基于机器学习与Biot理论耦合的岩石裂隙密度智能预测模型研究

《Journal of Rock Mechanics and Geotechnical Engineering》：Crack density estimation in rock structures using machine learning techniques

本研究针对岩石裂隙密度现场测量困难的问题，创新性地将机器学习技术与Biot理论相结合，通过人工加速风化实验构建数据集，采用SMOTE等过采样算法解决数据稀疏性挑战，成功实现了对不同矿物组成岩石裂隙密度的高精度预测（R2>0.9）。研究证实纵波速度(VP)和横波速度(VS)是最有效的预测指标，为岩体稳定性评估提供了可靠工具。

　　

在隧道工程和边坡防护等岩土工程领域，岩石的稳定性直接关系到工程安全。而岩石内部的裂隙发育程度——裂隙密度，是评估岩体稳定性的关键指标。传统上，精确测量裂隙密度需要借助光学显微镜或CT扫描等昂贵设备，不仅耗时费力，而且难以实现现场快速评估。这就像医生想要诊断病人内脏的细微病变，却只能依靠外部观察，无法准确掌握内部真实情况。

面对这一工程难题，韩国仁川国立大学的Junghee Park和Hyung-Koo Yoon教授团队独辟蹊径，将目光投向了飞速发展的人工智能技术。他们思考：能否像训练AI识别猫狗图片那样，训练机器学习模型来"读懂"岩石的物理特性，从而准确预测其内部的裂隙密度？这项创新性研究最终发表在岩土工程领域权威期刊《Journal of Rock Mechanics and Geotechnical Engineering》上。

研究人员首先从韩国京畿道利川市的施工现场采集了10个岩石样本，通过X射线衍射(XRD)分析将其按主要矿物成分分为五类：钠长石、石英、黑云母、方解石和绿泥石。为了模拟岩石在自然条件下的风化过程，团队设计了一套精密的人工加速风化实验方案——让样本经历盐水浸泡的化学风化和旋转鼓摩擦的物理风化交替循环，共进行3次化学风化和9次物理风化处理。

关键技术方法包括：基于Biot理论选取六个关键物理参数（纵波速度V_P、横波速度V_S、孔隙率、体积模量、剪切模量和泊松比）作为机器学习输入特征；采用多层感知器(MLP)算法建立预测模型；运用浣熊优化算法(ROA)进行超参数优化；通过SMOTE、BSMOTE和ADASYN三种过采样技术解决小样本数据训练问题。

研究结果方面：

（1）原始数据预测性能差异显著

当使用全部五个类别的合并数据集时，MLP模型表现出色，训练和验证的R2分别达到0.99和0.98。然而，按矿物类别单独训练时，预测性能波动很大，R2值范围从0.03到0.98不等，特别是数据量较少的类别（如仅有13个数据点的黑云母、方解石和绿泥石组）预测可靠性明显不足。

（2）过采样算法大幅提升模型性能

应用SMOTE、BSMOTE和ADASYN三种过采样算法将每个类别的数据量统一扩充至100个后，所有类别的预测性能均得到显著改善。主成分分析(PCA)显示，三种算法生成的数据在特征空间中的分布模式相似，但BSMOTE生成的数据分布范围最广。经过数据扩充后，各个矿物类别的训练和验证R2值全部提升至0.9以上，实现了高精度预测。

（3）特征重要性分析与实际应用价值

通过XGBoost算法进行的特征重要性分析表明，孔隙率对裂隙密度预测的贡献最大（重要性得分0.32），其次是泊松比（0.26）和纵波速度（0.13）。考虑到现场测量可行性，研究人员进一步评估了仅使用易获取参数（V_P、V_S和泊松比）的预测效果，发现三参数组合仍能达到0.75的R2值，为工程现场应用提供了实用方案。

研究结论与讨论部分强调，本研究成功证明了机器学习技术与物理理论相结合在岩土工程参数预测中的巨大潜力。特别是在数据量有限的情况下，过采样算法的应用能够有效提升模型泛化能力，解决了小样本学习的关键难题。虽然当前研究基于单一矿物样本，但建立的方法框架为后续扩展到复杂矿物组成的实际岩体奠定了基础。该研究成果不仅为岩石裂隙密度评估提供了高效、经济的解决方案，也为机器学习在岩土工程领域的深入应用开辟了新途径。随着数据积累和算法优化，这种基于物理信息机器学习的方法有望成为岩体稳定性评估的标准工具，为隧道、边坡、矿山等工程的安全监控提供有力支持。