行業資訊

機器學習與ITASCA軟件

2020-03-30 23:07:23

 

Hey, Siri … …”當我們喚醒智能手機的那一刻,實際上你手機麥克風里采集到的原始語音信號,可能是每秒44,000個樣本點。那么需要些什么樣的規則才能把這些樣本點轉成一個字符串呢?或者簡單點,手機如何判斷這些信號里是不是含有喚醒詞?這里就需要機器學習(或者也稱之為深度學習)。

許多人初次聽到機器學習,在腦海中浮現的可能是一個機器人管家或者《終結者》里可怕的AI。但是機器學習并非是幻想,它已經被我們應用幾十年了。例如光學字符識別(OCR)、垃圾郵件過濾器、抖音的視頻推送算法??梢哉f,目前機器已經深刻影響到人類生活的方法面面,可以預見,未來機器學習還將繼續深入變革每一個行業。

什么是機器學習?

機器學習是通過編程讓計算機從數據中進行學習的科學(和藝術)。

更廣義的概念是:

機器學習是無需進行明確編程,就能讓計算機具有學習的能力。 —— Arthur Samuel,1959

工程性的概念可表達為:

機器學習是程序利用經驗 E,來進行學習任務 T,并且用性能 P進行度量,任務 T 的性能度量 P 隨著經驗 E 不斷增長。—— Tom Mitchell,1997

機器學習和ITASCA

當機器學習綜合應用于其他學科時,應用研究成果轉化的產品較之于傳統的工作方式將大大提高工作效率,這也使得當下機器學習風行一時。雖然目前土木行業在機器學習領域算是起步較晚,但隨著我們的工程監測能力提升和計算性能的提高,所產生的海量工程數據若能加以整合利用,將會給整個土木行業內帶來新的變革。

ITASCA國際集團也一直在思考人工智能和機器學習對ITASCA系列軟件開發的沖擊。巖土高端數值軟件研發一直是ITASCA集團公司的優勢性技術領域,公司有多款產品可用來分析預測巖土方面的相關問題,計算過程中產生的大量數據則可以作為訓練數據集,用來進行機器學習,進而可以據此開展校正、反演及更進一步的數據挖掘工作。通過不斷學習,在特定情況下,我們或許可以無需再基于運行時間冗長的數值分析來獲得關鍵變量的敏感性分析結果,而可以像使用經驗公式那樣輕松地獲得我們所感興趣的內容。

下面將通過3個例子介紹ITASCA在機器學習方面的一些初步探索。

1)巖石爆破破碎區的預測計算

在巖石爆破過程中,炸藥產生的應力超過巖石強度時就會形成破碎帶。為計算爆炸后一系列的設計參數如爆后孔徑、破碎帶直徑、平衡壓力以及爆炸所產生的能量分布,我們預先通過FLAC3D建立模型(1),據此輸入不同的爆破參數(主要是炸藥類型和爆破孔徑),巖石模量、單軸抗壓強度UCS進行計算,獲得一定量的參數敏感性分析成果。進一步將以上數據集按7:3比例分割,前者用來訓練人工神經網絡(ANN),后者則可作為測試、校核數據,得到經機器學習形成的代理模型。以互聯網作為工作平臺,2給出以單頁web形式發布的代理模型客戶端程序,據此可進行簡易快捷的爆破分析應用(Furtney, 2012)。。

本應用揭示機器學習在效率方面的巨大優勢,以數值模型方法需幾分鐘才能計算完成的簡單爆破分析為例,代理模型則可以在幾毫秒內給出預測,即便是利用目前的智能手機也可以輕松完成分析。 

 

 圖1 爆破近場示意圖

 

 

 圖2 網頁端中的代理模型 

 

 2)層狀土承載能力預測計算

層狀土承載力確定是ITASCA公司在工程咨詢研究中常見的問題之一。均質土層的承載力可以直接通過解析解所得,層狀土在實際中則更為常見,其承載力亦可利用ITASCA數值分析并結合機器學習技術進行快速確定。據此,我們首先建立了如圖 3所示含12個土層的數值模型,并經約10萬例FLAC3D 7.0計算分析獲得不同土體強度組合條件下(每層土的摩擦角和粘聚力均可以不同)的層狀土地基承載力數據樣本。其中,每個算例耗時約5分鐘。利用該數據樣本,我們訓練形成自咀嚼模式人工神經網絡(ANN)代理模型來預測層狀土地基承載力。經大量測試揭示,代理模型預測承載力結果跟FLAC3D的平均誤差在1%以內,且代理模型可大大縮短計算時間,可從原先的5分鐘降至大約20秒。

 

圖3 層狀土模型示意圖

 

圖4 層狀土承載力的數值計算

 

 

 圖5 測試集誤差直方圖及預測對比圖

 

3)裂縫網絡的滲流率計算

裂隙網絡(DFN)模型通常用作于巖土或水文地質數值模擬的輸入,其應用領域非常廣泛,包括礦井脫水、水文地質、邊坡穩定性、核廢料處置、環境工程、采礦工程、石油/地熱開采等常規和非常規行業。在本例中(6),我們創建了一個包含10條幾何形狀固定的裂隙的簡單DFN模型,通過給每條裂隙投喂不同的滲透率,采用3DEC程序裂隙流分析功能考察巖體滲透率、得到機器學習數據樣本,并據此經機器學習訓練得到用于巖體滲透特性研究的代理模型。當然,我們也可以用相似方法創建基于巖體滲透率反演其中每條裂隙滲透率的機器學習代理模型。6算例裂隙條件簡單,計算基本在幾秒之內完成,我們可以不斷強化模型,進行一系列不同裂隙分布條件展開研究,如裂隙數從10條到成千上萬條裂隙,這些將是我們之后研究的內容。

 

 

 圖6 (左)DNF隨機滲透率(右)滲透模擬結果 

 

以上每個案例都使用了基于python語言scikit-learn算法包中的 MLPRegressor庫進行訓練(Pedregosa et al., 2011),當然也有其他庫,例如PyTorch、XGBoost。當給定含足夠樣本的數據集時,所訓練得到的代理程序都能很好地預測目標結果,這就需要結合大量數值試驗進行訓練數據集的生成。當然,一般來說,未知參量越多,收斂越慢,即學習速度越慢,這也跟ANN中隱含層的大小有影響,隱含層越小的ANN收斂更快,預測效果也相對較差。

 

 圖7 代理模型學習曲線

 

模型學表1 各實例ANN相關參數 

 實例

 投喂參數

 訓練數據集 
離散系數R2 = 0.995

神經網絡隱含層大小

 

爆破1

 3

 143

 15,15,15

 爆破2

 5

 106

 15,15,15

 DFN

 10

 15,888

 20,20,20,15

 層狀土

12

>100,007

36,36,36,36,36

 

后記本期文章主要介紹了通過機器學習結合ITASCA數值模型試驗訓練形成代理模型開展地質體力學行為或特性研究的方法。機器學習及代理模型的優勢在于極大提高分析效率,同時也具有一定的局限:代理模型是根據前期大量的數值試驗產生的數據集訓練所得,結果并不會優于數值試驗;與常規數值試驗方法相比,代理模型只能預測已訓練參數。

目前,行業內認為代理模型的建模練習對基于基本的巖石力學認識沒有本質上的幫助;且整個隱含層是一個黑盒過程,看不到中間解析的過程,這也就意味著可能無法做出合理的工程判斷。不過,數值計算分析也經歷過這樣被質疑的階段,經過一代工程師的努力,人們才相信數值模擬比傳統的分析和經驗方法有一定優勢?,F在,同樣的挑戰也適用于當今的機器學習和數據分析技術。盡管存在上述缺陷,但模型即數據的新范式是強大的,并已在地球資源工程中取得了成功。往后來說,以智能化機器學習作為技術支撐的代理模型具有顯著的優勢:速度快;可用于統計分析,如方差評估或反演分析;通過嵌入到智能手機或者平板,可以被用作現場輕量化快速評估工具。

我們期待機器學習改變未來。

 

 

參考文獻:

[1]    Furtney, J. K., Le Goc, R. Surrogate Models in Rock Mechanics: Integrating Numerical Modeling and Machine Learning. 2020. Proceeding of 54th US Rock Mechanics/Geomechanics Symposium. Colorado: Golden.

[2]    Pedregosa, F., G. Varoquaux, A. Gramfort, V. Michel, & B. Thirion. 2011. Scikit-learn: Machine Learning in Python, JMLR 12, pp. 2825-2830.

[3]    Starfield A.M. & P.A. Cundall. 1988. Towards a Methodology for Rock Mechanics Modelling, International Journal of Rock Mech. Min. Sci. & Geomech. Abstr. Vol. 25, No. 3, 99-106.

[4]    Holling, C.S. (ed) 1978. Adaptive Environmental Assessment and Management, 377 p (Wiley: Chichester).

[5]    Furtney, J. K., E. Sellers and I. Onederra. 2012. Simple Models for the Complex Process of Rock Blasting, In Proceedings, The 10th International Symposium on Rock Fragmentation by Blasting, (New Delhi, India, November 2012). London, UK, CRC Press/Balkema.

[6]    Maillot, J., Davy, P., Le Goc, R., Darcel, C., & de Dreuzy, J. R. 2016. Connectivity, permeability, and channeling in randomly distributed and kinematically defined discrete fracture network models. Water Resources Research, 52(11), 8526-8545. doi:10.1002/2016wr018973

[7]    Le Goc, R., Pinier, B., Darcel, C., Lavoine, E., Doolaeghe, D., de Simone, S., E. Lavoine avy, P. 2019. DFN.lab: software platform for Discrete Fracture Network models. Paper presented at the AGU Fall Meeting, San Francisco, CA, USA.

專業特長

  1. 機器學習與ITASCA軟件
  2. 中科依泰斯卡公司榮獲2019年度下城區高新科技“成長之星”獎
  3. ITASCA中國公司2020高端用戶年度峰會暨FLAC & DEC系列培訓一號通知

ITASCA 中國

  頂級水平團隊,專門解決超常規復雜工程...

ITASCA 專家團隊

 C. Fairhurst博士, It...

重庆幸运农场100走势图