摘要：針對巖石結構面粗糙度現(xiàn)場測量操作不方便和測量結果人為因素影響大的難題，提出一種3D巖石結構面粗糙度智能提取方法。該方法首先運用3DOne工具構建標準結構面輪廓線的三維結構面模型，其次利用圖像獲取設備獲取結構面圖像并進行格式化處理，最后基于深度學習算法和RNN深度學習網(wǎng)絡，對結構面數(shù)字化圖像進行學習訓練及分類處理，估算巖體結構表面的粗糙度系數(shù)。將此方法應用于焦家金礦取得了較好的效果，彌補了傳統(tǒng)方法工作量繁重，受環(huán)境及主觀影響大的缺陷，促進了礦山巖石力學現(xiàn)場調(diào)查工作的智能化。
關鍵詞：巖石結構面;粗糙度;數(shù)字化圖像;RNN;智能提取
0引言
工程巖體顯著特征就是被各種尺度和形態(tài)的結構面所切割，在很多情況下結構面的力學特性很軟弱，在此情況下，巖體的強度主要由結構面決定，主要結構面剪切強度[1-2]的微小變化都可能引起巖體或建筑于巖體上的結構出現(xiàn)不穩(wěn)定，因此，準確確定巖體結構面的強度對于巖體工程非常重要。巖體結構面的粗糙度是決定結構面強度的一個關鍵參數(shù)，但目前進行巖體結構面粗糙度的測量及統(tǒng)計工具多適用于實驗室條件，現(xiàn)場巖體結構面粗糙程度的測量方法和工具還比較粗糙，受人為因素干擾大，難以達到較為滿意的結果。
巖石工程論文： 地質(zhì)巖石礦物分析測試技術研究
巖石結構面粗糙度的提取按照測量方式[3-4]不同分為接觸式測量和非接觸式測量兩類。接觸式測量方式多為傳統(tǒng)的測量手段，需要測量人員手工進行測量，而非接觸式測量方式是近幾年來攝影測量技術和激光掃描技術快速發(fā)展下新的測量手段。接觸式測量：接觸式測量方式所采用的設備多以機械結構為主。其測量原理主要是利用單根或多根測量探針與結構面進行物理接觸，并通過配套的輔助結構將結構面的起伏形態(tài)繪制出來，從而達到逐點測量結構面二維或三維輪廓坐標數(shù)據(jù)的目的。
非接觸式測量：非接觸式測量法的出現(xiàn)相較接觸式測量要晚一些，使用該測量方式進行現(xiàn)場結構面粗糙度測量時不需要與結構面近距離接觸，保持適當?shù)木嚯x即可獲得一定區(qū)域范圍內(nèi)的出露結構面表面情況。非接觸式測量方法包括攝影測量法，三維激光掃描法，全站儀法。非接觸測量方式相比傳統(tǒng)的測量方法，測量速度快，一次測量可獲得控制區(qū)域范圍內(nèi)的全部數(shù)據(jù)，縮短了測量周期;測量精度高，隨著相機像素的提高和激光點直徑的減小及激光密度的加強，部分室內(nèi)三維激光掃描儀的精度可以達到微米級水平，使得建模結果和實際的巖面情況基本保持一致。非接觸測量方式也有其不足之處。
一是激光測量設備價格昂貴，對于小型工程而言成本太高不利于開展，另外由于這些設備多為精密儀器，現(xiàn)場運輸要求嚴格，同時對于測量環(huán)境要求較高，濕度較大情況下極易造成設備損壞。測量設備很難既兼顧現(xiàn)場操作的方便快捷又保證測量精度，二是后期數(shù)據(jù)的處理量較大，計算過程較為繁瑣。
深度學習相比于其他機器學習算法(SVM，GMM等)并沒有優(yōu)勢，因此，學者們大都轉(zhuǎn)向諸如支持向量機(SVM)、boosting等機器學習方法的研究，但是，這些模型無法有效利用越來越多的數(shù)據(jù)。而DNN能更好地利用大數(shù)據(jù)，能自動提取特征且非常容易在各個任務之間遷移使用。在當前多個深度模型中，基于長短期記憶單元的遞歸神經(jīng)網(wǎng)絡模型[5-8]，被認為特別適合序列數(shù)據(jù)的處理。為此，本文基于RNN深度學習及巖體粗糙度[9-11]對光線敏感性差異的原理，建立一種巖石結構面起伏形態(tài)精確提取算法，彌補傳統(tǒng)繪制手段精度低、受環(huán)境影響限制大的問題，實現(xiàn)現(xiàn)場巖體結構面的準確采集及智能處理。
1體系結構
系統(tǒng)主要由步進絲杠定位套裝、鐳射激光燈、四面體外殼、CCD攝像機、三維結構面模型、標準數(shù)據(jù)庫6部分組成。(1)步進絲杠定位套裝由3個步進絲杠定位裝置組成，是系統(tǒng)帶動點光源，實現(xiàn)空間移動的裝置。其組成包括，X(Y、Z)三軸、固定(支撐)端、滾珠絲杠、滾珠螺母及滾珠螺母座，點光源安裝在步進絲杠定位套裝X軸的步進絲杠定位裝置的螺母座上。
(2)鐳射激光燈，作為點光源，隨步進電機移動，為數(shù)字圖像的獲取及標準數(shù)據(jù)庫的構建提供基礎。(3)粗糙度三維結構面模型，實現(xiàn)模擬巖石試驗結構面條件的作用，四面體外殼則起到保護及防止外界環(huán)境干擾的作用。(4)標準數(shù)據(jù)庫的構建，為后續(xù)構建深度學習網(wǎng)絡模型進行模型訓練與測試提供數(shù)據(jù)支持。
2方法及關鍵技術
系統(tǒng)總體分6個階段，包括粗糙度三維結構面的構建、模型3D打印、數(shù)字圖像獲取、深度學習網(wǎng)絡模型建立、模型訓練與圖像識別。
2.1粗糙度模型建立
運用3Done軟件構建已知標準粗糙度模型，即建立標準結構面輪廓線的三維結構面模型，用于數(shù)據(jù)庫的構建。此過程在photoshop軟件中將不同JRC值的標準結構面輪廓線等比例放大并測量各點間距以得到準確數(shù)據(jù)，運用已知數(shù)據(jù)在3Done軟件中畫出各標準結構面輪廓線平面圖形，之后對各輪廓線進行拉伸以得到不同的粗糙度系數(shù)(簡稱JRC)的三維結構面標準模型，詳細步驟為：運用3D建模軟件構建N個不同已知粗糙度的三維結構面標準模型，并將相應標準模型的粗糙度定義為{類型1，類型2，…，類型N｝;將不同JRC的標準結構面輪廓線等比例放大并測量各點間距以得到準確數(shù)據(jù);在3D制圖軟件中畫出各標準結構面輪廓線平面圖形;對各輪廓線進行拉伸以得到不同JRC的三維結構面標準模型;將不同標準模型的粗糙度定義為{類型1，類型2，…，類型N｝。運用3D打印技術，將構建的N個不同粗糙度的三維結構面標準模型打印出來。
2.3數(shù)據(jù)庫構建與模型訓練學習
RNN模型隱藏層設計的最大特點是一條自連接邊，這使得RNN所有時刻的隱藏層都是相互連接的;隱藏層的值s會在網(wǎng)絡中沿著t一直傳播下去，模型某一時刻隱藏層的值，是由上一時刻的輸出和當前時刻的輸入共同計算得出的，因此RNN具有了學習時間序列的能力。
RNN模型展開以后，在橫向上，即時間維度上，可以等價為一個多層前饋神經(jīng)網(wǎng)絡。網(wǎng)絡的層數(shù)就是RNN所處理時間序列數(shù)據(jù)的長度。本示例數(shù)據(jù)集制作：新建項目，配置環(huán)境。將所獲取的結構面數(shù)字圖像及已知粗糙度模型數(shù)字圖像按不同粗糙度類別對應放在不同文件夾下。并將所有數(shù)據(jù)集圖片分為兩部分，分別用于測試和訓練，各部分數(shù)據(jù)集圖片具體數(shù)量根據(jù)調(diào)試結果的準確率進行確定(結構面數(shù)字圖像數(shù)量越多、循環(huán)次數(shù)越多，所得準確率越高)。
測試集制作：新建predict文件夾，將部分已知粗糙度數(shù)字圖像，放在predict文件夾下。深度學習服務器自動對獲取的數(shù)字圖像進行分析構建結構面數(shù)據(jù)庫，并對數(shù)據(jù)庫中的結構面數(shù)字圖像進行處理后輸入RNN深度學習網(wǎng)絡中進行模型訓練，得到訓練好的最優(yōu)模型。對數(shù)字圖像進行預處理，采用隨機旋轉(zhuǎn)、隨機水平平移、隨機豎直平移、數(shù)據(jù)歸一化、隨機錯切變換、隨機放大、水平翻轉(zhuǎn)、填充操作將數(shù)字圖像處理為模型需要的輸入形式。然后使用RNN模型學習數(shù)據(jù)，訓練模型。
本示例中，使用RNN模型學習數(shù)據(jù)，訓練模型的過程如下：設定迭代周期和批次大小，訓練集存放路徑、測試集存放路徑、模型保存路徑;設定學習率為1×10-4(約等于0.0183)，初始抗擬合值為0;添加一個卷積層，傳入固定寬高三通道的圖片，以32種不同的卷積核構建32張?zhí)卣鲌D，卷積核大小為3×3，構建特征圖比例和原圖相同，激活函數(shù)為relu函數(shù)(activationfunction);再次構建一個卷積層。構建一個池化層，提取特征，池化層的池化窗口為3×3，步長為3;繼續(xù)構建卷積層，卷積層卷積核數(shù)量為64，池化層卷積核數(shù)量為128，使數(shù)據(jù)扁平化;構建一個具有128個神經(jīng)元的全連接層后，再構建一個具有64個神經(jīng)元的全連接層加入dropout，防止過擬合，一共6個神經(jīng)元，對應6種分類;創(chuàng)建Adam優(yōu)化器[12-15]。
使用交叉熵代價函數(shù)，Adam優(yōu)化器優(yōu)化模型，并提取準確率;設置訓練集迭代器、訓練集存放路徑、訓練集圖片尺寸、訓練集批次;設置測試集迭代器、測試集存放路徑、測試集圖片尺寸、測試集批次，輸出迭代器分類;模型擬合，運行訓練集迭代器，根據(jù)設定的周期迭代數(shù)和迭代周期，對測試集及訓練集的數(shù)據(jù)進行迭代訓練，并且保存模型。最后將RNN輸出的結果，反歸一化進行解碼過程，然后輸出數(shù)字圖像對應的預測粗糙度;修改RNN深度學習網(wǎng)絡的參數(shù)，對模型進行多次訓練，選取預測結果準確率最高的模型為最優(yōu)模型。用拍攝設備現(xiàn)場拍攝所需探測粗糙度巖體的表面圖像，將所獲得圖像上傳至深度學習服務器，服務器將獲得圖像輸入訓練好的最優(yōu)模型中進行學習，即可得出所需探測巖體的表面粗糙度。
3現(xiàn)場應用實例
3.1工程背景
焦家金礦位于萊州市東北28km處。礦體總體走向為43°，傾向NW，傾角約為28°。區(qū)內(nèi)出露膠東群斜長角閃巖、玲瓏花崗巖體和郭家花崗巖體，均系混合巖化作用形成的混合花崗巖。金礦體主要產(chǎn)于斷裂破碎帶的蝕變巖帶中，與圍巖界線不清，礦化規(guī)模與破碎帶的寬度和蝕變的強度有關。圍巖蝕變主要為黃鐵絹英巖化下部發(fā)育堿交代帶。
3.2試驗區(qū)域
試驗巷道位于-490m水平，其主要構造為上盤的控礦主斷裂，在礦層內(nèi)部發(fā)育的次級構造主要是共軛狀產(chǎn)出的裂隙、節(jié)理構造。焦家金礦礦體賦存條件復雜，結構破碎，巖質(zhì)松軟穩(wěn)定性差，遇水極易膨脹產(chǎn)生變形破壞，對開采和運輸作業(yè)產(chǎn)生嚴重影響。為此，針對焦家金礦試驗采場的圍巖地質(zhì)條件及開采方法，開展了節(jié)理巖體數(shù)據(jù)結構面的現(xiàn)場調(diào)查工作，選取出露較好并具有明顯觀測特征的測區(qū)進行圖像獲取，既保證足夠的樣本來源，同時又能代表所調(diào)查區(qū)域的整體情況。
3D建模方面，主要是利用3Done軟件建立標準結構面輪廓線的三維結構面模型，用于數(shù)據(jù)庫的構建。此過程需在photoshop軟件中將不同JRC的標準結構面輪廓線等比例放大并測量各點間距，運用得到數(shù)據(jù)在3Done軟件中得到不同JRC的三維結構面模型。數(shù)字圖像的獲取方面，利用步進絲杠定位套裝、光源、經(jīng)打印得到的結構面模型及CCD攝像機等設備進行組裝，通過人為操作過程得到。
本實例中需將所獲取的結構面數(shù)字圖像及已知粗糙度模型數(shù)字圖像按不同粗糙度類別對應放在不同文件夾下。并 將所有數(shù)據(jù)集圖片分為兩部分，分別用于測試和訓練。本文采用Keras實現(xiàn)模型預測，激活函數(shù)使用Relu函數(shù)，采用Adam優(yōu)化器優(yōu)化模型，歐氏距離來作為判斷函數(shù)，加入Dropout，防止過擬合。模型最優(yōu)化方面，對數(shù)據(jù)庫中的數(shù)字圖像進行處理后輸入RNN深度學習網(wǎng)絡中進行模型訓練，得到訓練好的最優(yōu)模型;修改RNN深度學習網(wǎng)絡的參數(shù)，對模型進行多次訓練，選取預測結果準確率最高的模型為最優(yōu)模型。最后用拍攝設備現(xiàn)場拍攝所需探測粗糙度巖體的表面圖像，將所獲得圖像上傳至深度學習服務器，服務器將獲得圖像輸入訓練好的最優(yōu)模型中進行學習，得出所需探測巖體的表面粗糙度。
3.3現(xiàn)場試驗結果及分析
模型訓練分為3類導入數(shù)據(jù)庫模型，各分類分別導入數(shù)字化模型圖片100張，實際成功導入分別為42，96，89張，共計227張。基于采用的算法參數(shù)，得到的訓練數(shù)據(jù)集訓練效果準確率分別為90.91%，96.30%，100%，整體評估準確率為96.5%，整體類別精確率和召回率的調(diào)和平均數(shù)分別為95.7%和97.2%。
4預測結果和討論
(1)模型結構方面。學習率過大，雖然加快了學習速度，但產(chǎn)生的副作用為易損失值爆炸，易震蕩或過擬合;學習率過小，易欠擬合，且收斂速度慢，甚至無法學習。在訓練過程中，綜合序列長度、迭代輪數(shù)以及配置等因素對學習率選擇的影響，本文學習率設定為1×10-4(約等于0.0183)。構建一個具有128個神經(jīng)元的全連接層后，再構建一個具有64個神經(jīng)元的全連接層加入dropout，防止過擬合。
(2)優(yōu)化方法方面。
忽略極端條件下函數(shù)不收斂，分別調(diào)查了Adam、AdaGrad和RMSProp算法，Adam算法具有對一階矩均值計算以適應性參數(shù)學習率和對梯度的二階矩均值充分利用的優(yōu)點，創(chuàng)建Adam優(yōu)化器，使用交叉熵代價函數(shù)。調(diào)整內(nèi)部參數(shù)從而快速收斂速度，同時最大程度地最小化損失函數(shù)，Adam在測試中表現(xiàn)效果較好，本文采用Adam算法訓練模型。綜合迭代輪數(shù)、訓練時間、學習率設定以及配置等因素對模型精度影響的情況下，學習率設定為1×10-4(約等于0.0183)，采用Adam優(yōu)化算法，加入dropout防止過擬合，使用Relu激活函數(shù)，更有益于模型的訓練。
5結論
(1)提出了一種基于RNN深度學習及巖體粗糙度對光線敏感性差異的原理，利用3D建模及數(shù)字圖像等技術，研究了一種巖石結構面起伏形態(tài)即巖石表面粗糙度的智能提取方法，彌補傳統(tǒng)測量手段操作繁瑣、受環(huán)境及人為因素影響大的問題，實現(xiàn)現(xiàn)場巖體結構面的準確采集及粗糙度智能處理。(2)現(xiàn)場結構面數(shù)據(jù)試驗表明，隨著循環(huán)次數(shù)的增多，模型測試與訓練結果基本趨于一致。初始的學習率過大則導致模型不收斂，過小則導致模型收斂特別慢或者無法學習。隨著學習率的增加，損失會慢慢變小，而后增加，而最佳的學習率就可以從其中損失最小的區(qū)域選擇，通過記錄模型的損失變化可以確定最終的初始學習率。
(3)優(yōu)化方法方面，本文采用Adam模型預測方法，忽略極端條件下函數(shù)不收斂的情況下，相比AdaGrad和RMSProp算法，Adam算法可快速收斂，并最大程度地最小化損失函數(shù)。雖然RNN深度學習網(wǎng)絡對于巖石表面粗糙度的獲取是有效的，但是目前的預測準確率仍有待提高。(4)該研究建立的標準數(shù)據(jù)庫不夠龐大，在未來的研究工作中，將擴大數(shù)據(jù)庫的容量，構建更多的不同JRC的三維結構面模型，以減小實際測量巖石表面粗糙的誤差，提高精度。
參考文獻(References)：
[1]劉溪鴿，朱萬成，周靖人，等.雙粗糙結構面剪切試驗與數(shù)值模擬研究[J].巖石力學與工程學報，2017，36(S2)：3831-3840.
[2]宋磊博，江權，李元輝，等.不同采樣間隔下結構面形貌特征和各向異性特征的統(tǒng)計參數(shù)穩(wěn)定性研究[J].巖土力學，2017，38(4)：1121-1132+1147.
[3]陳世江，朱萬成，王創(chuàng)業(yè)，等.巖體結構面粗糙度系數(shù)定量表征研究進展[J].力學學報，2017，49(2)：239-256.
[4]王述紅，鐘山，高軒麟，等.楔塊滑落試驗分析及其判別方法[J].東北大學學報(自然科版)，2015，36(4)：557-559+570.
[5]馮志平.節(jié)理巖體結構面空間表征及其模型優(yōu)化[D].沈陽：東北大學，2013.
[6]丁文其，鄭康成，李曉冉，等.基于3D打印技術的巖體結構面三維抗剪強度計算方法研究[J].巖土力學，2020，41(S2)：1-9.
[7]莫平.巖體結構面粗糙度系數(shù)的三維表征與評價[J].礦業(yè)研究與開發(fā)，2021，41(1)：73-80.
[8]胥勛輝，張國彪，包含，等.基于3D打印技術的巖體結構面各向異性剪切力學行為[J].煤田地質(zhì)與勘探，2020，48(1)：154-159+167.
作者：王運森，陸健，賈庸凡
相關閱讀
