一种岩石裂隙识别与扩展预测方法及系统

本发明涉及岩石破碎过程中裂隙扩展路径的图像识别与预测，特别是指一种岩石裂隙识别与扩展预测方法及系统。

背景技术：

1、由于岩体长期受到复杂的地质作用，导致其本身存在大量的节理、裂隙、断层等构造面，而在外力作用下的岩体强度和破坏特征取决于这些天然缺陷。因此，在不同的岩体工程中，获取裂隙的几何空间特征参数以及预测后续发育扩展路径可以深入了解岩体的力学性质、指导岩体工程的设计和施工以及预防和治理岩体地质灾害。

2、传统上，岩体裂隙的获取依赖人工利用皮尺等工具进行现场测量，该方法不仅效率低下且成本高昂。随着计算机视觉技术的发展，基于深度学习的裂隙智能识别方法被广泛应用。而针对裂隙扩展演化规律的研究，主要有理论分析、室内实验及数值模拟等方法。其中，有不少学者基于断裂力学原理、广义的griffith失稳判据等理论来解释裂隙扩展规律；采用含预置裂隙的类岩石材料或真实岩石进行室内实验；通过pfc等数值方法进一步深入调查多裂隙问题的机理及岩体的宏观断裂过程。但现有这些方法在研究过程中存在着局限性、准确性差等问题，并且无法进一步预测裂隙扩展的路径。

3、图卷积神经网络（graph convolutional networks, gcn）是一种结合图论和卷积神经网络的深度学习模型，通过图中节点的信息传递来捕获图的依赖关系。近几年在各个行业得到应用研究，如社交网络分析、交通网络等，并在解决实际问题方面发挥了重要的作用。

4、岩体裂隙体系是一种长期赋存在地应力下的复杂系统，其具有尺寸随机、形状各异、变化莫测等独特的复杂属性，并且裂隙之间相互作用复杂，采用常规的研究手段难以深入了解。因此，将sam（segment anything model）大模型结合图卷积神经网络运用到岩石在三轴循环加卸载过程中裂隙的智能识别及扩展预测研究中，可弥补现有岩石裂隙扩展研究方法的不足，可为后续岩体裂隙扩展路径预测提供一定的理论基础和技术支撑。

技术实现思路

1、为解决上述技术问题，并深入探究岩石内部裂隙网络之间的连接关系，以及揭示裂隙在受压过程中发育各异的机制，本发明提供了一种岩石裂隙识别与扩展预测方法及系统，所述技术方案如下：

2、一方面，提供了一种岩石裂隙识别与扩展预测方法，所述方法包括以下步骤：

3、s1、利用ct扫描三轴循环加卸载试验中的粉砂岩试样以获取原始切片图像，并进行预处理；

4、s2、将预处理后的切片图像输入sam分割模型中进行岩石裂隙识别，并提取几何空间特征参数；

5、s3、基于所述几何空间特征参数构建用于图卷积神经网络训练和测试的数据库；

6、s4、在pytorch框架下建立图卷积神经网络，对所述图卷积神经网络进行训练得到训练后的gcn模型，并进行验证；

7、s5、基于训练后的gcn模型分析裂隙之间的连接关系，对裂隙扩展路径进行预测。

8、可选地，所述步骤s1中，对粉砂岩试样进行三轴循环加卸载试验，并在每次加卸载后通过ct扫描获取试样内部裂隙三维信息，其中ct扫描点设置为粉砂岩峰值强度的30%、60%、90%以及试样破裂后，以此建立裂隙的原始切片图像库，并进行统一预处理。

9、可选地，所述步骤s2中，将预处理后的切片图像输入微调后的sam分割模型中，实现岩石裂隙的智能识别；利用opencv库获取裂隙二值图的轮廓，并在轮廓的基础上通过库函数提取裂隙的长度、宽度、倾角参数，再根据切片图像信息，将裂隙的二维几何空间特征参数转换为三维几何空间特征参数。

10、可选地，所述步骤s3中，将每条裂隙定义为一个节点，将裂隙的几何空间特征参数作为节点的相关特征，裂隙通过边连接并以距离远近形成邻接矩阵，得到用于图卷积神经网络训练和测试的数据库。

11、可选地，所述步骤s3中，粉砂岩在三轴循环加卸载试验过程中根据不同应力加卸载点将数据划分为多个阶段的数据，在训练图卷积神经网络时，以上一阶段的数据作为模型的输入，下一阶段的数据作为模型的输出；因此，将数据库中的数据划分为多个类别，每类数据分别训练不同图卷积神经网络，以此得到用于预测不同阶段下岩石裂隙扩展路径的模型。

12、可选地，所述步骤s4中，图卷积神经网络的操作表示为：

13、          (1)

14、其中，h(l)是第l层的节点特征矩阵，w(l)是第l层的权重矩阵，是归一化后的邻接矩阵，是的度矩阵，σ是激活函数；

15、每一层图卷积层均对节点的特征进行线性变换，并通过邻接矩阵进行加权求和，再应用非线性激活函数逐层提取节点的高阶特征；

16、为预测岩石裂隙在三轴循环加卸载试验中每一断点的下一步扩展路径，建立gcn模型的节点回归任务，选择随机梯度下降sgd作为优化器，损失函数loss的计算公式为：

17、                 (2)

18、其中，n是节点的数量，yi是第i个节点的真实值，是第i个节点的预测值。

19、可选地，所述步骤s4中，将数据库中的训练集输入gcn模型中进行训练，得到训练后的gcn模型，通过loss值检验模型的收敛性，并利用准确率accuracy、精确率precision、召回率recall和dice系数评估模型的预测精度。

20、可选地，在gcn模型的训练过程中，节点间通过信息传递和聚合，使得节点不仅包含自身的特征信息，还包含其他节点的特征信息，利用上述机制解析裂隙之间的连接关系，进而揭示出裂隙之间的相互影响关系和潜在结构模式。

21、可选地，所述步骤s5中，通过对训练后的gcn模型进行分析，提取并可视化节点特征和边权重，量化裂隙之间的连接关系，分析节点特征对裂隙扩展路径的影响，从而揭示裂隙发育各异的内在机制以及裂隙间的相互作用。

22、另一方面，提供了一种岩石裂隙识别与扩展预测系统，用于实现上述任一项所述的方法，所述系统包括：

23、数据获取模块，用于利用ct扫描三轴循环加卸载试验中的粉砂岩试样以获取原始切片图像，并进行预处理；

24、裂隙识别模块，用于将预处理后的切片图像输入sam分割模型中进行岩石裂隙识别，并提取几何空间特征参数；

25、数据库构建模块，用于基于所述几何空间特征参数构建用于图卷积神经网络训练和测试的数据库；

26、模型建立模块，用于在pytorch框架下建立图卷积神经网络，对所述图卷积神经网络进行训练得到训练后的gcn模型，并进行验证；

27、分析预测模块，用于基于训练后的gcn模型分析裂隙之间的连接关系，对裂隙扩展路径进行预测。

28、另一方面，提供了一种电子设备，所述电子设备包括：

29、处理器；

30、存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器加载并执行时，实现如上述岩石裂隙识别与扩展预测方法的步骤。

31、另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，所述程序代码可被处理器调用执行如上述岩石裂隙识别与扩展预测方法的步骤。

32、本发明提供的技术方案带来的有益效果至少包括：

33、本发明结合ct扫描技术、sam大模型以及gcn深度学习模型，获取粉砂岩在三轴循环加卸载过程中内部复杂裂隙三维信息并以切片形式表征，基于此建立ct切片图像数据库，利用sam大模型实现裂隙智能识别及几何空间特征参数提取，并将裂隙特征用于训练图卷积神经网络得到优化的gcn模型，最终实现高效、快速、准确地识别和预测岩石裂隙的扩展路径。本发明极大地提高了深度学习方法在岩石裂隙领域识别和预测的效率和精度，为后续分析裂隙之间的连接关系和发育机制提供全新视角。