CN103898890B - 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 - Google Patents
一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 Download PDFInfo
- Publication number
- CN103898890B CN103898890B CN201410106716.XA CN201410106716A CN103898890B CN 103898890 B CN103898890 B CN 103898890B CN 201410106716 A CN201410106716 A CN 201410106716A CN 103898890 B CN103898890 B CN 103898890B
- Authority
- CN
- China
- Prior art keywords
- layering
- soil
- soil property
- double lumen
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
一种基于BP神经网络的双桥静力触探数据的土层量化分层方法,其步骤为:①、双桥静力触探数据和土类分层信息的收集与整理;②、建立双桥静力触探土质量化分层BP神经网络预测模型;③、对双桥静力触探土质量化分层BP神经网络预测模型进行训练;④、运用已完成训练的双桥静力触探土质量化分层BP神经网络预测模型对土质类型进行预测;⑤、确定分层精度,对预测结果进行并层处理,最终得到土质量化分层结果。其优点是:为土质量化分层提供可靠理论依据,避免了传统勘察中土类分层的随意性和人为性;也为土层量化分层BP神经网络预测模型的可靠性提供有力支撑,保证了预测结果的准确性,在今后工程地质勘察中减少大量钻孔工作,大大节约勘察投资成本。
Description
技术领域
本发明涉及岩土工程原位测试应用研究领域,具体地说是一种基于BP神经网络的双桥静力触探数据的土层量化分层方法。
背景技术
传统勘察方式以钻探为主,在钻探过程中对某深度处的土进行取样,并对土性进行描述。由于取样区段只占工程勘探总深度的极小部分,其余绝大部分仅靠对扰动土样视觉和触觉的鉴别来对土性进行定性描述。由于工作人员的水平及经验参差不齐,对土性的认知不一,随意性大,从而造成工程地质剖面土质分类不是完全建立在定量测定的基础上,使土类分层结果可信度低,难以检查,容易导致工程事故。
目前,利用双桥静力触探对土层进行量化分层的研究较少,现有规范及工程地质手册的分层标准并不统一,且无量化分层的计算理论及方法,具有较强的人为性,从而影响了工程勘察的准确性及双桥静力触探数据的综合利用。因此,如何提供一种基于双桥静力触探数据的土质量化分层方法,建立土质量化分层预测模型,已成为本领域亟待解决的技术问题。
发明内容
本发明的目的是利用现有的双桥静力触探数据和土类分层信息,采用BP神经网络算法,研制一种基于BP神经网络的双桥静力触探数据的土层量化分层方法。
本发明一种基于BP神经网络的双桥静力触探数据的土层量化分层方法,其具体技术方法按以下步骤实施:
①、双桥静力触探数据和土类分层信息的收集与整理:通过收集整理场地工程地质勘察报告、土工试验成果资料等,收集统计双桥静力触探孔沿深度的静力触探数据和土类分层信息;
所述的双桥静力触探数据,包括:锥尖阻力qc和侧壁摩阻力fs;所述的土类分层信息,包括:粘土、粉质粘土、粉土和粉砂;
②、建立双桥静力触探土质量化分层BP神经网络预测模型:基于BP神经网络算法,利用步骤①的数据信息建立预测模型;
所述的双桥静力触探土质量化分层BP神经网络模型采用1个输入层、1个输出层和1个隐含层的网络结构,具体建立过程按下列方式实施:
将沿深度的第n-2,n-1,n,n+1,n+2个锥尖阻力qc值和n-2,n-1,n,n+1,n+2个侧摩阻力fs值作为输入层,网络模型输入层由10维矢量构成:
将第n个输入值对应深度点处的土质类型作为输出层,网络模型输出层为1维矢量构成:
Y=[Tn]Tn∈{0,1,2,3}
Tn表示第n个输入值对应深度处的土质类型,考虑到数值表达上的一致性,将土质类型输出结果值域转化为整数型,即分别以0、1、2、3代表粘土、粉质粘土、粉土和粉砂。
③、对双桥静力触探土质量化分层BP神经网络预测模型进行训练:运用matlab软件,设定网络训练函数类型,输出层激活函数类型,最大迭代次数epochs,期望误差最小值设定值goal和修正权值的学习效率lr,对BP神经网络模型进行训练;
所述的网络训练函数类型采用traincgf函数;
所述的输出层激活函数类型采用purelin函数;
所述的最大迭代次数epochs设定为6000次;
所述的期望误差最小值设定值goal设定为0.01;
所述的修正权值的学习效率lr设定为0.05。
④、运用步骤③中已完成训练的双桥静力触探土质量化分层BP神经网络预测模型,通过双桥静力触探数据对土质类型进行预测;
通过双桥静力触探数据对土质类型进行预测时,需在Matlab中调用round()函数对网络预测结果进行四舍五入,实现输出值与四种土质类型的一致性。
⑤、根据工程需要确定分层精度,对预测结果进行并层处理,最终得到土质量化分层结果;
所述的分层精度可根据工程需求设置为0.1m、0.2m、0.3m、0.4m、0.5m、0.6m、0.7m、0.8m、0.9m或1.0m。
所述的并层处理是指:将厚度小于分层精度的土质类型合并到上一层,土质类型与上一层土类相统一。
本发明一种基于BP神经网络的双桥静力触探数据的土层量化分层方法的优点是:为土质量化分层提供可靠理论依据,避免了传统勘察中土类分层的随意性和人为性;也为土层量化分层BP神经网络预测模型的可靠性提供有力支撑,保证了预测结果的准确性,在今后工程地质勘察中减少大量钻孔工作,大大节约勘察投资成本。
附图说明
图1为一种基于BP神经网络的双桥静力触探数据的土层量化分层方法的流程图;
图2为双桥静力触探数据土层量化分层BP神经网络结构图;
图3为SJT1双桥静力触探曲线及土层柱状图(0.5m分层精度)。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,请参阅图1,一种基于BP神经网络的双桥静力触探数据的土层量化分层方法的流程图。
①、双桥静力触探数据和土类分层信息的收集与整理:通过收集整理长三角地区各典型地质区域工程地质勘察报告、土工试验成果资料等,收集统计双桥静力触探孔沿深度的静力触探数据和土类划分信息,共计100组,其中包含Q4 al粘土、Q4 al粉质粘土、Q4 al粉土、Q4 al粉砂样本各25组;
②、建立双桥静力触探土质量化分层BP神经网络预测模型:根据附图2,基于BP神经网络算法,利用步骤1)的数据信息建立预测模型,训练样本示例见表1;
表1双桥静力触探土质量化分层BP神经网络训练样本示例
③、对双桥静力触探土质量化分层BP神经网络预测模型进行训练:运用matlab软件,设定网络模型训练函数采用traincgf函数,隐含层激活函数采用tansing函数,输出层激活函数采用purelin函数,最大迭代次数epochs=6000,期望误差最小值设定值goal=0.01,修正权值的学习效率lr=0.05,利用表1的训练样本对BP神经网络模型进行训练;
④、运用步骤③中已完成训练的双桥静力触探土质量化分层BP神经网络预测模型,通过江都泰富港务有限公司原料场工程编号SJT1静力触探孔的双桥静力触探数据对土质类型进行预测,SJT1静力触探孔采用双桥静力触探原位试验,测试深度13.0m,双桥静探数据及预测结果见表2;
表2江都原料场SJT1双桥静探数据及预测结果
⑤、根据工程需要确定分层精度为0.5m,对预测结果进行并层处理,最终得到SJT1静探孔土质量化分层结果(见表3),SJT1双桥静力触探曲线及土层柱状图(0.5m分层精度)见附图3。
表3江都原料场SJT1双桥静探孔土质量化分层结果(0.5m分层精度)
层底深度(m) | 土质类型 |
0.6 | 粘土 |
1.2 | 粉土 |
4.1 | 粉质粘土 |
9.4 | 粘土 |
11.6 | 粉土 |
13 | 粉砂 |
Claims (4)
1.一种基于BP神经网络的双桥静力触探数据的土层量化分层方法,其特征在于,所述方法包括以下步骤:
①、双桥静力触探数据和土类分层信息的收集与整理:通过收集整理场地工程地质勘察报告、土工试验成果资料,收集统计双桥静力触探孔沿深度的双桥静力触探数据和土类分层信息;
②、建立双桥静力触探土质量化分层BP神经网络预测模型:基于BP神经网络算法,利用步骤①的数据信息建立预测模型;
③、对双桥静力触探土质量化分层BP神经网络预测模型进行训练:运用matlab软件,设定网络训练函数类型,输出层激活函数类型,最大迭代次数epochs,期望误差最小值设定值goal和修正权值的学习效率lr,对双桥静力触探土质量化分层BP神经网络预测模型进行训练;
④、运用步骤③中已完成训练的双桥静力触探土质量化分层BP神经网络预测模型,通过双桥静力触探数据对土质类型进行预测;
⑤、根据工程需要确定分层精度,对预测结果进行并层处理,最终得到土质量化分层结果;
所述的双桥静力触探土质量化分层BP神经网络预测模型采用1个输入层、1个输出层和1个隐含层的网络结构,具体建立过程按下列方式实施:
将沿深度的第n-2,n-1,n,n+1,n+2个锥尖阻力qc值和n-2,n-1,n,n+1,n+2个侧摩阻力fs值作为输入层,网络模型输入层由10维矢量构成:
将第n个输入值对应深度点处的土质类型作为输出层,网络模型输出层为1维矢量构成:
Y=[Tn] Tn∈{0,1,2,3}
Tn表示第n个输入值对应深度处的土质类型,考虑到数值表达上的一致性,将土质类型输出结果值域转化为整数型,即分别以0、1、2、3代表粘土、粉质粘土、粉土和粉砂。
2.根据权利要求1所述的一种基于BP神经网络的双桥静力触探数据的土层量化分层方法,其特征在于:所述的双桥静力触探数据,包括:锥尖阻力qc和侧壁摩阻力fs;所述的土类分层信息,包括:粘土、粉质粘土、粉土和粉砂。
3.根据权利要求1所述的一种基于BP神经网络的双桥静力触探数据的土层量化分层方法,其特征在于:所述的网络训练函数类型采用traincgf函数;所述的输出层激活函数类型采用purelin函数;所述的最大迭代次数epochs设定为6000次;所述的期望误差最小值设定值goal设定为0.01;所述的修正权值的学习效率lr设定为0.05;所述的通过双桥静力触探数据对土质类型进行预测时,需在Matlab中调用round()函数对网络预测结果进行四舍五入,实现输出值与四种土质类型的一致性。
4.根据权利要求1所述的一种基于BP神经网络的双桥静力触探数据的土层量化分层方法,其特征在于:所述的分层精度可根据工程需求设置为0.1m、0.2m、0.3m、0.4m、0.5m、0.6m、0.7m、0.8m、0.9m或1.0m;所述的并层处理是指:将厚度小于分层精度的土质类型合并到上一层,土质类型与上一层土类相统一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410106716.XA CN103898890B (zh) | 2014-03-20 | 2014-03-20 | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410106716.XA CN103898890B (zh) | 2014-03-20 | 2014-03-20 | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103898890A CN103898890A (zh) | 2014-07-02 |
CN103898890B true CN103898890B (zh) | 2017-01-18 |
Family
ID=50990445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410106716.XA Active CN103898890B (zh) | 2014-03-20 | 2014-03-20 | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103898890B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268950B (zh) * | 2018-01-16 | 2020-11-10 | 上海交通大学 | 基于矢量量化的迭代式神经网络量化方法及系统 |
CN108920446A (zh) * | 2018-04-25 | 2018-11-30 | 华中科技大学鄂州工业技术研究院 | 一种工程文本的处理方法 |
CN112431186B (zh) * | 2020-12-04 | 2023-04-14 | 中石化石油工程技术服务有限公司 | 一种滩海地区土层识别方法 |
CN112396130A (zh) * | 2020-12-09 | 2021-02-23 | 中国能源建设集团江苏省电力设计院有限公司 | 静力触探试验岩层智能识别方法、系统、计算机设备及介质 |
CN116289846A (zh) * | 2023-03-22 | 2023-06-23 | 中铁第四勘察设计院集团有限公司 | 基于静力触探试验划分土层界面的方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1752356A (zh) * | 2005-08-11 | 2006-03-29 | 西安理工大学 | 洞室围岩稳定性分析智能模型的构建方法 |
CN102425148A (zh) * | 2011-09-02 | 2012-04-25 | 铁道第三勘察设计院集团有限公司 | 基于静力触探和bp神经网络的路基沉降快速预测方法 |
CN102496059A (zh) * | 2011-11-25 | 2012-06-13 | 中冶集团武汉勘察研究院有限公司 | 矿山竖井工程围岩人工智能分级方法 |
CN103174122A (zh) * | 2012-08-27 | 2013-06-26 | 东南大学 | 用于测试土体静止侧压力系数的侧向应力孔压探头 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4124342B2 (ja) * | 2003-03-18 | 2008-07-23 | 独立行政法人港湾空港技術研究所 | コーン貫入試験を用いた開端杭先端閉塞状況の評価手法 |
-
2014
- 2014-03-20 CN CN201410106716.XA patent/CN103898890B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1752356A (zh) * | 2005-08-11 | 2006-03-29 | 西安理工大学 | 洞室围岩稳定性分析智能模型的构建方法 |
CN102425148A (zh) * | 2011-09-02 | 2012-04-25 | 铁道第三勘察设计院集团有限公司 | 基于静力触探和bp神经网络的路基沉降快速预测方法 |
CN102496059A (zh) * | 2011-11-25 | 2012-06-13 | 中冶集团武汉勘察研究院有限公司 | 矿山竖井工程围岩人工智能分级方法 |
CN103174122A (zh) * | 2012-08-27 | 2013-06-26 | 东南大学 | 用于测试土体静止侧压力系数的侧向应力孔压探头 |
Non-Patent Citations (1)
Title |
---|
淮北平原地基分层与承载力的BP网络预测方法;戴张俊等;《土木建筑与环境工程》;20130630;第35卷(第3期);18-24 * |
Also Published As
Publication number | Publication date |
---|---|
CN103898890A (zh) | 2014-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Research on prediction model of geotechnical parameters based on BP neural network | |
CN103898890B (zh) | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN107292383B (zh) | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 | |
CN101699451A (zh) | 煤层底板突水评价的新型实用方法-脆弱性指数法 | |
CN103345566B (zh) | 基于地质内涵的化探异常识别与评价方法 | |
Kirts et al. | Soil-compressibility prediction models using machine learning | |
Sou-Sen et al. | Neural-network-based regression model of ground surface settlement induced by deep excavation | |
CN110442666A (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
Liu et al. | Microseismicity-based method for the dynamic estimation of the potential rockburst scale during tunnel excavation | |
Mamat et al. | Slope stability prediction of road embankment on soft ground treated with prefabricated vertical drains using artificial neural network | |
CN110705179A (zh) | 基于融合神经网络的导水裂缝带高度精确预测方法及系统 | |
CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
Motahari et al. | Investigation of the geotechnical properties and estimation of the relative density from the standard penetration test in sandy soils (case study: north east of Iran) | |
Kang et al. | Identifying the potential soil pollution areas derived from the metal mining industry in China using MaxEnt with mine reserve scales (MaxEnt_MRS) | |
CN109670729A (zh) | 一种顶板含水层富水性评价方法 | |
Cui et al. | An optimized neural network with a hybrid GA-ResNN training algorithm: applications in foundation pit | |
Karaman | Identifying uncertainty of the mean of some water quality variables along water quality monitoring network of Bahr El Baqar drain | |
CN103912026B (zh) | 一种基于bp神经网络的双桥静力触探数据的力学指标确定方法 | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
Sorichetta | Groundwater vulnerability assessment using statistical methods | |
Liu et al. | Effect of the membership function type on the fuzzy risk of allowable groundwater drawdown calculation results | |
CN110175739A (zh) | 一种重金属工业污染源解析方法、系统和存储介质 | |
CN103473425B (zh) | 基于二元离散模型采动应力作用工作面煤体扩容判别方法 | |
Liu et al. | Census and Inventory Method of Pollution Sources Based on Big Data Technology under Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |