1.一种基于GA-BP神经网络的UDEC细观参数标定方法，其特征在于，包括如下步骤：S1、建立UDEC模型；S2、生成细观参数数据集；S3、计算得到宏观参数；S4、Pearson相关性分析；通过Pearson积矩相关系数来进行相关性分析，以确定后续GA-BP神经网络拟合的输入和输出的参数；Pearson积矩相关系数用于度量两个变量X和Y之间的相关性，其值介于-1与1之间，描述的是两个变量间线性相关强弱的程度，其绝对值越大，表明相关性越强；所述Pearson相关系数的计算公式为：其中：X i 和Y i 是两个变量X和Y的第i个观测值； 和 是变量X和Y的平均值；r是Pearson相关系数；r反映了两个变量的线性相关性的强弱程度，r的绝对值越大说明相关性越强；r的取值范围为-1到1，当r>0时，表明两个变量正相关，即一个变量值越大则另一个变量值也会越大；当r<0时，表明两个变量负相关，即一个变量值越大则另一个变量值反而会越小；当r＝0时，表明两个变量不是线性相关的；S5、构建GA-BP神经网络并训练；具体包括如下：a.数据预处理：对数据的异常值和重复值进行删除处理，利用MinMaxScaler对数据进行最大最小归一化处理，即将所有数据线性放缩到0-1；b.定义模型：使用Sequential创建一个包含三个隐藏层的BP神经网络；c.确定超参数范围：确定隐藏层神经元数、学习率、批量大小、训练轮数的取值范围；d.初始化种群与定义适应度函数：初始化神经网络权重并确定适应度函数，遗传算法通过该函数评估每个个体；e.遗传算法的执行：首先计算种群中初始个体的适应度，然后挑选出优秀的个体以进行交换其部分信息以生成新的个体，某个体被选择的几率取决于其适应度的高低，适应度高则被选择的几率大，形成的新个体有小概率发生变异，这样以增大样本的输入空间；对新生成的个体重复上述操作，直到最大迭代次数；f.重新训练和测试：使用优化的最佳参数重新训练模型，使用测试集进行预测、反归一化和误差评估，得到训练后的最优GA-BP神经网络；S6、利用训练好的最优模型输出UDEC细观参数。
2.根据权利要求1所述的基于GA-BP神经网络的UDEC细观参数标定方法，其特征在于：在步骤S1中，所述UDEC模型包括UDEC单轴压缩试验、三轴压缩试验、巴西劈裂试验模型；模型通过泰森切割将岩石试样划分为独立块体单元，单元采用弹性块体模型，接触采用mohr-coulomb塑性模型，并固定种子；上下分别建立刚性板，下板约束x、y方向位移；上板约束x方向位移，并施加向下速度控制加载。
3.根据权利要求1所述的基于GA-BP神经网络的UDEC细观参数标定方法，其特征在于：在步骤S2中，具体包括：确定细观参数范围，随机生成细观参数；所述细观参数包括：块体弹性模量、块体泊松比、接触法向刚度、接触刚度比、接触凝聚力、接触摩擦角、接触抗拉强度。
4.根据权利要求3所述的基于GA-BP神经网络的UDEC细观参数标定方法，其特征在于：所述块体弹性模量、泊松比和接触法向刚度有以下关系：E＝2G(1+ν)其中E是块体弹性模量；G是块体剪切模量；ΔZ min 是在法向上与触点相邻的区域的最小宽度；K n 是法向刚度；ν是泊松比，n表示修正系数，取值为1～10。
5.根据权利要求1所述的基于GA-BP神经网络的UDEC细观参数标定方法，其特征在于：在步骤S3中，具体包括：每组细观参数均进行三种试验的UDEC模拟计算，得到对应的宏观参数；所述宏观参数包括单轴抗压强度、弹性模量、抗拉强度、摩擦角、粘聚力。
6.根据权利要求1所述的基于GA-BP神经网络的UDEC细观参数标定方法，其特征在于：经过Pearson相关性分析后，确定的后续GA-BP神经网络拟合的输入参数为试样单轴抗压强度、试样弹性模量、试样抗拉强度、试样摩擦角、试样粘聚力，而输出参数为块体弹性模量、接触粘聚力、接触摩擦角、接触抗拉强度。
7.根据权利要求1所述的基于GA-BP神经网络的UDEC细观参数标定方法，其特征在于：所述的误差评估中，利用以下指标对模型拟合的准确性进行评估，具体如下：其中，RMSE表示均方根误差，MAE表示平均绝对误差，R 2 表示决定系数。
