Studie über die dynamischen Infrarotentwicklungseigenschaften von Phyllit mit unterschiedlicher Gelenkneigung unter einachsiger Kompression

Wissenschaftliche Berichte Band 13, Artikelnummer: 9867 (2023) Diesen Artikel zitieren

302 Zugriffe

Details zu den Metriken

Das destruktive Verhalten von Gesteinen und das Entwicklungsverhalten von Rissen sind stark korreliert. Durch den kontinuierlichen Entwicklungsprozess von Rissen wird der Spannungszustand des Gesteins ständig gebrochen, bis es vollständig versagt. Daher ist es notwendig, die räumlichen und zeitlichen Verhaltensmerkmale des Risses im Prozess der Gesteinszerstörung zu untersuchen. In dieser Arbeit wird der Zerstörungsprozess von Phyllitproben mithilfe der Wärmebildtechnik analysiert und der Temperaturentwicklungsprozess des Risses untersucht, um die Infraroteigenschaften des Rissentwicklungsprozesses zu untersuchen. Darüber hinaus wird ein Modell zur Vorhersage der Zeit der Gesteinszerstörung vorgeschlagen, das auf dem wiederkehrenden neuronalen Netzwerkmodell Bi-LSTM in Kombination mit dem Aufmerksamkeitsmechanismus basiert. Die Ergebnisse zeigen, dass: (1) Während der Entwicklung von Gesteinsrissen die Gesteinsoberfläche eine stabile dynamische Infrarotreaktion zeigt und in verschiedenen Stadien unterschiedliche Entwicklungsmerkmale zeigt, hauptsächlich einschließlich Temperaturreduzierung in der Verdichtungsphase und Temperaturanstieg im elastischen und plastischen Bereich Phasen und Temperaturspitzen im Ausfallstadium; (2) Während der Entwicklung des Risses hat die Gesteinszerstörung einen erheblichen Kontrolleffekt auf das IRT-Feld entlang der tangentialen und normalen Richtung des Bruchs, und die Flüchtigkeit seiner Verteilung wird durch die Zeit gesteuert; (3) Die Methode des rekurrenten neuronalen Netzwerks wird verwendet, um die Zeit des Gesteinsversagens vorherzusagen. Die Ergebnisse können als Methode zur Vorhersage des Zeitpunkts der Gesteinszerstörung verwendet werden und es können entsprechend entsprechende Schutzmaßnahmen vorgeschlagen werden, um die Zeit aufrechtzuerhalten Langfristige Stabilität der Gesteinsmasse.

Als allmähliches mechanisches Verhalten ist die Gesteinszerstörung im Wesentlichen ein Prozess zur Erzeugung, Erweiterung und Verschmelzung von Mikrorissen im Gestein1. Die Langzeitstabilität des Gesteins ist von großer Bedeutung für die Hangstabilität, den Fahrbahnausbau und den Geotechnikbau. Die Hauptrichtung der aktuellen Forschung besteht darin, das Zerstörungsgesetz verschiedener Gesteine zu klären und entsprechende Schutzmethoden vorzuschlagen.

Derzeit sind die wichtigsten Methoden zur Risserkennung die Techniken der akustischen Emission (AE), der mikroseismischen (MS) Überwachung und der digitalen Bildkorrelation (DIC). AE/MS identifiziert und erkennt die Defekte und Risse der Gesteinsmasse, indem es die elastischen Wellen erfasst, die vom akustischen Sender und der Gesteinsmasse erzeugt werden, die sich selbst zerbricht2,3,4,5,6, während DIC die Verformungsinformationen der Gesteinsmasse durch Vergleich erhält digitale Bilder vor und nach der Verformung7,8.

Infrarot-Wärmebildtechnologie: Durch die Aufnahme der von der Oberfläche des beobachteten Objekts emittierten Infrarotstrahlungsenergie hängt die Größe des Energiewerts von der Temperatur und der Strahlungsrate ab, was eine neue Perspektive für die Erkennungsmethode von Gesteinsporen und Rissen bietet9, 10,11,12,13,14,15,16,17. Diese Methode kann die zerstörungsfreie und berührungslose Erkennung von Gesteinen realisieren, die mit AE und anderen Techniken kombiniert werden kann17,19, oder quantitative Indikatoren zur Analyse des Gesteinszerstörungsprozesses definieren. Frühere Wissenschaftler haben Forschungen zu Sandstein9,10,20,21, Kohle und Granit22,23 durchgeführt. Bei der quantitativen Verarbeitung von Wärmebildern verwendeten Wu et al.10 AIRT, um den Zerstörungsprozess von Gesteinen zu erklären, und schlugen drei Infrarot-Vorläufer bei der Gesteinsentwicklung vor, und Zhang et al.21 schlugen vor, dass CIRT und SIRT den fehlerhaften Sandstein untersuchten. Durch die Analyse der Zeitkurve des quantitativen Index werden die abnormalen Änderungen des IRT-Feldes vor der Gesteinsfragmentierung analysiert und anschließend das Vorhersagemodell und die Anpassungsgleichung vorgeschlagen.

Simulationsvorhersagen der Gesteinszerstörung mithilfe eines technischen Modells und maschinelles Lernen sind wirksame Methoden zur Vorhersage des Versagensprozesses von Gestein24,25,26,27. Aufgrund des Einflusses der Umgebung weist die Gesteinsversagenskurve einen starken nichtlinearen Zusammenhang auf. Die Deep-Learning-Methode kann mit ihrer hervorragenden Fehlertoleranz, Lern- und Generalisierungsfähigkeit eine größere Flexibilität und Genauigkeit bieten28. Durch die Berechnung der begrenzten Informationen werden die Druckfestigkeit des Gesteins11,29,30, die Spannungs-Dehnungs-Kurve31,32 und die Bruchzeit21 im Voraus vorhergesagt.

Frühere Studien untersuchten hauptsächlich die Infrarot-Entwicklungseigenschaften des gesamten Gesteins10,21,33, aber bei verschiedenen Gesteinen ist die Oberflächenemissionsrate aufgrund unterschiedlicher Zusammensetzung, Anordnung, innerer Lücke und unterschiedlichem Zerstörungsverhalten nicht konsistent, was zu einem Temperaturtrend führt variiert erheblich zwischen verschiedenen Gesteinsarten und verschiedenen Regionen, und Gesteine mit einer schwachen strukturellen Oberfläche wurden in früheren Studien weniger untersucht. Daher verwenden wir Wärmebildtechnik, um die Infrarotentwicklungseigenschaften von Gestein mit unterschiedlichen Neigungswinkeln der Kluft zu untersuchen. Durch die Definition der Infrarotstrahlungseigenschaften werden die Infrarotveränderungen verschiedener Versagensprozesse von Gestein erklärt und die Unterschiede und Zusammenhänge zwischen der Infrarotentwicklung von Kluftgestein und anderen Gesteinsmassen diskutiert. Durch die Kombination verschiedener von uns definierter Infrarot-Analyseindikatoren verwenden wir schließlich das Bi-LSTM-Netzwerk für neuronale Zyklen in Kombination mit dem Aufmerksamkeitsmechanismus, um die Ausfallzeit von Gestein vorherzusagen, und vergleichen es mit anderen Modellen, um die Vorteile unseres Modells zu überprüfen erweitert die Anwendung der neuronalen Netzwerktechnologie in der Wärmebildtechnik.

Um die Infrarotcharakteristika des Prozesses der Gesteinsschädigung zu erfassen, wird der objektive Zusammenhang zwischen Stress und Infrarotstrahlung untersucht. Wir führen eine einachsige Kompression von Phyllitproben (Zylindern) mit unterschiedlichen Neigungswinkeln im feuchten Zustand durch. Das spezifische Schema ist wie folgt (Abb. 1):

Das Felsmechanik-Testsystem MTS815 (hergestellt von MTS Systems Corporation) hat einen maximalen Axialdruck von 4600 kN und die Messgenauigkeit liegt innerhalb von ± 0,5 %. Die Verdrängungssteuerung ist auf 0,2 mm/min eingestellt, um die Probe zu komprimieren.

Die Online-Messung der Infrarot-Wärmebildkamera HiNet384/640 mit einem rauscharmen, nicht gekühlten Infrarotkern kann ein Wärmebild mit 640 × 512 Pixeln erzeugen, der Temperaturmessbereich beträgt (– 20 bis + 550) °C, der Pixelabstand beträgt 17 μm, das Antwortband beträgt 8–14 μm und der Fehler beträgt weniger als ± 2 %. Im Experiment wurde die zusätzliche Bildrate auf 10 Hz eingestellt, die Brennweite betrug 1 m, die Temperaturverstärkung wurde auf den High-Gain-Modus eingestellt, der thermische Emissionsgrad und die Übertragungsrate wurden auf 1,00 eingestellt und die tropischen Streifen wurden gesteuert bei einer Umgebungstemperatur von ± 2 °C.

Die Größe der verwendeten Phyllitproben beträgt 50Φ × 100 (mm), der Pedionfehler überschreitet nicht ± 0,1 mm, die Rechtwinkligkeit liegt innerhalb von 0,25 % und der Neigungsfehler beträgt weniger als 0,5°, was der empfohlenen Größe entspricht und Fehlerbereich, vorgeschlagen von der International Society for Rock Mechanics. Um eine gleichmäßige Axialkraft sicherzustellen und den Einfluss der Anisotropie auf die Versuchsergebnisse zu verringern, haben wir die Oberfläche der Proben poliert. Außerdem wurde es vor dem Experiment 24 Stunden lang im Labor platziert, um den Einfluss von Umweltfaktoren zu reduzieren. Die Probenparameter sind in Tabelle 1 aufgeführt.

Schematische Darstellung der Versuchsanordnung.

Legen Sie die Probe auf die untere Platte. Die Mitte der Probe muss mit der Mitte der unteren Platte ausgerichtet sein. Die Position und Höhe der Wärmebildkamera und des Kamerageräts sind so angeordnet, dass sich das Objektiv und die Probe in vertikaler Richtung auf gleicher Höhe befinden und der Abstand in horizontaler Richtung 1 m beträgt. Um den Kontrast zwischen der Gesteinsprobe und der Umgebung zu erhöhen und die Fokussierung zu erleichtern, wurde die Gesteinsoberfläche vor Beginn des Experiments leicht mit Wasser angefeuchtet. In der Zwischenzeit wird die Wärmebildkamera aufgrund von Umgebungsstörungen automatisch fokussiert, was zu Datenmutationen führt.

Da die Änderung der Wärmestrahlung sehr empfindlich ist, wird die Versuchszeit auf den Morgen gelegt, wenn die Umgebungstemperatur niedrig ist. In der Nacht vor dem Experiment verbot das Experiment dem Personal strengstens den Zutritt, schloss die Türen und kontrollierte den Wind. Während des Experiments ist es Personen verboten, umherzulaufen, und das Teststück darf bis zum Ende des Experimentiervorgangs nicht langsam entfernt werden.

Die Wärmebildkamera HiNet384/640 kann jederzeit Informationen zur Objektoberflächentemperatur erfassen und die gesammelten Informationen in einer Datei im RAW-Format speichern. Jedes Wärmebild besteht aus einer räumlichen Matrix von 640 × 512, und jedes Element der Matrix repräsentiert den Temperaturwert der entsprechenden Pixel des Bildes. Während des Experiments führen die Störungen der Umgebung und die sich ändernde Temperatur der Gesteinsoberfläche dazu, dass die Temperaturverteilung zu jedem Zeitpunkt unterschiedlich ist. Eine vergleichende Analyse der Bildentwicklung im Zeitverlauf zeigt die Verhaltensmerkmale der thermischen Akkumulation während der Gesteinszerstörung. In diesem Artikel wird eine Methode zur Implementierung dieser Operation mit Python vorgeschlagen, insbesondere (Abb. 2):

Die Wärmebildsequenz wird vom Steuersystem des Wärmebildinstruments in Scheiben geschnitten, um die für das Experiment erforderliche Fragmentsequenz zu erhalten und sie in einer Reihe von Dateien im CSV-Format zu speichern.

Sequenzdateien werden herausgefiltert und mithilfe der Standardbibliothek (-OS) von Python eingelesen.

Jede räumliche Matrix wird von der erweiterten Python-Bibliothek durchlaufen und die Daten werden von einer integrierten Funktion verarbeitet, um das Maximum, das Minimum, den Mittelwert und die Standardabweichung der Matrix zu ermitteln und in einer Liste zu speichern.

Die resultierenden Sequenzergebnisse werden abschließend visualisiert.

Flussdiagramm der quantitativen IRT-Feldindikatoren.

Basierend auf Statistiken haben frühere Wissenschaftler eine Reihe quantitativer Analyseindikatoren vorgeschlagen11,20,21,33. Durch den Vergleich jedes Elements (Tij, i ist die Anzahl der Zeilen in der Matrix und j ist die Anzahl der Spalten des Elements in der Matrix) in der räumlichen Matrix (A(I × J)) werden fünf Hauptindizes ermittelt, nämlich MAXIRT ( der Maximalwert), MINIRT (der Minimalwert), AIRT (der Mittelwert), CIRT (Standardabweichung) und SIRT (Asymmetrie), die wie folgt definiert sind:

Gemäß den von den Wissenschaftlern analysierten Ergebnissen21 kommt diese Arbeit zu dem Schluss, dass einige quantitative Indikatoren (MAXIRT, MINIRT, SIRT) hinsichtlich ihrer zeitlichen Entwicklung nicht für die Analyse von Gesteinen mit einer gewissen Knotenneigung der Kluft geeignet sind. Mittlerweile verfügt AIRT über zeitliche Sichtbarkeit und Phasenänderungseigenschaften10,34 und kann auch die Last und den axialen Spannungszustand widerspiegeln, sodass AIRT und CIRT als quantitative Beschreibung der Verteilungseigenschaften von Gestein im Zeitverlauf verwendet werden.

Abbildung 3 zeigt den Versagensmodus von Phyllit bei verschiedenen Neigungswinkeln unter einachsiger Kompression. Die Versagensrisse der Phyllitprobe mit 0° sind Zug- und Scherrisse, und der endgültige Versagensmodus nach der Kompression ist hauptsächlich der Versagensmodus der Zug-Scher-Verbindung; Bei Proben mit 45° und 60° ist die Hauptrissform ein Scherriss und die Rissrichtung verläuft hauptsächlich parallel zur schwachen Oberfläche. Bei Proben mit einer Gelenkneigung von 90° ist die endgültige Versagensart hauptsächlich ein Zug-Scher-Verbundversagen. Daher ändert sich mit zunehmendem Phyllitwinkel die Winkelkontrollfähigkeit der Rissrichtung von schwach über stark nach schwach und erreicht den Maximalwert bei 45°.

Phyllit-Versagensmodus unter einachsiger Kompression: (a–e) stellen beschädigte Phyllit-Proben von 0°, 30°, 45°, 60° bzw. 90° dar.

Die Anzahl der Risse zeigt einen monoton steigenden Trend für die Phyllitproben mit unterschiedlichen Neigungswinkeln, da der Druck kontinuierlich akkumuliert wurde. Aus dem Grad der Rissausdehnung geht hervor, dass die Proben mit einer Gelenkneigung von 45° und 60° Scherrisse in Richtung entlang der strukturellen Schwachebene aufweisen, aber im Rest der Stelle keine offensichtlichen Risse erzeugen. Bei der Probe mit einer Gelenkneigung von 0° und 90° gibt es mehr Mikrorisse, der Rissausdehnungsgrad ist gründlicher und das Strukturversagen ist nach dem Schaden vollständiger. Gleichzeitig entstand aufgrund der Kontaktreibung der oberen Aufspannplatte an der Oberseite ein durchdringender Zugriss. Offensichtlich fördert die Änderung der Gelenkneigung bei 45° die Ausdehnung des Risses und erreicht den Höhepunkt bei 0°/90°.

In Tabelle 2 sind die uniaxialen Kompressionsergebnisse verschiedener Proben aufgeführt. Probe mit einer Gelenkneigung von 90° weist die höchste Druckfestigkeit auf, gefolgt von Probe mit einer Gelenkneigung von 0°. Bei einer Gelenkneigung von 30° ist die Probendruckfestigkeit am geringsten. Mit zunehmender Gelenkneigung von 30° auf 90° nimmt auch die Druckfestigkeit kontinuierlich zu. Der Hauptgrund für dieses Phänomen liegt darin, dass bei einem Gesteinsneigungswinkel von 0°/90° die Kompressionsrichtung und der Gelenkwinkel vertikal bzw. parallel sind und durch die Druckplatte die axiale Verschiebung zwischen verschiedenen Schichten begrenzt ist . Wenn der Neigungswinkel 0°–90° beträgt, ist die Schwierigkeit des Schergleitens zwischen der Oberfläche der Schichten unterschiedlich und erreicht den Minimalwert, wenn der Neigungswinkel 30°–45° beträgt. Nach der Theorie der einzelnen Diskontinuität entspricht die Druckfestigkeit der Gesteinsmasse der Festigkeit des Gesteins selbst, wenn die schwache Ebene der Struktur senkrecht zur Richtung der maximalen Hauptspannung steht, und wenn das Gestein entlang der schwachen Ebene versetzt ist , die Druckfestigkeit der Gesteinsmasse ist die Druckfestigkeit der schwachen Ebene. Wenn der Neigungswinkel des Gesteins und die Kompressionsrichtung einen bestimmten Winkel haben, ist die Kontrollfähigkeit der schwachen Oberfläche der Struktur auf die Druckfestigkeit des Gesteins stärker. Daher zeigt die Druckfestigkeit der Probe mit zunehmendem Neigungswinkel einen U-förmigen Trend, der den vorherigen Forschungsergebnissen ähnelt35.

Die Spannungs-Dehnungs-Kurve von Gestein ist für die Analyse der Veränderungen der Gesteinseigenschaften von Bedeutung. Da das Experiment den Kompressionsprozess mit einer konstanten Verschiebungsrate steuert, kann anstelle der Spannungs-Dehnungs-Kurve die Spannungs-Zeit-Kurve des Gesteins verwendet werden. Entsprechend dem einachsigen Kompressionsversagensprozess jeder Probe (Abb. 4) kann der Gesteinsversagensprozess während des Kompressionsprozesses in vier Prozesse17 unterteilt werden: Kompressionsstadium, elastisches Stadium, Instabilitätsstadium und Versagensstadium.

Versagensprozess von Phyllit in verschiedenen Winkeln.

Stadium I (Kompressionsstadium) In der frühen Phase der Kompression, da es einige Poren und winzige Risse im Gestein selbst gibt, wird in diesem Stadium die Spannungsausbreitung blockiert, was dazu führt, dass die Spannung langsam ansteigt und die Kurve einen Trend zeigt nach oben konkav.

Stufe II (elastische Phase) Nach Eintritt in die elastische Phase zeigt die Spannung aufgrund der Verdichtung des inneren Spalts einen nahezu linearen Wachstumsverlauf. Im Inneren des Gesteins treten einige Mikrorisse auf, die sich bei anhaltender Belastung über einen gewissen Bereich ausdehnen.

Stadium III (Instabilitätsstadium) Mit der kontinuierlichen Ausdehnung von Rissen und der Entstehung neuer Risse beginnen einige Risse zu verschmelzen. Die Spannungs-Zeit-Kurve weist nichtlineare Eigenschaften auf, was darauf hindeutet, dass die Zerstörung der Gesteinsmasse bevorsteht.

Stadium IV (Versagensstadium) In diesem Stadium kommt es zu einer Verschmelzung zwischen den Rissen. Nach der Spannungsspitze entsteht ein durchdringender Riss in der Gesteinsmasse, und die Gesteinsmasse bricht vollständig zusammen; Die Belastung erfolgt klippenartig.

Wenn wir die Spannungs-Zeit-Kurve verschiedener Neigungsproben beobachten, können wir feststellen, dass bei Proben mit Neigungswinkeln von 0° und 90° der Kompressionsprozess weniger durch die Neigung beeinflusst wird und die Kurve einen höheren Winkel aufweist; Bei Proben mit Neigungswinkeln von 30°, 45° und 60° hat die Gelenkneigung eine stärkere Kontrolle über die Druckfestigkeit und die Kurve weist einen kleineren Winkel auf. Das Phänomen ähnelt dem vorherigen Wu-Experiment10.

Durch die Analyse und den Vergleich der Spannungs-Zeit-Kurve von AIRT-Bildern und verschiedenen Proben (Abb. 5) haben wir festgestellt, dass der sich ändernde Trend von AIRT eine gewisse Korrelation für verschiedene Gelenkneigungsproben aufweist und die AIRT-Trends verschiedener Proben in unterschiedlichen Stadien sind auch konsistent, was mit früheren Forschungsergebnissen übereinstimmt10. Im Prozess der Probenzerstörung wird entsprechend dem sich ändernden Trend von AIRT in Kombination mit dem thermischen Reibungseffekt, dem Störeffekt und der Thermoelastizität der Änderungsprozess von AIRT in den vier Phasen erklärt:

Zeitliche Verteilung der AIRT-Bilder: (a–e) präsentieren Phyllitproben mit 0°, 30°, 45°, 60° bzw. 90°.

Stufe I (Kompressionsstufe) In dieser Stufe wird das innere Gas aus der Gesteinsmasse herausgedrückt, da die Gesteinsmasse einige Poren und Risse aufweist. Während das Gas aus der Gesteinsmasse entweicht, entzieht es auch etwas Wärme, was dazu führt, dass der AIRT einen Abwärtstrend der Temperatur aufweist. Mit fortschreitender zunehmender Last wird das interne Gas nahezu eliminiert, die Gesamttemperatur steigt und der AIRT zeigt den Trend eines allmählichen Anstiegs.

Stadium II (elastisches Stadium) Mit zunehmender Belastung entstehen einige Mikrorisse in der Gesteinsmasse. Allerdings ist im elastischen Stadium die axiale Belastung des Gesteins auf einem niedrigen Niveau und der thermoelastische Effekt dominiert immer noch die Temperaturkontrolle, sodass AIRT einen Aufwärtstrend zeigt. Verschiedene Schadensformen verursachen vor allem das Schwankungsphänomen im Aufwärtsstadium. Wenn es sich bei dem Risstyp um einen Scherriss handelt, steigt die Temperatur aufgrund der Reibung, der Zugriss führt jedoch zu einer Verringerung von AIRT.

Stadium III (plastisches Stadium) Mit zunehmender Belastung wird die Rissausdehnung, die Koaleszenz und die Kontrollfähigkeit der strukturell schwachen Ebene zum Gestein immer stärker, die Bildung von Rissen erfolgt hauptsächlich durch Scherrisse und der Reibungseffekt zwischen der Rissoberfläche nimmt ebenfalls zu steigt mit zunehmender Belastung. Die gesamte makroskopische Leistung der Gesteine war ein erhöhter AIRT.

Stadium IV (Versagensstadium) Durch das deutliche Bruchgeräusch und das Spritzen von Gesteinsschutt erschweren die eindringenden Risse im Gestein die Übertragung der Axialspannung und die Reibungswirkung zwischen den Rissen wird entsprechend geschwächt. Die makroskopische Leistung ist der AIRT-Abfall.

Jedes Element in der räumlichen Matrix A wird gezählt und die statistischen Ergebnisse werden in Histogramme umgewandelt, um die räumliche Verteilung des Wärmebildes jeder Probe zu erhalten (Abb. 6). Gemäß der in der Abbildung gezeigten Verteilung und Anpassung von IRT entspricht die räumliche Verteilung von IRT der Gaußschen Verteilung und ihr Ausdruck wird wie folgt dargestellt:

Räumliches Verteilungsdiagramm der IRT-Felder.

Für die Anpassungsergebnisse der IRT-Verteilung von Proben mit unterschiedlichen Neigungswinkeln sind die Parameter in Tabelle 3 aufgeführt. Darüber hinaus sind die Gaußsche Kurve und der Kurvenanpassungsgrad sehr hoch, der Kurvenvarianzbereich (0,9281–0,9904). Für verschiedene Stichproben ist die IRT-Verteilung jedoch unterschiedlich. Bei Proben mit einer Gelenkneigung von 30° ist die räumliche Verteilung symmetrisch. Bei den Proben mit Gelenkneigungswinkeln von 90° und 45° ist der Spitzenwert leicht nach rechts verschoben, während die Proben mit Gelenkneigungswinkeln von 60° und 0° leicht nach links verschoben sind. Wenn der Gelenkneigungswinkel 0–60° beträgt, nimmt mit zunehmendem Neigungswinkel der Schichtung der Anteil der Temperatur außerhalb des Symmetriezentrums allmählich ab und die Temperaturverteilung ist konzentrierter , der Anteil der Gesteinsrisse entlang der Gelenkoberflächenschäden an den gesamten Rissen nimmt zu, was den Unterschied zwischen der Reibungswirkung der Gelenkoberfläche und der Strahlungsintensität anderer Teile erhöht, was zu einer Konzentration der Gesamtverteilung führt; In ähnlicher Weise entfernt sich die Temperaturverteilung allmählich vom Symmetriezentrum, wenn der Gelenkneigungswinkel 60° überschreitet.

Basierend auf den Temperaturinformationen jedes Teils verschiedener Proben verwenden wir den quantitativen CIRT-Analyseindex, um den Entwicklungsprozess der Probendispersion im Laufe der Zeit zu erfassen. Den statistischen Ergebnissen zufolge (Abb. 7) zeigt die CIRT-Kurve ein bestimmtes zeitliches Evolutionsgesetz. Wie folgt:

Zeitliche Verteilung der CIRT-Bilder: (a–e) präsentieren Phyllitproben mit 0°, 30°, 45°, 60° bzw. 90°.

Im Stadium I (Kompressionsstadium) zeigten die CIRT-Kurven verschiedener Proben alle einen Änderungsprozess vom Typ „U“. Der Hauptgrund liegt darin, dass in der Kompressionsphase die kleinen Defekte auf der Oberfläche allmählich verdichtet werden und der Unterschied zwischen dem Oberflächenemissionsgrad verschiedener Teile der Probe abnimmt. Gemäß der Stefan-Boltzmann-Formel ist die Wärmestrahlungsfähigkeit der Probenoberfläche ähnlich, der Unterschied der erfassten Temperaturinformationen ist gering und die CIRT-Kurve der makroskopischen Leistung nimmt ab. Nach der Verdichtung kleiner Risse auf der Oberfläche erscheint aufgrund des thermoelastischen Effekts in einigen Bereichen der Probe ein diskreter kleiner Hochtemperaturbereich, und die CIRT-Kurve nimmt makroskopisch ab.

Stufe II (elastische Stufe), bei der kontinuierlichen Belastung der Probe wird die Wärmestrahlung der Gesteinsmasse hauptsächlich durch den thermoelastischen Effekt gesteuert. Zu diesem Zeitpunkt ist der Änderungstrend verschiedener Stichproben unterschiedlich, der CIRT schwankt jedoch innerhalb eines bestimmten Bereichs.

Im Stadium III (Instabilitätsstadium) nimmt die CIRT-Schwankungsamplitude der Probe allmählich ab und die Kurvenfläche nimmt stetig zu oder ab, was dem Rissausdehnungsanteil im Versagensprozess entspricht.

Stadium IV (Versagensstadium): Wenn die Gesteinsmasse zerstört wird, wird der Reibungseffekt geschwächt, die CIRT-Kurve ändert sich sanft, was widerspiegelt, dass die Gesamttemperaturverteilung des Gesteins relativ gleichmäßig ist.

Gemäß den Ergebnissen des Abschnitts „Erstellung quantitativer IRT-Feldindikatoren“ weisen verschiedene quantitative Analyseindizes eine spezifische zeitliche Änderung im Prozess des Gesteinsversagens auf. Beispielsweise steigt AIRT vor dem Versagen der Gesteinsmasse aufgrund der heftigen Wirkung interner Scherrisse stark an und erreicht einen Höhepunkt, bevor die Gesteinsmasse vollständig zerstört ist; Vor dem Eintritt in die plastische Phase führt die Ausdehnung von Zugrissen zu einem allgemeinen Abwärtstrend von AIRT. Durch Extrahieren der Informationen verschiedener quantitativer Analyseindizes (CIRT, \(\Delta \), AIRT) in Zeit und Raum (\(\Delta \) ist daher die Differenz zwischen der maximalen Temperatur und der minimalen Temperatur im Wärmebild, Dargestellt als Formel 7), um die Spannungskurve von Gestein vorherzusagen, kann die Vorhersage der Gesteinsversagenszeit bis zu einem gewissen Grad realisiert werden.

Wie wir alle wissen, wird LSTM häufig zur Analyse instationärer Datensätze verwendet. Im Vergleich zu RNN besteht sein Hauptmerkmal darin, eine Speichereinheit einzurichten, die hauptsächlich aus drei Teilen besteht: (1) Vergessenstor: Bestimmt die Informationen, die vergessen oder verloren werden müssen; (2) Speichergate: bestimmt, welche neuen Informationen im Gerätemodul gespeichert werden müssen; (3) Ausgabegatter: Bestimmen, welche Teile des Zellzustands ausgegeben werden müssen. Die Berechnungsformel für die Speichereinheit von LSTM lautet wie folgt:

wo stellt die Ausgabe der vorherigen Moduleinheit dar; der Eingabevektor zum Zeitpunkt t; stellt die Bias-Matrix dar; stellt die Sigmoid-Aktivierungsfunktion dar.

Nach dem Hinzufügen des Aufmerksamkeitsmechanismus kann das Modell verschiedenen Indikatoren für die Wärmebildanalyse unterschiedliche Gewichte zuweisen, die Ferninformationen in den Daten verstärken, wichtige Informationen beibehalten und die Genauigkeit des Modells verbessern. In unserem Modell übertragen wir die Ausgabe des LSTM-Netzwerks auf die Aufmerksamkeitsschicht, berechnen die Bewertungen der drei Analyseindikatoren, geben unterschiedliche Gewichte und übertragen sie schließlich zur Berechnung auf die vollständig verbundene Schicht.

Im Vergleich zu herkömmlichen Zeitreihenanalysemethoden (ARIMA, VAR usw.) können tiefe neuronale Netze instationäre Daten gut analysieren und vorhersagen. Dieser Artikel kombiniert CNN mit dem neuronalen Bi-LSTM-Netzwerk und integriert den Aufmerksamkeitsmechanismus, um die Ausgabe von Bi-LSTM zu gewichten und die kritischen Informationen in den Daten zu erfassen. Wir verwenden Tensorflow, um unser Modell zu erstellen, und verwenden NVIDIA A16, um das Modell zu trainieren. Die anfängliche Lernrate und die Stapelgröße betragen 0,01 bzw. 20. Die Eingabe des Modells ist ein Vektor mit 4 Längen und die entsprechende Ausgabe ist die Belastung des nächsten Zeitschritts. Wir wählen ADAM und MSE als Optimierer bzw. Verlustfunktion. Jedes Experiment wurde dreimal wiederholt und der Durchschnittswert wurde als Trainingsergebnis verwendet. Die spezifische Modellstruktur ist in Abb. 8 dargestellt.

Modellrahmen und sein Flussdiagramm.

Für die relevanten Ergebnisse verwendet dieser Artikel den mittleren quadratischen Fehler, um die experimentellen Ergebnisse auszuwerten. Der mittlere quadratische Fehler MSE stellt die durchschnittliche Summe der Quadrate des Abstands vom tatsächlichen Wert der einzelnen Daten dar und spiegelt die Gesamtverteilung der Daten wider. Der Ausdruck lautet wie folgt:

In der Formel stellt N die Anzahl der Stichproben dar, die i-te Stichprobe den Durchschnitt der Gesamtstichproben und δ stellt die Differenz zwischen dem tatsächlichen Wert und dem vorhergesagten Wert dar.)

Abbildung 9 und Tabelle 4 zeigen die Anpassungskurve nach den Ergebnissen von Training und Trainingsdaten, Trainingsdatenfehlern und Verifizierungsdatenfehlern. Die Vorhersageergebnisse stimmen mit der Gesteinsspannungskurve überein und der Vorhersagefehler zum Zeitpunkt des Versagens ist gering. Der Verlust des Trainingssatzes und des Validierungssatzes ist gering. Daher kann das Modell den Zeitpunkt des Gesteinsversagens effektiv vorhersagen.

Trainingsergebnisse.

Im Hinblick auf die Risserkennung bietet die Wärmebildtechnik als zerstörungsfreie Erkennungsmethode für die aktuelle Überwachung primärer akustischer Emissionen (AE) und Mikroseismik (MS) eine völlig neue Richtung für die Erkennung von Felsrissen, indem sie die von ihnen emittierte Schwarzkörperstrahlung aufzeichnet die Gesteinsoberfläche. Obwohl es keine eindeutige Schlussfolgerung zwischen dem Verhalten von Gesteinsrissen und der Wärmestrahlung gibt, haben viele aktuelle Studien den Zusammenhang zwischen beiden gezeigt und verschiedene Schemata zur Verbesserung der Erkennungsgenauigkeit vorgeschlagen.

Die vorherrschende Sichtweise der Gesteinstemperaturänderung ist der Gasdesorptions-Entweichungseffekt, der thermoelastische Effekt und der Reibungseffekt. Bei Gesteinen mit unterschiedlicher Gelenkneigung tritt der Gasdesorptions-Entweichungseffekt hauptsächlich im frühen Stadium der aufgebrachten Belastung auf, wenn im Gestein viele Hohlräume vorhanden sind. Während des Kompressionsprozesses entweicht das Gas nach und nach aus dem Gestein und entzieht ihm die Wärme; Der thermoelastische Effekt dominiert die späte Phase des Kompressionsstadiums und die vordere Phase des elastischen Stadiums. Aufgrund der geringen äußeren Belastung haben die Reibung und Dissipation zwischen Felsrissen weniger Energie; Im späten elastischen Stadium und im plastischen Stadium dominiert aufgrund der expandierenden Koaleszenz der inneren Risse die Wärmeenergie, die aus Reibungskollisionen zwischen Rissen resultiert, die Temperaturschwankung. Bei den Rissen handelt es sich überwiegend um Scherrisse und Zugrisse. Es ist erwähnenswert, dass auch der thermische Effekt, der durch den Neigungswinkel der Felsfuge verursacht wird, unterschiedlich ist. Bei Gesteinen mit zu geringer oder zu großer Neigung ist der Hauptversagensmodus der Spannungsversagen und der Riss der Zugriss; Während der Expansion werden die Oberflächen der beiden Risse entlang der Richtung der Normalphase getrennt, was zu einer Volumenexpansion und einem schwachen Reibungseffekt führt. Wenn die Verbindungsneigung (30–60)° beträgt, ist die Versagensart hauptsächlich Scherversagen und die Rissart ist Scherriss. Die Rissoberfläche gleitet entlang der schwachen Oberfläche der Struktur und der Reibungseffekt ist während der Ausdehnung stark, was zu einem Temperaturanstieg führt7,36.

Um die Umgebung besser erkennen zu können, haben wir in diesem Experiment die Probenoberfläche leicht angefeuchtet. Am Ende der Verdichtung und frühen elastischen Phase entzieht die Wasserverdunstung einen Teil der Wärme an der Oberfläche. Die Makroleistung von AIRT nimmt ab, aber nach kurzer Zeit, mit der vollständigen Vergasung von Wasser, nimmt der Einfluss von Wasser in AIRT allmählich ab. Im Vergleich zu früheren Forschungsergebnissen20,30,33,37 hatte die vorherige Benetzungsbehandlung keinen Einfluss auf den nachfolgenden AIRT-Kurventrend nach der Wasserverdunstung.

Für den quantitativen Analyseindex des IRT-Feldes können der MAXIRT- und der MINIRT-Index bei der Beschreibung der Temperatureigenschaften des Gesteinszerstörungsverhaltens aufgrund von Umweltstörungen den tatsächlichen Prozess nicht effektiv und umfassend widerspiegeln. Allerdings nur die drei Phasen vor dem Gesteinsversagen , Ladevorgang und nach dem Ausfall können unterschieden werden; Das heißt, die Änderung im Ladevorgang kann nicht effektiv analysiert werden.

Bei der Verwendung der CIRT-Analyse21 besteht bei Gesteinen mit einem bestimmten Gelenkneigungswinkel der Unterschied zwischen Gesteinen mit vorgefertigten Rissen darin, dass beim Komprimieren kein starkes Spannungskonzentrationsphänomen auftritt, was zu einem starken thermischen Effekt auf das Gestein führt. Die Streuung und Schiefe der Temperaturverteilung ändert sich nicht abrupt, sodass der Zeitpunkt der Gesteinszerstörung nicht effektiv vorhergesagt werden kann. Darüber hinaus kann AIRT die Verteilungsmerkmale des gesamten IRT-Feldes widerspiegeln und offensichtliche Veränderungen in verschiedenen Schadensstadien aufweisen. Es kann den Gesteinsschadensprozess in einem bestimmten Gebiet effektiv analysieren, erfordert jedoch mithilfe von AIRT-Punkten eine bestimmte Menge an Temperaturdaten zur Unterstützung Für die Schadensanalyse kleiner Flächen ist die Methode der AIRT-Analyse nicht anwendbar.

Zusammenfassend lässt sich sagen, dass die Auswahl eines einzigen quantitativen Analyseindex nicht auf alle Fälle angewendet werden kann. Nur durch die Kombination mehrerer Analyseindikatoren können wir die Eigenschaften von Gesteinsversagen besser analysieren, was auch der Hauptgrund für unsere nachfolgende gemeinsame Multi-Faktor-Vorhersage ist.

Um die Vorteile unseres Modells besser zu demonstrieren, haben wir ein Bi-LSTM-Modell ohne den Aufmerksamkeitsmechanismus entworfen und es mit unserem Modell verglichen. Die Ergebnisse sind in Abb. 10 und Tabelle 4 dargestellt. Die Modellergebnisse zeigen, dass unser Modell in den meisten Stichproben bessere Vorhersageergebnisse liefert als die CNN + BiLSTM-Netzwerkarchitektur ohne Aufmerksamkeitsmechanismus, Varianz und relativen Fehler. Daher kann unser Modell die Zeit des Gesteinsversagens besser vorhersagen als das gewöhnliche Zeitreihenvorhersagenetzwerk.

Modellvergleichsergebnisse: (a–e) präsentieren Phyllitproben mit 0°, 30°, 45°, 60° bzw. 90°.

Der Zerstörungsprozess des Gesteins ist der Prozess der Entstehung, Ausdehnung, Verschmelzung und endgültigen Durchdringung der Mikrorisse im Gestein. Durch die Untersuchung des Versagensprozesses von Gestein werden entsprechende Schutzmaßnahmen vorgeschlagen, um den Entwicklungsprozess von Mikrorissen zu hemmen, das Auftreten von Gesteinsversagen zu verhindern und den durch Gesteinsversagen verursachten Verlust zu verringern, was im Mittelpunkt der Studie steht. Die Vorhersage des Auftretens von Gesteinsschäden kann den aktuellen Zustand des Gesteins besser analysieren, die optimale Entscheidung erleichtern und je nach Situation entsprechende Maßnahmen ergreifen, um den Zweck eines optimalen Schutzes zu erreichen.

Dieser Artikel entwarf eine quantitative Analyse des IRT-Bereichs durch Python, kombiniert mit Infrarot-Wärmebildtechnologie und künstlicher neuronaler Netzwerktechnologie. Es analysierte und prognostizierte den Zerstörungsprozess von Phyllitproben mit unterschiedlichen Neigungswinkeln. Es zeigt sich, dass die Spannungs-Zeit-Kurve verschiedener Gelenkneigungen ein ähnliches Entwicklungsstadium aufweist und die Größe der Neigungswinkel auch die durch den Schaden verursachte Rissart beeinflusst. Es liefert eine theoretische Grundlage für spätere Forschung. Dementsprechend ziehen wir folgende Schlussfolgerungen:

Entsprechend dem Spannungsänderungsprozess des Gesteins haben wir den Gesteinszerstörungsprozess grob in vier Phasen unterteilt: Kompression, Elastizität, Plastizität und Versagen. Im elastischen Stadium geht der dominierende Faktor der Gesteinstemperaturkontrolle aufgrund der Bildung und Ausdehnung von Scherrissen allmählich vom thermoelastischen Effekt zum Reibungseffekt über. Wenn das Gestein in das Versagensstadium eintritt, wird die Reibung zwischen den Gesteinen am stärksten und erzeugt eine große Wärmemenge, die als Zeichen dafür verwendet werden kann, dass das Gestein beschädigt wird.

Der AIRT-Index kann den Prozess der Entwicklung der Gesteinszerstörung angemessen beschreiben und analysieren, indem er die Infrarotstrahlung auf der Oberfläche der Gesteinsmasse aufzeichnet und in gewissem Maße die innere Aktivität der Gesteinsmasse widerspiegelt. Für die AIRT-Verteilung von Gesteinen mit unterschiedlichen Neigungswinkeln zeigen die Ergebnisse, dass die Verteilungseigenschaften von AIRT mit der Gaußschen Verteilung übereinstimmen und das Konzentrationsverhältnis der Verteilung unterschiedlich ist, was das Phänomen der Spitzenabweichung zeigt.

Das wiederkehrende neuronale Netzwerk CNN + BiLSM mit Aufmerksamkeitsmechanismus eignet sich zur Vorhersage der Zeit des Gesteinsversagens. Für Gesteine mit unterschiedlichen Neigungswinkeln können zufriedenstellende Ergebnisse erzielt werden. Es kann als Methode zur Vorhersage des Zeitpunkts des Gesteinsversagens verwendet werden, was dabei hilft, das Gesteinsstadium genau zu beurteilen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Guo, S., Qi, S., Zhan, Z. & Bowen, Z. Von der plastischen Dehnung abhängiges Festigkeitsmodell zur Simulation des Rissbildungsprozesses von sprödem Gestein mit einer vorhandenen, nicht beständigen Verbindung. Ing. Geol. 231, 114–125. https://doi.org/10.1016/j.enggeo.2017.10.008 (2017).

Artikel Google Scholar

Niu, W. et al. Auswahl und Charakterisierung mikroseismischer Informationen über Gebirgsversagen zur Steinbruchwarnung in einem tiefen Tunnel. Ing. Scheitern. Anal. https://doi.org/10.1016/j.engfailanal.2021.105910 (2022).

Artikel Google Scholar

Zhang, Y., Zhao, G.-F. & Li, Q. Akustische Emission deckt die thermische Schädigungsentwicklung von Gestein auf. Int. J. Rock Mech. Mindest. Wissenschaft. https://doi.org/10.1016/j.ijrmms.2020.104388 (2020).

Artikel Google Scholar

Jiang, J., Su, G., Yan, Z., Zheng, Z. & Hu, X. Identifizierung des Gesteinsrisstyps durch Gaußsches Prozesslernen zur akustischen Emission. Appl. Akustisch. https://doi.org/10.1016/j.apacoust.2022.108926 (2022).

Artikel Google Scholar

Zhao, J.-S. et al. Beobachtung von Gesteinsbrüchen basierend auf mikroseismischer Überwachung und Bohrlochbildgebung: In-situ-Untersuchung in einer großen unterirdischen Höhle unter hoher Geostress. Tunn. Undergr. Weltraumtechnologie. https://doi.org/10.1016/j.tust.2022.104549 (2022).

Artikel Google Scholar

Li, B., Xu, N., Dai, F., Zhang, G. & Xiao, P. Dynamische Analyse der Gesteinsmassenverformung in großen unterirdischen Kavernen unter Berücksichtigung mikroseismischer Daten. Int. J. Rock Mech. Mindest. Wissenschaft. https://doi.org/10.1016/j.ijrmms.2019.104078 (2019).

Artikel Google Scholar

Zafar, S., Hedayat, A. & Moradian, O. Entwicklung von Zug- und Scherrissen in kristallinen Gesteinen unter Druck. Theor. Appl. Bruch. Mech. https://doi.org/10.1016/j.tafmec.2022.103254 (2022).

Artikel Google Scholar

Li, D., Gao, F., Han, Z. & Zhu, Q. Experimentelle Bewertung des Gesteinsversagensmechanismus mit kombinierten Fehlern in einer verbundenen Geometrie unter gekoppelten statisch-dynamischen Lasten. Bodendyn. Earthq. Ing. https://doi.org/10.1016/j.soildyn.2020.106088 (2020).

Artikel Google Scholar

Sun, H. et al. Infrarotstrahlungstest zum Einfluss des Wassergehalts auf die Entwicklung von Sandsteinschäden. Infrarotphysik. Technol. https://doi.org/10.1016/j.infrared.2021.103876 (2021).

Artikel Google Scholar

Wu, L., Liu, S., Wu, Y. & Wang, C. Vorläufer für Gesteinsbrüche und -versagen – Teil II: IRR-T-Kurven-Anomalien. Int. J. Rock Mech. Mindest. Wissenschaft. 43(3), 483–493. https://doi.org/10.1016/j.ijrmms.2005.09.001 (2006).

Artikel Google Scholar

Ma, L., Sun, H., Ngo, I. & Han, J. Infrarotstrahlungsquantifizierung von Gesteinsschäden und deren konstitutive Modellierung unter Belastung. Infrarotphysik. Technol. https://doi.org/10.1016/j.infrared.2022.104044 (2022).

Artikel Google Scholar

Mineo, S. & Pappalardo, G. Die Infrarot-Thermografie wird als innovative und zerstörungsfreie Lösung zur Quantifizierung der Gesteinsporosität im Labor vorgestellt. Int. J. Rock Mech. Mindest. Wissenschaft. 115, 99–110. https://doi.org/10.1016/j.ijrmms.2019.01.012 (2019).

Artikel Google Scholar

Zhang, F. et al. Quantitative Beschreibungstheorie der Wassermigration in Gesteinsstandorten basierend auf der Infrarotstrahlungstemperatur. Ing. Geol. 241, 64–75. https://doi.org/10.1016/j.enggeo.2018.05.006 (2018).

Artikel ADS Google Scholar

Yin, S. et al. Experimentelle Studie über die Infrarot-Vorläufereigenschaften des Versagens von gasführender Kohle unter Belastung. Int. J. Min. Wissenschaft. Technol. 31(5), 901–912. https://doi.org/10.1016/j.ijmst.2021.07.003 (2021).

Artikel Google Scholar

Seo, H. Infrarot-Thermografie zur Erkennung von Rissen in Säulenmodellen mit unterschiedlichen Verstärkungssystemen. Tunn. Undergr. Weltraumtechnologie. https://doi.org/10.1016/j.tust.2021.104118 (2021).

Artikel Google Scholar

Wang, S., Li, D., Li, C., Zhang, C. & Zhang, Y. Wärmestrahlungseigenschaften der Spannungsentwicklung eines kreisförmigen Tunnelaushubs unter verschiedenen Grenzdrücken. Tunn. Undergr. Weltraumtechnologie. 78, 76–83. https://doi.org/10.1016/j.tust.2018.04.021 (2018).

Artikel Google Scholar

Sun, H. et al. Der Reaktionsmechanismus der akustischen und thermischen Wirkung, wenn Stress Gesteinsschäden verursacht. Appl. Akustisch. https://doi.org/10.1016/j.apacoust.2021.108093 (2021).

Artikel Google Scholar

Sun, X., Int. J. Rock Mech. Mindest. Wissenschaft. 93, 250–259. https://doi.org/10.1016/j.ijrmms.2017.02.005 (2017).

Artikel Google Scholar

Sun, H., Liu, XL, Zhang, SG & Nawnit, K. Experimentelle Untersuchung der akustischen Emission und Infrarotstrahlungsthermographie des dynamischen Bruchprozesses von Hartgesteinssäulen in extrem steilen und dicken Kohleflözen. Ing. Bruch. Mech. https://doi.org/10.1016/j.engfracmech.2019.106845 (2020).

Artikel Google Scholar

Shen, R. et al. Infrarotstrahlungseigenschaften und Extraktion von Bruchvorläuferinformationen aus beladenen Sandsteinproben mit unterschiedlichen Feuchtigkeitsgehalten. Int. J. Rock Mech. Mindest. Wissenschaft. https://doi.org/10.1016/j.ijrmms.2020.104344 (2020).

Artikel Google Scholar

Zhang, K., Liu, X., Chen, Y. & Cheng, H. Quantitative Beschreibung der Infrarotstrahlungseigenschaften von vorfehlerhaftem Sandstein während des Frakturierungsprozesses. J. Rock Mech. Geotechnik. Ing. 13(1), 131–142. https://doi.org/10.1016/j.jrmge.2020.05.003 (2021).

Artikel Google Scholar

Yang, C., Zhou, K., Xiong, Kaltreg. Wissenschaft. Technol. https://doi.org/10.1016/j.coldregions.2021.103232 (2021).

Artikel Google Scholar

Yang, H., Liu, B. & Karekal, S. Experimentelle Untersuchung der Infrarotstrahlungsmerkmale des Bruchprozesses in verbundenem Gestein unter konzentrierter Belastung. Int. J. Rock Mech. Mindest. Wissenschaft. https://doi.org/10.1016/j.ijrmms.2021.104619 (2021).

Artikel Google Scholar

Pu, Y., Apel, DB, Liu, V. & Mitri, H. Methoden des maschinellen Lernens zur Rockburst-Vorhersage – Überprüfung auf dem neuesten Stand der Technik. Int. J. Min. Wissenschaft. Technol. 29(4), 565–570. https://doi.org/10.1016/j.ijmst.2019.06.009 (2019).

Artikel Google Scholar

Gehlot, T., Dave, M. & Solanki, D. Neuronales Netzwerkmodell zur Vorhersage der Druckfestigkeit von stahlfaserverstärkten Betonelementen unter Einbeziehung zusätzlicher zementhaltiger Materialien. Materialien heute: Proc. 62, 6498–6506. https://doi.org/10.1016/j.matpr.2022.04.327 (2022).

Artikel CAS Google Scholar

Hassanvand, M., Moradi, S., Fattahi, M., Zargar, G. & Kamari, M. Schätzung der einachsigen Gesteinsdruckfestigkeit für ein iranisches Karbonatölreservoir: Modellierung vs. Anwendung eines künstlichen neuronalen Netzwerks. Haustier. Res. 3(4), 336–345. https://doi.org/10.1016/j.ptlrs.2018.08.004 (2018).

Artikel Google Scholar

Kaunda, R. Neue künstliche neuronale Netze für eine echte triaxiale Spannungszustandsanalyse und Demonstration intermediärer Hauptspannungseffekte auf die Festigkeit intakten Gesteins. J. Rock Mech. Geotechnik. Ing. 6(4), 338–347. https://doi.org/10.1016/j.jrmge.2014.04.008 (2014).

Artikel Google Scholar

Rafiai, H. & Jafari, A. Künstliche neuronale Netze als Grundlage für eine neue Generation von Gesteinsversagenskriterien. Int. J. Rock Mech. Mindest. Wissenschaft. 48(7), 1153–1159. https://doi.org/10.1016/j.ijrmms.2011.06.001 (2011).

Artikel Google Scholar

Asadi, A. Anwendung künstlicher neuronaler Netze zur Vorhersage der einachsigen Druckfestigkeit von Gesteinen mithilfe von Bohrlochprotokollen und Bohrdaten. Procedia Eng. 191, 279–286. https://doi.org/10.1016/j.proeng.2017.05.182 (2017).

Artikel Google Scholar

Zhao, Y., Hu, H., Song, C. & Wang, Z. Vorhersage der Druckfestigkeit von Kunstsandbeton mithilfe konventioneller und metaheuristisch abgestimmter künstlicher neuronaler Netzwerke. Messung https://doi.org/10.1016/j.measurement.2022.110993 (2022).

Artikel Google Scholar

Cao, K. et al. Statistisches Schädigungsmodell für trockenes und gesättigtes Gestein unter einachsiger Belastung auf Basis von Infrarotstrahlung zur möglichen Spannungsvorhersage. Ing. Bruch. Mech. https://doi.org/10.1016/j.engfracmech.2021.108134 (2022).

Artikel Google Scholar

Rahmanpanah, H., Mouloodi, S., Burvill, C., Gohari, S. & Davies, HMS Vorhersage der Last-Verschiebungs-Kurve in einer komplexen Struktur unter Verwendung künstlicher neuronaler Netze: eine Studie an einem langen Knochen. Int. J. Eng. Wissenschaft. https://doi.org/10.1016/j.ijengsci.2020.103319 (2020).

Artikel MATH Google Scholar

Sun, H., Ma, L., Adeleke, N. & Zhang, Y. Hintergrundmethode zur Korrektur des thermischen Rauschens für die durchschnittliche Infrarotstrahlungstemperatur von Kohle unter einachsiger Belastung. Infrarotphysik. Technol. 81, 157–165. https://doi.org/10.1016/j.infrared.2017.01.001 (2017).

Artikel ADS CAS Google Scholar

Cao, K. et al. Eine experimentelle Untersuchung der Infrarotstrahlungseigenschaften von Sandstein im Dilatanzprozess. Int. J. Rock Mech. Mindest. Wissenschaft. https://doi.org/10.1016/j.ijrmms.2020.104503 (2020).

Artikel Google Scholar

Si, X.-F., Huang, L.-Q., Li, X.-B., Gong, F.-Q. & Liu, X.-L. Mechanische Eigenschaften und Steinschlaganfälligkeit von Phyllit unter einachsiger Kompression. Trans. Nichteisenmetall Met. Soc. China 31(12), 3862–3878. https://doi.org/10.1016/s1003-6326(21)65770-9 (2021).

Artikel Google Scholar

Zhang, X. et al. Experimentelle Studie zur Rissausbreitung und zum Versagensmodus von zerklüftetem Schiefer unter einachsiger Kompression. Theor. Appl. Bruch. Mech. https://doi.org/10.1016/j.tafmec.2022.103512 (2022).

Artikel Google Scholar

Liu, W., Ma, L., Sun, H. & Muhammad Khan, N. Eine experimentelle Studie über Infrarotstrahlung und Schallemissionseigenschaften während des Rissbildungsprozesses beim Laden von Gestein. Infrarotphysik. Technol. https://doi.org/10.1016/j.infrared.2021.103864 (2021).

Artikel Google Scholar

Referenzen herunterladen

Diese Forschung wurde vom Excellent Youth Project des Bildungsministeriums der Provinz Hunan (Nr.: 22B0164) und der Wissenschaftsstiftung der Provinz Hunan, Fördernummer (Nr.: 2021JJ30679), finanziert.

Fakultät für Umwelt und Ressourcen, Xiangtan-Universität, Xiangtan, 411105, China

Xie Chengyu, Lan Weihang und Chen Ziwei

Changsha Institute of Mining Research Co., Ltd., Changsha, 410012, China

Wu Yabin

Sie können diesen Autor auch in PubMed Google Scholar suchen

XC: Konzeptualisierung, Datenkuration, formale Analyse, Methodik, Software, Überwachung, Validierung, Visualisierung, Schreiben – ursprünglicher Entwurf, Untersuchung, Schreiben – Überprüfung und Bearbeitung. LW: Datenkuration, formale Analyse, Untersuchung, Methodik, Visualisierung, Schreiben – Originalentwurf. CZ: Konzeptualisierung, Datenkuration, formale Analyse, Untersuchung, Methodik, Software, Validierung, Visualisierung, Schreiben – Überprüfung und Bearbeitung. WY: Konzeptualisierung, Datenkuration, formale Analyse, Untersuchung, Methodik, Software, Validierung, Visualisierung, Schreiben – Überprüfung und Bearbeitung.

Korrespondenz mit Xie Chengyu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Chengyu, X., Weihang, L., Ziwei, C. et al. Studie über die dynamischen Infrarotentwicklungseigenschaften von Phyllit mit unterschiedlicher Gelenkneigung unter einachsiger Kompression. Sci Rep 13, 9867 (2023). https://doi.org/10.1038/s41598-023-37098-w

Zitat herunterladen

Eingegangen: 4. April 2023

Angenommen: 15. Juni 2023

Veröffentlicht: 18. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-37098-w

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.