点击数: 更新日期: 2023-01-09
原文信息：高效标定复杂离散元模型的新型机器学习框架：以砾岩为研究案例/ A novel machine learning framework for efficient calibration of complex DEM model: a case study of a conglomerate sample
录用期刊：Engineering Fracture Mechanics (JCR Q1/中科院2区)
原文DOI：https://doi.org/10.1016/j.engfracmech.2023.109044
作者列表：
申屠俊杰，林伯韬* 中国石油大学（北京）人工智能学院
摘要：位于准噶尔盆地玛湖凹陷的砾岩储层具有强非均质性及复杂岩性特征，需要实施压裂增产措施。然而，砾岩储层的力学特性仍未得到充分理解，不利于压裂方案优化设计。离散元方法适用于具有复杂岩性地层的力学行为研究。然而，该方法需要精确设置微观力学参数以标定模型的力学特性，而传统试错法低效且耗时。因此，本研究提出了一个端到端的机器学习框架以实现复杂离散元模型的高效标定。该框架包含两个阶段，第一阶段预测单组分岩样的强度，而第二阶段预测包含多组分的复杂岩样的整体强度。该框架测试了多种机器学习模型并评估其预测性能。通过该机器学习框架，可快速且精确标定砾岩模型。此外，该框架提供了参数敏感性分析结果，量化了输入参数对整体力学特性的贡献，并据此给出微观参数修正的建议取值。本研究提出的机器学习框架不仅能够帮助用户快速准确地标定复杂离散元模型的微观参数，还定量评估了各微观参数对整体力学特性的影响。
一、基于机器学习框架的离散元模型标定
基于机器学习框架的离散元模型标定流程分为参数输入，岩样强度预测，强度值对比，参数调整，完成标定等步骤，见图1。机器学习框架应用于岩样强度预测，可实现快速、准确的强度预测，有效提升标定效率。其中第一阶段和第二阶段分别预测复杂岩样中单组分强度及复杂岩样整体强度，填补了复杂岩样模型标定方法的空白。此外，借助机器学习模型分析得到参数敏感性，反映了各输入参数对预测结果的贡献值，为参数调整提供了有效指导。
图1 基于机器学习框架的离散元模型标定流程图
二、机器学习模型训练流程
机器学习模型的训练流程分为数据准备、数据前处理、模型训练测试及性能评估等步骤，见图2。框架包含两个独立阶段，每个阶段需采用不同的数据集进行训练及评估，其中第一阶段数据集包含100组数据，第二阶段数据集包含144组数据，所有数据均由离散元数值模拟产生。
图2 机器学习模型训练流程图
三、岩样强度预测精度分析
岩样强度预测是离散元模型标定过程中的重要环节，是判断模型参数精确与否的重要指标。机器学习框架可实现高精度的强度预测，如图3、图4所示。图3展示了第一阶段中单组分岩样的实际及随机森林模型预测强度值的相对关系，关于UCS及EM的预测精度分别达到91.31%及96.02%。图4展示了含多组分的复杂岩样实际值与预测值的分布曲线，采用的四种机器学习模型均显示了高预测精度，其中支持向量机（SVM）模型性能最佳，关于UCS、EM及TS的预测精度分别达到92.13%、98.88%及97.56%。
图3 单组分岩样实际及预测强度值相对关系图（UCS：单轴抗压强度；EM：弹性模量）
图4 多组分岩样实际及预测强度值分布图（UCS：单轴抗压强度；EM：弹性模量；TS：单轴抗拉强度）
四、参数敏感性分析
借助机器学习模型，可对输入参数及预测结果的数值关系进行解析，得到参数敏感性分析结果，如图5所示。敏感性分析结果表明了各输入参数对输出结果的相对权重，权重越大，贡献度越高，该结果对后续参数调整具有指导意义。
图5 输入参数权重示意图（左：第一阶段；右：第二阶段）
五、案例分析
本研究选取了准噶尔盆地玛湖凹陷砾岩岩样单轴压缩实验结果作为对比案例，对不同砾石含量（0.03%，2.46%，7.27%及14.61%）的岩样模型实施微观参数标定。结果显示经过机器学习框架标定的离散元模型具备和真实岩样相近的力学特性，如图6所示。此外，单个岩样的标定时间可压缩至10分钟以内，而传统试错法往往耗时1小时以上。
图6 机器学习框架标定的离散元模型与真实岩样的单轴压缩应力-应变曲线示意图