立足于工程节理岩体非均质、非连续、非线性的真实现状，针对岩石力学问题中存在大量不确定性、对变形破裂机理认识不充分、数据有限的困难，将人工智能、计算智能、非确定性数学、非线性力学、系统科学、系统工程地质学等与岩石力学进行交叉融合，在机器学习、逻辑推理、非线性动态规划、自适应识别、分布式表达、动态反馈、多信息融合等信息时代新型思维方式的指导下，采用非1∶1映射分析思路，从岩体问题的实际出发，系统而全方位地研究岩石力学智能化分析方法问题，建立蕴含岩体力学内在本质的理论体系，包括专家系统、知识学习、智能化应力模拟和理论分析、基于工程实例的类比、各种分析方法的综合集成、经验加计算的集成、力学参数和模型的智能辨识等。

人工智能一词最早出现在20世纪80年代H.H.爱因斯坦等人的文章中。中国最早的研究是利用专家系统用于岩体分类，针对要解决的不同的技术问题，如人防地下工程的兴废决策、隧道及地下结构岩溶灾害预报、采矿巷道围岩支护设计、结构性岩质边坡稳定性分析等，研制相应的专家系统。张清教授率先将人工神经网络引入岩石力学与岩土工程，进行岩石力学行为的预测研究。东北大学从20世纪80年代中期开始岩石力学智能化的研究，并注意到在进行专家系统与神经网络的应用研究时，不能孤立地探讨某个单一问题，必须将人工智能、系统科学、信息科学等新兴学科的思想融入岩石力学的研究中去，进行综合集成智能系统和智能化的模型辨识、参数识别方法等研究，建立完整的理论体系。1993年，研究人员提出了岩石力学智能化分析的研究思路。1995年，就复杂的采矿问题提出了智能采矿学的思想，并在此基础上进行拓宽与延伸，提出了一个新的方向——智能岩石力学与岩石工程。在之后的20多年时间里，伴随中国重大工程基础建设的繁荣兴起，该类方法得到了充分的实践检验，形成了较为完善的理论体系，已逐渐成为解决复杂岩石力学与工程问题的基本手段之一。

采用机器学习、数据挖掘、全局优化技术、岩石力学相关理论与方法相结合，从试验和工程数据中获取反映岩石力学响应的非线性关系模型。根据对研究对象的事先了解程度，可采取3种辨识方法：①神经网络辨识方法。适用于没有任何先验知识，无法事先确定模型表达式形式的情况。利用神经网络自学习和非线性表达能力建立非线性映射模型，结果不是确定的数学表达式，而是一个复杂的网络结构，这使得该方法具有高度复杂的非线性映射能力，只需提供反映模型输入输出信息的训练数据，就可以模拟机理认识完全不清楚的高度复杂的岩石力学模型，应用较为广泛的是岩石本构关系的辨识。②非线性参数的全局优化识别方法。对于可以在基本模型，如线弹性模型中加入非线性项来模拟的非线性力学模型，可以利用全局反馈优化确定非线性项的合理形式建立模型。③非线性表达式结构和参数的耦合识别方法。在一定机理认识的基础上，可以事先确定可能的模型输入，通过这些输入变量和非线性函数的自动选择和优化组合建立模型，从而实现真正意义上的模型表达式及其参数全局优化的模型辨识思想。基于遗传规划符号回归的辨识算法是其发展的主要方向。该类方法还可以与数值计算相结合，在计算过程中不断改善计算模型，形成智能化的数值计算方法。

基于参数间非线性映射关系和全局优化反馈分析间接获取岩石力学参数的方法。常用的方法有：①通过建立岩石物理性质（矿物成分、容重、孔隙性等）以及简单易获取的力学测试指标（点荷载、弹性波速等）与待识别岩石力学参数间的非线性关系进行参数识别。利用人工神经网络学习这种非线性映射关系建立识别模型应用最为广泛，包括岩石单轴抗压强度、岩石抗拉强度、岩石弹性模量、岩体变形模量、软夹层力学性质等的识别。②智能反分析方法。针对传统反分析方法处理非线性问题的困难，将反分析过程视作非线性优化过程，利用智能方法进行参数空间的全局优化搜索。为了解决大规模计算的效率问题，发展出了用神经网络模拟反分析中的最费时的正向计算过程。在未知参数较多的情况下，还可结合参数敏感性分析提高分析效率。随着岩体工程监测技术的高速发展带来的反演信息多样化，开始出现多元信息反分析技术，使得待反演参数也向多元化发展，并且结果更加合理。

将多种智能分析方法和传统岩石力学分析方法集成求解岩石工程问题。岩石工程设计、施工和维护是典型的多信息、多任务系统，不同信息和任务都有其最合适的分析方法，需要将这些方法集成起来协同解决问题（见图）。在不同的岩石工程实践中，形成了一系列智能分析系统，其中典型的有岩石边坡智能设计方法、滑坡综合集成智能分析系统、大型地下洞群动态智能设计方法、高应力下硬岩地下工程稳定性智能分析与动态优化等。

综合集成智能分析概念流程