陶雪杰，徐金明，王樹(shù)成，王亞磊

（1.上海大學(xué)土木工程系，上海 200444；2.中鐵十七局集團(tuán)有限公司，山西 太原 030006）

巖石是一種典型的顆粒材料，通常是由不同成分組成（如花崗巖通常由石英、黑云母和長(zhǎng)石等組成）。巖石的變形破壞過(guò)程與這些成分的變化過(guò)程密切相關(guān)。因此，判別巖石所處的變形破壞階段對(duì)分析巖石變化過(guò)程和物理力學(xué)性質(zhì)具有重要的理論意義和實(shí)用價(jià)值。

使用數(shù)字圖像處理技術(shù)研究巖石的變形破壞過(guò)程，已經(jīng)取得了很多進(jìn)展。如在使用圖像處理技術(shù)方面，陳中一等[1]獲得了單軸壓縮條件下花崗巖中不同組分長(zhǎng)度和面積的變化過(guò)程，Rigopoulos等[2]分析了巖石特征對(duì)裂隙萌生和擴(kuò)展的影響，Lin等[3]結(jié)合傅里葉變換得到了巖石中的位移變化特征，Akesson等[4]研究了單軸循環(huán)荷載作用下花崗巖中不同微觀裂隙的變化情況，孫皓等[5]探討了花崗巖中不同礦物成分的變化特征，張巖等[6]分析了花崗巖中細(xì)觀組分的定向性變化特征，Han等[7]以裂縫為目標(biāo)追蹤巖石中裂紋的運(yùn)動(dòng)，徐金明等[8]使用粒子圖像測(cè)速技術(shù)得到了石灰?guī)r裂隙的萌生擴(kuò)展過(guò)程和數(shù)字特征參數(shù)變化過(guò)程，劉?？档萚9]使用基準(zhǔn)圖像與對(duì)比圖像相對(duì)熵研究了花崗巖的損傷演化特征。

近年來(lái)，一些學(xué)者嘗試使用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long-Short Term Memory Neural Network，LSTM-NN）來(lái)解決土木工程問(wèn)題。如，劉雪燕等[10]提出一種基于LSTM-NN和注意力機(jī)制結(jié)合的礦山安全事故分類方法，對(duì)礦山事故進(jìn)行了安全等級(jí)分類，曲星宇等[11]使用LSTM-NN實(shí)現(xiàn)了磨礦系統(tǒng)故障的智能化診斷。在建筑工程領(lǐng)域，Rashid等[12]使用LSTM-NN和時(shí)序數(shù)據(jù)對(duì)施工設(shè)備活動(dòng)進(jìn)行識(shí)別，Zhang等[13]利用LSTMNN建立兩級(jí)結(jié)構(gòu)來(lái)檢測(cè)軌道裂紋的聲發(fā)射信號(hào)。在交通工程領(lǐng)域，付文秀等[14]利用LSTM-NN對(duì)列車測(cè)速測(cè)距設(shè)備故障進(jìn)行分類對(duì)比得出LSTM-NN的分類效果優(yōu)于全卷積神經(jīng)網(wǎng)絡(luò)，Gao等[15]利用LSTM-NN和門(mén)控循環(huán)單元（Gated Recurrent Unit，GRU）對(duì)隧道掘進(jìn)機(jī)（TBM）的運(yùn)行參數(shù)進(jìn)行了實(shí)時(shí)預(yù)測(cè)，Zhou等[16]提出了一個(gè)包含小波變換噪聲濾波器、卷積神經(jīng)網(wǎng)絡(luò)特征提取器和LSTM預(yù)測(cè)器的預(yù)測(cè)框架，用于確定盾構(gòu)機(jī)的掘進(jìn)姿態(tài)和位置。

目前，外荷作用下巖石所處變形破壞階段的傳統(tǒng)確定方法多使用定性標(biāo)準(zhǔn)，對(duì)變形破壞過(guò)程中巖石不同組分（尤其是裂隙）變化過(guò)程及其定量描述重視不夠。由于室內(nèi)試驗(yàn)視頻具有很好的等時(shí)距數(shù)據(jù)分布特征，可以將數(shù)字圖像處理技術(shù)和LSTM-NN模型結(jié)合起來(lái)分析外荷作用下巖石的變形破壞階段。本文擬使用單軸壓縮條件下花崗巖試樣的室內(nèi)試驗(yàn)視頻圖像，在分析巖石變形破壞階段、提取不同組分?jǐn)?shù)字特征參數(shù)基礎(chǔ)上，建立基于LSTM-NN模型的巖石變形破壞階段分類網(wǎng)絡(luò)，分析主要模型參數(shù)對(duì)分類準(zhǔn)確性的影響，使用所建模型來(lái)判別巖石所處的變形破壞階段，這對(duì)分析巖石變形破壞機(jī)理和變化特征具有一定的參考價(jià)值。

1 花崗巖變形破壞階段的確定

1.1 花崗巖單軸壓縮試驗(yàn)視頻圖像處理

花崗巖試塊取自甘肅省玉門(mén)市北山地區(qū)，將其制成50mm×50mm×100mm大小的試樣，通過(guò)打磨使試樣斷面平整度小于0.02mm。使用邦威200 t伺服壓力機(jī)進(jìn)行單軸壓縮試驗(yàn)，使用佳能600 D攝像機(jī)在距試件約100 cm處拍攝試驗(yàn)視頻，得到記錄格式為MOV的試驗(yàn)視頻圖像。

研究時(shí)共獲得了6個(gè)試驗(yàn)視頻。限于文章篇幅，下面以1號(hào)試驗(yàn)視頻為例（下同），說(shuō)明視頻中單幀圖像處理方法與巖石變形破壞不同階段的分析方法。

試驗(yàn)視頻每秒提取1幀，共提取巖石變形破壞過(guò)程的630幀圖像。采用傳統(tǒng)礦物鑒定技術(shù)和點(diǎn)選法確定花崗巖中不同位置的組分類型。圖1是1號(hào)試樣中裂隙發(fā)展時(shí)第630 s的原始圖像，圖中標(biāo)出了不同組分類型的分布情況。

1.2 花崗巖變形破壞階段的劃分

假設(shè)峰值應(yīng)力為σmax、任一時(shí)刻的應(yīng)力為σ，將應(yīng)力水平定義為 α=σ/σmax，則不同應(yīng)力水平下1號(hào)試樣的外觀圖如圖2所示，外荷作用下1號(hào)試樣的應(yīng)力-應(yīng)變曲線如圖3所示。

由圖2可以看出，在加載初期，巖樣沒(méi)有發(fā)生明顯變形。當(dāng)應(yīng)力水平為0.45時(shí)，巖樣中部出現(xiàn)1條主裂隙，裂隙從試件中部向兩端擴(kuò)展，發(fā)生縱向破壞；當(dāng)應(yīng)力水平為0.65時(shí)，裂隙已經(jīng)擴(kuò)展到兩端，且兩端處出現(xiàn)多處細(xì)小裂縫；當(dāng)應(yīng)力水平為1.00時(shí)，裂縫貫穿兩端，試樣開(kāi)始破壞。

根據(jù)應(yīng)力-應(yīng)變曲線（圖3）和整個(gè)視頻圖像中裂隙的分布情況（圖4），巖石變形破壞過(guò)程可以分成如下4個(gè)階段：（1）巖石壓密階段（定義為階段I）。此階段既有裂隙逐漸閉合、沒(méi)有新裂隙產(chǎn)生、分布時(shí)段是0～120 s；（2）彈性變形階段（定義為階段II）。此階段既有裂隙已經(jīng)閉合、沒(méi)有新裂隙產(chǎn)生、分布時(shí)段是120～280 s；（3）裂隙擴(kuò)展階段（定義為階段III）。此階段出現(xiàn)新裂隙、既有裂隙重新張開(kāi)并迅速擴(kuò)展至上下兩側(cè)、分布時(shí)段是280～570 s；（4）整體破壞階段（定義為階段IV）。此階段既有裂隙迅速相互連接貫通、分布時(shí)段是570～630 s。

將巖石變形破壞階段分界時(shí)刻標(biāo)注在應(yīng)力-應(yīng)變曲線中，得到標(biāo)注不同變形破壞階段的應(yīng)力-應(yīng)變曲線（圖5）。根據(jù)分界時(shí)刻，得到不同變形破壞階段巖石中不同組分的分布（圖6）。為了方便對(duì)比，圖6中還同時(shí)標(biāo)出了不同時(shí)刻的裂隙分布情況。

由圖5和圖6可看出，在巖石不同變形破壞階段，應(yīng)力-應(yīng)變曲線形態(tài)和不同組分分布具有不同的特征：

（1）階段I：應(yīng)力-應(yīng)變曲線呈上凹形，沒(méi)有新裂隙產(chǎn)生，各組分位移變化不明顯，黑云母面積較小、呈分散點(diǎn)狀分布，石英面積較大、呈小塊狀分布，長(zhǎng)石面積最大、主要呈片狀分布。

（2）階段II：應(yīng)力-應(yīng)變曲線呈直線狀態(tài)，裂隙首先出現(xiàn)在巖樣中部、然后向上下兩端擴(kuò)展，黑云母的面積較小、無(wú)明顯位移，石英中部向左右兩側(cè)移動(dòng)，呈現(xiàn)為均勻的塊狀分布、相互之間連結(jié)緊密，長(zhǎng)石主要以片狀集中分布在左上角區(qū)域、以點(diǎn)狀和塊狀分散分布在其他區(qū)域。

（3）階段III：應(yīng)力-應(yīng)變曲線呈上凹形，裂隙寬度增大、從中部向巖樣頂端延伸，黑云母向巖樣上下兩端緩慢移動(dòng)，石英在巖樣中間被壓裂，其余石英向巖樣兩側(cè)移動(dòng)，長(zhǎng)石在巖樣中間被大量壓裂，其余長(zhǎng)石向兩側(cè)大幅移動(dòng)。

（4）階段IV：應(yīng)力-應(yīng)變曲線呈直線迅速下降，裂隙縱向貫穿于巖石表面直至巖樣整體破壞，黑云母分散分布在巖樣中部、位移持續(xù)增大，石英基本分布在裂隙兩側(cè)區(qū)域，長(zhǎng)石面積明顯減少，持續(xù)向裂隙兩側(cè)移動(dòng)。

1.3 不同組分?jǐn)?shù)字特征參數(shù)的計(jì)算

為便于后續(xù)分析，使用MATLAB編程和閾值分割法得到任意時(shí)刻t任意位置（x,y）處相應(yīng)組分類型l的面積A（t,x,y,x,l），計(jì)算公式如下：

式中：l——組分類型，l=1、2、3、4分別為裂隙、黑云母、石英、長(zhǎng)石；

P——與位置（x,y）處類型相同的像素點(diǎn)；

α?像素單位轉(zhuǎn)換為物理單位的轉(zhuǎn)換系數(shù)。

研究時(shí)，將A作為表征各細(xì)觀組分的數(shù)字特征參數(shù)。

2 LSTM-NN模型的建立

2.1 LSTM-NN模型的結(jié)構(gòu)

圖6 花崗巖各階段組分分布隨時(shí)間的變化Fig.6 Composition distributions in various instants corresponding to different deformation and failure stages

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM-NN）中有記憶細(xì)胞，由Hochreiter等[17]在1997年提出，可以選擇性地對(duì)輸入數(shù)據(jù)產(chǎn)生或長(zhǎng)或短的記憶，是一種以循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）為基礎(chǔ)改進(jìn)的深度學(xué)習(xí)網(wǎng)絡(luò)，對(duì)時(shí)序數(shù)據(jù)處理具有很好的效果，用于解決RNN出現(xiàn)的梯度爆炸和梯度彌散問(wèn)題。

LSTM由輸入層、隱藏層和輸出層3部分組成，輸出層結(jié)果不僅與當(dāng)前輸入有關(guān)、還與上一層的隱藏層有關(guān)、對(duì)時(shí)間序列產(chǎn)生了一定的記憶功能。LSTM-NN與普通RNN的主要區(qū)別在于算法中加入了判斷信息是否有用的“處理器”，這個(gè)處理器作用的結(jié)構(gòu)被稱為細(xì)胞。在一個(gè)細(xì)胞中放置3扇門(mén)，分別叫輸入門(mén)、遺忘門(mén)和輸出門(mén)。信息進(jìn)入到LSTM時(shí)根據(jù)設(shè)定的規(guī)則來(lái)判斷是否有用：只有符合條件的信息才會(huì)留下，不符合的信息則進(jìn)入遺忘門(mén)被遺忘，從而有效地解決數(shù)據(jù)中長(zhǎng)期依賴的問(wèn)題[18]。圖7為L(zhǎng)STM結(jié)構(gòu)圖。

圖7 LSTM儲(chǔ)存單元基本架構(gòu)圖Fig.7 Structure of LSTM

LSTM中輸入門(mén)it、遺忘門(mén)ft、輸出門(mén)ot、輸入結(jié)點(diǎn)gt、細(xì)胞狀態(tài)ct和細(xì)胞輸出yt按照式（2）～（7）計(jì)算：

式中：xt∈Rk——輸入的時(shí)間序列；

σ、tanh?Sigmoid和雙曲線正切函數(shù)，σ作用于3個(gè)門(mén)上、表示對(duì)應(yīng)信息的通過(guò)程度、輸出為[0,1]，0和1分別表示不允許和允許所有信息通過(guò)；

Wxi、Whi、Wci、Wxf、Whf、Wcf、Wxo、Who、Wco、Wxc、Whc——不同門(mén)對(duì)應(yīng)的權(quán)重矩陣；

bi、bf、bo、bc?對(duì)應(yīng)權(quán)重的偏置；·——矩陣對(duì)應(yīng)元素相乘；

ht——時(shí)刻t及t之前存儲(chǔ)所有有用信息的隱藏狀態(tài)。

2.2 LSTM-NN模型的架構(gòu)

本文建立的LSTM-NN的架構(gòu)包含5層，分別是序列輸入層、LSTM層、全連接層、分類概率層（softmax層）和分類輸出層，如圖8所示，該架構(gòu)簡(jiǎn)要說(shuō)明如下：

（1）序列輸入層。將6個(gè)視頻中不同組分?jǐn)?shù)字特征參數(shù)（即A）時(shí)間序列作為初始數(shù)據(jù)，隨機(jī)設(shè)定5個(gè)視頻的階段分類數(shù)據(jù)作為訓(xùn)練集，另1個(gè)視頻的數(shù)據(jù)作為測(cè)試集。為避免存在異常和較多噪音數(shù)據(jù)、加快網(wǎng)絡(luò)訓(xùn)練速度、提高模型訓(xùn)練精度，對(duì)初始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化后的數(shù)據(jù)輸入到LSTM-NN層。標(biāo)準(zhǔn)化計(jì)算公式為：

式中：xb——標(biāo)準(zhǔn)化后的數(shù)據(jù)；

x——初始數(shù)據(jù)；

μ、σ——初始數(shù)據(jù)的均值和方差。

（2）LSTM層。LSTM層由LSTM單元組成、結(jié)構(gòu)見(jiàn)圖7。該層用于對(duì)序列輸入層數(shù)據(jù)進(jìn)行長(zhǎng)短記憶處理。

（3）全連接層。全連接層中每一個(gè)結(jié)點(diǎn)都與LSTM層的所有結(jié)點(diǎn)相連，用來(lái)把前邊提取到的特征綜合起來(lái)。

（4）分類概率層。分類概率層將全連接層所提取特征使用分類概率函數(shù)應(yīng)用到輸出層上。本文分類概率函數(shù)使用Sigmoid函數(shù)，計(jì)算公式為：

Sigmoid函數(shù)將全連接層的輸出數(shù)據(jù)轉(zhuǎn)換為[0,1]范圍內(nèi)的輸出值，避免了數(shù)值爆炸現(xiàn)象，使數(shù)據(jù)在LSTMNN傳遞中聚攏。使用分類概率層得到不同變形破壞階段的概率。

（5）分類輸出層。分類輸出層計(jì)算具有互斥類的、多分類問(wèn)題的交叉熵?fù)p失。該層對(duì)輸出數(shù)據(jù)進(jìn)行分類、并與實(shí)際類別對(duì)比進(jìn)行損失計(jì)算，通過(guò)網(wǎng)絡(luò)的不斷訓(xùn)練，輸出最終判別結(jié)果、并得出分類準(zhǔn)確率。

圖8 基于LSTM-NN花崗巖的分類框架Fig.8 Granite classification framework based on LSTM-NN

2.3 LSTM-NN模型參數(shù)的確定

使用所建LSTM-NN模型對(duì)花崗巖變形破壞階段進(jìn)行分類時(shí)，需要對(duì)模型不斷訓(xùn)練。訓(xùn)練參數(shù)主要有優(yōu)化器、學(xué)習(xí)率和最大周期。

優(yōu)化器：常用優(yōu)化器有自適應(yīng)梯度算法（Adaptive Gradient Algorithm，AdaGrad）[19]、均方根反向傳播算法（Root Mean Square Prop，RMSProp）[20]和適應(yīng)性動(dòng)量估計(jì)算法（Adaptive Moment Estimation，Adam）[21]等。由于適應(yīng)性動(dòng)量估計(jì)算法是基于梯度隨機(jī)優(yōu)化的方法、占用資源較少、比其它隨機(jī)優(yōu)化方法表現(xiàn)更優(yōu)[22]，本文選用這一算法作為優(yōu)化器。

學(xué)習(xí)率：學(xué)習(xí)率是最重要的超參數(shù)，通常在0.0和1.0之間，起到LSTM-NN訓(xùn)練時(shí)不斷更新權(quán)重大小的作用。

最大周期：最大周期是使用所有樣本完整訓(xùn)練的次數(shù)。隨著最大周期的增加，數(shù)據(jù)傳遞次數(shù)增加，權(quán)重等參數(shù)更新次數(shù)也在增加。最大周期過(guò)大會(huì)導(dǎo)致網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)象。

2.4 LSTM-NN模型的評(píng)價(jià)指標(biāo)

本文使用準(zhǔn)確率P（i）和平均準(zhǔn)確率A（i）作為L(zhǎng)STMNN模型的優(yōu)劣評(píng)價(jià)指標(biāo)，計(jì)算公式分別是：

式中：T（i），F(xiàn)（i）——識(shí)別為第i階段分類正確和分類錯(cuò)誤的個(gè)數(shù)；

X（i）——識(shí)別分類正確階段的個(gè)數(shù)；

Y——數(shù)據(jù)集含有的樣本總數(shù)。

2.5 LSTM-NN模型參數(shù)的影響

下面以準(zhǔn)確率作為評(píng)價(jià)指標(biāo)，分析LSTM-NN模型主要參數(shù)（學(xué)習(xí)率和最大周期）對(duì)分類效果的影響。圖9是不同組分在不同學(xué)習(xí)率和最大周期下的分類準(zhǔn)確率。

由圖9（a）可知，在學(xué)習(xí)率為0.005、最大周期為200時(shí)，裂隙階段分類的準(zhǔn)確率最高，為0.961 6；學(xué)習(xí)率為0.005的準(zhǔn)確率高于學(xué)習(xí)率為0.001和0.010，說(shuō)明學(xué)習(xí)率為0.010時(shí)模型出現(xiàn)過(guò)擬合，導(dǎo)致數(shù)據(jù)冗雜、準(zhǔn)確率降低；裂隙階段分類的準(zhǔn)確率都在0.830 0以上，預(yù)測(cè)效果較好。

由圖9（b）可知，黑云母各階段分類在初始學(xué)習(xí)率為0.005、最大周期為200時(shí)準(zhǔn)確率最高，為0.910 5；當(dāng)學(xué)習(xí)率為0.001和最大周期大于250、學(xué)習(xí)率為0.005和最大周期大于200、學(xué)習(xí)率為0.010和最大周期大于200時(shí)模型出現(xiàn)過(guò)擬合。黑云母階段分類的準(zhǔn)確率基本在0.6800以上。

圖9 不同組分在不同學(xué)習(xí)率和最大周期下的準(zhǔn)確率Fig.9 Accuracies of various compositions at different learning rates and the maximum epoch

由圖9（c）可知，石英各階段分類在學(xué)習(xí)率為0.005、最大周期為200時(shí)準(zhǔn)確率最高，為0.832 1；學(xué)習(xí)率在0.001和0.005的預(yù)測(cè)準(zhǔn)確率明顯高于學(xué)習(xí)率為0.01 0時(shí)的準(zhǔn)確率。當(dāng)學(xué)習(xí)率為0.001和0.005、最大周期為200處的準(zhǔn)確率最高；當(dāng)學(xué)習(xí)率為0.010、最大周期為250處的準(zhǔn)確率最高；石英階段分類的準(zhǔn)確率基本為0.500 0～0.840 0，預(yù)測(cè)效果較差。

由圖9（d）可知，長(zhǎng)石各階段分類在學(xué)習(xí)率為0.005、最大周期為200時(shí)準(zhǔn)確率最高，為0.877 9；隨著學(xué)習(xí)率和最大周期的變化，階段分類的準(zhǔn)確率為0.650 0～0.880 0。

綜上所述，在學(xué)習(xí)率為0.005、最大周期為200時(shí)，裂隙、黑云母、石英和長(zhǎng)石的階段分類準(zhǔn)確率最高，分別為0.961 6，0.910 5，0.832 1，0.877 9；不同成分階段分類的準(zhǔn)確率高低順序?yàn)榱严丁⒑谠颇?、長(zhǎng)石、石英，準(zhǔn)確率都在0.800以上，預(yù)測(cè)效果較好；隨著學(xué)習(xí)率和最大周期的變化，裂隙、黑云母、石英、長(zhǎng)石的分類準(zhǔn)確率分別為0.830 0～0.960 0、0.680 0～0.910 0、0.500 0～0.840 0、0.650 0～0.880 0。

3 基于LSTM-NN模型的階段判別

3.1 不同變形破壞階段的劃分

以6個(gè)花崗巖單軸壓縮試驗(yàn)的視頻圖像作為樣本，根據(jù)前述變形破壞階段的劃分方法，得到6個(gè)基于試驗(yàn)視頻的變形破壞階段劃分結(jié)果（表1）。

表1 6個(gè)試樣不同變形破壞階段的歷時(shí)Table 1 Time interval of deformation and failure stages of 6 test videos /s

限于篇幅，下面以1號(hào)花崗巖為例（其他花崗巖變化情況類似），說(shuō)明不同變形破壞階段各組分面積的變化情況（圖10）。

從圖10（a）可以看出，階段I和階段II幾乎沒(méi)有裂隙產(chǎn)生，階段III初期（280 s左右）裂隙面積迅速增長(zhǎng)到1 287mm2，隨后增長(zhǎng)速度變緩；階段IV裂隙面積繼續(xù)增長(zhǎng)，裂隙面積達(dá)到5 877mm2后花崗巖被整體破壞。

從圖10（b）可以看出，階段I和階段II黑云母面積在9 400mm2左右，表現(xiàn)為動(dòng)態(tài)穩(wěn)定變化；階段III黑云母面積有所增加，可能是裂隙的識(shí)別效果較差；階段IV黑云母面積維持穩(wěn)定。

圖10 花崗巖各組分階段分類Fig.10 Classification of granite compositions in stages

從圖10（c）可以看出，階段I和階段II石英面積有所增長(zhǎng)，階段III初期石英面積從27 000mm2迅速下降到23 500mm2，隨后面積漲幅不大，階段IV石英面積增長(zhǎng)到最初狀態(tài)。

從圖10（d）可以看出，長(zhǎng)石面積緩慢下降，在階段I長(zhǎng)石面積最大，在階段IV長(zhǎng)石面積最小，在階段II、III長(zhǎng)石面積明顯減少。

3.2 不同變形破壞階段不同組分的判別準(zhǔn)確率

不同變形破壞階段不同組分準(zhǔn)確率變化的柱狀圖見(jiàn)圖11。從圖11看出，在階段I，判別準(zhǔn)確率高低順序是裂隙、黑云母、石英、長(zhǎng)石；在階段II，判別準(zhǔn)確率高低順序是黑云母（長(zhǎng)石）、裂隙、石英，黑云母和長(zhǎng)石的分類準(zhǔn)確率達(dá)100%；在階段III，不同組分判別效果最好，判別準(zhǔn)確率高低順序是石英、長(zhǎng)石、裂隙、黑云母，石英分類準(zhǔn)確率達(dá)100%；在階段IV，判別準(zhǔn)確率高低順序是裂隙、黑云母、長(zhǎng)石、石英，不同組分的分類判別效果最差，石英和長(zhǎng)石判別準(zhǔn)確率為0.400左右、判別效果較差。

圖11 不同階段不同組分的判別準(zhǔn)確率Fig.11 Accuracies of various compositions at different deformation and failure stages

3.3 整個(gè)變形破壞階段的預(yù)測(cè)

采用前述所建LSTM-NN模型與相關(guān)改進(jìn)參數(shù)（即采用Adam算法、學(xué)習(xí)率取0.005、最大周期取200），對(duì)巖石中不同成分?jǐn)?shù)字參數(shù)（面積）進(jìn)行階段判別，不同組分在不同變形破壞階段的判別準(zhǔn)確率計(jì)算結(jié)果見(jiàn)表2。

由表2可以看出，使用所建LSTM-NN模型與不同組分?jǐn)?shù)字特征參數(shù)，巖石變形破壞階段整體判別的平均準(zhǔn)確率為90.83%，可以實(shí)現(xiàn)巖石變形破壞階段的快速判別。巖石不同組分中，裂隙在各成分中的判別效果最好，準(zhǔn)確率為96.89%；黑云母、長(zhǎng)石次之，準(zhǔn)確率為88.17%～91.49%；石英最差，準(zhǔn)確率為86.77%。

表2 各組分分類的準(zhǔn)確率和平均準(zhǔn)確率Table 2 Precision rate and average accuracy of eachcomposition classification

4 結(jié)論

（1）根據(jù)試驗(yàn)視頻中裂隙發(fā)展情況，花崗巖單軸壓縮條件下變形破壞過(guò)程可以分為巖石壓密階段（階段I）、彈性變形階段（階段II）、裂隙擴(kuò)展階段（階段III）和整體破壞階段（階段IV）。

（2）在LSTM-NN模型參數(shù)中，學(xué)習(xí)率和最大周期對(duì)變形破壞階段準(zhǔn)確率影響較大，二者分別取0.005和200時(shí)裂隙、黑云母、長(zhǎng)石和石英階段分類準(zhǔn)確率最高、判別效果較好。

（3）對(duì)于不同變形破壞階段來(lái)說(shuō)，所建LSTMNN模型在階段I時(shí)不同組分判別階段的準(zhǔn)確率高低順序是裂隙、黑云母、石英、長(zhǎng)石，在階段II時(shí)相應(yīng)的順序是黑云母（長(zhǎng)石）、裂隙、石英，在階段III時(shí)的相應(yīng)順序是石英、長(zhǎng)石、裂隙、黑云母，在階段IV時(shí)的相應(yīng)順序是裂隙、黑云母、長(zhǎng)石、石英，階段III的判別效果最好，階段IV的判別效果最差。

（4）對(duì)于巖石整個(gè)變形破壞過(guò)程來(lái)說(shuō)，使用所建LSTM-NN模型與不同組分?jǐn)?shù)字特征參數(shù)，變形破壞階段整體判別的平均準(zhǔn)確率為90.83%，判別準(zhǔn)確率高低順序是裂隙、黑云母、長(zhǎng)石、石英。