露天矿破坏(open pit failure)---新的算法测试

1 引言

在前面的文章中, 直接或间接地提到我们进行岩土工程大数据处理的两个主要目的: 第一个目的是发展新一代的岩土工程专家系统, 这个专家系统不是基于规则生成的,而是基于深度学习生成的; 第二个目的是自动生成文本, 我们已经部分地训练出非常好的学习模型, 使用这个模型, 能够激发作者产生新的想法, 从而产生出高质量的创造性的新文章. 这个笔记测试了一种新的算法, 旨在从用户的输入中获得最相近的数据集. 

2 算法介绍

这是昨天晚上改进的一种算法, 其实质是把先前发展的两个代码集成在一起. 对于任意一个用户输入, 首先进行分词, 使用C(n,3)组合抽取数据集内的句子, 然后把这些句子按照与用户输入句子的相似性进行排列, 获得排列结果后, 映射出句子所在的数据集名称. 另一种变换的算法是按照数据集出现的次数进行统计,一个数据集出现的次数越大,表明该数据集与输入句子的内容越相关.  

3 算法测试

以open pit failure(露天矿破坏)为例测试了上述改进的代码. 试验数据集2.47M(9/13/2021).与open pit failure最相关的数据集如下:

(1) Chuquicamata mine [13]

(2) Palabora mine [12]

(3) block caving [5] 

(4) Aznalcollar mine [4]

(4) Ubiquitous Joint Rock Mass Modelling [4] 

(4) joint trace length [4] 

(5) rock bridge failure [3] 

(6) Brenda Mine [2]

(6) Caving Behaviour [2] 

(6) slope failure mode [2]

(6) smooth-joint contact model [2] 

(7) Jeffrey Mine [1] 

(7) synthetic rock mass [1] 

4 露天矿边坡破坏

下面是根据以上结果联想出来的一点儿随笔, 既没有逻辑性又不完整. 

4.1 岩体强度参数

尽管先进的数值模拟技术SRM可以定量获得岩体的强度参数, 但这个过程耗时太长, 而且在很大程度取决于模拟者的水平, 因此在实践的边坡工程中, 强度参数仍然通过岩体分类来近似估算, 这也是<岩石边坡工程>下一节课着重讨论的内容. 对岩体参数校正的一种手段是数值反分析, 通过监测边坡位移来获得相对准确的岩体参数.  

4.2 边坡破坏机理

虽然对边坡破坏已经进行了几十年的研究, 但直到目前, 对露天矿不稳定和破坏的的动力学行为了解还处于定性和经验性解释阶段。在露天开采中，定量确定边坡的破坏阶段至关重要, 但深部露天矿边坡的破坏机制非常复杂, 一方面通过完整的岩石发生破坏, 另一方面也沿着预先存在的不连续发生破坏。