岩石的短期和长期力学性能和变形特性对工程长期稳定与安全有着重要的影响。传统的本构模型难以统一描述不同岩石材料的短长期力学特性,而基于深度学习方法的理论可在不引入其他弹塑性参数以及本构规律的情况下预测不同岩石的力学特性...岩石的短期和长期力学性能和变形特性对工程长期稳定与安全有着重要的影响。传统的本构模型难以统一描述不同岩石材料的短长期力学特性,而基于深度学习方法的理论可在不引入其他弹塑性参数以及本构规律的情况下预测不同岩石的力学特性。长短期记忆(long short-term mernory,简称LSTM)深度学习算法适用于处理具有时间序列的数据任务,用于预测岩石短长期力学特性具有显著优势。通过引入LSTM算法,分别根据三轴压缩加载路径和应力松弛随时间变化的规律构建序列数据,建立了灰砂岩在常规三轴压缩以及应力松弛下的力学特性预测模型。与试验数据进行对比,可以证明基于深度学习的岩石短长期力学预测本构模型的准确性。为进一步提升模型工程应用价值,将LSTM本构模型嵌入到有限元法(finite element method,简称FEM)框架中进行数值实现,并应用于灰砂岩变形特性的模拟。对比结果表明,LSTM-FEM方法具有较好地预测岩石短长期变形特性的能力。展开更多
文摘岩石的短期和长期力学性能和变形特性对工程长期稳定与安全有着重要的影响。传统的本构模型难以统一描述不同岩石材料的短长期力学特性,而基于深度学习方法的理论可在不引入其他弹塑性参数以及本构规律的情况下预测不同岩石的力学特性。长短期记忆(long short-term mernory,简称LSTM)深度学习算法适用于处理具有时间序列的数据任务,用于预测岩石短长期力学特性具有显著优势。通过引入LSTM算法,分别根据三轴压缩加载路径和应力松弛随时间变化的规律构建序列数据,建立了灰砂岩在常规三轴压缩以及应力松弛下的力学特性预测模型。与试验数据进行对比,可以证明基于深度学习的岩石短长期力学预测本构模型的准确性。为进一步提升模型工程应用价值,将LSTM本构模型嵌入到有限元法(finite element method,简称FEM)框架中进行数值实现,并应用于灰砂岩变形特性的模拟。对比结果表明,LSTM-FEM方法具有较好地预测岩石短长期变形特性的能力。