【技术实现步骤摘要】
本专利技术涉及一种基于长短期记忆网络的dcm桩抗压强度预测方法，适用于地基加固dcm桩施工领域。
技术介绍
1、在地基加固处理方法中，深层水泥搅拌桩(dcm)常应用于堤坝、港口等水上结构工程中，其桩体承载力直接关系到整个工程结构的安全与稳定性。传统上，dcm桩承载性能的评估需要凭借现场大面积的钻芯取样试验，这种方法不仅耗时费力，而且难以在施工过程中及时调整策略，以应对复杂多变的地质条件。近年来，随着人工智能技术的发展，尤其是机器学习算法的应用，为dcm桩的抗压强度预测提供了新的途径。
2、支持向量机(svm)和相关向量机(rvm)作为监督学习中的重要工具，被引入到dcm桩抗压强度预测中，它们能够基于历史数据建立预测模型，实现一定程度上的预测准确性。这些模型的优势在于处理高维特征空间和小样本问题时表现出色，但在面对动态变化且含有时间序列特性的数据时，由于其固有的局限性，无法有效捕捉输入数据间的时序依赖关系，特别是在施工过程中遇到特殊土层情况时，如突然出现的硬质障碍物或钢丝绳缠绕，施工操作需要即时调整，导致预测精度会显著下降。
3、针对这一挑战，引入可以通过时序数据进行dcm桩抗压强度预测的方法显得尤为重要。
技术实现思路
1、本专利技术的目的，是为了解决传统dcm桩的承载力评估费时费力以及基于支持向量机模型和相关向量模型的dcm桩的抗压强度预测方法灵活性低，无法准确预测特殊地质情况下的dcm桩的抗压强度的问题，提出了一种基于长短期记忆网络的dcm桩抗压强度预测
2、本专利技术的目的可以通过采取如下技术方案达到：
3、s101，数据收集和预处理；
4、所述数据收集和预处理，包括在施工过程中通过土工试验收集各土层土壤类型有关的有机质含量、塑性指数、剪切强度数据以及通过dcm桩配备的数据采集系统采集与dcm桩施工流程有关的实时搅拌速度、实时搅拌深度、实时贯入速度、实时喷水流量、实时喷浆流量和固化时间，还包括通过各土层取芯抗压试验获取dcm桩的抗压强度值，然后剔除数据集中不符合常态和错误记录的观测值，将不同来源和格式的数据转换为一致的格式，将所有数据按比例缩放至同一范围(0到1之间)，消除量纲影响，并将每一组数据作为一个样本，将n个样本组成的样本集随机取样本总量的10％的样本作为测试集，样本总量的10％含有小数时向下取整，不足1个时按1个取，其余作为训练集，将测试集和训练集作为一组数据集，然后再次按上述规则随机选取样本将样本集分为测试集和训练集，并组成新的数据集，若新的数据集与已有数据集相同，则重新划分样本集并组成新的数据集，直至有m组数据集；
5、s102，特征选择；
6、所述特征选择，使用皮尔逊相关系数分析方法选择与dcm桩抗压强度相关性较强的数据作为特征变量，经筛选后所述相关性较强的数据包括各土层有机质含量、塑性指数、剪切强度、实时搅拌速度、实时搅拌深度、实时贯入速度、实时喷水流量、实时喷浆流量和固化时间；
7、s103，构建长短期记忆网络模型；
8、所述构建长短期记忆网络模型，包括明确模型的输入为各特征变量数据，输出为预测的dcm桩抗压强度值，确定长短期记忆网络架构层数和每层神经元数量，在长短期记忆网络层之后加入全连接层以整合信息，并通过输出层产生最终预测值；
9、s104、长短期记忆网络模型训练；
10、所述长短期记忆网络模型训练，包含选择sigmoid激活函数应用于长短期记忆网络模型中的遗忘门(1)、输入门(2)和输出门(4)，选择tanh激活函数应用于候选细胞(3)，然后更新细胞状态(5)，得到细胞输出(6)，选择均方误差作为损失函数、选择adam优化器、设定初始的训练周期数n、使用xavier初始化方法初始化权重和偏置，然后结合k折交叉验证评估方法训练长短期记忆网络模型；
11、ft＝σ(wf[ht-1,xt]+bf) (1)
12、it＝σ(wi[ht-1,xt]+bi) (2)
13、c't＝tanh(wc[ht-1,xt]+bc) (3)
14、ot＝σ(wo[ht-1,xt]+bo) (4)
15、
16、
17、式中，ft为遗忘门当前时间步的遗忘向量，σ为sigmoid激活函数，wf为遗忘门的权重矩阵，ht-1为上一时间步隐藏状态，xt为当前时间步输入，bf为遗忘门的偏置，it为输入门当前时间步的输入权重向量，wi为输入门的权重矩阵，bi为输入门的偏置，c't为候选细胞状态，wc为候选细胞状态的权重矩阵，bc为候选细胞状态的偏置，ot为输出门当前时间步的输出权重向量，wo为输出门的权重矩阵，bo为输出门的偏置，ct为当前时间步的细胞状态，ct-1为上一时间步的细胞状态，ht为当前时间步隐藏状态，表示逐元素相乘，⊕表示逐元素相加；
18、s105、模型优化与调整；
19、所述模型优化与调整，包括基于m组数据集结合k折交叉验证所评估的平均性能指标，选择最优的超参数配置，当模型出现过拟合现象时，增加正则化项限制模型复杂度，当模型出现欠拟合现象时，增加长短期记忆网络架构层数和每层神经元数量；
20、s106，模型应用与维护；
21、所述模型应用与维护，包括将训练好的模型嵌入到施工管理系统中，实现实时数据输入与抗压强度预测，定期评估模型的预测效果，将预测值与实际值对比，确保模型有效，当模型预测值与实际值偏差较大时，对模型进行再次训练。
22、进一步的，在步骤s104中，所述结合k折交叉验证评估方法训练长短期记忆网络模型包括依次使用m组数据集中的训练集训练模型，并计算测试集预测值与真实值的均方误差作为评估对应模型的平均性能指标。
23、进一步的，在步骤s105中，所述超参数包括长短期记忆网络架构层数、隐藏层数量、隐藏层单元数、学习率、批次大小、时间步长和训练周期数。
24、本专利技术的有益效果是：解决了传统dcm桩的承载力评估费时费力以及基于支持向量机模型和相关向量模型的dcm桩的抗压强度预测方法灵活性低，无法准确预测特殊地质情况下的dcm桩的抗压强度的问题；记录施工过程中各项实时数据，然后引入长短期记忆网络模型，根据长短期记忆网络模型保留前后数据依赖关系的特性，从而可以根据特殊土层条件下的实时数据更准确的预测出dcm桩的抗压强度。
本文档来自技高网...【技术保护点】
1.一种基于长短期记忆网络的DCM桩抗压强度预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于长短期记忆网络的DCM桩抗压强度预测方法，其特征在于：步骤S104中，所述结合K折交叉验证评估方法训练长短期记忆网络模型包括依次使用m组数据集中的训练集训练模型，并计算测试集预测值与真实值的均方误差作为评估对应模型的平均性能指标。
3.根据权利要求1所述的一种基于长短期记忆网络的DCM桩抗压强度预测方法，其特征在于：步骤S105中，所述超参数包括长短期记忆网络架构层数、隐藏层数量、隐藏层单元数、学习率、批次大小、时间步长和训练周期数。
【技术特征摘要】
1.一种基于长短期记忆网络的dcm桩抗压强度预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于长短期记忆网络的dcm桩抗压强度预测方法，其特征在于：步骤s104中，所述结合k折交叉验证评估方法训练长短期记忆网络模型包括依次使用m组数据集中的训练集训练模...
【专利技术属性】
技术研发人员：王雪刚，林美鸿，沈文耿，何丽平，滕超，
申请(专利权)人：中交四航工程研究院有限公司，
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。