2020-03-13 纸片 01

论文纸片盒子 01
An Overview of Opportunities for Machine Learning Methods in Underground Rock Engineering Design

introduction

岩石当中存在着大量的天然结构面和孔隙裂隙结构，存在着较大的不确定性，因此难以在很小的误差范围内实现精确的岩土工程设计。目前的岩土工程实践当中，严重依赖于经验和专家建议，主要基于经验模型和数值模拟开展相关设计工作。但是建立经验模型和开展数值模拟除了对于采集数据有较高要求以外，还涉及到本构模型的选取、时间周期、经济投入等问题。通常建立本构模型所需的杨氏模量、抗拉强度等岩石力学以及原位地应力等地质参数难以获取，而易于从现场监测采集的位移、孔隙水压等参数却无法用于构建本构模型，往往只是用于对于所建经验模型以及数值模型的验证。大数据和 ML 技术则有望实现更加有效地利用这些数据，使其在岩土工程领域发挥更重要的价值和作用。通过运用 ML 于岩土工程，可以让研究学者和技术人员专注于选择合适的影响因素数据和具体岩土问题对应所需的验证指标数据，减少了人为处理数据进行建模的环节，能够减少项目实施时间并且避免人员所带来的人为误差。

current practices in rock engineering design

岩土工程领域的主要方法：经验方法、数值方法。

1. 经验方法。如：Rock Mass Rating system、Q Tunnelling Index。
2. 数值方法。
   2.1. 主要过程：a.现场监测，b.建立模型并验证，c.针对具有类似工况进行应用，d.与经验方法对比，进行验证
   2.2. 技术方法：a.Continuum methods, b.Discrete methods, c.Hybrid continuum/discrete methods.
3. 针对经验方法，存在数据使用不充分等问题；针对数值方法，存在几何、物理约束等问题。而使用 data-driven（即 ML）方法，能够避免这些问题，一方面充分利用所获取的数据，一方面不需要具体的几何物理约束。

review of machine learning algorithms

1. ML 三类方法：监督、非监督、半监督、强化学习。
2. 分类方法, categorical prediction models：

方法	应用举例
decision trees	预测岩爆发生可能性
naive bayesian classification	预测岩爆烈度
k-nearest neighbours classification	利用遥感地球物理数据进行地质分类
support vector machine	基于半径、埋深、支撑刚度、Q tunnelling index四项参数预测隧道倾出(tunnel squeezing)
random forests	预测顶板稳定性

3. 预测方法, numerical prediction models：

方法	应用举例
support vector clustering	预测河流的电导率
k-nearest neighbours regression	预测城市固体垃圾
artificial neural networks	预测岩石强度、裂隙开度、岩石物理参数、滑坡位移等

discussion of machine learning for rock engineering design

1. ML 在岩土工程领域目前主要用于解决分类问题。少有相关研究将 ML 用于预测问题。
2. 存在空间影响因素时，通过坐标系方法(x,y,z)输入数据比通过几何方法(角度、长度)输入数据得到的效果更好。
3. 不同的方法对于输入数据具有不同的规模和冗余度要求。
4. 四种数据集划分的方法：a.随机，b.子集的概率特征和完整数据集一致，c.自组织映射(self-organising maps)方式，d.模糊逻辑(fuzzy logic)方法。