本发明专利技术涉及土木工程中的岩土工程技术领域，特别涉及一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法，包括：构建三维离散元模型，进行单轴压缩试验模拟，提取弹性模量；对三维离散元模型进行图像切割，获得二维横截面数据后进行灰度化预处理，再堆叠重构为新的三维数据矩阵；将三维数据矩阵与步骤1中弹性模量对应；将部分三维数据矩阵输入到三维卷积神经网络中进行训练，并采用均方误差MSE作为损失函数检测其训练效果；将其余三维数据矩阵作为测试集输入到三维卷积神经网络中，并采用准确度D与均误差率MER评价土体弹性模量的预测效果。模量的预测效果。模量的预测效果。
【技术实现步骤摘要】
一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法
[0001]本专利技术涉及土木工程中的岩土工程
，特别涉及一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法。
技术介绍
[0002]相比于理想材料及人工材料，土体有着非均质性、各向异性等特征，使得在组成和成分相似的情况下，不同结构的土体力学性能差异较大，所以在评价土的强度等特征时应当注意其结构的重要性。土体的力学性能与结构之间的变化关系往往是复杂的、受多种因素影响，有着高维度、强随机性、非线性等特征，其复杂的变形破坏机理难以用常规的数学公式准确拟合。如何确定土体的微观结构与宏观力学性质之间的关系是土力学的重点关注问题之一。
[0003]龚晓南等(2000)通过归纳已有研究，总结了粘土结构性对其压缩性、强度包线特征、应力应变关系曲线及固结系数的影响，并据此对粘土进行了分类。何伟朝(2013)借助冻融试验、三轴压缩试验和扫描电镜试验，分析了冻融循环作用下路基土的剪切强度及其微观结构的关系。谢文强等(2019)基于人工神经网络，根据孔压静力触探现场测试数据预测黏性土不排水抗剪强度。Yan等(2020)借助有限元方法构建由两种力学性质差异较大的二维模型，进行重复试验，再通过卷积神经网络进行学习，实现从模型预测应力应变曲线，拟合效果优异。
[0004]但是，尚存在如下问题：土体是岩石风化堆积的产物，属于散体颗粒材料，离散元颗粒模型更符合土体的结构特征；离散元模型结构不固定，不可直接转化为矩阵，只能视为图像，其结构信息的提取难度远高于有限元模型。
技术实现思路
[0005]本专利技术的目的在于针对
技术介绍
中提出的问题，提供一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法，采用切片的方法提取离散元模型结构信息，以更符合现实土体的结构特征进行神经网络训练，实现基于颗粒结构的土体宏观弹性模量预测。
[0006]为了实现上述目的，本专利技术提供以下技术方案：
[0007]一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法，其特征在于，包括如下步骤：
[0008]步骤1：构建三维离散元模型，进行单轴压缩试验模拟，提取弹性模量；
[0009]步骤2：对三维离散元模型进行图像切割，获得二维横截面数据后进行灰度化预处理，再堆叠重构为新的三维数据矩阵；
[0010]步骤3：将三维数据矩阵与步骤1中弹性模量对应；
[0011]步骤4：将部分三维数据矩阵输入到三维卷积神经网络中进行训练，并采用均方误
差MSE作为损失函数检测其训练效果；
[0012]步骤5：将其余三维数据矩阵作为测试集输入到三维卷积神经网络中，并采用准确度D与均误差率MER评价土体弹性模量的预测效果。
[0013]进一步的，在步骤1中，所述三维离散元模型采用离散元商业软件构建，材料参数选用依据土体的矿物成分，改变模型散体颗粒排列方式及颗粒粒径分布进行重复的单轴压缩试验，记录应力应变关系并获得宏观弹性模量。
[0014]进一步的，在步骤2中，所述对三维离散元模型进行切割获得二维横截面数据为采用Python语言，编写windows系统下的自动化脚本来重复运行离散元商业软件的后处理模块，获得包括边框、坐标、颜色的模型横截面。
[0015]进一步的，在步骤2中，所述灰度化预处理为裁剪掉模型周围的边框及坐标，并将图片灰度化舍弃掉无效的颜色信息与降分辨率。
[0016]进一步的，在步骤3中，所述三维数据与弹性模量对应为每个三维离散元模型中提取到的三维数据矩阵与该模型进行单轴压缩模拟得到的弹性模量对应。
[0017]进一步的，在步骤4中，所述三维卷积神经网络为基于Python语言和pytorch框架，在VGG模型中搭建5卷积层、5激活层、5池化层和2全连接层的神经网络，用于训练三维数据矩阵与弹性模量的对应关系，训练时需设置学习率与批次尺度。
[0018]进一步的，在步骤4中，所述均方误差MSE为用于检测三维卷积神经网络训练效果、优化预测模型的损失函数，其值随着训练过程的进行收敛于一定数值区间、不再剧烈波动则证明训练有效，其表达式为：
[0019][0020]其中x
i
为三维数据，n为训练时设置的批次尺度，R
i
为三维离散元模型单轴压缩试验提取的弹性模量值，为三维卷积神经网络训练过程中拟合的弹性模量值；所述5卷积层包括前4层卷积核大小为3
×3×
3、步长为1的等宽卷积与1层卷积核大小为2
×2×
1、步长为1的等宽卷积，为卷积神经网络中对图像像素矩阵进行线性加权求和操作与增加通道数的结构；所述5激活层为每个卷积层后连接的非线性激活函数，是卷积神经网络中提高卷积过程非线性表达能力的结构；所述5池化层包括前4层池化核大小为2
×2×
2、步长为2的最大池化层与1层池化核大小为4
×4×
4、步长为2的最大池化层，为卷积神经网络中去除冗余信息、降低特征图尺寸以及提高泛化能力的结构；所述2全连接层包括1层由50个神经元构成的全连接层与1层由10个神经元构成的全连接层，为卷积神经网络中整合经过多次卷积、激活和池化后提取的信息特征并输出目标值的结构，本专利技术使用dropout方法作用于全连接层来减少过拟合现象的发生；所述学习率为优化算法中的调谐参数，该参数可确定每次迭代中的步长，使损失函数收敛到最小值；所述批次尺度为每批次训练时输入神经网络的样本个数；
[0021]优选的，所述卷积核为处理图像部分区域像素加权平均时所占的权值；所述通道数为特征图数量；所述步长为卷积核在图像上每次滑动时移动的距离；所述非线性激活函数本专利技术选用Relu函数，其方程为：
[0022][0023]优选的，所述池化核为过滤冗余信息、使特征更为集中的函数；所述神经元为对人脑组织的神经元的某种抽象、简化和模拟，是一种处理单元；所述dropout方法为神经网络在每次训练时，随机丢弃全连接层中给定比例的神经元，仅由剩下的神经元参加训练，在预测时则是全部神经元共同参与，以此来提高网络的稳定性和泛化性。
[0024]进一步的，在步骤5中，所述准确度D表达式为：
[0025][0026]所述均误差率MER表达式为：
[0027][0029]其中N为测试时的样本数量，为三维离散元模型单轴压缩试验提取的弹性模量的算术平均值，Y
i
为三维卷积神经网络预测弹性模量值，Y为三维卷积神经网络预测弹性模量的算术平均值。
[0030]与现有技术相比，本专利技术提供了基于三维离散元模型和卷积神经网络的土体弹性模量预测方法，具有一定的技术实用性，具备以下有益效果：
[0031](1)本专利技术搭建的三维离散元模型更符合土体的结构特征；
[0032](2)本专利技术实现了对三维离散元模型结构信息的提取；
[0033](3)本专利技术搭建的三维卷积神经网络实现了对土体弹性模量预测。
附图说明
...
【技术保护点】
【技术特征摘要】
1.一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法，其特征在于，包括如下步骤：步骤1：构建三维离散元模型，进行单轴压缩试验模拟，提取弹性模量；步骤2：对三维离散元模型进行图像切割，获得二维横截面数据后进行灰度化预处理，再堆叠重构为新的三维数据矩阵；步骤3：将三维数据矩阵与步骤1中弹性模量对应；步骤4：将部分三维数据矩阵输入到三维卷积神经网络中进行训练，并采用均方误差MSE作为损失函数检测其训练效果；步骤5：将其余三维数据矩阵作为测试集输入到三维卷积神经网络中，并采用准确度D与均误差率MER评价土体弹性模量的预测效果。2.根据权利要求1所述的一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法，其特征在于：在步骤1中，所述三维离散元模型采用离散元商业软件构建，材料参数选用依据土体的矿物成分，改变模型散体颗粒排列方式及颗粒粒径分布进行重复的单轴压缩试验，记录应力应变关系并获得宏观弹性模量。3.根据权利要求1所述的一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法，其特征在于：在步骤2中，所述对三维离散元模型进行切割获得二维横截面数据为采用Python语言，编写windows系统下的自动化脚本来重复运行离散元商业软件的后处理模块，获得包括边框、坐标、颜色的模型横截面。4.根据权利要求1所述的一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法，其特征在于：在步骤2中，所述灰度化预处理为裁剪掉模型周围的边框及坐标，并将图片灰度化舍弃掉无效的颜色信息与降分辨率。5.根据权利要求1所述的一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法，其特征在于：在步骤3中，所述三维数据与弹性模量对应为每个三维离散元模型中提取到的三维数据矩阵与该模型进行单轴压缩模拟得到的弹性模量对应。6.根据权利要求1所述的一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法，其特征在于：在步骤4中，所述三维卷积神经网络为基于Python语言和pytorch框架，在VGG模型中搭建5卷积层、5激活层、5池化层和2全连接层的神经网络，用于训练三维数据矩阵与弹性模量的对应关系，训练时需设置学习率与批次尺度。7.根据权利要求1所述的一种基于三维离散元模型和卷积神经网络的土体弹性模量预测方法，其特征在于：在步骤4中，所述均方误差MSE为用于检测三维卷积神经网络训练效果、优化预测模型的损失函数，其值随着训练过程的进行收敛于一定数值区间、不再剧烈波动则证明训练有效，其表达式为：其中x
i
为三维数据，n为训练时设置的批次...
【专利技术属性】
技术研发人员：张彤炜，李爽，杨焕铚，彭忠宝，李生，高宇，付舟，
申请(专利权)人：兰州大学，
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。