CN113326659B - 一种红黏土压实度快速检测方法 - Google Patents
一种红黏土压实度快速检测方法 Download PDFInfo
- Publication number
- CN113326659B CN113326659B CN202110668694.6A CN202110668694A CN113326659B CN 113326659 B CN113326659 B CN 113326659B CN 202110668694 A CN202110668694 A CN 202110668694A CN 113326659 B CN113326659 B CN 113326659B
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- load
- displacement
- output
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/30—Investigating strength properties of solid materials by application of mechanical stress by applying a single impulsive force, e.g. by falling weight
- G01N3/303—Investigating strength properties of solid materials by application of mechanical stress by applying a single impulsive force, e.g. by falling weight generated only by free-falling weight
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0001—Type of application of the stress
- G01N2203/001—Impulsive
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/003—Generation of the force
- G01N2203/0032—Generation of the force using mechanical means
- G01N2203/0039—Hammer or pendulum
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明提供一种红黏土压实度快速检测方法,属于道路工程技术领域。所述的检测方法包括以下步骤:S1:利用PFWD设备获取荷载及位移时程数据;S2:建立卷积神经网络,卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层。本发明利用PFWD(便携式落锤弯沉仪)设备,并结合大数据和卷积神经网络算法,充分挖掘PFWD所得落锤的动荷载及位移时程所包含的土体压实度信息,建立了利用PFWD设备快速、无损获取红黏土压实度的方法,有利于现行规范的完善和指导工程施工。
Description
技术领域
本发明属于道路工程技术领域,具体涉及一种红黏土压实度快速检测方法。
背景技术
红黏土在我国分布广泛,在土木工程施工过程中,如地基、路基、边坡等不可避免的会遇到大量的红黏土压实问题,确保土体被充分压实是提高土工构筑物长期安全服役的基础和必要工程措施。
为获取填土的压实度,JTG F80/1-2017《公路工程质量检验评定标准》中提到的对粗粒土和路面结构的压实度检测方法为灌砂法、水袋法,细粒土为环刀法或灌砂法。上述几类传统的检测方法虽然能得到精准的压实度信息,但对被测路段具有破坏性且实验过程费时费力,已无法满足新时代的工程需求。
近年来,土木工程领域也有一些学者尝试探索土体压实度测量的新方法,已报道的包括核子密度仪法、瞬态瑞利波法、PFWD(便携式落锤弯沉仪)法等。其中,核子密度仪法价格昂贵,且具有一定的放射性;瞬态瑞利波法虽然具有简便、快速的优势,但检测精度较差。
PFWD法是利用PFWD设备将重锤提升至一定高度后自由下落,获取冲击过程中一系列与土体的动应力响应有关的数据,通过建立起的弯沉或动态模量与压实度的关系,可推算土体的压实度信息。PFWD法对所测土体不具有破坏性,且设备轻便、操作简单,可以较为迅速、准确的获取所测土体的荷载、弯沉等土体真实的物理力学状态和特征信息,但现今研究的方法多是对动弹性模量和压实度之间进行经验拟合,所得压实度数值多为经验值,缺少必要的理论依据。
发明内容
本发明通过提供一种红黏土压实度快速检测方法,以解决上述技术问题。
为实现上述目的,本发明的技术解决方案是:
一种红黏土压实度快速检测方法,包括以下步骤:
S1:利用PFWD设备获取荷载及位移时程数据;
S2:建立卷积神经网络,卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层,具体操作方法为:
S21:输入:在输入层输入荷载及位移时程数据;
S22:数据卷积操作:将荷载及位移数据作为输入特征面,设定卷积核大小、数量、步长和填充参数,赋予一个卷积核权值,在同一输入特征面和输出特征面中卷积核权值共享;赋予一个偏置值,在同一输入特征面和输出特征面中偏置值共享,经过卷积操作,得到卷积层输出特征面;
S23:数据池化操作:将卷积层的输出特征面作为池化层的输入特征面;设定池化核大小和池化方法;通过池化操作可得到和卷积层输出特征面同样数量的输出特征面且一一对应;
S24:数据全连接操作:将池化层的输出特征面作为全连接层的输入特征面,输入特征面用fg in(全连接层输入特征面中第g个神经元,g=1,…,n)表示,全连接层的输出神经元用fj out(全连接层中第j个神经元,j=1,…,l)表示;权值和偏置值分别用Wj g、bj表示;最终得到j个神经元,具体全连接操作如下:
S25:数据输出:将全连接层输出值作为输出层的输入值,通过输出层操作后可得到1个神经元,代表压实度;具体输出操作如下:
其中:O表示压实度;Wj g表示权值;bj表示偏置值。
优选地,所述卷积神经网络设有1层输入层;1层卷积层,采用10个大小为5×1、步长为2无填充的卷积核;1层池化层,采用大小为1×2的池化核并采用最大池化方法;2层全连接层,第1层全连接层采用108个神经元,第2层全连接层采用56个神经元;1层输出层,输出1个神经元,代表压实度值。
优选地,所述步骤S1中利用PFWD设备获取荷载及位移时程数据的具体方法为:
S11:通过标准击实试验得到土体最大干密度;
S12:PFWD设备安装完毕后,将落锤提升指定高度后放下,让其自由下落;
S13:落锤与承载板发生撞击时,PFWD设备中的数据采集系统将会捕捉承载板和土体的相关响应信息,即荷载时程散点图和土体弯沉时程散点图,并通过数据传输系统将其传输至数据处理系统,得到荷载及位移时程数据;
S14:在PFWD法检测点附近采用环刀法检测土体干密度,经计算得到土体压实度。
优选地,所述步骤S2中在输入层输入荷载及位移时程数据之前还需要对数据进行标准化处理,具体方法为将一变量的测定值减去该变量的平均数,然后除以该变量的标准差,最终得到荷载及位移大小在[0,1]的标准化数据;对m个荷载样本集X={X_1,X_2,…X_m},m个位移样本集Y={Y_1,Y_2,…Y_m},标准差标准化方法如下:
σx为荷载数据的标准差,σy为位移数据的标准差;
Xi为样本集中第i个荷载数据,Yi为样本集中第i个位移数据;
X′i为样本集中第i个荷载标准化数据,Y′i为样本集中第i个位移标准化数据。
优选地,所述步骤S21中按照数据采集时间序列输入荷载及位移标准化数据。
优选地,所述步骤S21中输入荷载及位移标准化数据后,对数据进行初始化处理。
优选地,所述步骤S22中通过卷积层得到的结果通常是线性的,无法满足模型表达能力的需求,在此引入非线性函数将原有的线性结果转换为非线性;
其中:x为每一结构层的线性结果,fcov(x)为x在非线性函数上的映射。
优选地,所述步骤S2中计算出压实度后还包括以下步骤:
S26:误差计算:计算出卷积神经网络输出结果与环刀法所测压实度结果之间的误差;
S27:数据训练:通过调整初始权值和偏置值,将误差向前传递,通过不断迭代,将输出数据训练到接近实测值为止,当精度M稳定并且满足小于0.05的要求,训练结束,反之,返回步骤S21;经过数据训练后,最终得到土基压实度预测模型。
本发明的有益效果是:
1.本发明利用PFWD(便携式落锤弯沉仪)设备,并结合大数据和卷积神经网络算法,充分挖掘PFWD所得落锤的动荷载及位移时程所包含的土体压实度信息,建立了利用PFWD设备快速、无损获取红黏土压实度的方法,有利于现行规范的完善和指导工程施工。
2.本发明采用卷积神经网络,将经过标准化处理的全部数据作为输入参数,随机赋予权值和偏置值,经过卷积层初步提取特征,池化层二次提取特征,全连接层整合具有类别区分性的局部信息,输出一个神经元作为压实度。将输出结果与环刀法所测压实度比较并计算出误差,通过将误差向前传递,不断调整权值和偏置值,使得输出神经元接近实测压实度值。
附图说明
图1是卷积神经网络方法流程示意图。
图2是由PFWD设备测得荷载及位移时程散点图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参见图1,一种红黏土压实度快速检测方法,包括以下步骤:
S1:利用PFWD设备获取荷载及位移时程数据,具体方法为:
S11:通过标准击实试验得到土体最大干密度;
S12:PFWD设备安装完毕后,将落锤提升指定高度后放下,让其自由下落;
S13:落锤与承载板发生撞击时,PFWD设备中的数据采集系统将会捕捉承载板和土体的相关响应信息,即荷载时程散点图和土体弯沉时程散点图,并通过数据传输系统将其传输至数据处理系统,得到荷载及位移时程数据;
S14:在PFWD法检测点附近采用环刀法检测土体干密度,经计算得到土体压实度。
S2:建立卷积神经网络,卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层,所述卷积神经网络设有1层输入层;1层卷积层,采用10个大小为5×1、步长为2无填充的卷积核;1层池化层,采用大小为1×2的池化核并采用最大池化方法;2层全连接层,第1层全连接层采用108个神经元,第2层全连接层采用56个神经元;1层输出层,输出1个神经元,代表压实度值;具体操作方法为:
S21:输入:在输入层输入荷载及位移时程数据之前还需要对数据进行标准化处理,具体方法为将一变量的测定值减去该变量的平均数,然后除以该变量的标准差,最终得到荷载及位移大小在[0,1]的标准化数据;对m个荷载样本集X={X_1,X_2,…X_m},m个位移样本集Y={Y_1,Y_2,…Y_m},标准差标准化方法如下:
σx为荷载数据的标准差,σy为位移数据的标准差;
Xi为样本集中第i个荷载数据,Yi为样本集中第i个位移数据。
X′i为样本集中第i个荷载标准化数据,Y′i为样本集中第i个位移标准化数据。
在输入层按照数据采集时间序列输入荷载及位移标准化数据;80%作为一维卷积神经网络的训练数据,20%作为测试数据。(在利用PFWD设备获取荷载及位移时程数据时,压实的过程中有6次振动碾压,每振动碾压一遍,它的压实度就有变化,所以在每一次振动碾压后再做5次试验,就有5组数据,振动碾压6遍后,总共30组。从每5组中抽出4组,即80%作为训练数据,20%作为测试数据,常见的做法是将2/3~4/5的样本数据用于训练,但是考虑到每组5个数据,就取80%。)
对荷载及位移标准化数据进行初始化处理;(在卷积层中存在权值和偏置值,这个需要进行初始化,之后在初始化的基础上随机赋值,用数据训练的过程就是通过纠正偏差来改变所赋予的值,最终使得预测值接近真实值。)
S22:数据卷积操作:卷积层起到初步提取特征的作用,将荷载及位移数据作为输入特征面,设定卷积核大小、数量、步长和填充参数,随机赋予一个卷积核权值,在同一输入特征面和输出特征面中卷积核权值共享;随机赋予一个偏置值,在同一输入特征面和输出特征面中偏置值共享,经过卷积操作,得到卷积层输出特征面;
在卷积神经网络中每层之间仅发生线性变换,即使进行多次叠加也无法满足模型表达能力的需求,由此,必须引入非线性函数将线性结果转换为非线性;
其中:x为每一结构层的线性结果,fcov(x)为x在非线性函数上的映射。
S23:数据池化操作:池化层旨在通过降低特征面中神经元的个数来获得具有空间不变性的特征,同时起到二次提取特征的作用,将卷积层的输出特征面作为池化层的输入特征面;设定池化核大小和池化方法;通过池化操作可得到和卷积层输出特征面同样数量的输出特征面且一一对应;
S24:数据全连接操作:全连接层可以整合卷积层或者池化层中类别区分性的局部信息,将池化层的输出特征面作为全连接层的输入特征面,输入特征面用fg in(全连接层输入特征面中第g个神经元,g=1,…,n)表示,全连接层的输出神经元用fj out(全连接层中第j个神经元,j=1,…,l)表示;权值和偏置值分别用Wj g、bj表示;最终得到j个神经元,具体全连接操作如下:
S25:数据输出:将全连接层输出值作为输出层的输入值,通过输出层操作后可得到1个神经元,代表压实度;具体输出操作如下:
S26:误差计算:计算出卷积神经网络输出结果与环刀法所测压实度结果之间的误差;
S27:数据训练:通过调整初始权值和偏置值,将误差向前传递,通过不断迭代,将输出数据训练到接近实测值为止,当精度M稳定并且满足小于0.05的要求,训练结束,反之,返回步骤S21;经过数据训练后,最终得到土基压实度预测模型。
实施例1
以高速公路试验路段路基填筑为具体实施例进行现场试验。填料为红黏土,最优含水率为18%,最大干密度为1.78g/cm3,液限为36.8%,塑限为20.9%,塑性指数为15.9。
卷积神经网络(CNN)采用五层网络结构作为预测模型的基本结构。具体CNN结构为1层输入层,包括荷载及位移时程数据;1层卷积层,采用10个大小为5×1、步长为2、无填充的卷积核;1层池化层,采用大小为1×2的池化核并采用最大池化方法;2层全连接层,第1层全连接层采用108个神经元,第2层全连接层采用56个神经元;1层输出层,输出1个神经元,代表压实度值。
试验路段长度为120m,宽度为38.1m;采用水平分层填筑,分层碾压,松铺厚度为25cm;初压:静压1遍,复压:振压6遍,终压:静压1遍。每振动碾压1遍,在距道路中心线和沿道路中心线随机取5个位置作为检测点。采用PFWD设备测得荷载及位移时程数据,同时在检测点附近采用环刀法和酒精燃烧法测定土体真实压实度,最终得到30组数据,如图2为其中1组数据。
每次振动碾压之后均可抽检得到5组数据,从中选取4组,总共24组用于数据训练,最终得到土基压实度预测模型;将剩余的6组数据作为输入,运行得到的土基压实度预测模型,得到卷积神经网络模型预测值,并与经过环刀法和酒精燃烧法测定的压实度实测值对比,得到压实度预测相对误差,用于测试模型精度。从表1可以看出,经过卷积神经网络预测最大相对误差1.56%,最小相对误差0.87%。这表明,建立的卷积神经网络对压实度的预测精度较高,可在实际应用中进行压实度预测。
表1卷积神经网络预测结果
本发明具有以下有益效果:
1.本发明提出的方法较传统的灌砂法、灌水法和环刀法而言,速度更快、操作更简便,不会对原填土结构造成破坏;
2.目前采用的核子密度仪法、瑞利波法、压实度计法和本发明中提出的方法有本质的区别;相较而言,本发明方法设备更简便、造价更低、更环保和安全;
3.PFWD设备已经在土体的动回弹模量和弯沉测试中得到应用和普遍认可,可以借助于PFWD的此优势,方便得到压实度信息,而不必对PFWD原有硬件设备做任何调整。
4.对比于BP神经网络模型,卷积神经网络模型不需要人为提取特征值,PFWD测得数据整体作为输入参数,通过计算机自动提取特征参数,能够充分挖掘动态信息,在现场检测结束后马上即可得到压实度预测值,在保证检测速度的同时提高检测精度。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种红黏土压实度快速检测方法,其特征在于,包括以下步骤:
S1:利用PFWD设备获取荷载及位移时程数据;
S2:建立卷积神经网络,卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层,具体操作方法为:
S21:输入:在输入层输入荷载及位移时程数据;
S22:数据卷积操作:将荷载及位移数据作为输入特征面,设定卷积核大小、数量、步长和填充参数,赋予一个卷积核权值,在同一输入特征面和输出特征面中卷积核权值共享;赋予一个偏置值,在同一输入特征面和输出特征面中偏置值共享,经过卷积操作,得到卷积层输出特征面;
S23:数据池化操作:将卷积层的输出特征面作为池化层的输入特征面;设定池化核大小和池化方法;通过池化操作可得到和卷积层输出特征面同样数量的输出特征面且一一对应;
S24:数据全连接操作:将池化层的输出特征面作为全连接层的输入特征面,输入特征面用表示,全连接层的输出神经元用fj out表示;权值和偏置值分别用Wj g、bj表示;最终得到j个神经元,具体全连接操作如下:
S25:数据输出:将全连接层输出值作为输出层的输入值,通过输出层操作后可得到1个神经元,代表压实度;具体输出操作如下:
其中:O表示压实度;Wj g表示权值;bj表示偏置值。
2.根据权利要求1所述的红黏土压实度快速检测方法,其特征在于,所述卷积神经网络设有1层输入层;1层卷积层,采用10个大小为5×1、步长为2无填充的卷积核;1层池化层,采用大小为1×2的池化核并采用最大池化方法;2层全连接层,第1层全连接层采用108个神经元,第2层全连接层采用56个神经元;1层输出层,输出1个神经元,代表压实度值。
3.根据权利要求2所述的红黏土压实度快速检测方法,其特征在于,所述步骤S1中利用PFWD设备获取荷载及位移时程数据的具体方法为:
S11:通过标准击实试验得到土体最大干密度;
S12:PFWD设备安装完毕后,将落锤提升指定高度后放下,让其自由下落;
S13:落锤与承载板发生撞击时,PFWD设备中的数据采集系统将会捕捉承载板和土体的相关响应信息,即荷载时程散点图和土体弯沉时程散点图,并通过数据传输系统将其传输至数据处理系统,得到荷载及位移时程数据;
S14:在PFWD法检测点附近采用环刀法检测土体干密度,经计算得到土体压实度。
4.根据权利要求3所述的红黏土压实度快速检测方法,其特征在于,所述步骤S21中在输入层输入荷载及位移时程数据之前还需要对数据进行标准化处理,具体方法为将一变量的测定值减去该变量的平均数,然后除以该变量的标准差,最终得到荷载及位移大小在[0,1]的标准化数据;对m个荷载样本集X={X_1,X_2,…X_m},m个位移样本集Y={Y_1,Y_2,…Y_m},标准差标准化方法如下:
σx为荷载数据的标准差,σy为位移数据的标准差;
Xi为样本集中第i个荷载数据,Yi为样本集中第i个位移数据;
X′i为样本集中第i个荷载标准化数据,Yi′为样本集中第i个位移标准化数据。
5.根据权利要求4所述的红黏土压实度快速检测方法,其特征在于,所述步骤S21中按照数据采集时间序列输入荷载及位移标准化数据。
6.根据权利要求5所述的红黏土压实度快速检测方法,其特征在于,所述步骤S21中输入荷载及位移标准化数据后,对数据进行初始化处理。
8.根据权利要求3-7任一项所述的红黏土压实度快速检测方法,其特征在于,所述步骤S2中计算出压实度后还包括以下步骤:
S26:误差计算:计算出卷积神经网络输出结果与环刀法所测压实度结果之间的误差;
S27:数据训练:通过调整初始权值和偏置值,将误差向前传递,通过不断迭代,将输出数据训练到接近实测值为止,当精度M稳定并且满足小于0.05的要求,训练结束,反之,返回步骤S21;经过数据训练后,最终得到土基压实度预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668694.6A CN113326659B (zh) | 2021-06-16 | 2021-06-16 | 一种红黏土压实度快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668694.6A CN113326659B (zh) | 2021-06-16 | 2021-06-16 | 一种红黏土压实度快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113326659A CN113326659A (zh) | 2021-08-31 |
CN113326659B true CN113326659B (zh) | 2022-08-12 |
Family
ID=77423243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110668694.6A Active CN113326659B (zh) | 2021-06-16 | 2021-06-16 | 一种红黏土压实度快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113326659B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114285545B (zh) * | 2021-12-24 | 2024-05-17 | 成都三零嘉微电子有限公司 | 一种基于卷积神经网络的侧信道攻击方法及系统 |
CN114898343B (zh) * | 2022-04-20 | 2024-09-17 | 苏州科技大学 | 基于图像识别处理的土体压实度检测方法、系统及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014001602A (ja) * | 2012-06-21 | 2014-01-09 | Jfe Steel Corp | サンドコンパクションパイルおよびその造成方法 |
CN108560344B (zh) * | 2018-04-28 | 2020-04-17 | 长沙理工大学 | 一种基于pfwd模量的老路基处治深度确定方法 |
CN109612708B (zh) * | 2018-12-28 | 2021-03-16 | 东北大学 | 基于改进卷积神经网络的电力变压器在线检测系统及方法 |
CN109783988B (zh) * | 2019-03-01 | 2023-01-10 | 中国水利水电第七工程局有限公司 | 一种基于ga-bp网络的碾压混凝土压实度评价方法 |
CN110502845B (zh) * | 2019-08-27 | 2022-12-13 | 长沙理工大学 | 基于遗传算法和黏弹性理论的pfwd路基模量确定方法 |
-
2021
- 2021-06-16 CN CN202110668694.6A patent/CN113326659B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113326659A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326659B (zh) | 一种红黏土压实度快速检测方法 | |
CN102930348B (zh) | 一种区段输电线路杆塔基础边坡暴雨灾害风险的评估方法 | |
CN103882894B (zh) | 预应力混凝土管桩水平承载特性试验模型及试验方法 | |
CN107463991A (zh) | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 | |
Thom | Design of road foundations | |
CN104281920A (zh) | 尾矿库分层指标安全评估和预警方法与系统 | |
CN107315862A (zh) | 一种建立明挖基坑工程勘察与模拟参数关系的方法 | |
CN109871633B (zh) | 一种碾压混凝土压实质量实时可视化馈控方法 | |
Zhao et al. | Prediction of air voids of asphalt layers by intelligent algorithm | |
CN113847948A (zh) | 强夯自动化监测与分析方法及数字化集成系统 | |
CN111365051A (zh) | 基于反馈算法传递函数的炭质岩隧道锚杆应力估算方法 | |
Xia et al. | Slope stability analysis based on group decision theory and fuzzy comprehensive evaluation | |
CN104200085B (zh) | 一种强烈地震带滑坡防治工程健康评估方法 | |
CN103163064A (zh) | 一种变电站接地网腐蚀速率的模糊预测方法 | |
Al-saffar et al. | Prediction of soil's compaction parameter using artificial neural network | |
Xu et al. | Lifecycle health monitoring and assessment system of soft soil subgrade for expressways in China | |
CN103898930A (zh) | 预应力混凝土管桩水平承载特性试验模型及建模方法 | |
CN106368201A (zh) | 一种快速检测低填浅挖路基天然地基承载力的方法 | |
CN109797729A (zh) | 一种路基砖渣换填层压实度指标的检测方法 | |
CN113449362A (zh) | 基于5g移动网络的道路勘察设计方法及系统 | |
CN116257805B (zh) | 一种通行度预测模型构建方法及通行度预测方法 | |
CN112681275A (zh) | 一种获取压实作用下路基土压实度的方法 | |
CN109918843B (zh) | 一种基于离散元方法获取无粘性路基土振动压实值的方法 | |
CN116956723A (zh) | 基于足尺沥青路面全寿命周期试验及反馈神经网络的车辙深度预测方法 | |
Stocking et al. | Ecological and environmental indicators for the rapid appraisal of natural resources |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |