【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种水泥基材料的水分相态表征方法和装置。
技术介绍
1、核磁共振（nmr）是原子核的磁矩在恒定磁场和高频磁场同时作用下，满足一定条件时产生的共振吸收现象。nmr可利用氢核在磁场中激发后弛豫所获得的电信号，有效的表征水分信息。nmr不用对水泥基材料进行预处理，保证水泥基材料的原始含水状态，通过水分为探针测量其中的水分分布从而获取水分和孔隙的多尺度量化信息。在水泥混凝土中，为了缩短测试时长，往往采用cpmg（carr-purcell-meiboom-gill）脉冲序列，测量氢核在xy平面（横向）的弛豫衰减信号。往往采用拉普拉斯逆变换的方法，将弛豫衰减信号转化为横向弛豫时间图谱（t2谱）。然而，这一逆变换过程是一个病态问题，噪声的干扰会严重影响反演结果。
2、针对这种病态问题，相关技术中，一种方式是通过正则化方法进行模平滑、曲率平滑或者斜率平滑，控制解函数的特性，增强解的稳定性。然而正则化参数的选取会影响结果分析，不合适的正则化参数会造成结果不准确；过大的正则化参数还会造成t2谱过于平滑，导致峰与峰之间的交叠，对水泥基材料中的水分难以区分。另一种方式是通过奇异值分解法对数据中冗余或不重要的特征进行识别过滤，从而提高nmr信号反演的数值稳定性，但在奇异值分解法对数据进行降维的过程中会造成信号丢失，对于信号数量较小的小孔弛豫信号，存在降维过程中被完全消耗的风险；面对数据组间差异的问题，奇异值分解方法的截断阈值的选取会影响结果分析，造成分析结果的准确性较差。
技术实现思路
1、本专利技术的一个目的在于提供一种水泥基材料的水分相态表征方法，根据水泥基材料的孔隙特性模拟横向弛豫时间图谱，并将模拟横向弛豫时间图谱还原为加入噪声的弛豫衰减曲线，基于深度学习构建衰减重建模型，建立横向弛豫时间图谱与衰减曲线的匹配关系，无需考虑数据组间差异问题，实现水泥基材料的水分相态的准确表征，提高表征结果稳定性和准确性。本专利技术的另一个目的在于提供一种水泥基材料的水分相态表征装置。本专利技术的再一个目的在于提供一种计算机可读介质。本专利技术的还一个目的在于提供一种计算机设备。
2、为了达到以上目的，本专利技术一方面公开了一种水泥基材料的水分相态表征方法，包括：
3、获取水泥基材料的模拟横向弛豫时间图谱和噪声数据；
4、将噪声数据与模拟横向弛豫时间图谱进行融合转换，生成模拟衰减曲线；
5、根据模拟横向弛豫时间图谱和模拟衰减曲线，对预设的深度学习模型进行训练，构建衰减重建模型，深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数，改进的损失函数包括峰值损失；
6、通过衰减重建模型，对采集的水泥基材料的实际衰减曲线进行转换，得到表征水分相态的实际横向弛豫时间图谱。
7、优选的，获取水泥基材料的模拟横向弛豫时间图谱，包括：
8、构建各水分相态对应的初始模拟图谱；
9、根据各水分相态对应的初始模拟图谱进行信号总量归一化，得到模拟横向弛豫时间图谱。
10、优选的，噪声数据包括高斯噪声和本底噪声；
11、获取噪声数据，包括：
12、通过高斯分布随机抽取随机数，得到高斯噪声；
13、对核磁共振设备进行噪声测试，得到本底噪声。
14、优选的，模拟衰减曲线包括训练模拟衰减曲线；
15、将噪声数据与模拟横向弛豫时间图谱进行融合转换，生成模拟衰减曲线，包括：
16、通过预设的噪声权重分布，根据高斯噪声和本底噪声，生成模拟噪声；
17、通过弛豫衰减模型，根据模拟噪声和模拟横向弛豫时间图谱，生成训练模拟衰减曲线。
18、优选的，模拟衰减曲线包括验证模拟衰减曲线；
19、将噪声数据与模拟横向弛豫时间图谱进行融合转换，生成模拟衰减曲线，包括：
20、将本底噪声确定为验证噪声；
21、通过弛豫衰减模型，根据验证噪声和模拟横向弛豫时间图谱，生成验证模拟衰减曲线。
22、优选的，模拟衰减曲线包括训练模拟衰减曲线和验证模拟衰减曲线；
23、根据模拟横向弛豫时间图谱和模拟衰减曲线，对预设的深度学习模型进行训练，构建衰减重建模型，包括：
24、将模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集，并基于模型训练集对深度学习模型进行训练，构建预训练模型；
25、将模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集，并基于模型验证集对预训练模型进行优化验证，构建衰减重建模型。
26、优选的，将模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集，并基于模型训练集对深度学习模型进行训练，构建预训练模型，包括：
27、通过滑动编码模块，对训练模拟衰减曲线进行滑动编码，得到滑动编码向量；
28、通过序列编码模块，对模拟横向弛豫时间图谱进行序列编码，得到序列编码向量；
29、通过编码器，对滑动编码向量进行正向计算处理和反向计算处理，得到第一状态序列；
30、通过解码器，对序列编码向量进行正向计算处理，得到第二状态序列；
31、通过注意力模块，对第一状态序列和第二状态序列进行计算，得到初始预测图谱；
32、通过改进的损失函数，根据初始预测图谱和模拟横向弛豫时间图谱进行损失计算，并根据损失计算结果进行模型参数修正，构建预训练模型。
33、优选的，在将模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集，并基于模型训练集对深度学习模型进行训练，构建预训练模型之前，还包括：
34、对训练模拟衰减曲线进行最大值归一化预处理，得到预处理后的训练模拟衰减曲线；
35、按照预设的扩大系数，对模拟横向弛豫时间图谱进行最大值归一化预处理，得到预处理后的模拟横向弛豫时间图谱。
36、优选的，将模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集，并基于模型验证集对预训练模型进行优化验证，构建衰减重建模型，包括：
37、通过预训练模型，对验证模拟衰减曲线进行转换，生成验证预测图谱，并基于模拟横向弛豫时间图谱生成验证损失结果；
38、通过可视化工具，根据验证损失结果，绘制损失曲线；
39、通过截断法，根据损失曲线确定出最小验证损失结果；
40、将最小验证损失结果对应的预训练模型确定为衰减重建模型。
41、本专利技术还公开了一种水泥基材料的水分相态表征装置，包括：
42、模拟数据获取单元，用于获取水泥基材料的模拟横向弛豫时间图谱和噪声数据；
43、模拟衰减曲线生成单元，用于将噪声数据与模拟横向弛豫时间图谱进行融合转换，生成模拟衰减曲线；
44、模型构建单元，用于根据模拟横向弛豫时间图谱和模拟衰减曲线，对预设的深度学习模型进行训练，构建衰减重建模型，深度学习模型本文档来自技高网...
【技术保护点】
1.一种水泥基材料的水分相态表征方法，其特征在于，所述方法包括：
2.根据权利要求1所述的水泥基材料的水分相态表征方法，其特征在于，所述获取水泥基材料的模拟横向弛豫时间图谱，包括：
3.根据权利要求1所述的水泥基材料的水分相态表征方法，其特征在于，所述噪声数据包括高斯噪声和本底噪声；
4.根据权利要求3所述的水泥基材料的水分相态表征方法，其特征在于，所述模拟衰减曲线包括训练模拟衰减曲线；
5.根据权利要求3所述的水泥基材料的水分相态表征方法，其特征在于，所述模拟衰减曲线包括验证模拟衰减曲线；
6.根据权利要求1所述的水泥基材料的水分相态表征方法，其特征在于，所述模拟衰减曲线包括训练模拟衰减曲线和验证模拟衰减曲线；
7.根据权利要求6所述的水泥基材料的水分相态表征方法，其特征在于，所述将所述模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集，并基于所述模型训练集对所述深度学习模型进行训练，构建预训练模型，包括：
8.根据权利要求6所述的水泥基材料的水分相态表征方法，其特征在于，在所述将所述模拟横
9.根据权利要求6所述的水泥基材料的水分相态表征方法，其特征在于，所述将所述模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集，并基于所述模型验证集对所述预训练模型进行优化验证，构建所述衰减重建模型，包括：
10.一种水泥基材料的水分相态表征装置，其特征在于，所述装置包括：
11.根据权利要求10所述的水泥基材料的水分相态表征装置，其特征在于，所述模拟数据获取单元，具体用于构建各水分相态对应的初始模拟图谱；根据所述各水分相态对应的初始模拟图谱进行信号总量归一化，得到所述模拟横向弛豫时间图谱。
12.根据权利要求10所述的水泥基材料的水分相态表征装置，其特征在于，所述噪声数据包括高斯噪声和本底噪声；
13.根据权利要求12所述的水泥基材料的水分相态表征装置，其特征在于，所述模拟衰减曲线包括训练模拟衰减曲线；
14.根据权利要求12所述的水泥基材料的水分相态表征装置，其特征在于，所述模拟衰减曲线包括验证模拟衰减曲线；
15.根据权利要求10所述的水泥基材料的水分相态表征装置，其特征在于，所述模拟衰减曲线包括训练模拟衰减曲线和验证模拟衰减曲线；
16.根据权利要求15所述的水泥基材料的水分相态表征装置，其特征在于，所述模型构建单元，具体用于通过所述滑动编码模块，对所述训练模拟衰减曲线进行滑动编码，得到滑动编码向量；通过所述序列编码模块，对所述模拟横向弛豫时间图谱进行序列编码，得到序列编码向量；通过所述编码器，对所述滑动编码向量进行正向计算处理和反向计算处理，得到第一状态序列；通过所述解码器，对所述序列编码向量进行正向计算处理，得到第二状态序列；通过所述注意力模块，对所述第一状态序列和第二状态序列进行计算，得到初始预测图谱；通过改进的损失函数，根据所述初始预测图谱和模拟横向弛豫时间图谱进行损失计算，并根据损失计算结果进行模型参数修正，构建预训练模型。
17.根据权利要求15所述的水泥基材料的水分相态表征装置，其特征在于，所述装置还包括：
18.根据权利要求15所述的水泥基材料的水分相态表征装置，其特征在于，所述模型构建单元，具体用于通过所述预训练模型，对所述验证模拟衰减曲线进行转换，生成验证预测图谱，并基于所述模拟横向弛豫时间图谱生成验证损失结果；通过可视化工具，根据所述验证损失结果，绘制损失曲线；通过截断法，根据所述损失曲线确定出最小验证损失结果；将所述最小验证损失结果对应的预训练模型确定为衰减重建模型。
19.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至9任一项所述的水泥基材料的水分相态表征方法。
20.一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现权利要求1至9任一项所述的水泥基材料的水分相态表征方法。
21.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至9任一项所述的水泥基材料的水分相态表征方法。
...【技术特征摘要】
1.一种水泥基材料的水分相态表征方法，其特征在于，所述方法包括：
2.根据权利要求1所述的水泥基材料的水分相态表征方法，其特征在于，所述获取水泥基材料的模拟横向弛豫时间图谱，包括：
3.根据权利要求1所述的水泥基材料的水分相态表征方法，其特征在于，所述噪声数据包括高斯噪声和本底噪声；
4.根据权利要求3所述的水泥基材料的水分相态表征方法，其特征在于，所述模拟衰减曲线包括训练模拟衰减曲线；
5.根据权利要求3所述的水泥基材料的水分相态表征方法，其特征在于，所述模拟衰减曲线包括验证模拟衰减曲线；
6.根据权利要求1所述的水泥基材料的水分相态表征方法，其特征在于，所述模拟衰减曲线包括训练模拟衰减曲线和验证模拟衰减曲线；
7.根据权利要求6所述的水泥基材料的水分相态表征方法，其特征在于，所述将所述模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集，并基于所述模型训练集对所述深度学习模型进行训练，构建预训练模型，包括：
8.根据权利要求6所述的水泥基材料的水分相态表征方法，其特征在于，在所述将所述模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集，并基于所述模型训练集对所述深度学习模型进行训练，构建预训练模型之前，还包括：
9.根据权利要求6所述的水泥基材料的水分相态表征方法，其特征在于，所述将所述模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集，并基于所述模型验证集对所述预训练模型进行优化验证，构建所述衰减重建模型，包括：
10.一种水泥基材料的水分相态表征装置，其特征在于，所述装置包括：
11.根据权利要求10所述的水泥基材料的水分相态表征装置，其特征在于，所述模拟数据获取单元，具体用于构建各水分相态对应的初始模拟图谱；根据所述各水分相态对应的初始模拟图谱进行信号总量归一化，得到所述模拟横向弛豫时间图谱。
12.根据权利要求10所述的水泥基材料的水分相态表征装置，其特征在于，所述噪声数据包括高斯噪声和本底噪声；
13.根据权利要求12所述的水泥基材料的水分相态表征装置，其特征在于，所述模拟衰减曲线包括训练模拟衰减曲线；
14...
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。