基于DIC和YOLO算法的复杂裂隙岩石破坏过程动态裂隙早期智能识别

• Published in: 煤炭学报 Vol. 47; no. 3; pp. 1208 - 1219
• Main Authors: 张庆贺, 陈晨, 袁亮, 张通, 方致远, 李翎, 蒋博文
• Format: Journal Article
• Language: Chinese
• Published: 合肥综合性国家科学中心能源研究院,安徽合肥230031%安徽理工大学计算机科学与工程学院,安徽淮南 232001 01.03.2022; 合肥综合性国家科学中心能源研究院,安徽合肥230031; 安徽理工大学土木建筑学院,安徽淮南 232001%安徽理工大学土木建筑学院,安徽淮南 232001%安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室,安徽淮南232001; 安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室,安徽淮南232001
• Subjects: 数字图像相关技术; 裂隙岩体; YOLOv5; 目标检测; 裂纹分类识别
• ISSN: 0253-9993
• DOI: 10.13225/j.cnki.jccs.XR21.1744

TD315; 为了定量研究复杂裂隙岩石变形破坏规律和裂隙扩展特征,利用裂隙网络模型3D打印技术制作了含20条随机节理的类岩石试件,利用数字图像相关方法(DIC)研究了试件破坏过程中应变场演化过程,并分析了每一条裂隙的扩展过程,探讨了动态裂隙对试件整体强度的影响.在此基础上,基于YOLOv5深度学习网络模型,结合DIC云图,提出了 一种智能精准识别动态裂隙的算法.研究表明:含复杂裂隙试件破坏过程中往往伴随多条裂隙同时扩展和贯通,试件整体强度与动态裂隙扩展具有重要关系,统计动态裂隙的扩展情况可以半定量地判定试件整体稳定性.在每条原生裂隙起裂前,总是首先出现应变集中区域,并且应变集中区域具有前兆性,预示着新裂纹的萌生.原生裂隙的动态演化基本可以分为原生裂隙、应变集中区、新生裂纹和交叉裂隙4种类型,其中,新生裂纹和交叉裂隙对试件整体强度影响最大.提出的智能精准识别动态裂隙算法的精确率、召回率和平均精度均值(PmA)都在80％以上,且PmA最高达到了 91％,GIoU损失参数迭代训练后达到0.01,4种类型裂隙相对应的F1分别为83％,89％,87％和85％,4种类型裂隙的总体识别精度可达86％.说明该方法在复杂裂隙岩体裂纹识别、定位分类是快速精确有效的.试件在受载时,智能识别算法重点识别并统计新生裂纹和交叉裂隙数量,当新生裂隙和交叉裂隙数量较多时,试件即将破坏,可提前进行预警.