The invention discloses a method for finding the law of seepage movement of sonar based on deep learning. The specific steps of the method are as follows: S1. The data processing system cleans and classifies the processed data and sends the processed data to the machine learning system; S2. The machine learning system recognizes the disturbance and seepage of the data and enters the non-interference signal. Line seepage identification and labeling, and send the processed data to the data mining system; S3, the data mining system excavates the target data in order to find its internal relationship and get the internal relationship of seepage movement regularity. The invention promotes the progress of theoretical modeling of sonar seepage movement, and has high social and economic benefits.
【技术实现步骤摘要】
基于深度学习的声纳渗流运动规律发现方法
本专利技术涉及深度学习
,具体地说,是一种基于深度学习的声纳渗流运动规律发现方法。
技术介绍
在我国基建行业的迅猛发展的同时,渗漏作为建造过程中的普遍问题带来的额外成本开销也在日益增加,由其造成的一系列安全隐患已严重影响到部分工程的运行。然而,传统勘察方法查找地下渗漏状况,只能做到根据钻孔揭示的岩心取样做粗略分析,一般无法确定地下水的渗流场分布,尤其无法根据各孔的渗流状况对整个区域的渗漏做出总体判断,不能对区域渗漏做出正确的整体分析,从而也就无从制定出有针对性的防渗措施,其结果是投入水库防渗资金费用巨大且达不到费省效宏的目的。因此许多学者期望于借助高效计算机,利用先进的数学理论与计算技术建立起多种数模和算法,试图把渗流的基本理论直接应用到工程问题中去。因地质构造的体系成因的复杂性、隐蔽性,以及地质孔隙、裂隙和溶隙固有的复杂水文地质渗流特征,人们还无法在天然流场下建立有效的渗流场的通用动态计算模型,只能依据不同的渗流类别,经验地评估和预测水文地质渗流特性。因此地下水渗流理论与工程的应用仍未取得突破性进展。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的声纳渗流运动规律发现方法。实现本专利技术目的的技术解决方案为:一种基于深度学习的声纳渗流运动规律发现方法,包括以下步骤:S1,数据处理系统1通过数据处理模块6对声纳渗流探测中地下水水流产生的波形数据5进行数据清理并分类,将处理后的数据发送给机器学习系统2;S2,机器学习系统2通过干扰识别模块7将清理后数据转化为高斯分布的声纳数据,通过多次应用异常检测算法的方法 ...
【技术保护点】
1.一种基于深度学习的声纳渗流运动规律发现方法,其特征在于,包括以下步骤:S1,数据处理系统[1]通过数据处理模块[6]对声纳渗流探测中地下水水流产生的波形数据[5]进行数据清理并分类,将处理后的数据发送给机器学习系统[2];S2,机器学习系统[2]通过干扰识别模块[7]将清理后数据转化为高斯分布的声纳数据,通过多次应用异常检测算法的方法分离出干扰数据并标注,将分离出的非干扰数据传给渗流识别模块[8]对数据进行渗流识别;渗流识别模块[8]构建神经网络模型,通过深度学习方法从非干扰数据中进行渗流特征学习,采用交叉验证的方式,得到训练好的神经网络模型,再导入数据完成对非干扰信号的渗流识别与标注,将处理后数据发送给数据挖掘系统[3];S3,数据挖掘系统[3]通过数据挖掘模块[9]对具有代表性的样本进行挖掘,得到与声纳渗流运动有关的新模型。
【技术特征摘要】
1.一种基于深度学习的声纳渗流运动规律发现方法,其特征在于,包括以下步骤:S1,数据处理系统[1]通过数据处理模块[6]对声纳渗流探测中地下水水流产生的波形数据[5]进行数据清理并分类,将处理后的数据发送给机器学习系统[2];S2,机器学习系统[2]通过干扰识别模块[7]将清理后数据转化为高斯分布的声纳数据,通过多次应用异常检测算法的方法分离出干扰数据并标注,将分离出的非干扰数据传给渗流识别模块[8]对数据进行渗流识别;渗流识别模块[8]构建神经网络模型,通过深度学习方法从非干扰数据中进行渗流特征学习,采用交叉验证的方式,得到训练好的神经网络模型,再导入数据完成对非干扰信号的渗流识别与标注,将处理后数据发送给数据挖掘系统[3];S3,数据挖掘系统[3]通过数据挖掘模块[9]对具有代表性的样本进行挖掘,得到与声纳渗流运动有关的新模型。2.根据权利要求1所述的基于深度学习的声纳渗流运动规律发现方法,其特征在于:所述声纳渗流探测中地下水水流产生的波形数据[5]包含仅有噪音标注的渗流检测数据、仅有渗流标注的渗流检测数据、既有噪音标注又有渗流标注的渗流检测数据及无标注的渗流检测数据。3.根据权利要求1所述的基于深度学习的声纳渗流运动规律发现方法,其特征在于,所述数据处理模块[6]对原始数据[5]进行数据清理并分类的方法如下:S11,对原始数据[5]进行数据清理;S12,对清理后的数据进行数据集成与数据归约;S13,将进行数据集成与数据归约后的数据存入数据库中。4.根据权利要求1所述的基于深度学习的声纳渗流运动规律发现方法,其特征在于,所述干扰识别模块[7]将清理后数据转化为高斯分布的声纳数据,通过多次应用异常检测算法的方法分离出干扰数...
【专利技术属性】
技术研发人员:王永利,卜凡,罗靖杰,张伟,刘森淼,彭姿容,郭相威,朱亚涛,朱根伟,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。