10、人工智能技术在岩石特性表征中的可行性

人工智能技术在岩石特性表征中的可行性

1. 引言

岩石的无侧限抗压强度（UCS）是岩石工程设计中的重要参数。估算岩石UCS的技术主要分为直接法和间接法。实验室直接测定UCS的方法耗时且成本高，因此间接方法具有优势。间接方法主要分为基于回归的技术和软计算技术。岩石指标测试（如点荷载试验和纵波速度试验）与岩石UCS有良好的相关性，许多研究人员利用相关实验数据开发回归方程来估算UCS。近年来，基于软计算的技术在文献中受到关注，多种人工智能技术在开发UCS预测模型方面显示出可行性。

2. 人工智能方法

以下将介绍几种人工智能方法，包括神经网络、自适应神经模糊推理系统（ANFIS）、基因表达式编程（GEP）、随机森林（RF），以及神经网络与粒子群优化（PSO）和遗传算法（GA）的结合。

2.1 ANFIS算法

ANFIS基于模糊推理系统（FIS）和神经网络的混合系统构建。FIS能将先验知识映射到一些约束条件，用于在网络拓扑层面优化搜索空间。ANFIS结合FIS和反向传播（BP）神经网络，自动调整模糊控制器参数。它使用高木 - 关野（TS）控制器调整网络配置以实现最佳调整。ANFIS的学习算法分两步：离线学习阶段采用最小二乘法前向传播；第二步使用BP的梯度下降算法。

ANFIS架构有五层神经元或感知器，各层功能如下：
- 第一层：模糊化层，神经元包含前提参数，为自适应节点。
- 第二层：蕴含层，神经元用圆圈表示，标签为Π，输入信号形成输出节点，输出节点$w_i$表示每条规则的强度。
- 第三层：归一化层，包含固定神经元，神经元用圆圈表示，标签为N，第i个节点计算第i条规则的激发强度与所有激发强度