高强度泥土的制备工艺及其系统技术方案

公开了一种高强度泥土的制备工艺及其系统，其采用基于深度学习的人工智能控制算法来提取超声发生装置产生的超声波信号的时序隐含特征以及天然纤维和纳米材料的粘结状态时序动态变化特征，进一步以这两者的响应性估计来表示所述超声波隐含特征对于天然纤维和纳米材料的粘结状态的作用效果特征，并以此作为分类特征矩阵进行分类处理，以得到用于表示当前时间点的超声发生器的功率值应增大或应减小的分类结果，进而实现对当前时间点的超声发生器功率的自适应控制。生器功率的自适应控制。生器功率的自适应控制。

【技术实现步骤摘要】
高强度泥土的制备工艺及其系统


[0001]本专利技术涉及混泥土制备
，且更为具体地，涉及一种高强度泥土的制备工艺及其系统。

技术介绍

[0002]在泥土中混入其他掺杂成分，例如天然纤维、纳米材料等，是提高泥土强度的有效途径，这种类型的泥土也被称为混泥土。由于土料就地取材、造价较低、施工便捷等优点，混泥土得到了广泛的应用，从单一的筑路工程发展到软土地区的地基加固、公路边坡的维护等。
[0003]混泥土的强度主要取决于两个要素：所掺杂的成分以及制备工艺。近年来，不同厂家尝试掺杂不同成分在泥土中以提高最终制得的泥土的强度，但关于制备工艺的改进方案却很少。
[0004]在申请号为CN108484059A的专利技术专利所揭露的方案中，将天然纤维与纳米材料按1:1～10的重量比混合，超声处理使天然纤维和纳米材料粘结，干燥，得到纳米材料天然纤维复合材料，其中，超声的时间为10min～300min，超声所采用的超声波装置的频率为10KHz～10MHz，功率为10W～2KW。
[0005]虽然超声处理能够使天然纤维和纳米材料粘结，但是在实际的处理过程中，发现超声波发生器的功率大小对于在不同状态下的天然纤维和纳米材料粘结效果有着不同的作用效果。
[0006]因此，期待一种高强度泥土的制备工艺及其系统，其能够基于天然纤维和纳米材料的粘结状态来自适应调整超声发生器的功率，以保证粘结质量。

技术实现思路

[0007]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强度泥土的制备工艺及其系统，其采用基于深度学习的人工智能控制算法来提取超声发生装置产生的超声波信号的时序隐含特征以及天然纤维和纳米材料的粘结状态时序动态变化特征，进一步以这两者的响应性估计来表示所述超声波隐含特征对于天然纤维和纳米材料的粘结状态的作用效果特征，并以此作为分类特征矩阵进行分类处理，以得到用于表示当前时间点的超声发生器的功率值应增大或应减小的分类结果，进而实现对当前时间点的超声发生器功率的自适应控制。
[0008]根据本申请的一个方面，提供了一种高强度泥土的制备工艺，其包括：
[0009]获取预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频；
[0010]从所述粘结监控视频提取多个监控关键帧；
[0011]将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图；
[0012]对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到监控特征向量；
[0013]将所述超声波信号进行S变换以得到S变换时频图；
[0014]将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量；
[0015]计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵；以及
[0016]将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声发生器的功率值应增大或应减小。
[0017]在上述高强度泥土的制备工艺中，所述从所述粘结监控视频提取多个监控关键帧，包括：以预定采样频率从所述粘结监控视频提取所述多个监控关键帧。
[0018]在上述高强度泥土的制备工艺中，所述将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图，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：使用三维卷积核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监控特征图，所述第一卷积神经网络模型的第一层的输入为所述多个监控关键帧。
[0019]在上述高强度泥土的制备工艺中，所述将所述超声波信号进行S变换以得到S变换时频图，包括：以如下公式将所述超声波信号进行S变换以得到所述S变换时频图；其中，所述公式为：
[0020][0021]其中，s(f,τ)表示所述S变换时频图，τ为时移因子，x(t)表示所述超声波信号，f表示频率，t表示时间。
[0022]在上述高强度泥土的制备工艺中，所述将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量，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超声波形特征向量，所述第二卷积神经网络模型的第一层的输入为所述S变换时频图。
[0023]在上述高强度泥土的制备工艺中，所述计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：
[0024][0025]其中V
a
表示所述超声波形特征向量，V
b
表示所述监控特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
[0026]在上述高强度泥土的制备工艺中，还包括对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练；其中，所述训练的过程，包括：获取训练数据，所述训练数据包括预定时间段的由超声发生装置产生的训练超声波信号，所述预定时间段的天然纤维和纳米材料的训练粘结监控视频，以及，所述当前时间点的超声发生器的功率值应增大或应减小的真实值；从所述训练粘结监控视频提取多个训练监控关键帧；将所述多个训练监控关键帧通过所述使用三维卷积核的第一卷积神经网络模型以得到训练监控特征图；对所述训练监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到训练监控特征向量；将所述训练超声波信号进行S变换以得到训练S变换时频图；将所述训练S变换时频图通过所述作为过滤器的第二卷积神经网络模型以得到训练超声波形特征向量；计算所述训练超声波形特征向量相对于所述训练监控特征向量的响应性估计以得到训练分类特征矩阵；将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；计算所述训练超声波形特征向量和所述训练监控特征向量的特征提取模式消解的抑制损失函数值；以及，以所述特征提取模式消解的抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练。
[0027]在上述高强度泥土的制备工艺中，所述将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：使用所述分类器以如下公式对所述训练分类特征矩阵进行处理以生成训练分类结果，其中，所述公式为：softmax{(M
c
,B
c
)|Proje本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高强度泥土的制备工艺，其特征在于，包括：获取预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频；从所述粘结监控视频提取多个监控关键帧；将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图；对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到监控特征向量；将所述超声波信号进行S变换以得到S变换时频图；将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量；计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声发生器的功率值应增大或应减小。2.根据权利要求1所述的高强度泥土的制备工艺，其特征在于，所述从所述粘结监控视频提取多个监控关键帧，包括：以预定采样频率从所述粘结监控视频提取所述多个监控关键帧。3.根据权利要求2所述的高强度泥土的制备工艺，其特征在于，所述将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图，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：使用三维卷积核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监控特征图，所述第一卷积神经网络模型的第一层的输入为所述多个监控关键帧。4.根据权利要求3所述的高强度泥土的制备工艺，其特征在于，所述将所述超声波信号进行S变换以得到S变换时频图，包括：以如下公式将所述超声波信号进行S变换以得到所述S变换时频图；其中，所述公式为：其中，s(f,τ)表示所述S变换时频图，τ为时移因子，x(t)表示所述超声波信号，f表示频率，t表示时间。5.根据权利要求4所述的高强度泥土的制备工艺，其特征在于，所述将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量，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超声波形特征向量，所述第二卷积神经网络模型的第一层的输入为所述S变换时频图。6.根据权利要求5所述的高强度泥土的制备工艺，其特征在于，所述计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：其中V
a
表示所述超声波形特征向量，V
b
表示所述监控特征向量，M表示所述分类特征矩阵，表示矩阵相乘。7.根据权利要求6所述的高强度泥土的制备工艺，其特征在于，还包括对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练；其中，所述训练的过程，包括：获取训练数据，所述训练数据包括预定时间段的由超声发生装置产生的训练超声波信号，所述预定时间段的天然纤维和纳米材料的训练粘结监控视频，以及，所述当前时间点的超声发生器的功率值应增大...

【专利技术属性】
技术研发人员：秦磊，许辉，邢双，苏秋桂，吴爱国，林泽钦，王志锋，
申请(专利权)人：广东非凡实业有限公司，
类型：发明
国别省市：