【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
...
【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:
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。