驗分別測得3種不同類型巖石試件的宏觀參數，包括應力—應變曲線中的應力峰值強度σDeak、彈性模量E和泊松比v，具體見表2。

將表2中對應的三種不同類型巖石試件的宏觀參數依次輸入BP神經網絡預測模型中，相對應的輸出參數即為采用PFC模擬仿真試件模型所需的關鍵性細觀參數，具體見表3。

為驗證預測的細觀參數具有真實性，將表3中的各組細觀參數和表1中已確定的本征參數一同導入程序PFC中，重新進行數值仿真計算，分別得到各組對應的宏觀參數反算值，統計結果見表4。

對比表2和表4中的各組參數數據，計算參數實際值與反算值之間的相對誤差絕對值 ，最終分析統計結果，如圖5所示。

由圖5可知，從BP神經網絡模型預測出來的細觀參數代入數值仿真計算后，所得結果與實際情況較為吻合，證明該神經網絡模型具有反映巖石試件宏觀參數與對應細觀參數之間映射關系的能力，且證實方法具有一定的準確性和可行性，為今后PFC巖石試件模型標定各種細觀參數提供了快速、準確和有效的方法。

4 結論

本研究通過數值仿真試驗、神經網絡預測等方法對程序PFC仿真三軸試驗所用到的多種細觀參數進行預測分析，得出以下結論。

①基于巖石試件宏觀參數反分析法建立的BP神經網絡預測模型可以很好地建立巖石宏觀參數與細觀參數之間的非線性映射關系，并快速、準確和有效地預測巖石的細觀力學參數。

②利用BP神經網絡預測模型所得到的細觀參數能夠真實反映巖石試件的力學特性，證實了理論方法及參數取值范圍的可靠性、可行性，可避免采用人工標定（即試錯法）參數所帶來的隨機性及復雜性。

參考文獻：

［1］任俊卿，肖明，劉國慶.基于改進BP算法的巖石宏細觀參數輕量化分析方法［J］. 湖南大學學報（自然科學版），2023，50（9）： 207-218.

［2］鄧樹新，鄭永來，馮利坡，等.試驗設計法在硬巖PFC3D模型細觀參數標定中的應用［J］.巖土工程學報，2019，41（4）： 655-664.

［3］ZOU Q，LIN B. Modeling the relationship between macro- and meso-parameters of coal using a combined optimization method［J］. Environmental Earth Sciences，2017，76（14）：479.

［4］NOHUT S，CEVIK A. Investigation of micro-macroscale interaction of heterogenous materials by a parallel-bonded particle model and introduction of new microparameter determination formulations［J］. International Journal for Multiscale Computational Engineering，2004，12（1）： 1-12.

［5］周喻，吳順川，焦建津，等. 基于 BP 神經網絡的巖土體細觀力學參數研究［J］. 巖土力學，2011，32（12）： 3821-3826.

［6］周小棚，許強，趙寬耀，等. 基于神經網絡的離散元細觀參數標定方法研究：以甘肅黑方臺黃土滑坡為例［J］. 巖石力學與工程學報，2020，39（S1）： 2837-2847.