基于神经网络的岩土体物性参数推演物理力学指标方法技术

本发明专利技术公开了一种基于神经网络的岩土体物性参数推演物理力学指标方法，所述方法包括如下步骤：步骤

【技术实现步骤摘要】
基于神经网络的岩土体物性参数推演物理力学指标方法


[0001]本专利技术属于地质领域，涉及一种地球物理探测方法，具体涉及一种利用岩土体物性参数推演岩土体物理力学指标的神经网络方法
。

技术介绍

[0002]近年来地球物理探测方法在基础理论研究
、
仪器设备和信号采集处理等方面都取得了长足的进步，以探地雷达
、
半航空瞬变电磁系统
、
全航空瞬变电磁系统为代表的电磁勘探技术手段日渐用于岩土工程勘察领域
。
其基本原理是通过发射天线将高频电磁波信号传入地下，研究其传播规律，分析其时频特征和振幅特征，以了解近地表介质的结构特征及电性特性
。
土的电阻率
、
介电常数是表征土体导电性的基本参数，是土的基本物性参数
。
电阻率实际上就是当电流垂直通过边长为
1m
的立方体土体时所表现的电阻大小，单位为
Ω
·
m
；而介电常数是指物质保持电荷的能力，单位为
F/m。
[0003]土的电阻率
、
介电常数与众多岩土体参数密切相关，如含水率
、
重度
、
摩擦角
、
粘聚力
、
抗剪强度和刚度等
。
岩土工程的稳定性等性能分析
、
评价和预测等工作均离不开精确可靠的岩土体参数预测模型
。
但是天然岩土体表面粗糙不平
、
形貌各异且具有各项异性，影响其参数特性的因素繁多，并且具有高度的非线性关系，难以形成准确有效的理论模型预测岩土体参数特性
。
而神经网络作为广泛互连的计算网络，具有强大的非线性映射能力，可以准确地挖掘复杂目标之间的内在联系
。
此外，
PCA
循环神经网络是神经网络的一种，可以解决神经网络中不能长期记忆和反向传播中的梯度等问题，且容易进行训练
。
基于此，以岩土体地球物理场特征为基础，测量岩土体物性参数，引入
PCA
循环神经网络人工智能方法，对岩土体物理力学指标进行研究，构筑岩土体地球物理特征与岩土体物理力学指标牵连互馈的物理本质
。

技术实现思路

[0004]本专利技术的目的是提供一种基于神经网络的岩土体物性参数推演物理力学指标方法，以岩土体地球物理探测结果为基础，运用神经网络对孔隙率
、
含水率
、
重度
、
摩擦角
、
粘聚力
、
模量在内的岩土体物理参数以及抗压强度
、
抗剪强度在内的岩土体力学指标进行预测研究，构筑岩土体地球物理特性与岩土体力学特性牵连互馈的物理本质，解决了现有技术中在利用地球物理特征参数直接获取岩土体特性过程难题
。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于神经网络的岩土体物性参数推演物理力学指标方法，包括如下步骤：
[0007]步骤
S1、
数据获取：
[0008]步骤
S11、
利用地球物探技术获取岩土体物性参数，其中：岩土体物性参数包括电阻率
、
弹性波速
、
介电常数；
[0009]步骤
S12、
通过室内试验测定岩土样的物理以及力学指标，其中：物理指标包括孔隙率
、
含水率
、
重度
、
摩擦角
、
粘聚力
、
弹性模量，力学指标包括抗压强度
、
抗剪强度；
[0010]步骤
S2、
数据预处理：
[0011]对于样本数据删去异常值以及缺失值，将数据集分为特征和目标变量两部分，同时将数据集分为训练数据集和测试数据集；
[0012]步骤
S3、
构建神经网络与训练：
[0013]步骤
S31、
构建多组分别用于不同岩土体物理指标与力学指标预测的
PCA
‑
RNN
循环神经网络；
[0014]步骤
S32、
对网络数据进行降维
、
压缩与特征提取：由协方差矩阵计算出不同主成分对应的特征值，再计算各主成分对应的累积贡献率，以此确定
PCA
神经网络拓扑结构，即隐含层层数；通过主成分分析法
(PCA)
对数据进行特征降维和降噪，并找出含有最大信息的主成分特征子集；
[0015]步骤
S33、
完成主成分分析后的数据进一步输入循环神经网络
(RNN)
中进行分类训练；
[0016]步骤
S4、
评估与调参：
[0017]步骤
S41、
通过十折交叉验证法对
PCA
‑
RNN
循环神经网络精度以及稳定性进行评价，获取精度和稳定性较好的神经网络拓扑结构；
[0018]步骤
S42、
进一步调节超参数，确定模型的学习率
、
激活函数和优化算法；
[0019]步骤
S5、
模型部署：
[0020]输入未经室内试验测定段的岩土体物性参数数据，运用步骤
S4
中训练完成的
PCA
‑
RNN
循环神经网络推演岩土体物理力学指标
。
[0021]相比于现有技术，本专利技术具有如下优点：
[0022]1、
本专利技术基于地球物理探测成果所建立的岩土体物理力学指标预测模型，为岩土工程的稳定性等性能分析
、
评价和预测等工作提供了精确可靠的岩土体参数，并进一步促进了以探地雷达
、
半航空瞬变电磁系统
、
全航空瞬变电磁系统为代表的电磁勘探技术手段在岩土工程勘察领域的发展
。
[0023]2、
本专利技术解决了神经网络中不能长期记忆和反向传播中的梯度等问题，可以更好提取数据特征，用于岩土体参数预测，预测精度更高
。
附图说明
[0024]图1为岩土体地球物理模型；
[0025]图2为实施例中岩土体模量的预测结果；
[0026]图3为实施例中训练样本和测试样本误差图；
[0027]图4为实施例中测试集相关系数
。
具体实施方式
[0028]下面结合附图对本专利技术的技术方案作进一步的说明，但并不局限于此，凡是对本专利技术技术方案进行修改或者等同替换，而不脱离本专利技术技术方案的精神和范围，均应涵盖在本专利技术的保护范围中
。
[0029]本专利技术提供了一种基于神经网络的岩土体物性参数推演物理力学指标方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于神经网络的岩土体物性参数推演物理力学指标方法，其特征在于所述方法包括如下步骤：步骤
S1、
数据获取：步骤
S11、
获取岩土体物性参数；步骤
S12、
通过室内试验测定岩土样的物理指标以及力学指标；步骤
S2、
数据预处理：对于样本数据删去异常值以及缺失值，将数据集分为特征和目标变量两部分，同时将数据集分为训练数据集和测试数据集；步骤
S3、
构建神经网络与训练：步骤
S31、
构建多组分别用于不同岩土体物理指标与力学指标预测的
PCA
‑
RNN
循环神经网络；步骤
S32、
对网络数据进行降维
、
压缩与特征提取：由协方差矩阵计算出不同主成分对应的特征值，再计算各主成分对应的累积贡献率，以此确定
PCA
神经网络拓扑结构，即隐含层层数；通过主成分分析法对数据进行特征降维和降噪，并找出含有最大信息的主成分特征子集；步骤
S33、
完成主成分分析后的数据进一步输入循环神经网络中进行分类训练；步骤
S4、
评估与调参：步骤
S41、
通过十折交叉验证法对
PCA
‑
RNN
循环神经网络精度以及稳定性进行评价，获取精度和稳定性较好的神经网络拓扑结构；步骤
S42、
进一步调节超参数，确定模型的学习率
、
激活函数和优化算法；步骤
S5、
模型部署：输入未经室内试验测定段的岩土体物性参数数据，运用步骤
S4
中训练完...

【专利技术属性】
技术研发人员：江元，闫江，覃玉龙，蒋泽，田永强，赵关义，张富平，闫寅起，陈肖虎，陈军，刘晓慧，王帆，李正发，
申请(专利权)人：国网甘肃省电力公司陇南供电公司，
类型：发明
国别省市：