【技术实现步骤摘要】
高精度土样参数测量方法及其系统
[0001]本申请涉及工程建设领域,且更为具体地,涉及一种高精度土样参数测量方法及其系统。
技术介绍
[0002]对于土层反应分析中,土的动剪切模量和阻尼是重要的计算参数,为获取较为准确的数值需要根据相关理论对离散数据进行计算。
[0003]现有技术中,对剪切模量和阻尼的计算较为粗糙,计算过程较为繁琐,计算结果不甚理想。如阻尼的计算需要将数据模糊成一个标准图形,这样计算简单但结果粗糙;或者将数据在cad中制图后求取面积,这样结果虽然较为准确但计算过程繁琐。同时,由于室内动三轴试验的原理,反算的最大动剪切模量数值较为离散,需要利用现场较容易获得的剪切波速或者密度、含水率等进行修正。这样,不仅过程较为繁琐,而且计算出的数值精准度也难以保证。
[0004]因此,期望一种高精度土样参数测量方案。
技术实现思路
[0005]为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种高精度土样参数测量方法及其系统,其采用基于深度学习的人工智能算法来提取出所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时间维度上的多尺度关联性特征分布表示,并以此来进行解码回归得到所述待测试土样的剪切模量。这样,能够提高土样剪切模量测量的精准度,以智能准确地对于土样的剪切模量进行测量。
[0006]根据本申请的一个方面,提供了一种高精度土样参数测量方法,其包括:获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值;将所述待测试土样在各级荷载下的轴向应力值和轴向应变时 ...
【技术保护点】
【技术特征摘要】
1.一种高精度土样参数测量方法,其特征在于,包括:获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值;将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量;计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵;将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵;将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵;融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵;和将所述校正后解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量。2.根据权利要求1所述的高精度土样参数测量方法,其特征在于,所述计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵,包括:计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到所述关联参数矩阵。3.根据权利要求2所述的高精度土样参数测量方法,其特征在于,所述将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵,包括:使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一尺度关联参数特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述关联参数矩阵。4.根据权利要求3所述的高精度土样参数测量方法,其特征在于,所述将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵,包括:使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度关联参数特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述关联参数矩阵。5.根据权利要求4所述的高精度土样参数测量方法,其特征在于,所述融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵,包括:以如下公式来融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;其中,所述公式为:其中,为所述解码特征矩阵,为所述第一尺度关联参数特征矩阵,为所述第二尺度关联参数特征矩阵,
“”
...
【专利技术属性】
技术研发人员:刘建民,郭婷婷,王红卫,王津津,苏思丽,郑旭,
申请(专利权)人:山东省地震工程研究院,
类型:发明
国别省市:
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。