岩体由岩石和不连续的结构面组成。1, 2, 3 接头是自然岩体中广泛存在的不连续结构面。4, 5, 6 接头的变形会显著影响岩体的力学响应。7, 8, 9, 10 初始接头刚度和最大允许闭合度是量化接头在载荷作用下的变形能力的基本参数，共同决定了接头的压缩应力-应变关系。11, 12 因此，准确确定这些参数对于岩土工程的设计和安全评估具有重要意义。13, 14, 15
由于应力波方法具有非破坏性，它们已被广泛应用于岩石力学研究。16, 17, 18, 19, 20, 21, 22 当应力波穿过有接头的岩体时，接头会引起波的传播、反射和衰减，导致信号参数（如振幅、速度和频率）发生变化。23, 24, 25, 26 这些信号包含了关于岩体内接头特性的丰富信息。27, 28 例如，波速的降低可以指示接头的存在，29 P波和S波的到达时间差异可用于定位接头。30, 31, 32, 33 此外，应力波的质因数和特征频率有助于估计接头尺寸。28 对多个反射信号的分析可以提取接头的形状和开口尺寸。34, 35 通过应力波在特定频率带的能量分布可以确定接头的粗糙度。36 除了接头的几何特性外，机械性能也对岩体的稳定性起着重要作用。应力波的峰值用于结合数值建模方法计算线性接头的刚度。37 线性接头的刚度由较高应变率下应力波的频率特性决定。38 然而，在高应力和高温度等特殊条件下，接头通常会表现出非线性变形。14, 39 这种复杂性显著影响了应力波的传播，导致信号模式变得复杂。17, 40, 41 这些信号中嵌入的信息的复杂性和多样性给确定非线性接头的机械性能带来了挑战。42, 43
计算机视觉和人工智能（特别是机器学习）的最新进展提供了强大的数据驱动方法来应对这些挑战。44, 45 深度学习模型已被广泛用于自动识别岩石接头。46, 47, 48, 49 各种模型，包括支持向量回归、提升决策树、基于Keras的深度神经网络和端到端深度学习框架，已被应用于估计接头粗糙度。44, 50, 51 特别是CNN，在分析岩石接头特性方面显示出巨大潜力。52, 53 利用CNN的特征提取能力，可以处理带有接头的岩石的时频谱图，自动学习与纹理和形态相关的特征，并将其与接头特性相关联。54, 55 基于VGG16和AlexNet架构的模型已被开发用于实时识别岩石裂缝和与接头相关的声发射信号。56 然而，非线性接头的机械性能对于岩体工程的稳定性评估至关重要。深度学习在确定非线性接头机械性能方面的应用仍有待进一步研究。
本文提出了一种基于深度学习的小波时频谱分析方法来确定非线性接头的机械性能。通过对反射信号进行小波时频分析，提取时间和频率域中的复杂特征，为深度学习模型提供有价值的输入。构建了一个基于CNN的架构，以建立小波时频特征与接头机械性能之间的定量映射关系，从而实现非线性接头行为的智能识别。通过在不同机械性能条件下的预测性能验证，证明了该方法的有效性。
