深度CNN岩石本构模型

高精度本构预测

用深度学习替代传统数学本构方程，能更准确地描述岩石在复杂应力路径下的静力学行为。

Wu, Luyuan · 马丹 · 王自法 · Jianwei, Zhang · Zhang, Boyang · Jianhui, Li · Liao, Ji'an · Jingbo, Tong

Engineering Fracture Mechanics 2023

参数信息

平均绝对百分比误差

0.52–1.94 %

决定系数

0.999870–0.999988

训练样本数

673632

模型参数数量

160801

技术优势

精度够高

在11个岩石试样上，预测应变的MAPE仅0.52–1.94%，决定系数R²超过0.99987。

少做试验

训练好的CNNCM只需输入常规物理参数和应力状态即可预测应变，无需对每种新岩样重复进行复杂的三轴试验。

应用场景

• 岩石力学：用深度学习模型直接替代传统本构方程，提高岩石变形预测精度。
• 岩土数值仿真：将训练好的CNNCM嵌入数值模拟软件，作为替代本构模型使用。
• 采矿工程：利用矿区覆岩实测数据训练模型，用于采动岩体力学行为预测。