Расширенный поиск
ПРОГНОЗ ПОВЕДЕНИЯ НАПРЯЖЕННО-ДЕФОРМИРУЕМОГО СОСТОЯНИЯ ОБРАЗЦОВ ГОРНЫХ ПОРОД ПРИ ПОМОЩИ РЕКУРРЕНТНОЙ НЕЙРОННОЙ СЕТИ
1 Институт физики Земли им. О.Ю. Шмидта РАН
2 Московский физико-технический институт национальный исследовательский университет
2 Московский физико-технический институт национальный исследовательский университет
Журнал: Наука и технологические разработки
Том: 103
Номер: 2
Год: 2024
Страницы: 59–74
УДК: 004.032.26 + 550.8.05
DOI: 10.21455/std2024.2-4
Показать библиографическую ссылку
Егоров Н.А., Фокин
И.В., Дубиня
Н.В. ПРОГНОЗ ПОВЕДЕНИЯ НАПРЯЖЕННО-ДЕФОРМИРУЕМОГО СОСТОЯНИЯ ОБРАЗЦОВ ГОРНЫХ ПОРОД ПРИ ПОМОЩИ РЕКУРРЕНТНОЙ НЕЙРОННОЙ СЕТИ // Наука и технологические разработки. 2024. Т. 103. № 2. С. 59–74. DOI: 10.21455/std2024.2-4
@article{Егоров ПРОГНОЗ2024,
author = "Егоров , Н. А. and Фокин ,
И. В. and Дубиня ,
Н. В.",
title = "ПРОГНОЗ ПОВЕДЕНИЯ НАПРЯЖЕННО-ДЕФОРМИРУЕМОГО СОСТОЯНИЯ ОБРАЗЦОВ ГОРНЫХ ПОРОД ПРИ ПОМОЩИ РЕКУРРЕНТНОЙ НЕЙРОННОЙ СЕТИ",
journal = "Наука и технологические разработки",
year = 2024,
volume = "103",
number = "2",
pages = "59–74",
doi = "10.21455/std2024.2-4",
language = "Russian"
}
Скопировать ссылку в формате ГОСТ
Скопировать ссылку BibTex
Файлы:
Ключевые слова: рекуррентные нейронные сети, лабораторные геомеханические исследования, предел прочности
Аннотация: Исследуется применение рекуррентных нейронных сетей для прогнозирования напряженно-деформируемого состояния образцов горных пород в условиях многостадийных испытаний. Используется временной ряд данных напряжение–деформация, полученных в ходе испытаний на установке псевдотрехосного сжатия. Модель рекуррентной нейронной сети обучается на исторических данных для предсказания дальнейшего деформирования образца на основе данных о его пористости и условиях деформации. Полученные результаты демонстрируют потенциал нейронных сетей в точной оценке механических свойств горных пород при дефиците образцов керна.
Список литературы: Веселовский Р.В., Дубиня Н.В., Пономарев А.В., Фокин И.В., Патонин А.В., Пасенко А.М., Фетисова А.М., Матвеев М.А., Афиногенова Н.А., Рудько Д.В., Чистякова А.В. Центр коллективного пользования Института физики Земли им. О.Ю. Шмидта РАН “Петрофизика, геомеханика и палеомагнетизм” // Геодинамика и тектонофизика. 2022. Т. 13, № 2. Ст. 0579. 12 с. https://doi.org/10.5800/GT-2022-13-2-0579
Головина Н.Я. Анализ эмпирических моделей кривых деформирования упругопластических материалов (обзор). Часть 3 // Математическое моделирование и численные методы. 2023. № 1 (37). С.3–31. https://doi.org/10.18698/2309-3684-2023-1-331
Головина Н.Я., Белов П.А. Анализ эмпирических моделей кривых деформирования упругопластических материалов (обзор). Часть 1 // Математическое моделирование и численные методы. 2022а. № 1 (33). С.63–96. https://doi.org/10.18698/2309-3684-2022-1-6396
Головина Н.Я., Белов П.А. Анализ эмпирических моделей кривых деформирования упругопластических материалов (обзор). Часть 2 // Математическое моделирование и численные методы. 2022б. № 2 (34). С.14–27. https://doi.org/10.18698/2309-3684-2022-2-1427
Качанов Л.М. О времени разрушения в условиях ползучести // Изв. АН СССР. Отд. технических наук. 1958. № 8. С.26–31.
Костина А.А. Геомеханическое тестирование образцов керна диаметром 0.5 дюйма, изготовленных из боковых проб керна БКС / Тезисы Технологического форума ТННЦ 2023 по петрофизике, геомеханике, лабораторным исследованиям керна и пластовых флюидов, Тюмень, 24–25 октября 2023 г. [В печати].
Abadi M., Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., Corrado G.S., Davis A., Ghemawat S., Goodfellow I., Harp A., Irving G., Isard M., Jia Y., Jozefowicz R., Kaiser L., Kudlur M., Levenberg J., Mane D., Monga R., Moore S., Murray D., Olah C., Schuster M., Shlens J., Steiner B., Sutskever I., Talwar K., Tucker P., Vanhoucke V., Vasudevan V., Viegas F., Vinyals V., Warden P., Wattenberg M., Wicke M., Yu Y., Zheng X. TensorFlow: large-scale machine learning on heterogeneous distributed systems // arXiv. 2016. Paper No. 1603.04467. https://doi.org/10.48550/arXiv.1603.04467
Bottou L. Stochastic gradient descent tricks // Neural Networks: Tricks of the Trade / Eds. G. Montavon, G.B. Orr, K.-R. Müller. Berlin; Heidelberg: Springer, 2012. P.421–436.
Brace W.F., Paulding B.W., Scholz C. Dilantancy in the fracture of crystalline rocks // J. Geophys. Res. 1966. V. 71, Iss. 16. P.3939–3953. https://doi.org/10.1029/JZ071i016p03939
Colmenares L.B., Zoback M.D. A statistical evaluation of intact rock failure criteria constrained by polyaxial test data for five different rocks // Int. J. Rock Mech. Min. Sci. 2002. V. 39, Iss. 6. P.695–729. https://doi.org/10.1016/S1365-1609(02)00048-5
David E.C., Brantut N., Schubnel A., Zimmerman R.W. Sliding crack model for nonlinearity and hysteresis in the uniaxial stress-strain curve of rock // Int. J. Rock Mech. Min. Sci. 2012. V. 52. P.9–17. https://doi.org/10.1016/j.ijrmms.2012.02.001
Harris C.R., Millman K.J., van der Walt S.J., Gommers R., Virtanen P., Cournapeau D., Wieser E., Taylor J., Berg S., Smith N.J., Kern R., Picus M., Hoyer S., van Kerkwijk M.H., Brett M., Haldane A., del Río J.F., Wiebe M., Peterson P., Gérard-Marchant P., Sheppard K., Reddy T., Weckesser W., Abbasi H., Gohlke C., Oliphant T.E. Array programming with NumPy // Nature. 2020. V. 585, Iss. 7825. P.357–362. https://doi.org/10.1038/s41586-020-2649-2
Huang F., Xiong H., Chen Sh., Lu Zh., Huang J., Chang Zh., Catani F. Slope stability prediction based on a long short-term memory neural network: Comparisons with convolutional neural networks, support vector machines and random forest models // Int. J. Coal Sci. Technol. 2023. V. 10. Art. 18. 14 p. https://doi.org/10.1007/s40789-023-00579-4
Kachanov M. Effective elastic properties of cracked solids: Critical review of some basic concepts // Appl. Mech. Rev. 1992. V. 45, Iss. 8. P.304–335. https://doi.org/10.1115/1.3119761
Kachanov M., Lehner F.K. On the stress-strain relations for cracked elastic materials in compression // Mechanics of Jointed and Faulted Rocks. Rotterdam: Balkema, 1995. P.49–61.
Kim M.M., Ko H.-Y. Multistage triaxial testing of rocks // Geotech. Test. J. 1979. V. 2, Iss. 2. P.98–105. https://doi.org/10.1520/GTJ10435J
Kingma D.P., Ba J.L. Adam: A method for stochastic optimization // Proc. 3rd International Conference on Learning Representations (ICLR 2015), San Diego, CA, 7–9 May 2015. 15 p. URL: https://arxiv.org/pdf/1412.6980v9
Kovari K., Tisa A., Einstein H., Franklin J.A. Suggested methods for determining the strength materials in triaxial compression // Int. J. Rock Mech. Min. Sci. & Geomech. Abstr. 1983. V. 20, Iss. 6. P.285–290. https://doi.org/10.1016/0148-9062(83)90598-3
Lipton Z.C., Berkowitz J., Elkan C. A critical review of recurrent neural networks for sequence learning // arXiv. 2015. Paper No. 1506.00019. https://doi.org/10.48550/arXiv.1506.00019
McKinney W. Data structures for statistical computing in Python // Proc. 9th Python in Science Conference, Austin, TX, 28 June – 3 July 2010 / Eds. S. van der Walt, J. Millman. Pasadena, CA: California Institute of Technology, 2010. P.56–61. https://doi.org/10.25080/Majora-92bf1922-00a
Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. 1986. V. 323, Iss. 6088. P.533–536. https://doi.org/10.1038/323533a0
Thuro K., Plinninger R.J. Hard rock tunnel boring, cutting, drilling and blasting: Rock parameters for excavatability // 10th ISRM Congress, Sandton, 8–12 September 2003. Paper Nо. ISRM-10CONGRESS-2003-212. 7 p. URL: https://www.researchgate.net/publication/285379710_
Hard_rock_tunnel_boring_cutting_drilling_and_blasting_Rock_parameters_for_excavatability
Walsh J.B. The effect of cracks on the compressibility of rock // J. Geophys. Res. 1965. V. 70, Iss. 2. P.381–389. https://doi.org/10.1029/JZ070i002p00381
Yesiloglu-Gultekin N., Dogan A. Estimation of the elastic modulus of basaltic rocks using machine learning methods // Earth Sci. Inform. 2024. https://doi.org/10.1007/s12145-024 01472-7
Zoback M.D. Reservoir Geomechanics. Cambridge: University Press, 2007. 505 p.
Головина Н.Я. Анализ эмпирических моделей кривых деформирования упругопластических материалов (обзор). Часть 3 // Математическое моделирование и численные методы. 2023. № 1 (37). С.3–31. https://doi.org/10.18698/2309-3684-2023-1-331
Головина Н.Я., Белов П.А. Анализ эмпирических моделей кривых деформирования упругопластических материалов (обзор). Часть 1 // Математическое моделирование и численные методы. 2022а. № 1 (33). С.63–96. https://doi.org/10.18698/2309-3684-2022-1-6396
Головина Н.Я., Белов П.А. Анализ эмпирических моделей кривых деформирования упругопластических материалов (обзор). Часть 2 // Математическое моделирование и численные методы. 2022б. № 2 (34). С.14–27. https://doi.org/10.18698/2309-3684-2022-2-1427
Качанов Л.М. О времени разрушения в условиях ползучести // Изв. АН СССР. Отд. технических наук. 1958. № 8. С.26–31.
Костина А.А. Геомеханическое тестирование образцов керна диаметром 0.5 дюйма, изготовленных из боковых проб керна БКС / Тезисы Технологического форума ТННЦ 2023 по петрофизике, геомеханике, лабораторным исследованиям керна и пластовых флюидов, Тюмень, 24–25 октября 2023 г. [В печати].
Abadi M., Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., Corrado G.S., Davis A., Ghemawat S., Goodfellow I., Harp A., Irving G., Isard M., Jia Y., Jozefowicz R., Kaiser L., Kudlur M., Levenberg J., Mane D., Monga R., Moore S., Murray D., Olah C., Schuster M., Shlens J., Steiner B., Sutskever I., Talwar K., Tucker P., Vanhoucke V., Vasudevan V., Viegas F., Vinyals V., Warden P., Wattenberg M., Wicke M., Yu Y., Zheng X. TensorFlow: large-scale machine learning on heterogeneous distributed systems // arXiv. 2016. Paper No. 1603.04467. https://doi.org/10.48550/arXiv.1603.04467
Bottou L. Stochastic gradient descent tricks // Neural Networks: Tricks of the Trade / Eds. G. Montavon, G.B. Orr, K.-R. Müller. Berlin; Heidelberg: Springer, 2012. P.421–436.
Brace W.F., Paulding B.W., Scholz C. Dilantancy in the fracture of crystalline rocks // J. Geophys. Res. 1966. V. 71, Iss. 16. P.3939–3953. https://doi.org/10.1029/JZ071i016p03939
Colmenares L.B., Zoback M.D. A statistical evaluation of intact rock failure criteria constrained by polyaxial test data for five different rocks // Int. J. Rock Mech. Min. Sci. 2002. V. 39, Iss. 6. P.695–729. https://doi.org/10.1016/S1365-1609(02)00048-5
David E.C., Brantut N., Schubnel A., Zimmerman R.W. Sliding crack model for nonlinearity and hysteresis in the uniaxial stress-strain curve of rock // Int. J. Rock Mech. Min. Sci. 2012. V. 52. P.9–17. https://doi.org/10.1016/j.ijrmms.2012.02.001
Harris C.R., Millman K.J., van der Walt S.J., Gommers R., Virtanen P., Cournapeau D., Wieser E., Taylor J., Berg S., Smith N.J., Kern R., Picus M., Hoyer S., van Kerkwijk M.H., Brett M., Haldane A., del Río J.F., Wiebe M., Peterson P., Gérard-Marchant P., Sheppard K., Reddy T., Weckesser W., Abbasi H., Gohlke C., Oliphant T.E. Array programming with NumPy // Nature. 2020. V. 585, Iss. 7825. P.357–362. https://doi.org/10.1038/s41586-020-2649-2
Huang F., Xiong H., Chen Sh., Lu Zh., Huang J., Chang Zh., Catani F. Slope stability prediction based on a long short-term memory neural network: Comparisons with convolutional neural networks, support vector machines and random forest models // Int. J. Coal Sci. Technol. 2023. V. 10. Art. 18. 14 p. https://doi.org/10.1007/s40789-023-00579-4
Kachanov M. Effective elastic properties of cracked solids: Critical review of some basic concepts // Appl. Mech. Rev. 1992. V. 45, Iss. 8. P.304–335. https://doi.org/10.1115/1.3119761
Kachanov M., Lehner F.K. On the stress-strain relations for cracked elastic materials in compression // Mechanics of Jointed and Faulted Rocks. Rotterdam: Balkema, 1995. P.49–61.
Kim M.M., Ko H.-Y. Multistage triaxial testing of rocks // Geotech. Test. J. 1979. V. 2, Iss. 2. P.98–105. https://doi.org/10.1520/GTJ10435J
Kingma D.P., Ba J.L. Adam: A method for stochastic optimization // Proc. 3rd International Conference on Learning Representations (ICLR 2015), San Diego, CA, 7–9 May 2015. 15 p. URL: https://arxiv.org/pdf/1412.6980v9
Kovari K., Tisa A., Einstein H., Franklin J.A. Suggested methods for determining the strength materials in triaxial compression // Int. J. Rock Mech. Min. Sci. & Geomech. Abstr. 1983. V. 20, Iss. 6. P.285–290. https://doi.org/10.1016/0148-9062(83)90598-3
Lipton Z.C., Berkowitz J., Elkan C. A critical review of recurrent neural networks for sequence learning // arXiv. 2015. Paper No. 1506.00019. https://doi.org/10.48550/arXiv.1506.00019
McKinney W. Data structures for statistical computing in Python // Proc. 9th Python in Science Conference, Austin, TX, 28 June – 3 July 2010 / Eds. S. van der Walt, J. Millman. Pasadena, CA: California Institute of Technology, 2010. P.56–61. https://doi.org/10.25080/Majora-92bf1922-00a
Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. 1986. V. 323, Iss. 6088. P.533–536. https://doi.org/10.1038/323533a0
Thuro K., Plinninger R.J. Hard rock tunnel boring, cutting, drilling and blasting: Rock parameters for excavatability // 10th ISRM Congress, Sandton, 8–12 September 2003. Paper Nо. ISRM-10CONGRESS-2003-212. 7 p. URL: https://www.researchgate.net/publication/285379710_
Hard_rock_tunnel_boring_cutting_drilling_and_blasting_Rock_parameters_for_excavatability
Walsh J.B. The effect of cracks on the compressibility of rock // J. Geophys. Res. 1965. V. 70, Iss. 2. P.381–389. https://doi.org/10.1029/JZ070i002p00381
Yesiloglu-Gultekin N., Dogan A. Estimation of the elastic modulus of basaltic rocks using machine learning methods // Earth Sci. Inform. 2024. https://doi.org/10.1007/s12145-024 01472-7
Zoback M.D. Reservoir Geomechanics. Cambridge: University Press, 2007. 505 p.
