[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116911171A - 基于神经网络的旁压模量计算模型的生成方法和生成装置 - Google Patents

基于神经网络的旁压模量计算模型的生成方法和生成装置 Download PDF

Info

Publication number
CN116911171A
CN116911171A CN202310774375.2A CN202310774375A CN116911171A CN 116911171 A CN116911171 A CN 116911171A CN 202310774375 A CN202310774375 A CN 202310774375A CN 116911171 A CN116911171 A CN 116911171A
Authority
CN
China
Prior art keywords
neural network
data
soil layer
target soil
proportion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310774375.2A
Other languages
English (en)
Inventor
张鹤
郑林春
刘柏林
王永国
毛忠良
唐沛
莫万远
丁新红
江涛
张文博
黄微
冯永阳
余西川
杨小峰
王凯杰
蒋国敬
陶玉洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Fifth Survey and Design Institute Group Co Ltd
Original Assignee
China Railway Fifth Survey and Design Institute Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Railway Fifth Survey and Design Institute Group Co Ltd filed Critical China Railway Fifth Survey and Design Institute Group Co Ltd
Priority to CN202310774375.2A priority Critical patent/CN116911171A/zh
Publication of CN116911171A publication Critical patent/CN116911171A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本申请实施例提供一种基于神经网络的旁压模量计算模型的生成方法和生成装置。方法包括：确定训练集和测试集；训练集为第一比例的目标土层样本数据，测试集为第二比例的目标土层样本数据，目标土层样本数据包括目标土层多个原状样品的室内试验数据和取样位置的原位旁压模量；确定室内试验数据为神经网络的输入数据；确定旁压模量为神经网络的输出数据；根据训练集中的神经网络输入数据，调整神经网络的训练参数，得到初调模型参数；验证并调整初调模型参数的准确性，得到最终神经网络模型参数，进而生成旁压模量计算模型。本申请解决了现有技术中以土体某一方面特征与原位旁压模量间的关系导致测得旁压模量准确度低的技术问题。

Description

基于神经网络的旁压模量计算模型的生成方法和生成装置
技术领域
本申请涉及岩土工程勘察测试技术领域，具体地，涉及一种基于神经网络的旁压模量计算模型的生成方法和生成装置。
背景技术
旁压试验是通过旁压器对钻孔孔壁施加横向压力，使土体产生径向变形，利用仪器所测量的周围岩土体的径向压力与变形关系，测求地基土的原位力学状态和力学参数，得到旁压模量。旁压模量作为原位测试数据，在设计中具有重要作用。然而，由于试验的复杂性、经济性和时效性，不能在单一项目的全部钻孔开展，造成了使用的局限性。因此，如何准确、经济、快速的获得土的旁压模量成为工程师们的研究重点之一。
回窥土体本身，土体常规的室内试验数据与旁压模量之间必然存在联系，相比原位旁压试验需通过现场测试而言，土的常规室内试验在岩土勘察中被普遍使用，可通过取样测试即可方便获得，若能将土体常规的室内试验数据与原位旁压模量之间建立起联系，则在一定程度上突破了必须依靠原位旁压试验才能测得旁压模量的限制。
对于此类常规室内试验数据与力学参数之间的关系模型，前人多仅用土体的单一指标与其力学指标进行线性拟合或对数拟合，如基于标准贯入试验的砂土原位旁压模量相关性研究、粉质黏土标贯击数与压缩模量的线性拟合、基于e-lgp曲线Harris函数快速获取土体压缩模量的方法等。此类研究虽有一定借鉴作用，但主要存在3个方面的问题：
1、数据利用率有限：单一因变量的力学指标计算方法仅通过线性拟合计算，仅体现土体某一方面特征与原位旁压模量间的关系，未能充分利用已获取的土样的物理方面数据。
2、准确性不高：使用单一指标与原位旁压模量之间进行拟合计算，数据种类不够丰富，难以完全表现土体全面特征，拟合方程的准确性不高。
3、耗时长、成本高：目前的类似力学指标计算方法中，主要采用标贯等原位测试数据作为因变量，其本质为原位数据，获取时间相对较长，成本相对较大，以一种原位测试数据为基础计算另一种原位测试数据，获取成本相对较大，存在耗时长、不经济的缺陷。
发明内容
为了达到上述目的，本申请提供了一种基于神经网络的旁压模量计算模型的生成方法和生成装置，以解决现有技术中以土体某一方面特征与原位旁压模量间的关系导致测得旁压模量准确度低的技术问题。
本申请提供了基于神经网络的旁压模量计算模型的生成方法，包括：
确定训练集和测试集；其中，所述训练集为第一比例的目标土层样本数据，所述测试集为第二比例的目标土层样本数据，所述目标土层样本数据包括目标土层多个原状样品的室内试验数据和取样位置的原位旁压模量，所述室内试验数据包括土层的物理性质指标数据和力学性质指标数据；第一比例大于第二比例；
确定所述室内试验数据为神经网络的输入数据；
确定所述原位旁压模量为神经网络的输出数据；
根据所述训练集中的神经网络输入数据，调整所述神经网络的训练参数，使得所述训练集中的神经网络输入数据收敛于所述训练集中的神经网络输出数据，得到初调模型参数；
根据所述初调模型参数、所述测试集中的神经网络输入数据和神经网络输出数据，验证并调整初调模型参数的准确性，如此往复，得到最终神经网络模型参数；
根据所述最终神经网络模型参数，生成旁压模量计算模型。
可选的，确定训练集和测试集的步骤之前还包括：
获取目标土层各个原状样品的取样位置处的原位旁压模量；
其中，所述目标土层为拟实施旁压试验的土层且获取不扰动原状土样品所在的土层。
可选的，确定训练集和测试集的步骤之前还包括：
获取各个原状样品的室内试验数据；
其中，所述目标土层原状样品的物理性质指标数据包括测定密度、含水率、液限、塑限和颗粒密度，所述力学性质指标数据包括压缩模量和压缩系数，直剪的粘聚力和摩擦角。
可选的，在获取目标土层各个原状样品的取样位置处的原位旁压模量和获取各个原状样品的室内试验数据的步骤之后、且在确定训练集和测试集的步骤之前还包括：
将相同目标土层的室内试验数据与原位旁压模量一一对应，并进行校验核对以备确定训练集和测试集。
可选的，确定训练集和测试集的步骤具体为：
按照7:3的比例随机将目标土层样本数据分为第一比例目标土层样本数据和第二比例目标土层样本数据，第一比例目标土层样本数据的比例为70％，第二比例目标土层样本数据的比例为30％。
可选的，确定训练集和测试集的步骤具体为：
按照8:2的比例随机将目标土层样本数据分为第一比例目标土层样本数据和第二比例目标土层样本数据，第一比例目标土层样本数据的比例为80％，第二比例目标土层样本数据的比例为20％。
可选的，根据所述训练集中的神经网络输入数据，调整所述神经网络的训练参数，使得所述训练集中的神经网络输入数据收敛于所述训练集中的神经网络输出数据的步骤，具体为：
所述神经网络建立从输入自变量数据到输出因变量数据的函数映射，根据所述函数映射和输入自变量数据计算所述输出因变量数据；
其中，所述训练集中的神经网络输入数据作为输入自变量数据，所述训练集中的神经网络输出数据作为输出因变量数据。
可选的，所述神经网络包括MLP神经网络和RBF神经网络；
所述训练参数包括协变量标准化重标度、学习率、学习率的边界、时程学习率、动能、间隔中心点及间隔偏移量。
本申请还提供了一种应用上述基于神经网络的旁压模量计算模型的生成装置，包括：
第一确定单元，用于确定训练集和测试集，所述测试集为第一比例的目标土层样本数据，所述训练集为第二比例的目标土层样本数据，所述目标土层样本数据包括目标土层的多个原状样品的室内试验数据和取样位置的原位旁压模量，所述室内试验数据包括土层的物理性质指标数据和力学性质指标数据；其中，第一比例大于第二比例；
第二确定单元，用于确定所述室内试验数据为神经网络的输入数据，以及用于确定所述原位旁压模量为神经网络的输出数据；
计算单元，用于根据所述训练集中的神经网络输入数据，调整所述神经网络的训练参数，使得所述训练集中的神经网络输入数据收敛于所述训练集中的神经网络输出数据，得到初调模型参数；
调整单元，用于根据所述初调模型参数、所述测试集中的神经网络输入数据和神经网络输出数据，验证并调整初调模型参数的准确性，如此往复，得到最终神经网络模型参数；
生成单元，根据所述最终神经网络模型参数，生成旁压模量计算模型。
可选的，生成装置还包括：
校验单元，将各个原状样品的室内试验数据与原位旁压模量一一对应，并进行校验核对以形成目标土层样本数据。
相较于现有技术，具有以下技术效果：
本申请实施例的基于神经网络的旁压模量计算模型的生成方法，目标土层样本数据包括目标土层多个原状样品的室内试验数据和取样位置的原位旁压模量，所述室内试验数据包括原状样品的物理性质指标数据和力学性质指标数据。将目标土层样本数据按照预设比例分为两部分：作为训练集的第一比例的目标土层样本数据，作为测试集的第二比例的目标土层样本数据。以训练集为基础，优选多个不同的神经网络构建模型进行训练，并以测试集进行验证，通过调整训练参数。从多个神经网络模型中选择出适合目标土层的“目标土层原状样品的室内试验数据-旁压模量”的神经网络计算模型。根据原状样品土体的多方面特征：物理性质指标数据和力学性质指标数据与原位旁压模量间的关系为基础，且控制训练集的比例大于测试集的比例，使得训练的准确性较高，之后再经过测试集进行验证和调整，最终生成的旁压模量计算模型的准确更高。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请基于神经网络的旁压模量计算模型的生成方法实施例的流程图；
图2为本申请基于神经网络的旁压模量计算模型的生成装置一个实施例的结构示意图；
图3为本申请基于神经网络的旁压模量计算模型的生成装置另一个实施例的结构示意图；
图4为本申请基于神经网络的旁压模量计算模型的旁压模量计算模型流程图。
具体实施方式
本发明实施例公开了一种基于神经网络的旁压模量计算模型的生成方法，以一定勘察区域内以一定数量的高质量钻孔处取得的原状土样常规的室内试验数据为基础，并以真实有效的测试数据及原位旁压模量为数据源，通过合适的神经网络训练获得原状图样常规的室内试验数据，以得到高质量的旁压模量计算模型，并将计算模型应用于相应勘察区域内基于土样常规的室内试验数据的旁压模量的计算。
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示，本申请一种具体的实施方式中，本申请提供了基于神经网络的旁压模量计算模型的生成方法，包括：
步骤S101：确定训练集和测试集；其中，所述训练集为第一比例的目标土层样本数据，所述测试集为第二比例的目标土层样本数据，所述目标土层样本数据包括目标土层的多个原状样品的室内试验数据和取样位置的原位旁压模量，所述室内试验数据包括土层的物理性质指标数据和力学性质指标数据；第一比例大于第二比例；
步骤S102：确定所述室内试验数据为神经网络的输入数据；
步骤S103：确定所述原位旁压模量为神经网络的输出数据；
步骤S104：根据所述训练集中的神经网络输入数据，调整所述神经网络的训练参数，使得所述训练集中的神经网络输入数据收敛于所述训练集中的神经网络输出数据，得到初调模型参数；
步骤S105：根据所述初调模型参数、所述测试集中的神经网络输入数据和神经网络输出数据，验证并调整初调模型参数的准确性，如此往复，得到最终神经网络模型参数；
步骤S106：根据所述最终神经网络模型参数，生成旁压模量计算模型。
在本实施例的一个具体示例中，所述训练集为70％的目标土层样本数据，所述测试集为包括30％的目标土层样本数据；所述目标土层样本数据包括目标土层的多个原状样品的室内试验数据和取样位置的原位旁压模量，所述室内试验数据包括土层的物理性质指标数据和力学性质指标数据。
本申请实施例的基于神经网络的旁压模量计算模型的生成方法，目标土层样本数据包括目标土层多个原状样品的室内试验数据和取样位置的原位旁压模量，所述室内试验数据包括原状样品的物理性质指标数据和力学性质指标数据。将目标土层样本数据按照预设比例分为两部分：作为训练集的第一比例的目标土层样本数据，作为测试集的第二比例的目标土层样本数据。以训练集为基础，优选多个不同的神经网络构建模型进行训练，并以测试集进行验证，通过调整训练参数。从多个神经网络模型中选择出适合目标土层的“目标土层原状样品的室内试验数据-旁压模量”的神经网络计算模型。根据原状样品土体的多方面特征：物理性质指标数据和力学性质指标数据与原位旁压模量间的关系为基础，且控制训练集的比例大于测试集的比例，使得训练的准确性较高，之后再经过测试集进行验证和调整，最终生成的旁压模量计算模型的准确更高。
需要说明的是，为了提高最终生成的旁压模量计算模型的准确性，一方面可以通过增加多个神经网络模型，使得能够从众多的神经网络模型中找到更适合目标土层的“目标土层原状样品的室内试验数据-旁压模量”的神经网络计算模型；另一方面，可以通过增加目标土层样本数据的数量，使得训练集和测试集的数量都较多，使得最终生成的旁压模量计算模型的准确更高。
具体的，调整神经网络的训练参数，训练参数例如包括协变量标准化重标度；优化参数为梯度下降法；最初学习率0.4，学习率的较低边界为0.001；时程学习率减少为10；动能为0.9；间隔中心点及间隔偏移量分别为0和±0.5。
实施中，步骤S101之前，还包括如下步骤：
获取目标土层各个原状样品的取样位置处的原位旁压模量；其中，所述目标土层为拟实施旁压试验的土层且获取不扰动原状土样品所在的土层；
获取各个原状样品的室内试验数据；其中，所述土层的物理性质指标数据包括测定密度、含水率、液限、塑限和颗粒密度，所述力学性质指标数据包括压缩模量和压缩系数，直剪的粘聚力和摩擦角。
需要说明的是，在取样位置处获取的旁压模量为原位旁压模量。在基于神经网络的旁压模量计算模型形成后，通过原状样品的室内试验数据计算得出的旁压模量，是计算出的旁压模量。计算出的旁压模量的被认为是接近原位旁压模量。
实施中，在获取目标土层各个原状样品的取样位置处的原位旁压模量和获取各个原状样品的室内试验数据的步骤之后、且在确定训练集和测试集的步骤之前还包括：
将各个原状样品的室内试验数据与原位旁压模量一一对应，并进行校验核对以形成目标土层样本数据。
目标土层的原状样品需要多个。将同一个目标土层的多个原状样品的室内试验数据和原位旁压模量建立一一对应关系，形成目标土层样本数据。即每一个目标土层原状样品都具有与之一一对应的室内试验数据和取样位置的原位旁压模量。
作为一个具体的实施方式，确定训练集和测试集的步骤具体为：
按照8:2的比例随机将目标土层样本数据分为第一比例目标土层样本数据和第二比例目标土层样本数据，第一比例目标土层样本数据的比例为80％，第二比例目标土层样本数据的比例为20％。
作为一个具体的实施方式，确定训练集和测试集的步骤具体为：
按照7:3的比例随机将目标土层样本数据分为第一比例目标土层样本数据和第二比例目标土层样本数据，第一比例目标土层样本数据的比例为70％，第二比例目标土层样本数据的比例为30％。
需要说明的是，按比例随机将目标土层样本数据分为第一比例目标土层样本数据和第二比例目标土层样本数据的具体比例值，可以根据实际需要进行选取。
实施中，根据所述训练集中的神经网络输入数据，调整所述神经网络的训练参数，使得所述训练集中的神经网络输入数据收敛于所述训练集中的神经网络输出数据的步骤，具体为：
所述神经网络建立从输入自变量数据到输出因变量数据的函数映射，根据所述函数映射和输入自变量数据计算所述输出因变量数据；
其中，所述训练集中的神经网络输入数据作为输入自变量数据，所述训练集中的神经网络输出数据作为输出因变量数据。
此处的神经网络即为初始的神经网络模型，通过训练集中的神经网络输入数据和训练集中的神经网络输出数据，对初始的神经网络模型进行训练，从而调整得到初调模型参数。
具体的，获取目标土层的多个原状样品的方式如下：
在实际应用中，如图4所示，可以首先根据设计需要选定特定层位作为目标土层；
之后，根据勘察工程需要实施钻孔至少20个，具体钻孔数可以根据需要增减，在此不做为具体限定。在拟实施旁压试验的目标土层处取不扰动土原状样品并在取样位置测得原位旁压模量。
需要说明的是，旁压试验(PMT，PressuremeterTest)是工程地质勘察中的一种原位测试方法的简称，也称横压试验。它的原埋是通过旁压器，在竖直的孔内使旁压膜膨并由该膜或护套将压力传给周围土体，使土体产生变形直至破坏，从而得到压力与钻孔体积增量或径向位移之间的关系。根据这种关系对地基土体的承载强度和变形性质等进行评价。旁压试验适用于粘性土，粉土，砂士、碎石士、花岗岩淤泥和软岩等。
旁压试验的试验设备包括旁压器、控制单元和管路系统。
旁压器是对孔壁土(岩)体直接施加压力的部分，是旁压仪最重要的部件。它由金属骨架，密封的橡皮膜和膜外护铠组成的。旁压器一共有两种，一种是单腔式，另一种是三腔式。在我国地铁工程中，用的最多是三腔式。与单腔式相比，三腔式的旁压器更加方便、准确。三腔式的旁压器主要有两部分组成，一个是测量腔，也称之为中腔；另外一个称之为护腔，护腔有上下两个护腔构成。但是，测量腔和上下两个护腔互不相通，但是上下两个护腔是互通的，并日上下两个护腔把测量腔夹在中间。在试验测量时，有压介质(水或油)从控制单元中通过中间的管路系统流过，进入测量腔。使得测量腔中的橡皮膜沿径向膨胀，在试验孔壁或者周围受到压力，呈圆柱形扩张，从而可以量出孔壁的压力与钻孔体积变化的关系。
控制单元是位于地表，通常是设置在二脚架上的一个箱式结构。它的主要功能就是控制试验压力和测读旁压器内体积应变的变化。一般由压力源，(高压氮气瓶)、调压器、测管、水箱、各类的阀门压力表，管路和箱式的结构架等组成的。
管路系统是用于连接旁压器和控制单元。输送和传递压力与体积信息的系统，通常是包括气路、水(油)路和电路。
根据《岩土工程勘察规范》中的有关规定,不同土类的旁压试验加荷等级不同。约束力控制：随看旁压膜的膨胀,克服橡胶膜的约束力需要消耗一定的压力,致使施加于土的体实际力小于压力表品示的压力值,故压力必须进行校正。常规标定中，一般只对新膜和放置或使用了一段时间后(6～8次试验后)的膜进行。实际上,新膜经过第一次标定后的试验阶段,旁压膜的变形较快。经过3～4次试验后,旁压膜的变形值就变大了,这时就应再次进行标定。另外在从试验孔内取出旁压器的过程中，由于孔壁阻力的影响，有时会出现膜拉翻下面的箍的现象(通常称作“翻箍”)，此时也应对旁压膜进行重新标定。
送原状土样试验测定密度、含水率、液限、塑限、颗粒密度等物理性质指标，同时可测定压缩模量和压缩系数，直剪的粘聚力和摩擦角等力学性质指标。
步骤S102具体实现的方式为：
预定的神经网络可以为多层感知器(MLP，Multilayer Perceptron)，MLP是一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上。还可以是径向基函数(RBF，Radial Basis Function)神经网络。RBF神经网络具有单隐层的三层前向网络。第一层为输入层，由信号源节点组成。第二层为隐藏层，隐藏层节点数视所描述问题的需要而定，隐藏层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负线性函数，该函数是局部响应函数，具体的局部响应体现在其可见层到隐藏层的变换跟其它的网络不同。以前的前向网络变换函数都是全局响应的函数。第三层为输出层，是对输入模式做出的响应。输入仅仅起到传输信号作用，输入层和隐含层之间可以看做连接权值为1的连接，输出层与隐含层所完成的任务是不同的，因而他们的学习策略也不同。输出层是对线性权进行调整，采用的是线性优化策略，因而学习速度较快；而隐含层是对激活函数(格林函数，高斯函数，一般取后者)的参数进行调整，采用的是非线性优化策略，因而学习速度较慢。
步骤S103具体实现的方式为：
在本实施例中，相对于现有技术中单一参量的拟合结果，采用全方位的室内试验数据并结合现场地质特点，充分利用土样各方面的数据资源，提高数据资源利用率；使用多因变量的室内试验指标计算方法，数据种类丰富，能够尽最大可能完全表现土体特征，提高计算方法的准确性。
步骤S104具体实现的方式为：
本实施例采用三层BP(Back Propagation)神经网络实现从输入自变量数据(即密度、含水率、液限、塑限、颗粒密度、压缩模量和压缩系数、粘聚力和摩擦角等)到输出因变量(即原位旁压模量)数据的函数映射，每层都由若干个神经元组成，各层之间各个神经元实现全连接，数据从输入层经隐含层向输出层传播，再通过反向传播算法对网络的权值和阈值进行反复的调整训练直至输出逼近期望输出。
在本实施例中，神经网络主要有三个基本要素：权重、偏置和激活函数。权重：神经元之间的连接强度由权重表示，权重的大小表示可能性的大小；偏置：偏置的设置是为了正确分类样本，是模型中一个重要的参数，即保证通过输入算出的输出值不能随便激活。激活函数：起非线性映射的作用，其可将神经元的输出幅度限制在一定范围内，一般限制在(-1～1)或(0～1)之间。最常用的激活函数是Sigmoid函数，其可将(-∞，+∞)的数映射到(0～1)的范围内。激活函数还有tanh和ReLU等函数，tanh是Sigmoid函数的变形，tanh的均值是0，在实际应用中有比Sigmoid更好的效果；ReLU是近来比较流行的激活函数，当输入信号小于0时，输出为0；当输入信号大于0时，输出等于输入；具体采用哪种激活函数需视具体情况定。
调整所述神经网络的训练参数，例如包括协变量标准化重标度；优化参数为梯度下降法；最初学习率0.4，学习率的较低边界为0.001；时程学习率减少为10；动能为0.9；间隔中心点及间隔偏移量分别为0和±0.5；
协变量标准化重标度；在自动计算的范围内自动查找隐藏层最佳单位数；自动；计算隐藏单位允许的重叠数。
在本实施例中，利用人工神经网络建立多项目标土层的室内试验数据与力学指标数据之间的灰色数学关系，解决了三项关键技术问题：
1、提高数据利用率：采用全方位的室内试验数据并结合现场地质特点，充分利用土样各方面的数据资源，提高数据资源利用率；
2、提高计算方法准确性：使用多因变量的室内试验指标计算方法，数据种类丰富，能够尽最大可能完全表现土体特征，提高计算方法的准确性。
3、建立旁压模量计算模型：采用常规的室内试验数据计算旁压模量，数据仅通过常规的室内试验的过程数据即可获得，通过模型计算得到旁压模量，无需现场进行试验，提高工作的时效性，大幅节约经济成本。
如图4所示，下面以实际应用中的例子对本申请方法实施例进行说明，本实施例包括以下步骤：
①根据设计需要选定特定深度的目标土层。
②选定一定数量的点位实施钻孔，作为取样位置：根据勘察工程需要实施钻孔(至少20个)，在拟实施旁压试验的目标土层处取不扰动土原状样品并测量取样位置的原位旁压模量；
③送原状样品试验测定密度、含水率、液限、塑限、颗粒密度等物理性质指标，同时可测定压缩模量和压缩系数，直剪的粘聚力和摩擦角等力学性质指标。
④将目标土层各个原状样品的物理力学指标与原位旁压模量一一对应，并进行校验核对。
⑤将通过数据校验核对的土样参数和模量，形成目标土层样本数据，将目标土层样本数据按7:3的比例随机分为训练集和测试集；
⑥以训练集数据为基础，优选不同神经网络构建模型进行训练，得到初调模型参数；并以测试集进行验证，通过调整初调模型参数，即验证及调整初调模型参数，形成最终神经网络模型参数；优选出适合本区域目标土层的“土常规室内试验数据—旁压模量”人工神经网络计算模型，即根据所述最终神经网络模型参数，生成旁压模量计算模型。
⑦在同区域其他钻孔的同层位取原状样品，测试物理力学指标，使用本申请所构建的目标土层计算模型，实现取样点位目标土层的原位旁压模量的计算。
本申请可以应用于区域内目标土层旁压模量的计算，具体实施方式如下：
①根据具体项目设计需要选定特定深度的目标土层，如选定某层粉质黏土，如层位可定名为“层1-1”。
②根据勘察工程需要实施钻孔(至少20个)，在拟实施旁压试验的目标土层处取不扰动土原状样品并测得原位旁压模量，即取得20个原状样品和20个取样位置的原位旁压模量；
③对样品进行详细工程地质描述，并记录土样埋深、地下水位等。
④送原状样品试验测定密度、含水率、液限、塑限、颗粒密度等物理性质指标，同时可测定压缩模量和压缩系数，直剪的粘聚力和摩擦角等力学性质指标。
⑤所选原状样品的钻探及取样过程需满足原状样品尽量不扰动的情况下才可确保计算模型准确。
⑥在钻孔中，严格按照旁压试验规程，在取得并进行物理指标测试土样的地层中进行旁压试验，测得原位旁压模量；
⑦将目标土层的物理力学指标与原位旁压模量一一对应，并进行校验核对。
⑧将通过数据校验核对的土样参数和模量，按7:3的比例随机分为训练集和测试集；
⑨以训练集数据为基础，优选不同神经网络构建模型进行训练，并以测试集进行验证，通过调整培训参数，优选出适合本区域目标土层的“土常规室内试验数据—旁压模量”人工神经网络计算模型。模型培训参数初始值可参考下表。
表1-模型培训参数选择表
⑩在同区域其他钻孔的“层1-1”同层位取原状样，测试物理力学指标，使用本申请所构建的目标土层计算模型，实现取样点位目标土层“层1-1”的旁压模量的计算。
本申请方法实施例，其核心思想是基于合适的神经网络模型，以满足模型训练精度的一定数量目标土层高质量土原状样品物理力学测试数据为训练基础，训练并获取对地区有针对性的旁压模量预测模型，达到以常规室内试验数据预测旁压模量的目的，填补了此类技术的空白，主要具有如下三点优势：
①数据利用率高：在满足计算精度的前提下，仅选择一定数量代表性点位进行旁压试验即可，能够大幅减少旁压试验的测试数量，充分利用已获取的土样的多方面室内试验数据资源，体现了本申请的在数据利用率方面的优势，提高旁压模量数据的获取效率。
②计算准确性高：使用多个室内试验指标与原位旁压模量之间进行计算，尽最大可能完全表现土体特征，计算方法的准确性高。
③时效性高、节约经济成本：采用常规室内试验数据计算力学指标，数据仅通过室内常规实验即可获得，减少现场钻探阶段原位旁压测试的频次，规避了旁压试验程序复杂、耗费费力、对试验人员要求较高的缺点，提高时效性，节约经济成本。
上面对本申请的提供的基于神经网络的旁压模量计算模型的生成方法实施例进行了说明，如图2所示，本申请提供一种应用上述基于神经网络的旁压模量计算模型的生成装置实施例，包括：
第一确定单元201，用于确定训练集和测试集，所述测试集为第一比例的目标土层样本数据，所述训练集为第二比例的目标土层样本数据，所述目标土层样本数据包括目标土层的多个原状样品的室内试验数据和取样位置的原位旁压模量，所述室内试验数据包括土层的物理性质指标数据和力学性质指标数据；其中，第一比例大于第二比例；
第二确定单元202，用于确定所述室内试验数据为神经网络的输入数据，以及用于确定所述原位旁压模量为神经网络的输出数据；
计算单元203，用于根据所述训练集中的神经网络输入数据，调整所述神经网络的训练参数，使得所述训练集中的神经网络输入数据收敛于所述训练集中的神经网络输出数据，得到初调模型参数；
调整单元204，用于根据所述初调模型参数、所述测试集中的神经网络输入数据和神经网络输出数据，验证并调整初调模型参数的准确性，如此往复，得到最终神经网络模型参数；
生成单元205，根据所述最终神经网络模型参数，生成旁压模量计算模型。
下面以一个实际应用中的例子对上述单元间的通讯关系加以说明:
首先第一确定单元201确定训练集和测试集，所述训练集包括第一比例的(如70％)目标土层样本数据，所述测试集包括第二比例的(如30％)目标土层样本数据；所述目标土层样本数据包括目标土层多个原状样品的室内试验数据和取样位置的原位旁压模量，所述室内试验数据包括原状样品的物理性质指标数据和力学性质指标数据；关于训练集和测试集的描述已经在前述实施例中进行说明，在此不做赘述。
接着第二确定单元用于所述常规室内试验数据确定为预定的神经网络的输入数据，所述原位旁压模量确定为神经网络的输出数据；计算单元根据所述神经网络与训练集输入数据，调整所述神经网络的训练参数，使得输入数据收敛于所述输出数据，得到初调模型参数；调整单元根据所述初调模型参数与所述测试集数据，验证并调整初调模型参数的准确性，如此往复，得到最终神经网络模型参数；生成单元根据所述最终神经网络模型参数，生成旁压模量计算模型。
本实施例中分利用人工神经网络建立多项土常规室内试验数据与旁压模量之间的灰色数学关系，解决了三项关键技术问题：提高数据利用率：采用全方位的室内试验数据并结合现场地质特点。充分利用土样各方面的数据资源，提高数据资源利用率；提高计算方法准确性：使用多因变量的室内试验指标计算方法，数据种类丰富，能够尽最大可能完全表现土体特征，提高计算方法的准确性。建立旁压模量计算模型：采用常规室内试验数据计算旁压模量，数据仅通过室内常规试验的过程数据即可获得，通过模型计算得到旁压模量，无需现场进行试验，提高工作的时效性，大幅节约经济成本。
上面对本申请的提供的基于神经网络的旁压模量计算模型的生成装置实施例进行了说明，如图3所示，本申请提供一种应用上述基于神经网络的旁压模量计算模型的生成装置实施例的变形例，包括：
第一确定单元301，用于确定训练集和测试集，所述测试集为第一比例的目标土层样本数据，所述训练集为第二比例的目标土层样本数据，所述目标土层样本数据包括目标土层的多个原状样品的室内试验数据和取样位置的原位旁压模量，所述室内试验数据包括土层的物理性质指标数据和力学性质指标数据；其中，第一比例大于第二比例；
第二确定单元302，用于确定所述室内试验数据为神经网络的输入数据，以及用于确定所述原位旁压模量为神经网络的输出数据；
计算单元303，用于根据所述训练集中的神经网络输入数据，调整所述神经网络的训练参数，使得所述训练集中的神经网络输入数据收敛于所述训练集中的神经网络输出数据，得到初调模型参数；
调整单元304，用于根据所述初调模型参数、所述测试集中的神经网络输入数据和神经网络输出数据，验证并调整初调模型参数的准确性，如此往复，得到最终神经网络模型参数；；
生成单元305，根据所述最终神经网络模型参数，生成旁压模量计算模型。
上述301-305与前述实施例中201-205相近，不同在于第一确定单元301还与校验单元306通讯，校验单元306用于将各个原状样品的室内试验数据与原位旁压模量一一对应，并进行校验核对以形成目标土层样本数据。
下面以一个实际应用中的例子对上述单元间的通讯关系加以说明:
首先校验单元306将各个原状样品的室内试验数据与原位旁压模量一一对应，并进行校验核对以形成目标土层样本数据。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于神经网络的旁压模量计算模型的生成方法，其特征在于，包括：
确定训练集和测试集；其中，所述训练集为第一比例的目标土层样本数据，所述测试集为第二比例的目标土层样本数据，所述目标土层样本数据包括目标土层多个原状样品的室内试验数据和取样位置的原位旁压模量，所述室内试验数据包括原状样品的物理性质指标数据和力学性质指标数据；第一比例大于第二比例；
确定所述室内试验数据为神经网络的输入数据；
确定所述原位旁压模量为神经网络的输出数据；
根据所述训练集中的神经网络输入数据，调整所述神经网络的训练参数，使得所述训练集中的神经网络输入数据收敛于所述训练集中的神经网络输出数据，得到初调模型参数；
根据所述初调模型参数、所述测试集中的神经网络输入数据和神经网络输出数据，验证并调整初调模型参数的准确性，如此往复，得到最终神经网络模型参数；
根据所述最终神经网络模型参数，生成旁压模量计算模型。
2.根据权利要求1所述的基于神经网络的旁压模量计算模型的生成方法，其特征在于，确定训练集和测试集的步骤之前还包括：
获取目标土层各个原状样品的取样位置处的原位旁压模量；
其中，所述目标土层为拟实施旁压试验的土层且获取不扰动原状土样品所在的土层。
3.根据权利要求2所述的基于神经网络的旁压模量计算模型的生成方法，其特征在于，确定训练集和测试集的步骤之前还包括：
获取各个原状样品的室内试验数据；
其中，所述目标土层原状样品的物理性质指标数据包括测定密度、含水率、液限、塑限和颗粒密度，所述力学性质指标数据包括压缩模量和压缩系数，直剪的粘聚力和摩擦角。
4.根据权利要求3所述的基于神经网络的旁压模量计算模型的生成方法，其特征在于，在获取目标土层各个原状样品的取样位置处的原位旁压模量和获取各个原状样品的室内试验数据的步骤之后、且在确定训练集和测试集的步骤之前还包括：
将各个原状样品的室内试验数据与原位旁压模量一一对应，并进行校验核对以形成目标土层样本数据。
5.根据权利要求4所述的基于神经网络的旁压模量计算模型的生成方法，其特征在于，确定训练集和测试集的步骤具体为：
按照7:3的比例随机将目标土层样本数据分为第一比例目标土层样本数据和第二比例目标土层样本数据，第一比例目标土层样本数据的比例为70％，第二比例目标土层样本数据的比例为30％。
6.根据权利要求4所述的基于神经网络的旁压模量计算模型的生成方法，其特征在于，确定训练集和测试集的步骤具体为：
按照8:2的比例随机将目标土层样本数据分为第一比例目标土层样本数据和第二比例目标土层样本数据，第一比例目标土层样本数据的比例为80％，第二比例目标土层样本数据的比例为20％。
7.根据权利要求1至6任一所述的基于神经网络的旁压模量计算模型的生成方法，其特征在于，根据所述训练集中的神经网络输入数据，调整所述神经网络的训练参数，使得所述训练集中的神经网络输入数据收敛于所述训练集中的神经网络输出数据的步骤，具体为：
所述神经网络建立从输入自变量数据到输出因变量数据的函数映射，根据所述函数映射和输入自变量数据计算所述输出因变量数据；
其中，所述训练集中的神经网络输入数据作为输入自变量数据，所述训练集中的神经网络输出数据作为输出因变量数据。
8.根据权利要求7所述的基于神经网络的旁压模量计算模型的生成方法，其特征在于，
所述神经网络包括MLP神经网络和RBF神经网络；
所述训练参数包括协变量标准化重标度、学习率、学习率的边界、时程学习率、动能、间隔中心点及间隔偏移量。
9.一种应用如权利要求1-8中任一项所述的基于神经网络的旁压模量计算模型的生成装置，其特征在于，包括：
第一确定单元，用于确定训练集和测试集，所述测试集为第一比例的目标土层样本数据，所述训练集为第二比例的目标土层样本数据，所述目标土层样本数据包括目标土层的多个原状样品的室内试验数据和取样位置的原位旁压模量，所述室内试验数据包括土层的物理性质指标数据和力学性质指标数据；其中，第一比例大于第二比例；
第二确定单元，用于确定所述室内试验数据为神经网络的输入数据，以及用于确定所述原位旁压模量为神经网络的输出数据；
计算单元，用于根据所述训练集中的神经网络输入数据，调整所述神经网络的训练参数，使得所述训练集中的神经网络输入数据收敛于所述训练集中的神经网络输出数据，得到初调模型参数；
调整单元，用于根据所述初调模型参数、所述测试集中的神经网络输入数据和神经网络输出数据，验证并调整初调模型参数的准确性，如此往复，得到最终神经网络模型参数；
生成单元，根据所述最终神经网络模型参数，生成旁压模量计算模型。
10.根据权利要求9所述的基于神经网络的旁压模量计算模型的生成装置，其特征在于，还包括：
校验单元，用于将各个原状样品的室内试验数据与原位旁压模量一一对应，并进行校验核对以形成目标土层样本数据。
CN202310774375.2A 2023-06-28 2023-06-28 基于神经网络的旁压模量计算模型的生成方法和生成装置 Pending CN116911171A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310774375.2A CN116911171A (zh) 2023-06-28 2023-06-28 基于神经网络的旁压模量计算模型的生成方法和生成装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310774375.2A CN116911171A (zh) 2023-06-28 2023-06-28 基于神经网络的旁压模量计算模型的生成方法和生成装置

Publications (1)

Publication Number Publication Date
CN116911171A true CN116911171A (zh) 2023-10-20

Family

ID=88352143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310774375.2A Pending CN116911171A (zh) 2023-06-28 2023-06-28 基于神经网络的旁压模量计算模型的生成方法和生成装置

Country Status (1)

Country Link
CN (1) CN116911171A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252042A (zh) * 2023-11-16 2023-12-19 成都建工第三建筑工程有限公司 城市地下空间综合承载能力评估系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252042A (zh) * 2023-11-16 2023-12-19 成都建工第三建筑工程有限公司 城市地下空间综合承载能力评估系统及方法
CN117252042B (zh) * 2023-11-16 2024-01-23 成都建工第三建筑工程有限公司 城市地下空间综合承载能力评估系统及方法

Similar Documents

Publication Publication Date Title
CN110795878B (zh) 一种隧道涌水量预测方法
CN101501298B (zh) 分析和控制在钻孔中水锤产生的波传播的方法和装置
CN101942987B (zh) 一种简易声速测井仪检验、标定及刻度方法
CN108287945B (zh) 大型基础下地基土的变形计算方法与应用技术
Rezaei et al. Liquefaction assessment using microtremor measurement, conventional method and artificial neural network (Case study: Babol, Iran)
CN107315862A (zh) 一种建立明挖基坑工程勘察与模拟参数关系的方法
CN104314108B (zh) 一种确定桩基础桩周土强度参数的反分析方法
CN116911171A (zh) 基于神经网络的旁压模量计算模型的生成方法和生成装置
CN116931085B (zh) 一种砂质储层天然气水合物预测方法及装置
CN107842394B (zh) 大跨度地下硐室开采顶板稳定性的动弹模探测方法
CN113267814B (zh) 场地剪切波速测算方法及装置
CN106568647B (zh) 一种基于神经网络的混凝土强度预测方法
CN107808032A (zh) 页岩气储层含水饱和度计算方法及系统
CN105626056A (zh) 一种确定目标区三维地层孔隙压力的方法和装置
Erzin et al. The use of neural networks for the prediction of cone penetration resistance of silty sands
CN108181173A (zh) 可以模拟浸水路堤的试验模型
CN118094147B (zh) 基于变分模态分解和双向长短期网络的管道泄漏定位方法
CN115455791A (zh) 一种基于数值模拟技术提高滑坡位移预测准确率的方法
CN114036831A (zh) 一种待检测工程场地边坡的岩土力学参数的实时检测方法
CN105298478A (zh) 一种用于断裂构造的地层孔隙压力确定方法
Obrzud et al. A combined neural network/gradient‐based approach for the identification of constitutive model parameters using self‐boring pressuremeter tests
CN207816717U (zh) 一种可以模拟浸水路堤的试验模型
CN111273349A (zh) 一种用于海底浅部沉积层的横波速度提取方法及处理终端
CN116108772A (zh) 地下工程岩体质量修正方法、装置、设备及可读存储介质
Kamura et al. Assessment of stiffness degradation of soil by in-situ cyclic loading using pressuremeter

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination