(19)中华 人民共和国 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 202111422430.9 (22)申请日 2021.11.26 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 王海静　马玉文　常乐　王鸿源　 高凌宇　杜中哲　许可　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 黄海丽 (51)Int.Cl. G06V 10/774(2022.01) G06K 9/62(2022.01) G06V 10/82(2022.01) G06Q 10/04(2012.01)G06Q 50/08(2012.01) G06Q 10/00(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于机器学习的岩石破坏形态预测方法及 系统 (57)摘要 本公开提供了一种基于机器学习的岩石破 坏形态预测方法及系统， 包括： 获取待岩石试样 的相关数据； 依据获取的相关数据和预设的岩石 破坏形态预测模 型， 得到岩石试样变形破坏数据 矩阵； 其中， 所述岩石破坏形态预测模型通过BP 神经网络训练得到； 根据岩石试样变形破坏数据 矩阵， 绘制岩石试样变形破坏图像， 实现待预测 岩石试样破坏形态的预测； 本公开采用了机器学 习中的BP神经网络模型， 通过特定的预测参数进 行预测， 简化了参数选取， 提高了预测效率； 同 时， 预测结果以岩石试样变形破坏图像直接体 现， 实现了在高效率预测基础上， 直接形象的体 现岩石破坏形态结果的目的。 权利要求书2页 说明书5页 附图2页 CN 114092767 A 2022.02.25 CN 114092767 A 1.基于机器学习的岩石破坏形态预测方法， 其特 征在于， 包括： 获取待预测岩石试样的相关数据； 依据获取的相关数据和预设的岩石破坏形态预测模型， 得到岩石试样变形破坏数据矩 阵； 其中， 所述岩石破坏形态预测模型通过BP神经网络训练得到； 根据岩石试样变形破坏数据矩阵， 绘制岩石试样变形破坏图像， 实现待预测岩石试样 破坏形态的预测。 2.如权利要求1所述的基于机器学习的岩石破坏形态预测方法， 其特征在于， 所述相关 数据包括弹性模量、 单轴抗拉强度、 单轴抗压强度和围压 。 3.如权利要求1所述的基于机器学习的岩石破坏形态预测方法， 其特征在于， 预测前， 对所述相关数据进行编码和归一 化处理。 4.如权利要求1所述的基于机器学习的岩石破坏形态预测方法， 其特征在于， 所述岩石 破坏形态预测模型的训练包括： 获取岩石试样破坏形态影响参数数据以及对应的岩石试样变形破坏数据矩阵， 建立样 本集； 将岩石试样破坏形态影响参数数据以及对应的岩石试样变形破坏数据矩阵进行预处 理； 将预处理后的岩石试样破坏形态影响参数数据作为输入， 将预处理后的岩石试样变形 破坏数据矩阵作为输出， 输入至构建好的BP神经网络， 进行训练； 通过BP神经网络， 根据设定的最大神经元数量逐个增加神经元， 使训练误差逐渐减小， 直到误差小于容限， 确定BP神经网络的最优参数， 获得训练好的BP神经网络 。 5.如权利要求4所述的基于机器学习的岩石破坏形态预测方法， 其特征在于， 所述对应 的岩石试样变形破坏 样本数据矩阵， 通过对岩石试样变形破坏图像进行 灰度化处 理得到。 6.如权利要求5所述的基于机器学习的岩石破坏形态预测方法， 其特征在于， 样本数据 矩阵获取 过程为： 通过固定尺寸圆柱体试样的三轴压缩试验， 获取岩石破坏试样， 并用透明胶粘剂将岩 石破坏试样粘合； 待胶粘剂固化后， 将岩石破坏试样放在以黑色为背景的水平面固定位置， 使用角度和 位置固定的照相机拍摄岩石破坏试样在固定光线下的侧面变形破坏彩色照片； 将岩石试样变形破坏彩色照片中的瑕疵处 理干净， 得到岩石试样变形破坏图像； 读取岩石试样变形破坏图像的三维数据矩阵， 采用matlab的imread函数； 将岩石试样变形破坏图像的三维数据矩阵转化为元素值是灰度值的二维数据矩阵， 采 用matlab的rgb2gray函数； 将岩石试样变形破坏图像的灰度值二维数据矩阵调整至 固定行列数， 得到岩石试样变 形破坏样本数据矩阵， 采用matlab的i nterp2函数。 7.如权利要求4所述的基于机器学习的岩石破坏形态预测方法， 其特征在于， 所述岩石 破坏形态预测模型的设别过程 为： 输入样本向量首 先与权值向量相乘； 将相乘后的结果输入到隐含层节点中， 计算样本与节点中心的距离； 将距离值经过BP函数的映射后形成隐含层的输出， 再输入到输出层， 各个隐含层节点权　利　要　求　书 1/2 页 2 CN 114092767 A 2的线性组合形成了最终的网络 输出。 8.基于机器学习的岩石破坏形态预测系统， 其特征在于， 包括采集模块、 预测模块和预 测结果处 理模块； 所述采集模块， 被 配置为： 获取待岩石试样的相关数据； 所述预测模块， 被配置为： 依据获取的相关数据和预设的岩石破坏形态预测模型， 得到 岩石试样变形破坏数据矩阵； 其中， 所述岩石破坏形态预测模型通过BP神经网络训练得到； 所述预测结果处理模块， 被配置为： 根据岩石试样变形破坏数据矩阵， 绘制岩石试样变 形破坏图像， 实现待预测岩石试样破坏形态的预测。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现了如权利要求1 ‑7任一项所述的基于 机器学习的岩石破坏形态预测方法的步骤。 10.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现了如权利要求 1‑7任一项所述的基于 机器学习的岩石破坏形态预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 114092767 A 3