一种基于双向循环神经网络的海洋工程岩体评分方法技术

本发明专利技术公开了一种基于双向循环神经网络的海洋工程岩体评分方法，具体为：步骤1：建立双向循环神经网络；步骤2：采用海洋工程岩体质量简便测试指数FORQ和海洋工程岩体质量指数ORQ对海洋工程岩体的质量进行评分；步骤3：采用双向循环神经网络对FORQ和ORQ进行计算。本发明专利技术的方法比起传统方法在准确性、可靠性、实用性上具有更好的表现。用性上具有更好的表现。用性上具有更好的表现。

【技术实现步骤摘要】
一种基于双向循环神经网络的海洋工程岩体评分方法


[0001]本专利技术属于海洋岩体工程


技术介绍

[0002]海洋岩体工程中，由于赋存海水成分的特殊性，海洋工程岩体普遍存在着与海水长期相互作用，对海洋工程岩体的强度、节理面有着许多不利影响。因此，对海洋工程岩体的质量进行评价具有很深远的工程意义。传统的岩体质量分类方法，主要针对陆地工程岩体，而且海洋岩体工程的复杂建造环境和评价测试条件都存在很强的特殊性，传统方法对于海洋工程岩体质量评价适用性不强，评分结果存在较大的偏差。

技术实现思路

[0003]专利技术目的：为了解决上述现有技术存在的问题，本专利技术提供了一种基于双向循环神经网络的海洋工程岩体评分方法。
[0004]技术方案：本专利技术提供了一种基于双向循环神经网络的海洋工程岩体评分方法，具体为：
[0005]步骤1：建立双向循环神经网络；
[0006]步骤2：采用海洋工程岩体质量简便测试指数FORQ和海洋工程岩体质量指数ORQ对海洋工程岩体的质量进行评分；
[0007]所述海洋工程岩体质量简便测试指数FORQ＝G
F1
+G
dn
+G
w
；其中，G
F1
为海洋工程岩体强度快速评分，G
dn
为海洋工程岩体节理数评分，G
w
为海洋工程岩体纵波波速评分；
[0008]所述海洋工程岩体质量指数ORQ＝G1+G2+G3+G4；其中G1为海洋工程岩体强度评分、G2为海洋工程岩体节理面数目评分、G3为海洋工程岩体节理面条件评分，G4为海洋工程岩体水蚀性指数评分；
[0009]步骤3：采用双向循环神经网络对FORQ和ORQ进行计算；当采用双向循环神经网络对FORQ进行计算时具体包括：采用双向循环神经网络计算G
F1
的表达式，采用双向循环神经网络计算G
dn
的表达式和采用双向循环神经网络计算G
w
的值；当采用双向循环神经网络对ORQ进行计算时具体包括：采用双向循环神经网络计算G2、G3和G4的值。
[0010]进一步的，所述采用双向循环神经网络计算G
F1
的表达式，具体为：
[0011]步骤A：令G
F1
＝a
×
(0.9686
×
e
0.007Hr
)
0.65
；其中a为常数，Hr为海洋工程岩体的施密特硬度值；
[0012]步骤B：将G
F1
＝a
×
(0.9686
×
e
0.007Hr
)
0.65
，Hr以及Hr对应的实际海洋工程岩体强度快速评分作为训练样本，输入至双向循环神经网络，对双向循环神经网络进行训练，得到a＝1.12；
[0013]步骤C：得到G
F1
的表达式为G
F1
＝1.12
×
(0.9686
×
e
0.007Hr
)
0.65
。
[0014]进一步的，所述采用双向循环神经网络计算G
dn
的表达式，具体为：
[0015]令，其中a1常数，d
n
为海洋工程岩体每米的平均节理数；
[0016]将，d
n
以及d
n
对应的评分作为训练样本，输入至双向循环神经网络，对双向循环神经网络进行训练，得到a1＝30；
[0017]得到的表达式为。
[0018]进一步的，所述采用双向循环神经网络计算G
w
的值具体为：将海洋岩体波速比V
pm
/V
pr
以及该波速比对应的评分作为样本数据，输入至双向循环神经网络，对双向循环神经网络进行训练；其中V
pm
为待评价区域的海洋岩体的纵波速度，V
pr
为完整的海洋岩体的纵波速度；将实时计算得到的海洋岩体波速比输入至训练好的双向循环神经网络，得到对应的评分值G
w
。
[0019]进一步的，所述G1的表达式为：G1＝5.346
×
I
s500.65
，其中I
s50
为直径为50mm的标准海洋岩体的点荷载强度值。
[0020]进一步的，所述采用双向循环神经网络计算G2具体为：将海洋工程岩体中节理面体密度以及节理面体密度对应的评分作为训练样本，对双向循环神经网络进行训练；将实时得到岩体节理面体密度输入至训练好的双向循环神经网络中，得到对应的评分值G2。
[0021]进一步的，所述采用双向循环神经网络计算G3具体为：所述G3的表达式为：G3＝A1+A2+A3，其中A1为海洋工程岩体节理面粗糙程度的评分，A2为海洋工程岩体节理面填充物的硬度评分，A3为海洋工程岩体节理面风化程度评分；
[0022]将海洋工程岩体节理面粗糙程度以及该粗糙程度对应的评分作为训练样本，对双向循环神经网络进行训练；将实时得到的海洋工程岩体的节理面粗糙程度输入至训练好的双向循环神经网络，得到相应的评分值A1；
[0023]将海洋工程岩体节理面填充物的软硬程度以及该填充物的硬度评分作为训练样本，对双向循环神经网络进行训练；将实时得到的海洋工程岩体节理面填充物的软硬程度输入到训练好的双向循环神经网络，得到相应的评分值A2；
[0024]将海洋工程岩体节理面风化程度以及该风化程度对应的评分作为训练样本，对双向循环神经网络进行训练；将实时得到的海洋工程岩体节理面风化程度输入至训练好的双向循环神经网络，得到相应的评分值A3。
[0025]进一步的，所述采用双向循环神经网络计算G4的值具体为：将海洋工程岩体的水蚀性指数以及该指数对应的评分作为训练样本，输入至双向循环神经网络，对双向循环神经网络进行训练；将实时得到的海洋工程岩体的水蚀性指数输入至训练好的双向循环神经网络中，得到相应的评分值G4。
[0026]有益效果：本专利技术考虑海洋岩体工程的特殊性，提出了基于简便测试的海洋工程岩体质量评分方法、基于精细的海洋工程岩体质量评分方法和基于双向循环神经网络的海洋工程岩体质量评分权重训练方法。基于简便测试海洋工程岩体质量评分方法能在工程现场通过施密特锤回弹测试、岩体节理数观测和纵波波速测试快速得到相对准确的工程岩体质量评分，弥补了该领域的空白，该方法可操作性强，速度快并能保证一定的精度。基于精细测试海洋工程岩体质量评分方法，考虑了岩体点荷载强度、节理面条件、节理面条件与岩体水蚀性四方面指标，并通过点荷载测试、定量统计测试、定性描述测试、岩体水蚀性测试等精细测试手段综合确定海洋工程岩体的质量评分，考虑的因素合理全面，得到的评分准确性高，适用于大多数海洋岩体工程。基于双向循环神经网络的海洋工程岩体质量评分权
重训练方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双向循环神经网络的海洋工程岩体评分方法，其特征在于，具体为：步骤1：建立双向循环神经网络；步骤2：采用海洋工程岩体质量简便测试指数FORQ和海洋工程岩体质量指数ORQ对海洋工程岩体的质量进行评分；所述海洋工程岩体质量简便测试指数FORQ＝G
F1
+G
dn
+G
w
；其中，G
F1
为海洋工程岩体强度快速评分，G
dn
为海洋工程岩体节理数评分，G
w
为海洋工程岩体纵波波速评分；所述海洋工程岩体质量指数ORQ＝G1+G2+G3+G4；其中G1为海洋工程岩体强度评分、G2为海洋工程岩体节理面数目评分、G3为海洋工程岩体节理面条件评分，G4为海洋工程岩体水蚀性指数评分；步骤3：采用双向循环神经网络对FORQ和ORQ进行计算；当采用双向循环神经网络对FORQ进行计算时具体包括：采用双向循环神经网络计算G
F1
的表达式，采用双向循环神经网络计算G
dn
的表达式和采用双向循环神经网络计算G
w
的值；当采用双向循环神经网络对ORQ进行计算时具体包括：采用双向循环神经网络计算G2、G3和G4的值。2.根据权利要求1所述的一种基于双向循环神经网络的海洋工程岩体评分方法，其特征在于，所述采用双向循环神经网络计算G
F1
的表达式，具体为：步骤A：令G
F1
＝a
×
(0.9686
×
e
0.007Hr
)
0.65
；其中a为常数，Hr为海洋工程岩体的施密特硬度值；步骤B：将G
F1
＝a
×
(0.9686
×
e
0.007Hr
)
0.65
，Hr以及Hr对应的实际海洋工程岩体强度快速评分作为训练样本，输入至双向循环神经网络，对双向循环神经网络进行训练，得到a＝1.12；步骤C：得到G
F1
的表达式为G
F1
＝1.12
×
(0.9686
×
e
0.007Hr
)
0.65
。3.根据权利要求1所述的一种基于双向循环神经网络的海洋工程岩体评分方法，其特征在于，所述采用双向循环神经网络计算G
dn
的表达式，具体为：令其中a1常数，d
n
为海洋工程岩体每米的平均节理数；将d
n
以及d
n
对应的评分作为...

【专利技术属性】
技术研发人员：张琦，丘誉，赵学亮，李建春，郭笑康，沈益鑫，裴越超，王茂卉，
申请(专利权)人：东南大学，
类型：发明
国别省市：