1 引言

在前面的文章中, 直接或間接地提到我們進行巖土工程大數據處理的兩個主要目的: 第一個目的是發展新一代的巖土工程專家系統, 這個專家系統不是基于規則生成的,而是基于深度學習生成的; 第二個目的是自動生成文本, 我們已經部分地訓練出非常好的學習模型, 使用這個模型, 能夠激發作者產生新的想法, 從而產生出高質量的創造性的新文章. 這個筆記測試了一種新的算法, 旨在從用戶的輸入中獲得最相近的數據集. 

2 算法介紹

這是昨天晚上改進的一種算法, 其實質是把先前發展的兩個代碼集成在一起. 對于任意一個用戶輸入, 首先進行分詞, 使用C(n,3)組合抽取數據集內的句子, 然后把這些句子按照與用戶輸入句子的相似性進行排列, 獲得排列結果后, 映射出句子所在的數據集名稱. 另一種變換的算法是按照數據集出現的次數進行統計,一個數據集出現的次數越大,表明該數據集與輸入句子的內容越相關.  

3 算法測試

以open pit failure(露天礦破壞)為例測試了上述改進的代碼. 試驗數據集2.47M(9/13/2021).與open pit failure最相關的數據集如下:

(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 露天礦邊坡破壞

下面是根據以上結果聯想出來的一點兒隨筆, 既沒有邏輯性又不完整. 

4.1 巖體強度參數

盡管先進的數值模擬技術SRM可以定量獲得巖體的強度參數, 但這個過程耗時太長, 而且在很大程度取決于模擬者的水平, 因此在實踐的邊坡工程中, 強度參數仍然通過巖體分類來近似估算, 這也是<巖石邊坡工程>下一節課著重討論的內容. 對巖體參數校正的一種手段是數值反分析, 通過監測邊坡位移來獲得相對準確的巖體參數.  

4.2 邊坡破壞機理

雖然對邊坡破壞已經進行了幾十年的研究, 但直到目前, 對露天礦不穩定和破壞的的動力學行為了解還處于定性和經驗性解釋階段。在露天開采中，定量確定邊坡的破壞階段至關重要, 但深部露天礦邊坡的破壞機制非常復雜, 一方面通過完整的巖石發生破壞, 另一方面也沿著預先存在的不連續發生破壞。