CN111400915A - 一种基于深度学习的砂土液化判别方法及装置 - Google Patents
一种基于深度学习的砂土液化判别方法及装置 Download PDFInfo
- Publication number
- CN111400915A CN111400915A CN202010188853.8A CN202010188853A CN111400915A CN 111400915 A CN111400915 A CN 111400915A CN 202010188853 A CN202010188853 A CN 202010188853A CN 111400915 A CN111400915 A CN 111400915A
- Authority
- CN
- China
- Prior art keywords
- liquefaction
- result
- deep learning
- sandy soil
- model
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公布了一种基于深度学习的砂土液化判别方法及装置,其主要特征是:选取影响砂土液化的主要影响因素,收集大量的实例因素数据集,利用Matlab软件对数据集进行预处理,把处理后的数据集分为三部分,分别为训练集、验证集和测试集,并依次输入深度学习模型DBNs中,依次用于特征学习、参数微调、结果检验,结果检验合格之后导入待判别样本数据集,系统会自动判别出结果,结果对应为砂土液化或未液化。其装置主要包括:厂家设置板块和用户运用板块。本发明的实施例提供一种基于深度学习的砂土液化判别方法及装置的流程示意图,本发明实施例能够体现砂土液化判别的准确性和灵活性问题,能够为砂土液化预测和防治提供依据。
Description
技术领域
本发明是一种基于深度学习的砂土液化判别方法及装置,涉及砂土液化影响因素、Matlab软件操作与编程和深度学习技术等相关领域。
背景技术
砂土液化是指砂土在地震引起的循环往复载荷作用下土层内空隙水压升高,有效应力降低,造成地基承载力的部分或全部丧失的现象。地震引起的砂土液化可诱发高速滑坡、地基失稳和沉陷等现象,会造成建筑物严重破坏和人员大量伤亡,因此,开发一种可以准确判别砂土的液化状态具有重要的现实意义。
关于对砂土地震液化的判别研究由来已久,国内外学者基于各自的研究领域和认识角度分别提出了不同的判别方法,但由砂土介质的多样性和地震荷载的随机性,使得砂土液化的各种影响因素和砂土液化势之间呈高度的非线性,传统的经验法选取的影响因素不够全面且某些参数的确定具有主观性,因此在不同地区砂土液化势判别中存在着较大的误差。
随着计算机技术的快速发展,人工智能的深度学习算法的研究应用也得到了快速发展。近些年,深度学习技术被广泛应用于图像识别领域、语言识别领域、视频分析领域、文本分析领域和大数据分析领域,并取得了极大成功。深度学习利用大数据特征学习时,在挖掘数据潜在、丰富的内在信息关系领域有着很强的优势,采用深度学习技术进行砂土液化的判别是可行的,可为砂土液化判别提供一种新的思路和判别方法。
基于深度学习技术的砂土液化判别方法,是将影响砂土液化的主要因素数据集预处理后输入深度学习模型中,确定模型的参数并检验模型的可靠性,然后导入待判别样本数据集,模型会准确地进行判别。因此,基于深度学习的砂土液化判别方法及装置是能够可靠获取判别结果,其给工程实际带来的效益是巨大的。
发明内容
本发明实施例采用一种基于深度学习的砂土液化判别方法及装置,利用该方法及装置能够可靠地进行砂土状态的判别,建立满足复杂的岩土工程需求的自适应深度学习的分析处理模型,本发明提供的一种基于深度学习的砂土液化判别方法及装置,包括:
1.判别方法原理包括:步骤一,选取工程实际中容易获得和确定的且与液化关系密切、有较强分辨能力的因素,选取了,震级、研究深度、震中距、标贯击数、地下水位和地震持续时间;步骤二,根据选取的6个因素收集大量实例数据集;步骤三,利用Matlab工具设置好程序对数据集进行预处理,比如数据归一化;步骤四,把处理后的数据集分为三部分,分别为训练集、验证集和测试集,约占全部数据集的50%、20%、30%;步骤五,把三部分数据集依次输入建立好的深度学习模型DBNs中,训练集用于深度学习模型进行拟合训练和特征提取,初步确定模型参数;验证集用于对模型的参数进行微调;测试集用于检验模型判别的效果,设置一个生产标准,如装置判别正确率达95%以上才可生产;步骤六,根据用户指令在DBNs中导入待判别样本数据集;步骤七,系统会自动判别出结果,结果对应为砂土液化或未液化;其装置主要包括:厂家设置板块和用户运用板块。
2.判别方法为:选取影响砂土液化的因素,收集实例数据集并用Matalb软件预处理后输入深度学习模型DBNs中,利用深度学习技术拟合训练,自学数据特征,导入待判别样本数据集后,系统会根据模型参数判别出样本的结果。
3.判别方法为:在把数据集输入深度学习模型DBNs时,分成训练集、验证集和测试集依次输入,训练集用于深度学习模型DBNs进行拟合训练和特征提取,验证集用于调整模型的参数,测试集用于检验模型判别的效果。
4.判别方法为:测试集是由砂土液化和非液化的实例组成的,在我们已经知道了每个实例对应的砂土状态下,我们把实例的因素数据集输入模型时,模型会判别出一个结果,这个结果再与实例对比,如果和实例一样说明是正确的,反之说明是错误的,通过大量的测试就可以得出模型判别的正确率,即可以检验模型的判别效果。
5.判别装置包括:厂家设置板块,厂家选取工程实际中容易获得和确定的且与液化关系密切、有较强分辨能力的因素,收集和处理数据集,对深度学习模型DBNs进行训练等工作,产品合格后出售;用户运用板块,用于根据用户指令,导入待判别砂土液化状态的数据集,装置会自动判别出结果,并将结果输出。
6.判别装置还包括:准备模式,选取影响砂土液化的主要因素,根据因素收集大量实例数据集,并对数据集预处理;训练模式,用于根据厂家指令,把训练集、验证集和测试集依次输入深度学习模型DBNs中,进行特征学习、参数微调、结果检验等工作;功能模式,用于根据用户指令,在装置中导入待判别的样本数据集,在训练模式基础上判别出样本的砂土液化状态;输出模式,将功能模式的结果进行输出,砂土的状态对应液化或者非液化。
7.判别装置还包括:选取单元,选取容易获取的影响砂土液化的主要因素;处理单元,对大量的数据集进行预处理和分类;学习单元,在DBNs中用训练数据集进行特征学习;优化单元,用验证数据集对模型的参数进行调整,优化模型在区分不同类别信息上的性能;检验单元,用测试数据集检验模型判别效果,如判别正确率等;结果单元,导入待判别的样本数据时,系统自动判别出结果。
附图说明
图1为本发明实施步骤示意图;
图2为本发明判别装置生产与运用关系图;
图3为本发明各模式工作流程图;
图4为本发明判别装置各板块、模式与单元对应关系和实施原理图。
具体实施方式
本发明实施例提供了一种基于深度学习的砂土液化判别方法及装置的实施过程,该实施例基于大量影响砂土液化的数据集进行深度学习,证明了该方法在判别砂土液化的准确性。为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白,以下陈述对本发明进行进一步详细说明。
首先请参阅图1,本发明实施例中的基于深度学习的砂土液化判别方法步骤为:根据本发明采用的方法,步骤一,选取工程实际中容易获得和确定的且与液化关系密切、有较强分辨能力的因素,选取了6种因素,包括:震级、研究深度、震中距、标贯击数、地下水位和地震持续时间;步骤二,根据选取的6个因素收集大量实例数据集;步骤三,利用Matlab软件对海量数据集进行预处理,比如数据归一化;步骤四,把处理后的数据集分为三部分,分别为训练集、验证集和测试集,约占全部数据集的50%、20%、30%;步骤五,把三部分数据集依次输入建立好的深度学习模型DBNs中,训练集用于训练深度学习模型DBNs,验证集用于对模型的参数微调,测试集用于检验模型判别的结果,比如判别的正确率达95%以上,可进行生产销售;步骤六,根据用户指令在DBNs中导入待判别样本数据集;步骤七,系统会根据DBNs模型的参数自动判别出结果,结果对应为砂土液化或未液化。
下面对本发明中的基于深度学习技术的砂土液化判别装置进行详细描述,请参阅图2,其中:厂家设置板块,厂家选取工程实际中容易获得和确定的且与液化关系密切、有较强分辨能力的因素,收集并处理数据集,对深度学习模型DBNs进行训练等工作,产品合格后出售;用户运用板块,用于根据用户指令,导入系统未见过的待判别砂土液化状态的数据集,装置会自动判别出结果,并将结果输出。
在图2所对应的判别装置生产与运用关系图基础上,请参阅图3,在本发明各模式工作流程图中:准备模式,选取影响砂土液化的主要因素,根据因素收集大量实例数据集,并对数据集预处理;训练模式,用于根据厂家指令把训练集、验证集和测试集依次输入深度学习模型DBNs中进行特征学习、参数微调、结果检验等工作;功能模式,用于根据用户指令,在装置中导入待判别的样本数据集,在训练模式基础上判别出样本的砂土液化状态;输出模式,将功能模式的结果进行输出,砂土的状态对应液化或者未液化。
在上述图3本发明各模式工作流程图上,参阅图4,本发明判别装置各板块、模式与单元对应关系和实施原理图中,准备模式包括:选取单元,选取容易获取的影响砂土液化的主要因素;处理单元,对大量的数据集进行预处理和分类;训练模式包括:学习单元,在DBNs中用训练数据集进行特征学习;优化单元,用验证数据集对模型的参数进行调整,优化模型在区分不同类别信息上的性能;检验单元,用测试数据集检验模型判别效果,如判别正确率等;输出模式包括:结果单元,导入待判别的样本数据时,系统会根据模型参数自动判别出结果,最后将结果进行输出。
本发明为基于深度学习的砂土液化判别方法及装置,其装置由如下部分组成:厂家设置板块,厂家选取工程实际中容易获得和确定的且与液化关系密切的影响砂土液化因素,收集并处理数据集,对深度学习模型DBNs进行训练等工作,产品合格后出售,在这一板块下可触发准备模式和训练模式;用户运用板块,用于根据用户指令,导入待判别砂土液化状态的数据集,装置会自动判别出结果,并将结果输出,在这一板块下可触发功能模式和输出模式。其中,准备模式中包含选取单元和处理单元,而训练模式的操作细分为三个单元,即学习单元、优化单元和检验单元,输出模式包括结果单元。以上各模式和单元的相关功能已详细说明,此处不再赘述。
在本发明的判别装置中,各板块、模式和单元的命名和划分只是为了描述特定的情况和方便理解而设定,在实际中可以有其他命名和划分,如:厂家设置板块可换成科研技术人员设置板块,处理单元可划分为收集单元和优化单元。以上所述的实施例仅作解释说明本发明在特定情况下的方法及装置,并不在限制本发明。此外,本发明提供的基于深度学习的砂土液化判别方法及装置具有以下优势:本发明提供的基于深度学习的砂土液化判别方法及装置能抵抗各因素数据集的综合干扰,可提取出更抽象的特征,从而提高了模型判别能力,这一判别方法可以有效指导砂土液化监测预警以及防治等工作。
Claims (7)
1.一种基于深度学习的砂土液化判别方法及装置,其特征在于,包括:步骤一,选取工程实际中容易获得和确定的且与液化关系密切的影响砂土液化因素,选取了6种因素,包括:震级、研究深度、震中距、标贯击数、地下水位和地震持续时间;步骤二,根据选取的6个因素收集大量实例数据集;步骤三,利用Matlab软件对数据集进行预处理,比如数据归一化;步骤四,把处理后的数据集分为三部分,分别为训练集、验证集和测试集,约占全部数据集的50%、20%、30%;步骤五,把三部分数据集依次输入建立好的深度学习模型DBNs中,训练集用于深度学习模型进行拟合训练和特征提取,验证集用于对模型的参数微调,测试集用于检验模型判别的效果,如判别正确率达到95%以上可生产出售;步骤六,根据用户指令在DBNs中导入待判别样本数据集;步骤七,系统会自动根据模型参数判别出结果,结果对应为砂土液化或未液化;其装置主要包括:厂家设置板块和用户运用板块,本发明的实施例提供一种基于深度学习的砂土液化判别方法及装置。
2.根据权利要求1所述的判别方法及装置,其特征在于,所述判别方法为:选取影响砂土液化的因素,收集大量实例数据集并用Matalb软件预处理后输入深度学习模型DBNs中,利用深度学习技术进行训练和提取数据特征等工作,确定模型的最优参数,然后导入待判别样本数据集,系统会根据参数判别出样本的结果。
3.根据权利要求1所述的判别方法,其特征在于,所述判别方法为:在把数据集输入深度学习模型DBNs时,分成训练集、验证集和测试集依次输入,训练集用于深度学习模型DBNs进行拟合训练和特征提取,验证集用于对模型的参数微调,测试集用于检验模型的效果。
4.根据权利要求1所述的判别方法,其特征在于,所述检验方法为:测试集是由砂土液化和非液化的实例组成的,在我们已经知道了每个实例对应的砂土状态下,我们把实例的因素数据集输入模型时,模型会判别出一个结果,这个结果再与实例对比,如果和实例一样则是正确的,反之则是错误的,通过大量的测试就可以得出模型判别的正确率,即可以检验模型的判别效果。
5.根据权利要求1所述的判别方法及装置,其特征在于,所述判别装置包括:厂家设置板块,厂家选取工程实际中容易获得和确定的且与液化关系密切、有较强分辨能力的因素,收集并处理数据集,对深度学习模型DBNs进行训练等工作,产品合格后出售;用户运用板块,用于根据用户指令,导入待判别砂土液化状态的数据集,装置会自动判别出结果,并将结果输出。
6.根据权利要求5所述的装置,其特征在于,所述判别装置还包括:准备模式,选取影响砂土液化的主要因素,根据因素收集大量实例数据集,并对数据集预处理;训练模式,用于根据厂家指令把训练集、验证集和测试集依次输入深度学习模型DBNs中,进行特征学习、参数微调、结果检验等工作;功能模式,用于根据用户指令,在装置中导入待判别的样本数据集,在训练模式基础上判别出样本的砂土液化状态;输出模式,将功能模式的结果进行输出,砂土的状态对应液化或者未液化。
7.根据权利要求6所述的装置,其特征在于,所述判别装置还包括:选取单元,选取容易获取的影响砂土液化的主要因素;处理单元,对大量的数据集进行预处理和分类;学习单元,在DBNs中用训练数据集进行特征学习;优化单元,用验证数据集对模型的参数进行调整,优化模型在区分不同类别信息上的性能;检验单元,用测试数据集检验模型判别效果,如判别正确率等;结果单元,导入待判别的样本数据时,系统自动判别出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188853.8A CN111400915A (zh) | 2020-03-17 | 2020-03-17 | 一种基于深度学习的砂土液化判别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188853.8A CN111400915A (zh) | 2020-03-17 | 2020-03-17 | 一种基于深度学习的砂土液化判别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111400915A true CN111400915A (zh) | 2020-07-10 |
Family
ID=71430960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010188853.8A Pending CN111400915A (zh) | 2020-03-17 | 2020-03-17 | 一种基于深度学习的砂土液化判别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400915A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016062044A1 (zh) * | 2014-10-24 | 2016-04-28 | 华为技术有限公司 | 一种模型参数训练方法、装置及系统 |
WO2018153201A1 (zh) * | 2017-02-22 | 2018-08-30 | 中兴通讯股份有限公司 | 深度学习训练方法及装置 |
CN109214046A (zh) * | 2018-07-25 | 2019-01-15 | 中国地震局地球物理研究所 | 一种地震液化判别方法及地震液化势模型 |
CN109271734A (zh) * | 2018-10-11 | 2019-01-25 | 河南工业大学 | 一种基于机器学习技术的场地地震液化势评价方法 |
-
2020
- 2020-03-17 CN CN202010188853.8A patent/CN111400915A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016062044A1 (zh) * | 2014-10-24 | 2016-04-28 | 华为技术有限公司 | 一种模型参数训练方法、装置及系统 |
WO2018153201A1 (zh) * | 2017-02-22 | 2018-08-30 | 中兴通讯股份有限公司 | 深度学习训练方法及装置 |
CN109214046A (zh) * | 2018-07-25 | 2019-01-15 | 中国地震局地球物理研究所 | 一种地震液化判别方法及地震液化势模型 |
CN109271734A (zh) * | 2018-10-11 | 2019-01-25 | 河南工业大学 | 一种基于机器学习技术的场地地震液化势评价方法 |
Non-Patent Citations (1)
Title |
---|
李方明: "人工神经网络在砂土液化判别及震陷预估中的应用", 中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑), pages 038 - 148 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210390230A1 (en) | Method for Quickly Optimizing Key Mining Parameters of Outburst Coal Seam | |
CN108694258B (zh) | 用于施工方案预演优化的钻井井下虚拟仿真方法及系统 | |
CN103233741B (zh) | 定量化评价超大型地下洞室群施工期围岩稳定性的方法 | |
CN106407493B (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
CN111222683B (zh) | 一种基于pca-knn的tbm施工围岩综合分级预测方法 | |
CN104989456B (zh) | 一种大跨度地下工程开挖围岩稳定性监测预警方法 | |
CN110058294A (zh) | 一种隧道微震监测岩石破裂事件自动识别方法 | |
CN104297788B (zh) | 基于波形起振趋势线斜率的矿山微震和爆破信号识别方法 | |
WO2020125682A1 (zh) | 一种应用随钻数据计算岩石强度的方法和系统 | |
CN111441330A (zh) | 基于bim+gis的基坑监测系统及其监测方法 | |
CN106952003A (zh) | 高地应力区层状岩体地下洞室围岩破坏类型预测方法 | |
CN109190291B (zh) | 获取动力触探锤击数修正系数的方法 | |
Gholamnejad et al. | Prediction of the deformation modulus of rock masses using Artificial Neural Networks and Regression methods | |
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
CN115688251A (zh) | 基于深度学习的地震多发区隧道风险决策方法及系统 | |
CN113569487B (zh) | 一种基于bp神经网络预测台阶爆破抛掷效果的方法 | |
CN114693114A (zh) | 地下空间结构的监测方法、装置、计算机设备及存储介质 | |
CN116662920B (zh) | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 | |
CN111400915A (zh) | 一种基于深度学习的砂土液化判别方法及装置 | |
CN113917562B (zh) | 深埋软弱夹层宏细观结构表征及三维空间构造方法及装置 | |
CN115577619A (zh) | 基于机器学习预测液化土残余抗剪强度的方法 | |
CN112926400A (zh) | 基于数据驱动的液压缸内泄露故障智能诊断方法及系统 | |
CN112381283A (zh) | 一种隧道病害整治方法 | |
CN112064617A (zh) | 一种土石混合料地基质量检测方法 | |
Broujerdian et al. | Seismic performance assessment of intermediate moment-resisting steel frames designed based on misidentified site soil classes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |