排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
基于Weibull随机分布和损伤力学理论,从岩石变形全过程的特点入手,选用Drucker-Prager准则,建立能反映冻融岩石各变形阶段特征的损伤本构模型。通过冻融砂岩常规三轴压缩试验,运用Mohr应力圆,获得不同冻融循环次数下砂岩的黏聚力和内摩擦角;由模型理论曲线与冻融砂岩试验曲线对比分析,验证模型的合理性;通过变动内摩擦角,分析摩擦角对模型是否存在影响。结果表明:基于Drucker-Prager准则获得的理论曲线与试验曲线吻合较好,验证了模型的合理性;内摩擦角对分布变量的影响较大,且是线性关系,但对损伤本构模型没有影响或影响不大。研究成果对岩石本构关系的建立有较好的参考价值。 相似文献
2.
岩石抗压强度是评估岩体工程稳定性的重要力学参数,传统统计回归方法对于岩石抗压强度预测存在一定的局限性.为此,提出了一种利用简单岩石力学参数实现岩石抗压强度智能预测的方法,首先收集了620组含不同类型岩石的三轴试验数据,然后分别采用随机森林(Random Forest,RF)、极限梯度提升树(XGBoost,XGB)和轻量梯度提升机(LightGBM,LGB)3种主流的集成学习算法建立了岩石抗压强度预测模型,使用贝叶斯优化算法在模型训练过程中进行超参数优化,最后利用决定系数(R2)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)对优化后模型的泛化能力进行了综合评估和对比分析.此外,利用LGB模型对输入特征进行重要性分析,以评估不同输入特征对模型泛化性能的影响重要程度.研究结果表明：所建立的3种模型对岩石抗压强度均取得了较好的预测结果,其中LGB模型泛化性能优于另外两种模型(R2=0.978,RMSE=5.58,MAPE=9.70%),且运行耗时相对最少.弹性模量(E)、围压(σ3)和密度(ρ)对模型的泛化性能影响较... 相似文献
3.
洪涝灾害对房屋等建筑物会造成巨大损害,灾后房屋破坏等级鉴定对保障人民生命安全至关重要,而传统的人工鉴定方法,消耗较多的人力、财力及时间等资源.为此,基于河南郑州“7·20”特大暴雨引发的农村房屋破坏数据,采用深度卷积神经网络（CNN）理论,得到灾后房屋危险等级智能分类模型.首先采用AlexNet、VGGNet、GoogleNet和ResNet四种经典的深度CNN架构,对数据集进行训练、验证和测试,得到4种灾后房屋危险等级智能分类模型,然后结合迁移学习方法训练CNN提高模型的泛化能力,并选择效果较优的ResNet-50为分类主模型,最后分析CNN架构中超参数的影响.结果表明：ResNet-50在学习率为0.000 5,epoch为50,batch＿size为16时网络训练结果最优,其测试集的预测准确率达到了95.5%;此外,房屋危险等级特征的可视化分析明确了模型分类的机理及准确性.试验表明基于迁移学习的识别模型准确率较高,为农村房屋洪涝灾害后受损等级分类模型提供参考. 相似文献
1