Ye T, Chen Z, Zhang CS, et al. A novel XRF and machine learning-based method for predicting weathered rock strength [J]. International Journal of Rock Mechanics and Mining Sciences, 2025.

传统的岩石力学测试由于破坏性的试验条件，耗时的程序，无法直接观测内部塑性区扩展以及缺乏可靠的泛化能力而受到限制。为了克服上述限制，我们以不同风化等级的花岗岩为例，以室内UCS/BTS测试结果作为桥梁，将无损检测XRF测试结果与数值模型参数通过PSO-BP神经网络(BPNN)相联系，并以此构建了数据库；进一步，利用MOPSO结合权重因子优化并重新分配数值参数以数值重构风化岩，再现了岩石加载过程中应力-应变曲线中的弹性变形-塑性区扩展-剪切失效三个阶段，数值结果与试验结果相吻合。结果表明，风化岩矿物成分随着风化程度不同表现出明显的规律性，且随着风化程度增加岩石压剪破坏由沿斜剪切带破坏逐步转化为整体的延性粉碎性破坏模式。本研究提出的方法能以少量的前期试验为代价构建数据库，从而基于XRF现场测试结果快速预测/校准多种风化程度不同岩体的数值参数。因此，本研究提出的方法定量表征了风化岩组分与宏观力学响应间的对应关系，突破了目前岩石材料强度等级划分的经验性定性分析的限制，有助于快速确定不同风化程度岩石材料的数值参数，从而精确评估风化岩体的安全性能。

工作流程图

风化岩试验

预测输入参数的数值模型计算