CN113009107A - 一种冻土未冻水含量检测方法 - Google Patents

一种冻土未冻水含量检测方法 Download PDF

Info

Publication number
CN113009107A
CN113009107A CN201911332531.XA CN201911332531A CN113009107A CN 113009107 A CN113009107 A CN 113009107A CN 201911332531 A CN201911332531 A CN 201911332531A CN 113009107 A CN113009107 A CN 113009107A
Authority
CN
China
Prior art keywords
frozen soil
data
water content
unfrozen water
resistivity
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
Application number
CN201911332531.XA
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201911332531.XA priority Critical patent/CN113009107A/zh
Publication of CN113009107A publication Critical patent/CN113009107A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Food Science & Technology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Remote Sensing (AREA)
  • Medicinal Chemistry (AREA)
  • Environmental & Geological Engineering (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明公开了一种冻土未冻水含量检测方法，包括步骤：一、检测设备连接；二、数据采集及传输；三、数据处理，得到冻土未冻水含量。本发明采用了冻土未冻水含量预测神经网络模型进行数据处理，在输入检测数据时，能够直接得出检测结果，方法步骤简单，实现方便，能够用于基于冻土电阻率、温度和湿度的冻土未冻水含量测量，能够将冻土未冻水含量检测的复杂问题简单化，且测量结果精确，实用性强，使用效果好，便于推广使用。

Description

一种冻土未冻水含量检测方法
技术领域
本发明属于冻土未冻水含量检测技术领域，具体涉及一种冻土未冻水含量检测方法。
背景技术
冻土中未冻水在冻土力学中扮演着重要的角色，冻土未冻水含量对土体以及桩基之间的相互作用有重大影响，在针对冻土的研究中，冻土未冻水含量的测定方式一直以来都没有的到系统科学的解释，因此对于学术研究以及工程实践，这是一个亟待解决的问题。
目前此领域用到的冻土未冻水含量测试方法主要有核磁共振法、中子自旋回声法、量热法、介电特性法，实验室常用的方法还有测温法，以上所述方法均存在不足或是不合理之处。具体来说，核磁共振法成本造价太高，不能满足实验以及实际工程的要求。中子自旋回声法利用磁共振中的信号来源，在第一个射频脉冲之后会出现自由衰减，通过衰减来判断未冻水含量，其原理复杂，可行性不强。量热法是把具有稳定负温的冻土试样放入正温量热水中使其进行热交换，试样温度与量热水温度达到平衡，其试验仪器操作复杂，且需要一定的热交换时间，因此不能方便，快速测出瞬时未冻水的含量。介电特性法获得待测物质的超宽带脉冲介电响应曲线后，需通过反演算法来确定其介电常数。反演过程中需通过足够多时间点的采样，来建立准确的多维反演模型，准确计算出各成分介电常数、电阻率、孔隙度、含水量等参数。在实际操作中，由于条件限制，各影响因素的考虑还不够完全，因此利用超宽带脉冲介电响应曲线反演模型还不够完善，有所误差。实验室常用的测温法测试结果测得的数据仅是某一冻结起始温度对应的初始含水量，不能说明冻土中未冻水含量随温度的变化过程。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种冻土未冻水含量检测方法，其采用了冻土未冻水含量预测神经网络模型进行数据处理，在输入检测数据时，能够直接得出检测结果，方法步骤简单，实现方便，能够用于基于冻土电阻率、温度和湿度的冻土未冻水含量测量，能够将冻土未冻水含量检测的复杂问题简单化，且测量结果精确，实用性强，使用效果好，便于推广使用。
为解决上述技术问题，本发明采用的技术方案是：一种冻土未冻水含量检测方法，其特征在于，该方法包括以下步骤：
步骤一、检测设备连接，具体过程为：将导电片、温度传感器、湿度传感器和电阻率检测传感器置入冻土土体中，并将导电片与为其供电的外部电源连接，将温度传感器的输出端、湿度传感器的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接，将数据采集器与数据处理器连接；
步骤二、数据采集及传输：当外部电源开始为导电片供电后，温度传感器对冻土土体内的温度进行实时检测，湿度传感器对冻土土体内的湿度进行实时检测，电阻率检测传感器对冻土土体内的电阻率进行实时检测，数据采集器对温度传感器检测到的温度、湿度传感器检测到的湿度和电阻率检测传感器检测到的电阻率进行周期性采集，并将采集到的温度数据、湿度数据和电阻率数据发送给数据处理器；
步骤三、数据处理，得到冻土未冻水含量：数据处理器将温度数据、湿度数据和电阻率数据输入预先构建的冻土未冻水含量预测神经网络模型中，得到冻土未冻水含量预测神经网络模型的输出，所述冻土未冻水含量预测神经网络模型的输出为冻土未冻水含量；
所述冻土未冻水含量预测神经网络模型的构建方法为：
步骤301、训练样本获取，具体过程为：
步骤3011、采用冻土土样进行实验，将导电片、温度传感器、湿度传感器和电阻率检测传感器置入冻土土样中，并将导电片与为其供电的外部电源连接，将温度传感器的输出端、湿度传感器的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接，将数据采集器与数据处理器连接；
步骤3012、进行烘干实验，当外部电源开始为导电片供电后，温度传感器对冻土土体内的温度进行实时检测，湿度传感器对冻土土体内的湿度进行实时检测，电阻率检测传感器对冻土土体内的电阻率进行实时检测，数据采集器对温度传感器检测到的温度、湿度传感器检测到的湿度和电阻率检测传感器检测到的电阻率进行周期性采集，并将采集到的温度数据、湿度数据和电阻率数据发送给数据处理器；数据处理器记录多组温度数据、湿度数据、电阻率数据和冻土未冻水含量的实验数据；并将多组温度数据、湿度数据、电阻率数据和冻土未冻水含量的实验数据作为训练样本；
步骤302、冻土未冻水含量预测神经网络模型构建，使冻土未冻水含量预测神经网络的输入节点对应温度数据、湿度数据和电阻率数据，对应BP神经网络输入层的节点数i＝3；使冻土未冻水含量预测神经网络的输出节点对应冻土未冻水含量，对应冻土未冻水含量预测神经网络输出层的节点数k＝1；根据公式
Figure BDA0002330048850000031
计算出冻土未冻水含量预测神经网络隐含层的节点数j＝N；
步骤303、冻土未冻水含量预测神经网络模型训练，其具体过程如下：
步骤3031、参数初始化：设定输入层到隐含层的连接权值wji为(-1,1)之间的随机数，隐含层到输出层的连接权值wkj为(-1,1)之间的随机数，输出层的作用函数的斜率a为[0，1]之间的随机数，输出层的作用函数的偏置参数σ为[0，1]之间的随机数，误差修正的步长因子η为(0，1)之间的随机数，输出层的期望输出
Figure BDA0002330048850000032
为[0，1]之间的随机数；
步骤3032、信息正向传递过程的计算：首先，将训练样本INi输入到冻土未冻水含量预测神经网络模型的输入层，通过输入层到隐含层的连接权值wji得到隐含层的输入
Figure BDA0002330048850000041
接着，通过隐含层的作用函数
Figure BDA0002330048850000042
得到隐含层的输出IMj＝tan(net1(j))；然后，通过隐含层到输出层的连接权值wkj得到输出层的输入
Figure BDA0002330048850000043
最后，通过输出层的作用函数f(x)＝1/(1+e-a(x+σ))得到输出层的输出Y(k)＝f(net2(k))；
步骤3033、信息反向传递过程的计算：首先，根据公式
Figure BDA0002330048850000044
计算得到样本模型的均方误差En；接着，根据公式
Figure BDA0002330048850000045
计算得到总误差e，并判断总误差e是否小于等于0.01，当总误差e大于0.01时，首先，根据公式
Figure BDA0002330048850000046
计算输出层的训练误差dk，并根据公式
Figure BDA0002330048850000047
计算出隐含层的训练误差dj；接着，根据公式wji＝wji+ηdjINi对输入层到隐含层的连接权值wji进行误差修正，并根据公式wkj＝wkj+ηdkIMj对隐含层到输出层的连接权值wkj进行误差修正；然后，根据公式
Figure BDA0002330048850000048
对输出层的作用函数的斜率a进行误差修正，并根据公式
Figure BDA0002330048850000049
对输出层的作用函数的偏置参数σ进行误差修正；最后返回步骤3032；当总误差e小于等于预设误差阈值时，结束训练；其中，l为迭代次数且为自然数。
上述的一种冻土未冻水含量检测方法，其特征在于：所述预设误差阈值为0.02。
上述的一种冻土未冻水含量检测方法，其特征在于：所述l的取值为100。
上述的一种冻土未冻水含量检测方法，其特征在于：所述数据处理器为数据处理计算机。
本发明与现有技术相比具有以下优点：
1、本发明采用了冻土未冻水含量预测神经网络模型进行数据处理，在输入检测数据时，能够直接得出检测结果，方法步骤简单，实现方便。
2、本发明能够用于基于冻土电阻率、温度和湿度的冻土未冻水含量测量，能够将冻土未冻水含量检测的复杂问题简单化，且测量结果精确。
3、本发明的实用性强，使用效果好，便于推广使用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示，本发明的冻土未冻水含量检测方法，该方法包括以下步骤：
步骤一、检测设备连接，具体过程为：将导电片、温度传感器、湿度传感器和电阻率检测传感器置入冻土土体中，并将导电片与为其供电的外部电源连接，将温度传感器的输出端、湿度传感器的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接，将数据采集器与数据处理器连接；
步骤二、数据采集及传输：当外部电源开始为导电片供电后，温度传感器对冻土土体内的温度进行实时检测，湿度传感器对冻土土体内的湿度进行实时检测，电阻率检测传感器对冻土土体内的电阻率进行实时检测，数据采集器对温度传感器检测到的温度、湿度传感器检测到的湿度和电阻率检测传感器检测到的电阻率进行周期性采集，并将采集到的温度数据、湿度数据和电阻率数据发送给数据处理器；
步骤三、数据处理，得到冻土未冻水含量：数据处理器将温度数据、湿度数据和电阻率数据输入预先构建的冻土未冻水含量预测神经网络模型中，得到冻土未冻水含量预测神经网络模型的输出，所述冻土未冻水含量预测神经网络模型的输出为冻土未冻水含量；
所述冻土未冻水含量预测神经网络模型的构建方法为：
步骤301、训练样本获取，具体过程为：
步骤3011、采用冻土土样进行实验，将导电片、温度传感器、湿度传感器和电阻率检测传感器置入冻土土样中，并将导电片与为其供电的外部电源连接，将温度传感器的输出端、湿度传感器的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接，将数据采集器与数据处理器连接；
步骤3012、进行烘干实验，当外部电源开始为导电片供电后，温度传感器对冻土土体内的温度进行实时检测，湿度传感器对冻土土体内的湿度进行实时检测，电阻率检测传感器对冻土土体内的电阻率进行实时检测，数据采集器对温度传感器检测到的温度、湿度传感器检测到的湿度和电阻率检测传感器检测到的电阻率进行周期性采集，并将采集到的温度数据、湿度数据和电阻率数据发送给数据处理器；数据处理器记录多组温度数据、湿度数据、电阻率数据和冻土未冻水含量的实验数据；并将多组温度数据、湿度数据、电阻率数据和冻土未冻水含量的实验数据作为训练样本；
步骤302、冻土未冻水含量预测神经网络模型构建，使冻土未冻水含量预测神经网络的输入节点对应温度数据、湿度数据和电阻率数据，对应BP神经网络输入层的节点数i＝3；使冻土未冻水含量预测神经网络的输出节点对应冻土未冻水含量，对应冻土未冻水含量预测神经网络输出层的节点数k＝1；根据公式
Figure BDA0002330048850000061
计算出冻土未冻水含量预测神经网络隐含层的节点数j＝N；
步骤303、冻土未冻水含量预测神经网络模型训练，其具体过程如下：
步骤3031、参数初始化：设定输入层到隐含层的连接权值wji为(-1,1)之间的随机数，隐含层到输出层的连接权值wkj为(-1,1)之间的随机数，输出层的作用函数的斜率a为[0，1]之间的随机数，输出层的作用函数的偏置参数σ为[0，1]之间的随机数，误差修正的步长因子η为(0，1)之间的随机数，输出层的期望输出
Figure BDA00023300488500000710
为[0，1]之间的随机数；
步骤3032、信息正向传递过程的计算：首先，将训练样本INi输入到冻土未冻水含量预测神经网络模型的输入层，通过输入层到隐含层的连接权值wji得到隐含层的输入
Figure BDA0002330048850000071
接着，通过隐含层的作用函数
Figure BDA0002330048850000072
得到隐含层的输出IMj＝tan(net1(j))；然后，通过隐含层到输出层的连接权值wkj得到输出层的输入
Figure BDA0002330048850000073
最后，通过输出层的作用函数f(x)＝1/(1+e-a(x+σ))得到输出层的输出Y(k)＝f(net2(k))；
步骤3033、信息反向传递过程的计算：首先，根据公式
Figure BDA0002330048850000074
计算得到样本模型的均方误差En；接着，根据公式
Figure BDA0002330048850000075
计算得到总误差e，并判断总误差e是否小于等于0.01，当总误差e大于0.01时，首先，根据公式
Figure BDA0002330048850000076
计算输出层的训练误差dk，并根据公式
Figure BDA0002330048850000077
计算出隐含层的训练误差dj；接着，根据公式wji＝wji+ηdjINi对输入层到隐含层的连接权值wji进行误差修正，并根据公式wkj＝wkj+ηdkIMj对隐含层到输出层的连接权值wkj进行误差修正；然后，根据公式
Figure BDA0002330048850000078
对输出层的作用函数的斜率a进行误差修正，并根据公式
Figure BDA0002330048850000079
对输出层的作用函数的偏置参数σ进行误差修正；最后返回步骤3032；当总误差e小于等于预设误差阈值时，结束训练；其中，l为迭代次数且为自然数。
本实施例中，所述预设误差阈值为0.02。
本实施例中，所述l的取值为100。
本实施例中，所述数据处理器为数据处理计算机。
综上所述，本发明采用了冻土未冻水含量预测神经网络模型进行数据处理，在输入检测数据时，能够直接得出检测结果，方法步骤简单，实现方便，能够用于基于冻土电阻率、温度和湿度的冻土未冻水含量测量，能够将冻土未冻水含量检测的复杂问题简单化，且测量结果精确，实用性强，使用效果好，便于推广使用。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (4)

1.一种冻土未冻水含量检测方法，其特征在于，该方法包括以下步骤：
步骤一、检测设备连接，具体过程为：将导电片、温度传感器、湿度传感器和电阻率检测传感器置入冻土土体中，并将导电片与为其供电的外部电源连接，将温度传感器的输出端、湿度传感器的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接，将数据采集器与数据处理器连接；
步骤二、数据采集及传输：当外部电源开始为导电片供电后，温度传感器对冻土土体内的温度进行实时检测，湿度传感器对冻土土体内的湿度进行实时检测，电阻率检测传感器对冻土土体内的电阻率进行实时检测，数据采集器对温度传感器检测到的温度、湿度传感器检测到的湿度和电阻率检测传感器检测到的电阻率进行周期性采集，并将采集到的温度数据、湿度数据和电阻率数据发送给数据处理器；
步骤三、数据处理，得到冻土未冻水含量：数据处理器将温度数据、湿度数据和电阻率数据输入预先构建的冻土未冻水含量预测神经网络模型中，得到冻土未冻水含量预测神经网络模型的输出，所述冻土未冻水含量预测神经网络模型的输出为冻土未冻水含量；
所述冻土未冻水含量预测神经网络模型的构建方法为：
步骤301、训练样本获取，具体过程为：
步骤3011、采用冻土土样进行实验，将导电片、温度传感器、湿度传感器和电阻率检测传感器置入冻土土样中，并将导电片与为其供电的外部电源连接，将温度传感器的输出端、湿度传感器的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接，将数据采集器与数据处理器连接；
步骤3012、进行烘干实验，当外部电源开始为导电片供电后，温度传感器对冻土土体内的温度进行实时检测，湿度传感器对冻土土体内的湿度进行实时检测，电阻率检测传感器对冻土土体内的电阻率进行实时检测，数据采集器对温度传感器检测到的温度、湿度传感器检测到的湿度和电阻率检测传感器检测到的电阻率进行周期性采集，并将采集到的温度数据、湿度数据和电阻率数据发送给数据处理器；数据处理器记录多组温度数据、湿度数据、电阻率数据和冻土未冻水含量的实验数据；并将多组温度数据、湿度数据、电阻率数据和冻土未冻水含量的实验数据作为训练样本；
步骤302、冻土未冻水含量预测神经网络模型构建，使冻土未冻水含量预测神经网络的输入节点对应温度数据、湿度数据和电阻率数据，对应BP神经网络输入层的节点数i＝3；使冻土未冻水含量预测神经网络的输出节点对应冻土未冻水含量，对应冻土未冻水含量预测神经网络输出层的节点数k＝1；根据公式
Figure FDA0002330048840000021
计算出冻土未冻水含量预测神经网络隐含层的节点数j＝N；
步骤303、冻土未冻水含量预测神经网络模型训练，其具体过程如下：
步骤3031、参数初始化：设定输入层到隐含层的连接权值wji为(-1,1)之间的随机数，隐含层到输出层的连接权值wkj为(-1,1)之间的随机数，输出层的作用函数的斜率a为[0，1]之间的随机数，输出层的作用函数的偏置参数σ为[0，1]之间的随机数，误差修正的步长因子η为(0，1)之间的随机数，输出层的期望输出
Figure FDA0002330048840000022
为[0，1]之间的随机数；
步骤3032、信息正向传递过程的计算：首先，将训练样本INi输入到冻土未冻水含量预测神经网络模型的输入层，通过输入层到隐含层的连接权值wji得到隐含层的输入
Figure FDA0002330048840000023
接着，通过隐含层的作用函数
Figure FDA0002330048840000024
得到隐含层的输出IMj＝tan(net1(j))；然后，通过隐含层到输出层的连接权值wkj得到输出层的输入
Figure FDA0002330048840000025
最后，通过输出层的作用函数f(x)＝1/(1+e-a(x+σ))得到输出层的输出Y(k)＝f(net2(k))；
步骤3033、信息反向传递过程的计算：首先，根据公式
Figure FDA0002330048840000026
计算得到样本模型的均方误差En；接着，根据公式
Figure FDA0002330048840000031
计算得到总误差e，并判断总误差e是否小于等于0.01，当总误差e大于0.01时，首先，根据公式
Figure FDA0002330048840000032
计算输出层的训练误差dk，并根据公式
Figure FDA0002330048840000033
计算出隐含层的训练误差dj；接着，根据公式wji＝wji+ηdjINi对输入层到隐含层的连接权值wji进行误差修正，并根据公式wkj＝wkj+ηdkIMj对隐含层到输出层的连接权值wkj进行误差修正；然后，根据公式
Figure FDA0002330048840000034
对输出层的作用函数的斜率a进行误差修正，并根据公式
Figure FDA0002330048840000035
对输出层的作用函数的偏置参数σ进行误差修正；最后返回步骤3032；当总误差e小于等于预设误差阈值时，结束训练；其中，l为迭代次数且为自然数。
2.按照权利要求1所述的一种冻土未冻水含量检测方法，其特征在于：所述预设误差阈值为0.02。
3.按照权利要求1所述的一种冻土未冻水含量检测方法，其特征在于：所述l的取值为100。
4.按照权利要求1所述的一种冻土未冻水含量检测方法，其特征在于：所述数据处理器为数据处理计算机。
CN201911332531.XA 2019-12-22 2019-12-22 一种冻土未冻水含量检测方法 Pending CN113009107A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911332531.XA CN113009107A (zh) 2019-12-22 2019-12-22 一种冻土未冻水含量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911332531.XA CN113009107A (zh) 2019-12-22 2019-12-22 一种冻土未冻水含量检测方法

Publications (1)

Publication Number Publication Date
CN113009107A true CN113009107A (zh) 2021-06-22

Family

ID=76382905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911332531.XA Pending CN113009107A (zh) 2019-12-22 2019-12-22 一种冻土未冻水含量检测方法

Country Status (1)

Country Link
CN (1) CN113009107A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113433155A (zh) * 2021-06-25 2021-09-24 中国矿业大学 一种寒区路基未冻水实时监测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113433155A (zh) * 2021-06-25 2021-09-24 中国矿业大学 一种寒区路基未冻水实时监测系统及方法
CN113433155B (zh) * 2021-06-25 2024-01-30 中国矿业大学 一种寒区路基未冻水实时监测系统及方法

Similar Documents

Publication Publication Date Title
CN113343633B (zh) 动力锂电池热失控故障分类及风险预测方法、系统
CN113568055B (zh) 一种基于lstm网络的航空瞬变电磁数据反演方法
CN111259522B (zh) 一种水文模型在地理空间上多流域并行率定的方法
CN110456026B (zh) 一种土壤墒情监测方法及装置
CN109165504A (zh) 一种基于对抗生成网络的电力系统虚假数据攻击识别方法
CN109324241B (zh) 一种变电站接地网腐蚀诊断预警方法及系统
CN108804800A (zh) 基于回声状态网络的锂离子电池soc在线预测方法
CN103152820B (zh) 一种无线传感器网络声源目标迭代定位方法
CN117150386B (zh) 基于自适应的湿度传感器测量不确定度的评定方法及装置
CN115453662B (zh) 一种时间维度和空间维度结合的异常站点筛查方法
CN104933307A (zh) 基于粒子群优化算法的太阳电池隐式方程参数辨识方法
CN204730958U (zh) Ntc温度传感器热时间常数测试装置
CN113009107A (zh) 一种冻土未冻水含量检测方法
CN108170951B (zh) 基于采样数据时空匹配示踪试验的纵向离散系数确定方法
CN116699724B (zh) 一种时间域激发极化数据质量评价方法、体系及系统
CN107132500B (zh) 一种同步相量测量单元在线校准方法与装置
CN105259795A (zh) 用于动力电池模拟器的内部阻抗参数扩展方法
CN113009106A (zh) 冻土未冻水含量检测用神经网络模型的构建方法
CN112098782A (zh) 一种基于神经网络的moa绝缘状态检测方法及系统
CN103439646A (zh) 一种模拟电路测试矢量生成方法
CN115907178B (zh) 一种净生态系统co2交换量的预测方法
CN110098610B (zh) 故障扰动下电力系统振荡主导模式的实时辨识方法及系统
CN116990216A (zh) 动态直流干扰下金属界面电容时间常数的测量装置及方法
CN113009104A (zh) 基于粒子群算法优化神经网络的冻土未冻水含量捡测方法
CN113009105A (zh) 基于模拟退火优化神经网络的冻土未冻水含量捡测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210622

WD01 Invention patent application deemed withdrawn after publication