一种基于人工智能算法的土体本构模型参数确定方法技术

本发明专利技术涉及一种基于人工智能算法的土体本构模型参数确定方法，通过构建计算数据和试验数据之间的适应度函数，将本构模型参数取定转化为一个系统最优解求解问题，并采用了遗传算法获得该系统的最优解，克服了传统方法中人为经验的影响，并且可实现多个本构模型参数一次性获得，极大提高了本构模型参数取定效率。

A method for determining the parameters of soil constitutive model based on artificial intelligence algorithm

The invention relates to an artificial intelligence algorithm based on soil constitutive model parameter determination method, by constructing the fitness function between calculated data and experimental data, the parameters of constitutive model for solving a system optimization problem, and uses genetic algorithm to obtain the optimal solution of the system, to overcome the influence of human experience in traditional methods, and can realize a plurality of constitutive model parameters of a one-time gain is greatly improved, the constitutive model parameters for efficiency.

【技术实现步骤摘要】
一种基于人工智能算法的土体本构模型参数确定方法
本专利技术涉及土体本构模型领域，具体涉及根据室内三轴试验数据确定土体本构模型参数的方法，用于解决土体本构模型参数取定困难的问题。
技术介绍
土体本构模型参数一般根据常规三轴试验确定，试样加载应力路径如图7，即首先对土体试样施加初始固结压力σ3，待试样固结稳定后，再施加剪切偏应力Δσ1进行剪切，量测剪切过程中试样的应变和体积变化，并绘制典型三轴试验曲线如图8。在常规三轴试验中，第一主应变为轴向应变即ε1＝εa，体积应变εv＝ε1+2ε3。当前土工试验数据整理过程通用方法是在获得三轴试验数据后，根据不同模型提出者建议的方法进行人工本构模型参数确定，由于土工试验自身的复杂性和离散性，人工整理试验参数在试验点选取、参数拟合方面有一定的人为经验因素，不同技术人员确定的模型指标往往有不小出入，更有甚者，可能从试验数据确定的模型参数，其“反算”曲线和原试验曲线并不能很好地吻合。也有一些将优化算法用于本构模型参数确定的尝试，但是采用的优化算法为传统的复合形算法等，其在计算效率、寻优能力、鲁棒性方面存在一些不足，使得该方法难以推广使用。综合以上分析，现有本文档来自技高网...

【技术保护点】
一种基于人工智能算法的土体本构模型参数确定方法，其特征在于，包括：步骤100：确定本构模型参数数目；确定本构模型参数数目后，部分参数通过三轴试验试验数据直接确定，其余的n个参数变量x1～xn通过下述算法确定；步骤200：产生初代种群；设种群数目为N，经过基因编码得到N个个体X1～XN的基因型，其中每个个体X＝{x1,x2,...,xn}；步骤300：构建适应度函数；步骤400：通过适应度函数对初代种群的N个个体X1～XN分别进行适应度评价，根据适应度由高到低对N个个体进行重新排序；步骤500：设置阈值εuv，评价个体适应度是否满足要求，若排序中最高适应度个体对应的适应度≤εuv，则停止计算，将...

【技术特征摘要】
1.一种基于人工智能算法的土体本构模型参数确定方法，其特征在于，包括：步骤100：确定本构模型参数数目；确定本构模型参数数目后，部分参数通过三轴试验试验数据直接确定，其余的n个参数变量x1～xn通过下述算法确定；步骤200：产生初代种群；设种群数目为N，经过基因编码得到N个个体X1～XN的基因型，其中每个个体X＝{x1,x2,...,xn}；步骤300：构建适应度函数；步骤400：通过适应度函数对初代种群的N个个体X1～XN分别进行适应度评价，根据适应度由高到低对N个个体进行重新排序；步骤500：设置阈值εuv，评价个体适应度是否满足要求，若排序中最高适应度个体对应的适应度≤εuv，则停止计算，将该个体作为最优个体输出，否则执行步骤600；步骤600：根据遗传概率，通过下述操作产生新种群；步骤601：基于浓度进行个体选择，得到子代种群N个个体；步骤602：对子代种群N个个体进行个体交叉、变异，形成新的个体；步骤603：子代种群N个个体经过交叉变异后，形成新的种群，跳转步骤400继续计算；反复执行步骤400至步骤603，依次形成第2代、第3代……第m代新种群，直至满足条件后终止。2.根据权利要求1所述的方法，其特征在于，所述步骤200中，个体基因型的获取方式如下：设置[U1,min,U1,max]，[U2,min,U3,max]……[Un,min,Un,max]依次为变量x1,x2,...,xn的上限和下限，生成一个随机参数aij∈[0,1]，i＝1,2,...,N；j＝1,2,...,n；则：将每个个体X＝{x1,x2,...,xn}代入式(1)，得到N个个体的基因型。3.根据权利要求1所述的方法，其特征在于，所述步骤300中，适应度函数构建如下：式中，ω1和ω2为偏应力和体积应变所占的权重，M为试验数据荷载步总数，qi,test为第i个点处试验数据偏应力值，qi,model为第i个点处模型计算所得偏应力值，εv,i,test为第i个点处试验数据体积应变值，εv,i,model为第i个点处模型计算体积应变值。4.根据权利要求1所述的方法，其特征在于，所述步骤601中，基于浓度的个体选择方式具体如下：采用如下非线性排序的选择概率计算公式：eval(Xi)＝α×(1-α)i-1(5)上式中i为个体排序序号，i＝1～N；α为排序第一的个体的选择概率参数；归一化得到每个个体被选择的概率如下：求得累积概率Ps0＝0.0；从区间(0，1)产生一个均匀分布的随机浮点数β；若β∈(Psi-1，Psi]，则Xi进入子代种群；N次重复产生随机数β，得到子代种群N个个体。5.根据权利要求1所述的方法，其特征在于，所述步骤602中，选用算术交叉算子进行个体交叉，通过两个个体的线性组合产生两个新的个体。6.根据权利要求1所述的方法，其特征在于，所述步骤602中，选用均匀变异算子进行个体变异，首先，依次指定个体编码串中每个基因座为变异点；然后，对每一个变异点以变异概率pm从对应基因值的取值范围内取一随机数来替代原有基因值。7.根据权利要求5所述的方法，其特征在于，变异概率pm∈(0.0001,0.1)，杂交概率pc∈(0.4,0.99)。8.根据权利要求1所述的方法，其特征在于，步骤100：建立广义塑性模型弹塑性模型：广义塑性模型弹塑性矩阵写为：其中，De为弹性矩阵，Dep为塑性矩阵；ng为塑性流动方向；n为加载方向；H为塑性模量，表达式分别如...

【专利技术属性】
技术研发人员：魏匡民，邓曌，陈生水，李国英，
申请(专利权)人：水利部交通运输部国家能源局南京水利科学研究院，
类型：发明
国别省市：江苏,32