一种滩海地区土层识别方法技术

本发明专利技术公开了一种滩海地区土层识别方法，通过深度学习实现对淤泥质粉质粘土、淤泥质粘土、粉土、粉砂、粉质粘土等五种岩土类型的快速识别。实现步骤包括土体样本进行土层取样、样本拍照、样本标记、样本分割、建立模型、模型训练、模型测试以及模型部署等。本发明专利技术采用迁移学习方法，在前期训练收敛好的AlexNet的基础上，不改变收敛权值，通过更改输出层，采用少量样本训练即可快速获得理想的土层类型识别效果。果。果。

【技术实现步骤摘要】
一种滩海地区土层识别方法


[0001]本专利技术涉及地层沉降控制
，具体为一种滩海地区土层识别方法。

技术介绍

[0002]地基沉降具有缓变性，不易察觉，一旦形成，很难恢复。地面沉降不仅损失沿海地区宝贵的高程资源，造成防潮堤的标高不断降低，抗风暴潮的能力大为减弱，沉降不均匀也极易导致其上敷设的管线发生变形损伤，甚至泄漏等事故。地基沉降与土体性质密切相关，准确识别土体类型是制定沉降控制措施的前提。
[0003]对于滩海地基，主要是海相沉积或海相人工吹填，大部分土样均含有机质和贝壳。其中表现为吹填土主要为淤泥质粉质粘土，而天然海床地层由新到老为淤泥质粘土，粉质粘土和粉土。
[0004]传统的土体类型识别需要对取样土体的组成、压缩型进行测试分析，工作量大，耗费时间长。鉴于此，需要提供一种新的滩海地区土层识别方法。

技术实现思路

[0005]本专利技术的目的在于提供一种滩海地区土层识别方法，以解决上述
技术介绍
中提出的问题，达到快速准确识别土体类型的目的，为实现上述目的，本专利技术提供如下技术方案：一种滩海地区土层识别方法，包括以下步骤：
[0006]步骤a：取土体样本，沿管道轴向间隔20米进行布置采样点,对采样点向下钻孔取样,取样深度分别设置为2.5m、3.5m、4.5m、5.5m、6.5m、7.5m、8.5m、9.5m、10.5m，深度偏差不超过0.2m；
[0007]步骤b：对取土体样本进行记录；
[0008]步骤c：采集到的土体样本按照规定的岩土类型进行分类并按照岩土类型进行标记,每种岩土类型的样本总量不低于180个；
[0009]步骤d：将分类标记好的土体样本进行分割，分为训练集、验证集和测试集，所占比例为训练集为总样本的60％-70％、验证集为15％-20％，测试集为总样本的15％-20％；
[0010]步骤e：构建基于AlexNet的迁移学习网络，保留AlexNet网络已有现有权值，对输出层进行修改，将原有的具有1000个神经援的输出层修改为5个神经原，分别对应淤泥质粉质粘土、淤泥质粘土、粉土、粉砂、粉质粘土这五种岩土类型；
[0011]步骤f：将训练集样本和验证集样本输入修改后的AlexNet网络进行学习训练，验证集样本精度大于95％时认为网络收敛，停止学习训练；
[0012]步骤g：将测试集样本输入训练好的网络，进行土样类型预测，若预测精度大于90％则认为网络满足要求，若预测精度小于等于90％增加土样样本数量为原来的1.5-2倍，返回步骤d从新开始学习训练；
[0013]步骤h：将收敛的网络部署在图形处理器上，对土样样本进行识别。
[0014]进一步的，步骤b中记录的土体样本为拍照记录的图体样本图片；拍摄的每个土体
样本的视界至少包括顶部、底部、侧壁且每个土体样本的数量不少于5张。
[0015]本专利技术采用深度学习的方法通过土层取样、样本拍照、样本标记、样本分割、建立模型、模型训练、模型测试以及模型部署等一系列步骤实现土体类型的自动识别，土体样本识别快速准确，且减少了人工成本。
附图说明
[0016]图1为一种滩海地区土层识别方法的流程图；
[0017]图2为AxlexNet深度学习网络结构；
[0018]图3为训练精度曲线图；
[0019]图4为训练损失函数曲线图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]请参阅附图，本专利技术提供一种技术方案：一种滩海地区土层识别方法，包括以下步骤：步骤a：取土体样本，沿管道轴向间隔20米进行布置采样点,对采样点向下钻孔取样,取样深度分别设置为2.5m、3.5m、4.5m、5.5m、6.5m、7.5m、8.5m、9.5m、10.5m，深度偏差不超过0.2m；步骤b：对取土体样本进行记录；本步骤中记录的土体样本为拍照记录的图体样本图片；拍摄的每个土体样本的视界至少包括顶部、底部、侧壁且每个土体样本的数量不少于5张。步骤c：采集到的土体样本按照规定的岩土类型进行分类并按照岩土类型进行标记,每种岩土类型的样本总量不低于180个；步骤d：将分类标记好的土体样本进行分割，分为训练集、验证集和测试集，所占比例为训练集为总样本的60％-70％、验证集为15％-20％，测试集为总样本的15％-20％；步骤e：构建基于AlexNet的迁移学习网络，保留AlexNet网络已有现有权值，对输出层进行修改，将原有的具有1000个神经援的输出层修改为5个神经原，分别对应淤泥质粉质粘土、淤泥质粘土、粉土、粉砂、粉质粘土这五种岩土类型；步骤f：将训练集样本和验证集样本输入修改后的AlexNet网络进行学习训练，验证集样本精度大于95％时认为网络收敛，停止学习训练；步骤g：将测试集样本输入训练好的网络，进行土样类型预测，若预测精度大于90％则认为网络满足要求，若预测精度小于等于90％增加土样样本数量为原来的1.5-2倍，返回步骤d从新开始学习训练；步骤h：将收敛的网络部署在图形处理器上，对土样样本进行识别。
[0022]下面首先介绍下AlexNet深度神经网络模型和迁移学习
[0023]其中，图2是AlexNet深度神经网络模型的附图，该模型有一个输入层，五个卷积层，两个全连接层和一个输出层。AlexNet原始训练数据集采用ImageNet 2012分类数据集，该数据集有1000个类别，包含120万张训练图像，5万张验证图像和10万张测试图像。
[0024]迁移学习(Transfer Learning)是将用从一个环境中学到的知识来用于新环境。本文保留AlexNet网络已经训练好的权值参数，在此基础上应用新的流型数据集进行迁移学习训练。
[0025]本专利中将在ImageNet数据集上训练好的AlexNet模型参数迁移到新的数据集上进行训练，保留前五个卷积层和两个全连接层的参数，其它参数采用随机初始化。修改输出层，设置其数据集类别个数为5个，分别代表淤泥质粉质粘土、淤泥质粘土、粉土、粉砂、粉质粘土这五种岩土类型。
[0026]表1试样岩土类型及特征
[0027][0028]如表1所示，每种岩土类型具有不同的特征，可以从表观形貌加以识别。为此，输出层运用Softmax函数作为分类计算训练样本中的正确标签的对数概率平均值，从而实现土层类型识别，其表达式为：
[0029][0030]式中，x
i
表示分类模型的第i个输入；c为识别的气液两相流流型种类(流体包括气体和液体，在本模型按气相和液相两种考虑)，对于本流型辨识任务取值为3；y
i
为分类模型的第i个输出。
[0031]定义损失函数为：
[0032][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滩海地区土层识别方法，其特征在于，包括以下步骤：步骤a：取土体样本，沿管道轴向间隔20米进行布置采样点,对采样点向下钻孔取样,取样深度分别设置为2.5m、3.5m、4.5m、5.5m、6.5m、7.5m、8.5m、9.5m、10.5m，深度偏差不超过0.2m；步骤b：对取土体样本进行记录；步骤c：采集到的土体样本按照规定的岩土类型进行分类并按照岩土类型进行标记,每种岩土类型的样本总量不低于180个；步骤d：将分类标记好的土体样本进行分割，分为训练集、验证集和测试集，所占比例为训练集为总样本的60％-70％、验证集为15％-20％，测试集为总样本的15％-20％；步骤e：构建基于AlexNet的迁移学习网络，保留AlexNet网络已有现有权值，对输出层进行修改，将原有的具有1...

【专利技术属性】
技术研发人员：唐骏琪，张树中，张伟杰，郑政彬，高锦跃，梁法春，
申请(专利权)人：中石化中原石油工程设计有限公司，
类型：发明
国别省市：