基于人工智能的边坡耐久性分析方法及系统技术方案

本申请提供一种基于人工智能的边坡耐久性分析方法及系统，通过对样例边坡区域图像数据的样例训练序列进行聚类和学习，生成第一样例耐久特征学习组合和第二样例耐久特征学习组合，据此优化边坡耐久性预测模型的第一预测网络和第二预测网络，并计算第一模型训练代价和第二模型训练代价后进行进一步确定目标模型训练代价后对边坡耐久性预测模型进行迭代训练，直到目标模型训练代价符合目标收敛要求后，对任意输入的目标边坡表征数据和目标环境条件表征数据进行处理，生成目标边坡表征数据对应的目标边坡区域在目标环境条件表征数据下的边坡耐久性预测结果，显著提高了边坡耐久性分析的自动化水平和预测精度，以便于保障边坡工程的安全性和稳定性。

【技术实现步骤摘要】

本申请涉及人工智能，具体而言，涉及一种基于人工智能的边坡耐久性分析方法及系统。

技术介绍

1、随着基础设施建设的不断发展，边坡工程在交通、水利、能源等领域中得到了广泛应用。然而，边坡在长期使用过程中，会受到各种环境因素的影响，如降雨、地震、风化等，导致其耐久性下降，从而影响工程的安全性和可靠性。因此，对边坡的耐久性进行准确分析和预测具有重要的意义。

2、传统的边坡耐久性分析方法主要依赖于现场监测和实验研究，这些方法需要耗费大量的时间和人力物力，而且无法对边坡的耐久性进行实时预测。此外，大多数其它数据挖掘方法仅关注边坡的单一表征数据或环境条件，忽略了不同环境条件触发特征对边坡耐久性的综合影响。

技术实现思路

1、鉴于上述提及的问题，结合本申请的第一方面，本申请实施例提供一种基于人工智能的边坡耐久性分析方法，所述方法包括：

2、获取多个样例边坡区域图像数据的样例训练序列，每个样例边坡区域图像数据的样例训练序列包括该样例边坡区域图像数据在多个样例环境条件触发特征下的多个样例耐久知识特征数据，本文档来自技高网...

【技术保护点】

1.一种基于人工智能的边坡耐久性分析方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于人工智能的边坡耐久性分析方法，其特征在于，所述对于每一个数据聚类簇下的样例耐久知识特征数据中的各个样例耐久知识特征数据，依据从所有数据聚类簇对应的多个样例耐久知识特征数据中提取的第一样例耐久知识特征数据生成第一样例耐久特征学习组合，包括：

3.根据权利要求2所述的基于人工智能的边坡耐久性分析方法，其特征在于，所述依据从同一个数据聚类簇下的样例耐久知识特征数据中提取的第二样例耐久知识特征数据生成第二样例耐久特征学习组合，包括：

4.根据权利要求3所述的基于人...

【技术特征摘要】

1.一种基于人工智能的边坡耐久性分析方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于人工智能的边坡耐久性分析方法，其特征在于，所述对于每一个数据聚类簇下的样例耐久知识特征数据中的各个样例耐久知识特征数据，依据从所有数据聚类簇对应的多个样例耐久知识特征数据中提取的第一样例耐久知识特征数据生成第一样例耐久特征学习组合，包括：

3.根据权利要求2所述的基于人工智能的边坡耐久性分析方法，其特征在于，所述依据从同一个数据聚类簇下的样例耐久知识特征数据中提取的第二样例耐久知识特征数据生成第二样例耐久特征学习组合，包括：

4.根据权利要求3所述的基于人工智能的边坡耐久性分析方法，其特征在于，所述对于每个样例边坡区域图像数据，至少依据各个样例耐久知识特征数据对应的第一样例耐久特征学习组合优化边坡耐久性预测模型的第一预测网络并计算第一模型训练代价，且至少依据各个样例耐久知识特征数据对应的第二样例耐久特征学习组合优化所述边坡耐久性预测模型的第二预测网络并计算第二模型训练代价，包括：

5.根据权利要求1所述的基于人工智能的边坡耐久性分析方法，其特征在于，所述对于每一个数据聚类簇下的样例耐久知识特征数据中的各个样例耐久知识特征数据，依据从所有数据聚类簇对应的多个样例耐久知识特征数据中提取的第一样例耐久知识特征数据生成第一样例耐久特征学习组合，包括：

6.根据权利要求5所述的基于人工智能的边坡耐久性分...

【专利技术属性】
技术研发人员：唐然，李骅锦，冯鹏，陈小平，董建辉，杨华平，邓韧，赵振远，曹建强，
申请(专利权)人：成都大学，
类型：发明
国别省市：