基于图像提取的矿物学特征,运用机器学习方法预测花岗岩的单轴抗压强度
《Engineering Geology》:Machine learning approaches to predicting the uniaxial compressive strength of granite from image-derived mineralogical features
【字体:
大
中
小
】
时间:2026年01月30日
来源:Engineering Geology 10.3
编辑推荐:
张迪|布里杰斯·米什拉|李远|杰西卡·米歇尔·韦姆彭沙特阿拉伯达兰31261,法赫德国王石油矿业大学石油工程系摘要本研究利用机器学习模型,直接从数字图像预测花岗岩的数值模拟单轴抗压强度。具体而言,通过自研的数字图像处理工具对图像进行处理,以估算矿物学特征——这些特征作为机器学习模
张迪|布里杰斯·米什拉|李远|杰西卡·米歇尔·韦姆彭沙特阿拉伯达兰31261,法赫德国王石油矿业大学石油工程系摘要本研究利用机器学习模型,直接从数字图像预测花岗岩的数值模拟单轴抗压强度。具体而言,通过自研的数字图像处理工具对图像进行处理,以估算矿物学特征——这些特征作为机器学习模型的输入参数,包括矿物含量、颗粒大小以及空间分布。矿物含量和分布是通过m谐波傅里叶级数方程来量化的,而矿物颗粒大小则采用4连通性方法确定。目标单轴抗压强度值则是基于具有物理信息的二维Subspring Network Breakable Voronoi微观结构模型得出的,该模型能够再现花岗岩图像中所观察到的矿物学特征。研究采用了不同的输入组合及超参数优化方法的极端梯度提升模型,在126张花岗岩图像上进行了训练与评估,采用单一训练/测试分组并重复5次交叉验证。结果表明,结合m谐波傅里叶级数得到的矿物含量、颗粒大小和空间分布参数,再通过基于SHapley加性解释的特征选择方法,能够实现最佳且稳定的预测效果,而提高谐波阶数对预测精度的提升作用较为有限。在所测试的优化方法中,Optuna与XGBoost组合的表现最佳。此外,单轴抗压强度的预测主要受黑云母和斜长石的含量及颗粒大小影响,而石英/钾长石的相关属性以及整体矿物分布的影响则相对较小。引言岩石的单轴抗压强度是工程地质学和岩石力学中的重要参数,广泛应用于采矿、石油工程和土木工程领域。在采矿工程中,该参数用于设计煤层和硬岩支柱、规划挖掘策略以及优化爆破作业。在土木工程中,它对于隧道、边坡和基础的设计至关重要。同样,在石油工程中,单轴抗压强度也影响着钻井稳定性、水力压裂以及整体资源开采策略的制定。鉴于其在这些领域的广泛应用,开发高效准确的单轴抗压强度估算方法对于推动岩石工程实践的发展具有重要意义。单轴抗压强度的估算方法通常包括实验法和数值法两种。实验室方法如单轴压缩试验精度较高且应用广泛。而有限元法和离散元法等数值方法则作为一种有效的替代方案,能够根据指定的材料属性模拟岩石在不同条件下的行为。不过,这些方法需要大量的时间和资源,包括专用设备、样品制备、数据采集以及计算模型校准,这限制了它们在大规模现场调查和快速现场评估中的应用。因此,人们开始寻求更高效、成本更低的单轴抗压强度估算方法。机器学习模型为岩石单轴抗压强度的估算提供了一种有前景的方法。这类模型利用数据驱动技术来识别单轴抗压强度与输入特征之间的复杂关系。这些输入特征通常为易于获取的岩石指标,例如P波速度、碎屑耐久性指数、密度、肖氏硬度、施密特锤反弹数、单位重量、孔隙率、点载荷强度以及块体冲击指数等。这些输入特征通常可分为机械性质、物理性质和矿物学性质三类。机械性质包括Is(50)、SHR、BPI、内聚力、内摩擦角、集料压碎值、集料冲击值以及洛杉矶磨耗值等参数,这些参数通常来自对岩石样本进行的无损和破坏性机械试验。物理性质则包括孔隙率、密度、P波速度、比重以及单位重量,这类参数一般通过无损物理试验获得。矿物学特征,如矿物含量、形状和颗粒大小,通常可通过数字图像处理技术来估算,这类技术也被视为无损检测方法。除此之外,钻井记录数据也可作为单轴抗压强度预测的输入特征。钻井记录数据包括进尺速率、钻头负载、扭矩以及钻杆旋转速度等操作参数,这些参数可作为岩石单轴抗压强度的间接指标。用于预测岩石单轴抗压强度的机器学习模型主要可分为三大类:基于树的模型、神经网络模型以及线性/回归模型。基于树的模型包括随机森林、极端梯度提升模型以及M5模型树。神经网络模型则包括人工神经网络、长短期记忆网络以及多层感知器。线性/回归模型则包括相关向量机、支持向量回归、多元线性回归以及多变量自适应回归样条。此外,将优化算法整合到机器学习模型中,可通过微调超参数来提升模型性能。例如,有研究将六种元启发式优化算法与随机森林相结合用于单轴抗压强度预测,结果表明,瞬态搜索优化与随机森林的混合模型表现最佳,其性能优于基准随机森林以及基于黏菌算法、变色龙群算法、平衡优化器、社会网络搜索以及基于学生心理学的优化算法的其他优化模型。还有研究使用XGBoost预测岩石单轴抗压强度,得到了0.8489的决定系数,而当将阿基米德优化算法与XGBoost结合使用时,决定系数提升到了0.9117。表1列出了12项相关研究,总结了用于预测岩石单轴抗压强度的输入特征、数据集规模、机器学习模型以及相关的优化技术。在这些研究中,模型的性能是通过决定系数来评估的,那些在测试集或整个数据集中拥有最高决定系数的模型被视为表现最佳的模型。在本研究中,尤其值得关注的是那些以矿物学特征作为输入特征的研究。有研究使用矿物含量、颗粒大小、形状以及结构系数作为人工神经网络模型的输入特征,这些特征是通过数字图像处理技术定量获得的,预测结果的决定系数为0.86。另一项研究则使用单位重量、石英、钾长石、斜长石以及黑云母的含量作为人工神经网络模型的输入特征,该模型采用了粒子尺寸优化作为优化算法,预测结果的决定系数达到了0.9868。这些研究建立了一种仅基于数字图像即可估算岩石单轴抗压强度的框架,在该框架中可以定量提取矿物学特征。这一框架的合理性得到了先前研究的支持,即矿物含量、颗粒大小、优选的颗粒取向以及颗粒形状都可能影响岩石的单轴抗压强度。不过,将矿物的空间分布纳入基于机器学习的单轴抗压强度预测模型中目前还尚未被探索。此前的研究已经表明,矿物的空间分布也会影响岩石的单轴抗压强度,但其影响程度小于矿物含量和颗粒大小。这就促使人们进一步研究,除了矿物含量和颗粒大小之外,如果还能明确纳入矿物分布的定量描述指标,是否能够进一步提升基于图像的机器学习框架在估算岩石单轴抗压强度方面的性能。从实际应用角度来看,所提出的框架能够从岩石的数字图像中推断出单轴抗压强度,相比传统的完整岩芯实验室测试,这种方法可能更具成本效益且属于无损检测方式。在工程地质学领域,往往需要快速对岩石强度进行现场评估,以支持设计和决策工作,因此这种方法是很有实用价值的。受Saedi和Mohammadi以及Sabri等人研究的启发,本研究结合多种机器学习模型以及不同的超参数优化算法,试图根据从图像中提取的矿物学特征来预测花岗岩的单轴抗压强度。整个工作流程如图1所示。首先,收集了126张高分辨率的花岗岩数字图像。为此,研究人员开发了一套自用的图形用户界面工具,用于从这些图像中量化矿物学特征,包括矿物含量、颗粒大小以及矿物的空间分布特征。对于每张花岗岩图像,其对应的单轴抗压强度值则是根据Potyondy等人提出的具有物理信息的Subspring Network Breakable Voronoi模型确定的,该模型会综合考虑已估算的矿物学特征。随后,将包含图像衍生矿物学特征及其对应单轴抗压强度值的数据库分为训练集和测试集,用于后续的机器学习模型训练和性能评估。本文的其余部分结构如下:第二节介绍了用于机器学习模型的数据库准备过程。第三节分析了使用不同输入特征和优化算法的机器学习模型的性能,第四节则探讨了其背后的机制。最后一部分给出了研究结论。章节节选花岗岩数字图像的收集过程如图2所示。研究人员准备了若干块花岗岩,其中一块如图2a所示。然后在块体表面选定一个感兴趣区域并对其进行拍照。在拍摄过程中,相机需大致垂直于表面放置,以确保拍摄到的图像能够真实反映矿物颗粒的几何结构。为了验证成像效果,还在表面放置了一枚一美分硬币作为参考。机器学习模型与结果选择XGBoost是因为它具有内置的正则化功能,能够防止过拟合,从而提升模型的准确性和泛化能力。此外,它的并行和分布式计算能力能够加快数据集的处理速度,相比传统的提升算法,能显著减少训练时间。另外,由于优化的超参数可能会影响机器学习模型的性能,因此研究人员在XGBoost中加入了多种优化方法,以确定最优的输入特征贡献度。根据图8a,将所有4种谐波阶数情况下(案例4至7)对单轴抗压强度预测影响最大的15个特征的贡献度汇总后显示在图13中。从这张图中可以得出几个关键结论。首先,与黑云母相关的特征具有明显的优势。在所有研究案例中,黑云母含量和黑云母颗粒大小始终位列排名前两位。这表明,岩石的机械强度——即单轴抗压强度——主要取决于这些因素。结论本研究旨在通过利用从数字图像中估算得到的矿物含量、颗粒大小以及空间分布等输入特征,提升机器学习模型在预测花岗岩数值模拟单轴抗压强度方面的应用能力。研究人员使用了多种XGBoost模型,并采用了不同的输入组合及超参数优化技术。主要研究结果如下:1. 可以通过m谐波傅里叶级数对矿物含量和空间分布进行定量分析。较高的谐波阶数……贡献作者声明张迪:撰写——初稿、方法论、正式分析、概念构建。布里杰斯·米什拉:撰写——审阅与编辑、指导、方法论、概念构建。李远:撰写——审阅与编辑。杰西卡·米歇尔·韦姆彭:撰写——审阅与编辑。利益冲突声明作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢我们衷心感谢法赫德国王石油矿业大学石油工程系以及犹他大学采矿工程系给予我们的大力支持。我们还要对犹他大学的高性能计算中心(CHPC)表示感谢,感谢他们通过其计算集群提供资源。同时,我们也感激ITASCA教育合作伙伴关系(IEP)研究项目给予的支持。
生物通微信公众号
生物通新浪微博
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