1.一种基于特征分析-机器学习的离散元接触参数预测方法，其特征在于，基于线性平行黏结模型关键接触参数最优预测模型进行离散元接触参数预测，所述方法包括：S1，根据软岩颗粒特性及模具材质参数选择进行接触参数标定的离散元线性平行黏结模型，并确定待标定的离散元线性平行黏结模型的模型参数及模型参数取值范围；S2，基于少量单轴压缩和巴西劈裂试验获取所述离散元线性平行黏结模型的接触参数，所述接触参数为影响软岩宏观特征的主要细观参数，并将所述主要细观参数构成接触参数-软岩宏观特征低保真数据集；其中，所述软岩宏观特征包括强度和变形；S3，基于灰色关联分析GRA、Pearson相关性分析和互信息MI确定影响软岩宏观特征的关键接触参数；S4，基于大量单轴压缩和巴西劈裂试验获取接触参数-宏观特征高保真数据集；S5，基于机器学习建立离散元线性平行黏结模型关键接触参数预测模型；S6，确定线性平行黏结模型关键接触参数最优预测模型。
2.根据权利要求1所述的一种基于特征分析-机器学习的离散元接触参数预测方法，其特征在于，所述S2包括：S21，获取基于单轴压缩试验进行数值模拟的与离散元线性平行黏结模型对应的第一接触参数-软岩宏观特征低保真数据集；S22，获取基于巴西劈裂试验进行数值模拟的与离散元线性平行黏结模型对应的第二接触参数-宏观特征低保真数据集；其中选择抗拉强度σ t 作为巴西劈裂试验指标；S23，将所述第一接触参数-宏观特征低保真数据集和所述第二接触参数-宏观特征低保真数据集进行拼接形成所述接触参数-软岩宏观特征低保真数据集。
3.根据权利要求2所述的一种基于特征分析-机器学习的离散元接触参数预测方法，其特征在于，所述S21包括：（1）确定单轴压缩试验所需的参数，包括：几何参数，包括：试样的轴向长度L、试样的宽度W、孔隙率n、试样的半径R、试样的长度半径比L/R、颗粒或孔隙特征单元最大尺寸R max 和颗粒或孔隙特征单元最小尺寸R max ；颗粒或孔隙特征单元最大尺寸最小尺寸比Rmax/Rmin；材料及变形参数，包括：颗粒密度ρb、颗粒-颗粒线性有效模量E b2 、颗粒-颗粒黏结有效模量 、颗粒-颗粒刚度比k rb2 、颗粒-颗粒黏结有效刚度比 和颗粒-颗粒摩擦系数μ；强度参数，包括：平行黏结抗拉强度σ t 、平行黏结抗剪强度τ c 和内摩擦角 ；颗粒与墙间的摩擦系数μ bw ；（2）确定试验因子水平，并设置不同试验因子水平下的单轴压缩试验参数；确定颗粒-颗粒线性有效模量E b2 、颗粒-颗粒黏结有效模量 、颗粒-颗粒刚度比k rb2 、颗粒-颗粒黏结有效刚度比 、颗粒-颗粒摩擦系数μ、平行黏结抗拉强度σ t 、平行黏结抗剪强度τ c 和内摩擦角 作为单轴压缩数值试验的变量参数的上下限；以及四个试验因子水平下的不同数值；（3）基于正交试验规则进行单轴压缩试验，并进行基于单轴压缩试验的数值模拟，获取基于单轴压缩试验进行数值模拟的与离散元线性平行黏结模型对应的第一接触参数-软岩宏观特征低保真数据；其中，所述单轴压缩试验包括：在试样形成的具有所述几何参数的容器内生成颗粒，其中颗粒粒径满足高斯正态分布，并将颗粒-颗粒和颗粒-墙接触设置为线性模型接触，模拟岩石的赋存条件；所述基于单轴压缩试验的数值模拟包括：根据试验参数对线性模型中的接触参数进行修改，并将颗粒-颗粒接触设置为线性平行黏结模型接触；对容器的上下加载板上以恒定速度v z 施加压力进行基于单轴压缩试验的数值模拟；其中，采用低围压下的三轴试验来近似代替单轴试验。
4.根据权利要求3所述的一种基于特征分析-机器学习的离散元接触参数预测方法，其特征在于，所述S3包括：S31，采用灰色关联分析GRA确定对软岩宏观特征最具有影响力的细观参数，基于灰色关联分析GRA、Pearson相关性分析和互信息MI从所述最具有影响力的细观参数初步确定关键接触参数；包括：（1）通过灰色关联分析GRA用关联度量化所述细观参数，包括：A．确定分析数列；确定的分析数列包括：将每个单轴压缩数值试验样本的各宏观特征值，作为该单轴压缩数值试验样本的参考序列；将每个单轴压缩数值试验样本的离散元线性平行黏结模型的各接触参数值，作为该单轴压缩数值试验样本的比较序列；B．计算分析数列中各个细观参数的关联系数与关联度；包括：基于所有单轴压缩数值试验样本的参考序列与比较序列，计算每个单轴压缩数值试验样本的离散元线性平行黏结模型的每个接触参数与各宏观特征的关联系数；基于所有单轴压缩数值试验样本的离散元线性平行黏结模型的每个接触参数与各宏观特征的关联系数，计算离散元线性平行黏结模型的每个接触参数与各宏观特征的关联度；C．将抗压强度 、弹性模量 、泊松比 影响因素特征排序并确定最具有影响力的细观参数；（2）基于Pearson相关性分析和互信息MI对最具有影响力的细观参数与宏观特征相关性进行分析，对比灰色关联分析GRA分析结果获取软岩的最具有影响力的细观参数与宏观特征的相关性；其中，Pearson用于衡量两个变量之间线性相关程度，其中，Pearson相关性分析的计算公式如式（6），互信息（MI）的计算公式如式（7）： （6）；式（6）中， 为离散元线性平行黏结模型的第 个接触参数与第 个宏观特征的Pearson相关系数， 为 个单轴压缩数值试验样本中离散元线性平行黏结模型的第 个接触参数的平均值， 为 个单轴压缩数值试验样本中第 个宏观特征的平均值； （7）；式（7）中， 为离散元线性平行黏结模型的第 个接触参数与第 个宏观特征的互信息值， 为 和 的联合概率质量函数， 为离散元线性平行黏结模型的第 个宏观特征 的所有可能取值范围， 为离散元线性平行黏结模型的第 个接触参数 的所有可能取值范围， 表示离散元线性平行黏结模型的第 个宏观特征， 表示离散元线性平行黏结模型的第 个接触参数， 表示离散元线性平行黏结模型的第 个接触参数 取值为 的概率，即 的边缘概率质量函数， 表示离散元线性平行黏结模型的第 个宏观特征 取值为 的概率，即 的边缘概率质量函数；（3）基于灰色关联分析GRA、Pearson和互信息MI对单轴压缩数值试验结果进行关联度分析；S32，基于影响性分析确定初步确定关键接触参数中影响软岩宏观特征的关键接触参数，从而确定影响弹性模量E和泊松比v的主要细观参数为 和 ，二者均呈线性关系；影响抗压强度σ f 和抗拉强度σ t 的主要细观参数为平行黏结抗剪强度τ c ，平行黏结抗剪强度τ c 能够通过拉压比k确定。
5.根据权利要求4所述的一种基于特征分析-机器学习的离散元接触参数预测方法，其特征在于，所述S4包括：S41，基于大量单轴压缩数值试验获取第一高保真数据集；S42，基于开展大量巴西劈裂试验获取第二高保真数据集；S43，基于所述第一高保真数据集和所述第二高保真数据集获取接触参数-宏观特征高保真数据集。
6.根据权利要求5所述的一种基于特征分析-机器学习的离散元接触参数预测方法，其特征在于，所述S5包括：S51，基于弹性模量 、抗压强度 、抗拉强度σ t 和拉压比k构建关键接触参数颗粒-颗粒粘结有效模量 、颗粒-颗粒粘结刚度比 和平行黏结抗剪强度τ c 的数据集；S52，将所述接触参数-宏观特征高保真数据集按照一定比例划分为训练集T train 和测试集T test ；其中，所述训练集T train 用于建立机器学习模型和测试集T test 用于测试机器学习模型的性能；S53，建立基于训练集T train 的机器学习模型，包括：（1）基于典型机器学习预测算法预测关键接触参数颗粒-颗粒粘结有效模量 、颗粒-颗粒粘结刚度比 和平行黏结抗剪强度τ c ，建立机器学习模型；其中，所述典型机器学习预测算法包括反向传播神经网络、支持向量回归机和XGBoost；（2）基于粒子群优化算法优化离散元线性平行黏结模型的超参数从而获得最优超参数；（3）将所述训练集T train 输入所述机器学习模型，基于所述最优超参数训练所述机器学习模型。
7.根据权利要求6所述的一种基于特征分析-机器学习的离散元接触参数预测方法，其特征在于，所述S6包括：S61，计算机器学习模型的预测精度及误差；计算拟合优度R 2 、均方误差MSE、均方根误差RMSE和平均绝对误差MAE作为所述机器学习模型的预测精度及误差指标；其中：所述拟合优度R 2 公式如下式（9）所示： （9）所述均方误差MSE公式如下式（10）所示： (10)所述均方根误差RMSE公式如下式（11）所示： (11)所述平均绝对误差MAE公式如下式（12）所示： (12)式（9）-式（12）中， 为样本数目， 为 、 和τ c 的实测值， 为Ē b 和k̄ rb 、τ c 的预测值， 为 、 和τ c 实测值的平均值；S62，基于所述预测精度及误差层次评估所述机器学习模型的质量，从而确定线性平行黏结模型关键接触参数最优预测模型；其中各指标特征为：R 2 范围在0～1之间，值越接近1精度越高；MSE、RMSE和MAE均大于0，且值越接近0误差越小。
8.一种轨道夹层巡检无人机振动抑制系统，用于实施权利要求1-7任一所述的方法，其特征在于，所述系统包括：模型及模型参数确定模块（101），用于根据软岩颗粒特性及模具材质参数选择进行接触参数标定的离散元线性平行黏结模型，并确定待标定的离散元线性平行黏结模型的模型参数及模型参数取值范围；接触参数试验获取模块（102），用于基于少量单轴压缩和巴西劈裂试验获取所述离散元线性平行黏结模型的接触参数，所述接触参数为影响软岩宏观特征的主要细观参数，并将所述主要细观参数构成接触参数-软岩宏观特征低保真数据集；其中，所述软岩宏观特征包括强度和变形；关键接触参数确定模块（103），用于基于灰色关联分析（GRA）、Pearson相关性分析和互信息（MI）确定影响软岩宏观特征的关键接触参数；高保真数据集试验获取模块（104），用于基于大量单轴压缩和巴西劈裂试验获取接触参数-宏观特征高保真数据集；机器学习模型建立模块（105），用于基于机器学习建立离散元线性平行黏结模型关键接触参数预测模型；最优预测模型确定模块（106），用于确定线性平行黏结模型关键接触参数最优预测模型。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。
