【技术实现步骤摘要】
本申请涉及但不限于数据处理、机器学习，尤其涉及一种基于分类算法的地质土层测试评价方法及系统。
技术介绍
1、地质土层测试是一种对土壤层和岩石层进行测试和分析的方法，以评估其物理力学性质、化学特性、孔隙结构等参数。地质土层测试可以为工程建设、自然灾害评估、农业生产和环境监测等提供科学依据。
2、在地质土层测试过程中，通常需要对土壤的密度、含水量、抗剪强度、渗透性、压缩性等物理力学参数进行测试，并通过化学分析、显微镜观察和x射线衍射等手段来了解土壤的化学特性和孔隙结构。通过这些测试和分析，可以获取有关土壤层和岩石层的基本信息，以及土壤稳定性的相关数据。土壤稳定性是指土壤在外力作用下保持结构的能力，以及抵抗破坏和变形的能力。在地质土层测试中，土壤稳定性的确定是一个重要的目标。通过测试和分析土壤的物理力学性质、化学特性和孔隙结构等因素，可以评估土壤的稳定性和抗灾能力，为工程建设、自然灾害评估、农业生产和环境监测等提供科学依据。
3、土壤稳定性的确定在地质土层测试中具有重要意义，可以为各个领域的应用提供基础数据和科学依据。传统的地质土层测试方法往往需要人工操作，费时费力且容易受主观因素的影响。随着人工智能对各行各业的影响，在地质土层测试中，可以通过机器学习和深度学习算法，对大量的土壤测试数据进行分析和处理，从中挖掘出隐藏的模式和规律，提取出有用的信息。但是，不同于一般数据样本易于收集的特点，地质土层土壤稳定性的样本在采集时，需要耗费较大的人力成本进行样本收集、试验、分析、标注。出于成本考量，人工智能模型在调试阶段的
技术实现思路
1、有鉴于此，本申请实施例至少提供一种基于分类算法的地质土层测试评价方法及系统。
2、本申请实施例的技术方案是这样实现的：一方面，本申请实施例提供一种基于分类算法的地质土层测试评价方法，应用于地质土层测试评价系统，所述方法包括：获取待进行稳定性测试的目标地质土层数据；将所述目标地质土层数据加载到事先部署的地质稳定性分类算法，以通过所述地质稳定性分类算法对所述目标地质土层进行地质稳定性分类，得到所述目标地质土层数据的地质稳定性测试结果；其中，所述地质稳定性分类算法通过以下过程调试得到：获取地质土层训练数据集合；其中，每个地质土层训练数据包含一个样例地质目标和样例注释信息，所述样例注释信息表征相应样例地质目标对应的稳定性测试结果；通过所述地质土层训练数据集合对基础地质稳定性分类算法进行反复调试，获得目标地质稳定性分类算法；其中，每一轮调试包括以下过程：分别抽取p个地质土层训练数据分别包含的样例地质目标的地质目标表征向量，以及在得到的p个地质目标表征向量中确定q个地质目标表征向量；通过所述q个地质目标表征向量，结合所述地质土层训练数据集合表征的地质目标表征向量的特征域分布情况，分别得到所述q个地质目标表征向量分别对应的衍生表征向量；通过获得的r个地质目标表征向量，以及q个衍生表征向量，分别对相应样例地质目标进行地质稳定性推理，得到对应的地质稳定性推理结果，以及，通过各地质稳定性推理结果与相应的样例注释信息生成稳定性误差函数，以对所述基础地质稳定性分类算法进行可学习变量优化，其中，r=p-q，0＜q≤p。
3、在一些实施例中，所述基础地质稳定性分类算法是通过所述地质土层训练数据集合，对表征向量生成算法中的局部分支算子进行多套反复调试获得的，其中，每一套反复调试包括采取同一地质土层训练数据进行的两次反复调试，在每一套反复调试的第一次反复调试时，包括：分别抽取i个地质土层训练数据分别包含的样例地质目标的地质目标表征向量；通过所述i个地质目标表征向量，结合在过往反复调试中得到的各地质目标表征向量的特征域分布情况，并结合在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，分别得到所述i个地质目标表征向量分别对应的衍生表征向量；对所述i个衍生表征向量的表征向量种类进行判断，所述表征向量种类包括地质目标表征向量类别与衍生表征向量类别；通过各个判断结果对所述表征向量生成算法进行可学习变量优化。
4、在一些实施例中，所述基础地质稳定性分类算法是通过所述地质土层训练数据集合，对表征向量生成算法中的局部分支算子进行多套反复调试获得的，其中，每一套反复调试包括采取同一地质土层训练数据进行的两次反复调试，在每一套反复调试的第二次反复调试过程中，包括：分别抽取i个地质土层训练数据分别包含的样例地质目标的地质目标表征向量，以及在得到的i个地质目标表征向量中确定j个地质目标表征向量；通过所述j个地质目标表征向量，结合在过往反复调试中得到的各地质目标表征向量的特征域分布情况，并结合在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，分别得到所述j个地质目标表征向量分别对应的衍生表征向量；对所述k个地质目标表征向量，以及j个衍生表征向量的表征向量种类进行判断，其中，k=i-j，0＜j≤i；所述表征向量种类包括地质目标表征向量类别与衍生表征向量类别；通过各个判断结果对所述表征向量生成算法进行可学习变量优化。
5、在一些实施例中，所述通过所述i个地质目标表征向量，结合在过往反复调试中得到的各地质目标表征向量的特征域分布情况，并结合在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，分别得到所述i个地质目标表征向量分别对应的衍生表征向量，包括：将所述i个地质目标表征向量分别加载到所述表征向量生成算法中的生成分支算子，通过在过往反复调试中得到的各地质目标表征向量的特征域分布情况，以及在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，得到所述i个地质目标表征向量分别对应的衍生表征向量；所述对所述i个衍生表征向量的表征向量种类进行判断，包括：通过所述表征向量生成算法中的判断分支算子分别对所述i个衍生表征向量的表征向量种类进行判断，得到所述i个衍生表征向量分别对应的第一判断结果，每个第一判断结果表示所述判断分支算子所推理得到的相应的衍生表征向量的表征向量种类为地质目标表征向量类别与衍生表征向量类别的置信度。
6、在一些实施例中，所述通过各个判断结果，对所述表征向量生成算法进行可学习变量优化，包括：通过各个第一判断结果生成生成误差函数；沿着使所述生成误差函数最小化的方向对所述生成分支算子进行可学习变量优化，对所述生成误差函数的梯度进行回传，以对所述表征向量生成算法中的编码分支算子进行可学习变量优化，其中，所述编码分支算子用于进行表征向量抽取。
7、在一些实施例中，所述通过所述j个地质目标表征向量，结合在过往反复调试中得到的各地质目标表征向量的特征域分布情况，并结合在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，分别得到所述j个地质目标表征向量分别对应的衍生表征向量，包括：将所述j个地质目标表征向量分别加载到所述表征向量生成算法中的生成分支算子，通过在过往反复调试中得到的各地质目标表征向量的特征域分布情况，以及在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，得本文档来自技高网...
【技术保护点】
1.一种基于分类算法的地质土层测试评价方法，其特征在于，应用于地质土层测试评价系统，所述方法包括：获取待进行稳定性测试的目标地质土层数据；将所述目标地质土层数据加载到事先部署的地质稳定性分类算法，以通过所述地质稳定性分类算法对所述目标地质土层进行地质稳定性分类，得到所述目标地质土层数据的地质稳定性测试结果；其中，所述地质稳定性分类算法通过以下过程调试得到：获取地质土层训练数据集合；其中，每个地质土层训练数据包含一个样例地质目标和样例注释信息，所述样例注释信息表征相应样例地质目标对应的稳定性测试结果；通过所述地质土层训练数据集合对基础地质稳定性分类算法进行反复调试，获得目标地质稳定性分类算法；其中，每一轮调试包括以下过程：分别抽取P个地质土层训练数据分别包含的样例地质目标的地质目标表征向量，以及在得到的P个地质目标表征向量中确定Q个地质目标表征向量；通过所述Q个地质目标表征向量，结合所述地质土层训练数据集合表征的地质目标表征向量的特征域分布情况，分别得到所述Q个地质目标表征向量分别对应的衍生表征向量；通过获得的R个地质目标表征向量，以及Q个衍生表征向量，分别对相应样例地质目标进行地
2.根据权利要求1所述的方法，其特征在于，所述基础地质稳定性分类算法是通过所述地质土层训练数据集合，对表征向量生成算法中的局部分支算子进行多套反复调试获得的，其中，每一套反复调试包括采取同一地质土层训练数据进行的两次反复调试，在每一套反复调试的第一次反复调试时，包括：分别抽取i个地质土层训练数据分别包含的样例地质目标的地质目标表征向量；通过i个地质目标表征向量，结合在过往反复调试中得到的各地质目标表征向量的特征域分布情况，并结合在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，分别得到所述i个地质目标表征向量分别对应的衍生表征向量；对i个衍生表征向量的表征向量种类进行判断，所述表征向量种类包括地质目标表征向量类别与衍生表征向量类别；通过各个判断结果对所述表征向量生成算法进行可学习变量优化。
3.根据权利要求2所述的方法，其特征在于，所述基础地质稳定性分类算法是通过所述地质土层训练数据集合，对表征向量生成算法中的局部分支算子进行多套反复调试获得的，其中，每一套反复调试包括采取同一地质土层训练数据进行的两次反复调试，在每一套反复调试的第二次反复调试过程中，包括：分别抽取i个地质土层训练数据分别包含的样例地质目标的地质目标表征向量，以及在得到的i个地质目标表征向量中确定j个地质目标表征向量；通过所述j个地质目标表征向量，结合在过往反复调试中得到的各地质目标表征向量的特征域分布情况，并结合在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，分别得到所述j个地质目标表征向量分别对应的衍生表征向量；对k个地质目标表征向量，以及j个衍生表征向量的表征向量种类进行判断，其中，k=i-j，0＜j≤i；所述表征向量种类包括地质目标表征向量类别与衍生表征向量类别；通过各个判断结果对所述表征向量生成算法进行可学习变量优化。
4.根据权利要求2所述的方法，其特征在于，所述通过i个地质目标表征向量，结合在过往反复调试中得到的各地质目标表征向量的特征域分布情况，并结合在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，分别得到所述i个地质目标表征向量分别对应的衍生表征向量，包括：将所述i个地质目标表征向量分别加载到所述表征向量生成算法中的生成分支算子，通过在过往反复调试中得到的各地质目标表征向量的特征域分布情况，以及在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，得到所述i个地质目标表征向量分别对应的衍生表征向量；所述对i个衍生表征向量的表征向量种类进行判断，包括：通过所述表征向量生成算法中的判断分支算子分别对所述i个衍生表征向量的表征向量种类进行判断，得到所述i个衍生表征向量分别对应的第一判断结果，每个第一判断结果表示所述判断分支算子所推理得到的相应的衍生表征向量的表征向量种类为地质目标表征向量类别与衍生表征向量类别的置信度。
5.根据权利要求4所述的方法，其特征在于，所述通过各个判断结果，对所述表征向量生成算法进行可学习变量优化，包括：通过各个第一判断结果生成生成误差函数；沿着使所述生成误差函数最小化的方向对所述生成分支算子进行可学习变量优化，对所述生成误差函数的梯度进行回传，以对所述表征向量生成算法中的编码分支算子进行可学习变量优化，其中，所述编码分支算子用于进行表征向量抽取。
6...
【技术特征摘要】
1.一种基于分类算法的地质土层测试评价方法，其特征在于，应用于地质土层测试评价系统，所述方法包括：获取待进行稳定性测试的目标地质土层数据；将所述目标地质土层数据加载到事先部署的地质稳定性分类算法，以通过所述地质稳定性分类算法对所述目标地质土层进行地质稳定性分类，得到所述目标地质土层数据的地质稳定性测试结果；其中，所述地质稳定性分类算法通过以下过程调试得到：获取地质土层训练数据集合；其中，每个地质土层训练数据包含一个样例地质目标和样例注释信息，所述样例注释信息表征相应样例地质目标对应的稳定性测试结果；通过所述地质土层训练数据集合对基础地质稳定性分类算法进行反复调试，获得目标地质稳定性分类算法；其中，每一轮调试包括以下过程：分别抽取p个地质土层训练数据分别包含的样例地质目标的地质目标表征向量，以及在得到的p个地质目标表征向量中确定q个地质目标表征向量；通过所述q个地质目标表征向量，结合所述地质土层训练数据集合表征的地质目标表征向量的特征域分布情况，分别得到所述q个地质目标表征向量分别对应的衍生表征向量；通过获得的r个地质目标表征向量，以及q个衍生表征向量，分别对相应样例地质目标进行地质稳定性推理，得到对应的地质稳定性推理结果，以及，通过各地质稳定性推理结果与相应的样例注释信息生成稳定性误差函数，以对所述基础地质稳定性分类算法进行可学习变量优化，其中，r=p-q，0＜q≤p。
2.根据权利要求1所述的方法，其特征在于，所述基础地质稳定性分类算法是通过所述地质土层训练数据集合，对表征向量生成算法中的局部分支算子进行多套反复调试获得的，其中，每一套反复调试包括采取同一地质土层训练数据进行的两次反复调试，在每一套反复调试的第一次反复调试时，包括：分别抽取i个地质土层训练数据分别包含的样例地质目标的地质目标表征向量；通过i个地质目标表征向量，结合在过往反复调试中得到的各地质目标表征向量的特征域分布情况，并结合在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，分别得到所述i个地质目标表征向量分别对应的衍生表征向量；对i个衍生表征向量的表征向量种类进行判断，所述表征向量种类包括地质目标表征向量类别与衍生表征向量类别；通过各个判断结果对所述表征向量生成算法进行可学习变量优化。
3.根据权利要求2所述的方法，其特征在于，所述基础地质稳定性分类算法是通过所述地质土层训练数据集合，对表征向量生成算法中的局部分支算子进行多套反复调试获得的，其中，每一套反复调试包括采取同一地质土层训练数据进行的两次反复调试，在每一套反复调试的第二次反复调试过程中，包括：分别抽取i个地质土层训练数据分别包含的样例地质目标的地质目标表征向量，以及在得到的i个地质目标表征向量中确定j个地质目标表征向量；通过所述j个地质目标表征向量，结合在过往反复调试中得到的各地质目标表征向量的特征域分布情况，并结合在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，分别得到所述j个地质目标表征向量分别对应的衍生表征向量；对k个地质目标表征向量，以及j个衍生表征向量的表征向量种类进行判断，其中，k=i-j，0＜j≤i；所述表征向量种类包括地质目标表征向量类别与衍生表征向量类别；通过各个判断结果对所述表征向量生成算法进行可学习变量优化。
4.根据权利要求2所述的方法，其特征在于，所述通过i个地质目标表征向量，结合在过往反复调试中得到的各地质目标表征向量的特征域分布情况，并结合在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，分别得到所述i个地质目标表征向量分别对应的衍生表征向量，包括：将所述i个地质目标表征向量分别加载到所述表征向量生成算法中的生成分支算子，通过在过往反复调试中得到的各地质目标表征向量的特征域分布情况，以及在本套反复调试中得到的i个地质目标表征向量的特征域分布情况，得到所述i个地质目标表征向量分别对应的衍生表征向量；所述对i个衍生表征向量的表征向量种类进行判断，包括：通过所述表征向量生成算法中的判断分支算子分别对所述i个衍生表征向量的表征向量种类进行判断，得到所述i个衍生表征向量分别对应的...
【专利技术属性】
技术研发人员：方建平，蔡文泳，孙亚丽，
申请(专利权)人：广东信力达电力建设工程有限公司，
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。