【技术实现步骤摘要】
本专利技术涉及一种爆破试验方法，具体涉及一种基于机器学习的爆破试验分析方法，属于岩土工程。
技术介绍
1、在进行爆破试验时，存在着显著的成本高、事故风险大以及试验可重复性难以保障的诸多难题。首先，试验的高成本主要源于爆破试验所需的专业设备、材料和安全措施，以确保试验的有效性和人员安全。其次，由于爆破试验涉及爆炸性能量释放，爆破产生的瞬时能量巨大，其事故概率相对较高，因而需要严格的安全标准和监管，以减缓潜在的负面影响。此外，爆破试验的难以重复性主要表现在试验过程中复杂的外部条件和材料特性的变异性。试验中涉及的多个因素，例如地质条件、气象条件以及材料的物理性质，均可能导致试验结果的不一致性。因此，要在不同时间或地点重复进行相同条件的试验，对于爆破试验而言，是十分艰巨的任务。
2、传统爆破试验存在一个显著的限制，即其仅能满足单次试验的需求，导致数据量相对较少，进而难以为更广泛的科学研究和应用提供足够支撑。此外，传统爆破试验通常在特定的地质环境和工程背景下进行，这种试验的单次性质使得难以获取足够的数据以建立普适性的模型或理论。对于更广泛的科学研究和应用而言，需要寻求更可控、可重复的试验方法，以产生更丰富的数据集。
3、因此，如何在更安全和经济的条件下，实现以少量爆破试验次数的同时获得大量有效实验数据，以弥补传统爆破试验的不足，是本领域亟需解决的技术问题。
技术实现思路
1、基于以上背景，本专利技术的目的在于提供一种基于机器学习的爆破试验分析方法，能够根据爆破物tnt
2、为了实现上述专利技术目的，本专利技术提供以下技术方案：
3、一种基于机器学习的爆破试验分析方法，该方法包括以下步骤：
4、获取爆破试验参数，所述爆破试验参数包括爆破对象参数、爆破对象的边界条件以及爆破物参数；
5、标记爆破对象；
6、开始爆破试验，爆破过程中，使用高速摄像机记录爆破试验过程和爆破结果图像，使用数据收集装置收集爆破产生的压力峰值和冲量；
7、对爆破结果图像进行图像去噪、图像增强和调整对比度处理；
8、使用改进的神经网络模型对爆破结果图像进行分析提取，标记爆破产生的碎片、对碎片分类以及标记碎片飞散范围，获得爆破结果数据；
9、根据爆破试验参数和爆破结果数据，使用深度神经网络模型预测不同爆破试验参数的爆破试验产生的爆破结果。
10、作为优选，所述爆破对象参数包括墙体长度、墙体宽度、墙体厚度、砌块密度、砌块抗压强度、砂浆抗压强度和砌块弹性模量，所述爆破物参数包括爆破物等效tnt当量和爆破物与墙体距离。
11、作为优选，所述标记爆破对象包括以下步骤：
12、对爆破对象进行分区标记，对不同分区采用彩色涂料或荧光材料进行标记。
13、作为优选，所述数据收集装置模数转换器、压力传感器、加速度传感器和重力传感器，所述压力传感器、加速度传感器和重力传感器分别与所述模数转换器电性连接。
14、作为优选，所述改进的神经网络模型末端设置支持向量机模块和回归算法模块，所述支持向量机模块用于对碎片分类，所述回归算法模块用于计算碎片坐标、碎片宽度和碎片高度。
15、作为优选，所述回归算法模块采用以下数学表达式计算碎片的边界框参数，
16、
17、
18、
19、
20、其中，nx,ny,nw,nh分别为候选边界框的中心x,y坐标及宽高；分别为候选边界框的中心x,y坐标及宽高。
21、作为优选，所述改进的神经网络模型的构建包括以下步骤：
22、收集历史爆破试验图像，筛选可用的爆破试验图像并对其中的碎片和碎片飞散范围进行标记，形成数据集，并将数据集划分未训练集和验证集；
23、选择卷积神经网络模型，将训练集代入模型进行训练；
24、通过验证集评估模型性能，测验模型在验证集的泛化能力，根据模型的准确性和效果调整模型参数，直至模型达标。
25、作为优选，所述爆破结果包括墙体受到的峰值载荷和墙体碎片的最大位移。
26、与现有技术相比，本专利技术具有以下优点：
27、本专利技术的一种基于机器学习的爆破试验分析方法，引入改进的神经网络模型对爆破结果图像进行分析提取，将因爆破对象失效或监测设备失效导致缺失的数据进行计算补充，保持一定的精确度；
28、本专利技术能够根据爆破试验的各项输入参数通过计算得出最优的爆破试验设计参数，在少量试验完成后即进行分析，得出爆破试验设计的合理参数范围，提高试验效率，降低试验失败的风险；
29、本专利技术以高速摄像机记录爆破试验过程，持续跟踪记录被标记的爆破对象的主要观测位置的运动姿态和轨迹，由改进的神经网络模型实现爆破结果数据的自动处理，提高处理效率。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的爆破试验分析方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的爆破试验分析方法，其特征在于：所述爆破对象参数包括墙体长度、墙体宽度、墙体厚度、砌块密度、砌块抗压强度、砂浆抗压强度和砌块弹性模量，所述爆破物参数包括爆破物等效TNT当量和爆破物与墙体距离。
3.根据权利要求1所述的一种基于机器学习的爆破试验分析方法，其特征在于：所述标记爆破对象包括以下步骤：
4.根据权利要求1所述的一种基于机器学习的爆破试验分析方法，其特征在于：所述数据收集装置模数转换器(2)、压力传感器(4)、加速度传感器(5)和重力传感器(6)，所述压力传感器(4)、加速度传感器(5)和重力传感器(6)分别与所述模数转换器(2)电性连接。
5.根据权利要求1所述的一种基于机器学习的爆破试验分析方法，其特征在于：所述改进的神经网络模型末端设置支持向量机模块和回归算法模块，所述支持向量机模块用于对碎片分类，所述回归算法模块用于计算碎片坐标、碎片宽度和碎片高度。
6.根据权利要求5所述的一种基于机器学习的
7.根据权利要求1所述的一种基于机器学习的爆破试验分析方法，其特征在于：所述改进的神经网络模型的构建包括以下步骤：
8.根据权利要求1所述的一种基于机器学习的爆破试验分析方法，其特征在于：所述爆破结果包括墙体受到的峰值载荷和墙体碎片的最大位移。
...【技术特征摘要】
1.一种基于机器学习的爆破试验分析方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的爆破试验分析方法，其特征在于：所述爆破对象参数包括墙体长度、墙体宽度、墙体厚度、砌块密度、砌块抗压强度、砂浆抗压强度和砌块弹性模量，所述爆破物参数包括爆破物等效tnt当量和爆破物与墙体距离。
3.根据权利要求1所述的一种基于机器学习的爆破试验分析方法，其特征在于：所述标记爆破对象包括以下步骤：
4.根据权利要求1所述的一种基于机器学习的爆破试验分析方法，其特征在于：所述数据收集装置模数转换器(2)、压力传感器(4)、加速度传感器(5)和重力传感器(6)，所述压力传感器(4)、加速度传感器(5)和重力传感器(6)分别与所...
【专利技术属性】
技术研发人员：张一鸣，赵宇航，闻敏杰，涂园，丁盼，高之然，王雪雅，
申请(专利权)人：河北工业大学，
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。