1.一种基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于，该方法包括以下步骤：步骤一、从胶结充填体试样(19)上取一部分制成SEM扫描电镜样品；

步骤二、采用SEM扫描电镜对SEM扫描电镜样品进行扫描，形成SEM电镜扫描图像并存储到计算机(17)中；

步骤三、所述计算机(17)调用高斯滤波处理模块对SEM电镜扫描图像进行高斯滤波处理，得到高斯滤波处理后的SEM电镜扫描图像；

步骤四、所述计算机(17)调用FCM模糊聚类处理模块对进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取，得到与聚类中心数目相等的多个胶结充填体聚类图像；

步骤四中所述计算机(17)调用FCM模糊聚类处理模块对进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取，得到与聚类中心数目相等的多个胶结充填体聚类图像的具体过程为：步骤401、定义采用基于样本加权的FCM模糊聚类算法，目标函数为

满足极值的约束条件为

其中，U为模糊矩阵且U＝[u11,u22,…,ucn]，uik为矩阵U的元

素且uik表示第k个样本点属于第i类的隶属度，n为样本点总数，c为聚类中心数目；V＝{v1,v2,...vc}是c个类的聚类中心，wk为样本点xk的权值，dik为样本点xk到中心点vi的欧式距离，vi为V的元素，xk为样本集X的第k个样本点且X＝{x1,x2,...xn}，m为隶属度uik的权重指数且m＞1；

步骤402、设置聚类中心数目c的值、隶属度uik的权重指数m的值和最小迭代误差ε的值；

步骤403、用公式 更新样本点xk的权值wk；uτj为矩阵U的元素

且uτj表示第j个样本点属于第τ类的隶属度，1≤τ≤c，1≤j≤n；vτ为V的元素；uij为矩阵U的元素且uij表示第j个样本点属于第i类的隶属度；

步骤404、用公式 更新uik；其中，drk为样本点xk到中心点vr的欧式

距离，1≤r≤c；

步骤405、用公式 更新vi；

步骤406、判断是否满足||J(t+1)-J(t)||＜ε，当满足||J(t+1)-J(t)||＜ε时，聚类停止，提取得到与聚类中心数目相等的多个胶结充填体聚类图像；否则，返回步骤403；其中，t为时间；

步骤五、所述计算机(17)将灰度值最小一类的胶结充填体聚类图像确定为胶结充填体微观孔隙图，并对胶结充填体微观孔隙图进行二值化处理，再对孔隙区域进行二值反转处理，得到胶结充填体微观孔隙二值图；

步骤六、所述计算机(17)调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理，得到定量描述孔隙的分布、数量、方向和大小特征的胶结充填体的多个微观参数；

步骤七、所述计算机(17)将步骤六中得到的胶结充填体的多个微观参数输入预先构建的Tensorflow深度学习力学响应预测网络中，得到单轴力学响应预测结果。

2.按照权利要求1所述的基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于：步骤一中所述SEM扫描电镜样品的长度、宽度和高度均为10mm。

3.按照权利要求1所述的基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于：步骤三中所述计算机(17)调用高斯滤波处理模块对SEM电镜扫描图像进行高斯滤波处理采用的公式为L(x,y)＝I(x,y)*G(x,y)，其中，I(x,y)表示SEM电镜扫描图像，G(x,y)为高斯滤波函数，L(x,y)为高斯滤波处理后的SEM电镜扫描图像，x为图像的横坐标，y为图像的纵坐标。

4.按照权利要求1所述的基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于：步骤402中设置聚类中心数目c的值为4，设置隶属度uik的权重指数m的值为2，设置最小迭代误差ε的取值为0.3。

5.按照权利要求1所述的基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于：步骤七中所述Tensorflow深度学习力学响应特性预测网络的构建方法为：步骤701、从多个编号后的各个胶结充填体试样(19)上取一部分制成SEM扫描电镜样品，剩余部分作为单轴抗压强度测试样品；并对多个SEM扫描电镜样品和多个抗压强度测试样品一一对应编号；

步骤702、采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，并对测得的多个抗压强度测试样品的单轴抗压强度取均值，得到胶结充填体试样(19)的单轴抗压强度；

步骤703、获取Tensorflow深度学习力学响应特性预测网络的训练样本，具体过程为：

步骤7031、采用SEM扫描电镜分别对多个SEM扫描电镜样品进行多次扫描，形成多个SEM电镜扫描图像并存储到计算机(17)中；所述SEM电镜扫描图像的数量至少为150个；

步骤7032、所述计算机(17)调用高斯滤波处理模块分别对多个SEM电镜扫描图像进行高斯滤波处理，得到多个高斯滤波处理后的SEM电镜扫描图像；

步骤7033、所述计算机(17)调用FCM模糊聚类处理模块分别对多个进行高斯滤波处理后的SEM电镜扫描图像进行孔隙图像提取，得到多组胶结充填体聚类图像，每组胶结充填体聚类图像中胶结充填体聚类图像的数量与聚类中心数目相等；

步骤7034、所述计算机(17)将每组胶结充填体聚类图像中灰度值最小一类的胶结充填体聚类图像确定为胶结充填体微观孔隙图，并对多个胶结充填体微观孔隙图进行二值化处理，再对孔隙区域进行二值反转处理，得到多个胶结充填体微观孔隙二值图；

步骤7035、所述计算机(17)调用孔隙图像定量分析模块分别对多个胶结充填体微观孔隙二值图进行分析处理，得到与胶结充填体微观孔隙二值图的数量相对应的多组定量描述孔隙的分布、数量、方向和大小特征的胶结充填体的多个微观参数；

步骤704、所述计算机(17)构建一个卷积网络核的层数为四层、输入层为胶结充填体的多个微观参数、输出层为胶结充填体的单轴抗压强度的Tensorflow深度学习网络，将其存储的多组胶结充填体的多个微观参数作为训练样本，对Tensorflow深度学习网络进行训练，得到建立起了胶结充填体的微观参数与力学响应之间的非线性关系的Tensorflow深度学习力学响应特性预测网络。

6.按照权利要求5所述的基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于：步骤702中所述胶结充填体单轴抗压强度测试装置包括座垫(10)和固定连接在座垫(10)顶部的多根拉杆(8)，以及用于给胶结充填体试样(19)施加轴向压力的轴向加压传力机构和用于给轴向加压传力机构提供动力的轴向加压动力系统；所述座垫(10)的底部固定连接有多个底座(15)，所述座垫(10)的顶部设置有用于放置胶结充填体试样(19)的试样放置槽，所述座垫(10)上位于所述试样放置槽的中心位置处设置有排水阀(5)；多根拉杆(8)的中部设置有用于固定多根拉杆(8)的固定架(11)，多根拉杆(8)的上部固定连接有顶部装载板(9)；所述轴向加压传力机构包括安装在顶部装载板(9)上的气缸(2)，所述气缸(2)的活塞杆向下设置，所述气缸(2)的活塞杆底部连接有压力传递板(3)；所述轴向加压动力系统包括压缩空气气源(4)和加压控制器(18)，以及一端与压缩空气气源(4)连接、另一端与气缸(2)连接的气体输送管(1)；所述气体输送管(1)上从连接压缩空气气源(4)到连接气缸(2)的位置依次设置有气动三联件(12)、压力传感器(13)和气缸控制电磁阀(14)，所述压力传感器(13)与加压控制器(18)的输入端连接，所述气缸控制电磁阀(14)与加压控制器(18)的输出端连接，所述加压控制器(18)通过通信模块(16)与计算机(17)连接。

7.按照权利要求6所述的基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于：所述试样放置槽内设置有套装在胶结充填体试样(19)底部的O型密封圈(6)，所述座垫(10)上设置有位于所述试样放置槽周围的多孔石(7)。

8.按照权利要求7所述的基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于：步骤702中所述采用胶结充填体单轴抗压强度测试装置分别对多个抗压强度测试样品进行单轴抗压强度测试，其中对每个抗压强度测试样品进行单轴抗压强度测试的具体过程为：步骤7021、将O型密封圈(6)放入所述试样放置槽内后，将胶结充填体试样(19)放入所述试样放置槽内，使胶结充填体试样(19)的中心与气缸(2)的活塞杆和压力传递板(3)的中心相对应；并在座垫(10)上放入位于所述试样放置槽周围的多孔石(7)；

步骤7022、打开压缩空气气源(4)，通过调节气动三联件(12)调节压缩空气气源(4)输出的压缩空气的气压，加压控制器(18)通过控制气缸控制电磁阀(14)换向，控制气缸(2)的活塞杆向下或向上运动，对胶结充填体试样(19)施加压力或卸载压力，将胶结充填体试样(19)破裂时加压控制器(18)采集到的压力传感器(13)检测的压力值记为F，加压控制器(18)将压力值F传输给计算机(17)，计算机(17)根据公式 计算得到抗压强度测试样品的单轴抗压强度P；其中，S为抗压强度测试样品的顶面面积；当气缸(2)的活塞杆向下运动时，带动压力传递板(3)向下运动，通过压力传递板(3)给胶结充填体试样(19)施加压力，当气缸(2)的活塞杆向上运动时，带动压力传递板(3)向上运动，压力传递板(3)离开胶结充填体试样(19)的上表面，卸载压力。

9.按照权利要求5所述的基于图像与微观参数的胶结充填体力学响应特性预测方法，其特征在于：步骤六中得到的胶结充填体的微观参数的数量与步骤7035中得到的每组胶结充填体的微观参数的数量相等且均为12个，12个微观参数分别为孔隙数、孔隙总面积、孔隙最大面积、孔隙平均面积、孔隙长轴平均长度、孔隙率、不均匀系数、曲率系数、分选系数、圆形度、分形维数和加权概率熵；步骤六中所述计算机(17)调用孔隙图像定量分析模块对胶结充填体微观孔隙二值图进行分析处理，得到胶结充填体的12个微观参数的具体过程与步骤7035中所述计算机(17)调用孔隙图像定量分析模块对每个胶结充填体微观孔隙二值图进行分析处理，得到胶结充填体的12个微观参数的具体过程相同且均为：步骤F1、将胶结充填体微观孔隙二值图上孔隙的个数确定为胶结充填体的孔隙数；

步骤F2、将胶结充填体微观孔隙二值图上所有孔隙的面积之和确定为胶结充填体的孔隙总面积；

步骤F3、将胶结充填体微观孔隙二值图上所有孔隙中面积最大的孔隙面积确定为孔隙最大面积；

步骤F4、用孔隙总面积除以孔隙数得到胶结充填体的孔隙平均面积；

步骤F5、采用Feret直径定义孔隙区域块的长度，并用所有孔隙的长度之和除以孔隙数得到胶结充填体的孔隙长轴平均长度；

步骤F6、将胶结充填体微观孔隙二值图上所有孔隙的面积之和与胶结充填体微观孔隙二值图的面积的比确定为孔隙率；

步骤F7、首先，将胶结充填体微观孔隙二值图上的孔隙图像块按照面积从小到大排列；

然后，根据公式Cu＝d60/d10确定不均匀系数Cu，其中，d60为孔隙图像块面积累加和占孔隙总面积的60％对应的孔隙图像块的平均直径，d10为孔隙图像块面积累加和占孔隙总面积的

10％对应的孔隙图像块的平均直径；

步骤F8、根据公式 确定曲率系数Cc，其中，d30为孔隙图像块面积累加

和占孔隙总面积的30％对应的孔隙图像块的平均直径；

步骤F9、根据公式Sc＝d25/d75确定分选系数Sc，其中，d25为孔隙图像块面积累加和占孔隙总面积的25％对应的孔隙图像块的平均直径，d75为孔隙图像块面积累加和占孔隙总面积的75％对应的孔隙图像块的平均直径；

步骤F10、根据公式 确定圆形度R，其中，Ri为第i个孔隙的圆形度且Ri＝4πSi/Li2，Si为第i个孔隙的面积，Li第i个孔隙的周长，i的取值为1～n的自然数，n为孔隙数；

步骤F11、首先，在胶结充填体微观孔隙二值图上画出网格间距为r的网格，并对画出的网格进行统计，当网格中出现孔隙图像块时，记为1，当网络中未出现孔隙图像块时，记为0，将1的个数确定为孔隙图像块在网格中的个数N(r)；然后，根据公式Dc＝-lim[lnN(r)/lnr]确定分形维数Dc；其中，r的取值为不大于 的非零自然数， 表示向下取整，w为胶结充填体微观孔隙二值图的宽度；

步骤F12、根据公式 确定加权概率熵Hm，其中，hmi为第i个孔隙的概率熵且

N为孔隙排列方向的定向角区间数，pij为第i个孔隙在第j个定向角

区间中出现的概率，j的取值为1～N的自然数；ai为第i个孔隙的权重值且