CN114279973B - 基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法 - Google Patents
基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法 Download PDFInfo
- Publication number
- CN114279973B CN114279973B CN202111610089.XA CN202111610089A CN114279973B CN 114279973 B CN114279973 B CN 114279973B CN 202111610089 A CN202111610089 A CN 202111610089A CN 114279973 B CN114279973 B CN 114279973B
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial neural
- temperature
- variable
- soil body
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 136
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 87
- 230000001052 transient effect Effects 0.000 title claims abstract description 58
- 239000000835 fiber Substances 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000012546 transfer Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 17
- 210000000476 body water Anatomy 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000013434 data augmentation Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims description 2
- 230000005012 migration Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000010438 heat treatment Methods 0.000 description 20
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，该方法通过瞬态变温光纤光栅传感器获取各测点的变温特征指标，将变温特征指标与测点的土体含水率真值作为数据集，并划分为训练数据集和测试数据集。建立人工神经网络模型，设置模型的输入层为测点和相邻测点的变温特征指标，输出层为测点的土体含水率。利用训练数据集对所建的人工神经网络模型训练，测试数据集对训练后模型测试，将满足期望误差的神经网络模型作为标定模型。将测得的变温特征指标输入标定模型，达到原位监测土体含水率的目的。本发明减小了由瞬态变温光纤光栅传感器内部纵向传热引起的误差，得到的标定模型适用性强，监测的土体含水率精度高。
Description
技术领域
本发明涉及土体含水率监测方法，尤其涉及一种基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法。
背景技术
近年来，瞬态变温光纤光栅传感器广泛应用于土体中的含水率监测，该传感器主要由高导热材料、电阻丝和光纤布拉格光栅FBG等组成，具有安装操作简便、对土体扰动小、抗电磁干扰、耐腐蚀、稳定性好等优点。
此外，瞬态变温光纤光栅传感器可根据监测密度及测点的要求串联多个FBG，以此实现土体含水率的准分布式监测。瞬态变温光纤光栅传感器进行准分布式监测之前需要完成标定工作，若标定时瞬态变温光纤光栅传感器周围土体含水率分布梯度较小，可近似认为瞬态变温光纤光栅传感器内部的变温过程基本一致，即土体内部无沿着瞬态变温光纤光栅传感器管体的传热现象。然而在实际中，相邻测点处的土体含水率常常具有较大差异，即导热系数不同，导致瞬态变温光纤光栅传感器内部的温度变化具有差异性，从而引起瞬态变温光纤光栅传感器内部纵向的热量传递，使得FBG的变温特征指标受到相邻土体性质的影响。
目前，瞬态变温光纤光栅传感器的传统标定方法的标定速度慢、精度低、适用性差，仅采用传统的经验公式法对一个测点处的变温特征指标与土体含水率值进行拟合标定，并未考虑到瞬态变温光纤光栅传感器内部纵向热量传递作用的影响，从而增大了标定模型的误差，影响了监测土体含水率的精度。
因此，如何通过标定的方法来提高瞬态变温光纤光栅传感器监测土体含水率的精度，成为了亟需解决的技术问题。
发明内容
发明目的：本发明提供一种基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，通过建立瞬态变温光纤光栅传感器内部纵向温度的传递规律，去除内部温度传递对测点的变温特征指标的影响，进而提高瞬态变温光纤光栅传感器的标定精度，达到原位高精度监测土体含水率的目的。
技术方案：本发明基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法包括以下步骤：
(1)获取标定数据，即通过瞬态变温光纤光栅传感器获取测点处的变温特征指标，通过烘干法或含水率传感器获取测点处的土体含水率真值；
(2)进行数据集组建与划分，具体为，将测点处的变温特征指标和土体含水率真值作为数据集，并将数据集划分为训练数据集和测试数据集；
(3)进行数据集归一化处理，具体为，对训练数据集的变温特征指标和土体含水率真值，以及测试数据集的变温特征指标进行归一化处理；
(4)建立人工神经网络模型并进行训练，基于人工神经网络模型，建立适用于瞬态变温光纤光栅传感器的标定模型，并对归一化训练数据集进行训练，得到已训练的人工神经网络模型；
(5)进行人工神经网络预测，具体为，将测试数据集的归一化变温特征指标输入已训练的人工神经网络模型，得到人工神经网络预测的土体含水率归一化值；
(6)进行土体含水率值返归一化及误差计算，即将人工神经网络预测的土体含水率归一化值进行返归一化处理，并计算返归一化土体含水率值与土体含水率真值之间的均方根误差RMSE；
(7)进行人工神经网络模型验证，设置期望RMSE，若测试步骤(6)中的RMSE>期望RMSE，则重复步骤(4)至(6)；若测试步骤(6)中的RMSE≦期望RMSE，则将训练后的人工神经网络模型作为测点的标定模型；
(8)确定标定模型，具体为，完成所有测点的标定，得到基于人工神经网络的瞬态变温光纤光栅传感器的土体含水率标定模型；
(9)将测得的变温特征指标输入土体含水率标定模型，进行原位监测土体含水率。
步骤(1)中的变温特征指标通过对瞬态变温光纤光栅土体含水率传感器测得的变温值经过处理得到的，该变温特征指标分为增温特征指标和降温特征指标，其中增温特征指标处理的方法包括最大增温值法、温度特征值法和累积增温值法，降温特征指标处理的方法包括对数斜率法、降温速率法。
步骤(2)中的训练数据集作为人工神经网络训练的数据集；测试数据集中，对已训练的人工神经网络模型得到的土体含水率预测值进行误差分析。
步骤(3)中的数据集归一化处理，将变温特征指标和土体含水率真值归一化为[0，1]之间的数值，进而加快所建人工神经网络模型的训练速率，并提高该人工神经网络模型的收敛性，具体表达式如下：
式中：yΔT(i)为第i组归一化后的变温特征指标，yθ(i)为第i组归一化后的土体含水率值；ΔTi为数据集中第i组变温特征指标，ΔTmax为数据集中第i组最大变温特征指标，ΔTmin为数据集中第i组最小变温特征指标；θi为数据集中第i组土体含水率，θmax为数据集中最大土体含水率，θmin为数据集中最小土体含水率。
步骤(4)中，将建立的人工神经网络模型分为输入层、隐含层和输出层，设置人工神经网络模型的输入层为测点和相邻测点的变温特征指标，输出层为测点的土体含水率；利用训练数据集对所建模型进行训练，测试数据集对训练模型进行测试，得到土体含水率预测值的均方根误差RMSE，将误差小于或者等于期望RMSE的神经网络模型作为测点的标定模型。通过该方法减小了由传感器内部的传热所引起的测量误差，得到高精度的瞬态变温光纤光栅传感器的土体含水率标定模型，增强了适用性。
其中，输入相邻测点变温特征指标的目的是：建立瞬态变温光纤光栅传感器内部纵向温度的传递规律，并去除纵向温度传递对测点的变温特征指标的影响，提高土体含水率监测精度。
步骤(4)中，通过调整隐含层的节点个数和学习速率对建立的人工神经网络模型进行优化。
步骤(4)中，人工神经网络模型训练过程分为正向和反向传播；在正向传播中，输入层经过隐含层的单元节点处理，并传向输出层，若输出层得不到期望的输出，则反向传播，将误差信号沿原来的隐含层单元节点返回。
步骤(4)中，训练人工神经网络模型时，使用传递函数建立变温特征指标与含水率真值的映射关系，其中的传递函数为线性或者非线性传递函数，表示式为：
式中，yΔT(s)为归一化变温特征指标的拉普拉斯变换，yθ(s)为含水率值归一化值的拉普拉斯变换。
采用梯度下降法进行迭代求解，使得损失函数最小化，以此优化人工神经网络模型，其中损失函数的表达式为
L(θ,θ')＝w(θ)(yθ-y'θ)2 (4)
式中：w(θ)为权重；yθ为土体含水率值归一化值；y'θ为人工神经网络模型的输出值。
步骤(6)中的土体含水率值返归一化处理，是将土体含水率值归一化值还原为原始的数量级，表达式如下：
θ0'(i)＝yθ'(i)×(θmax-θmin)+θmin (5)
式中：θ0'(i)为第i组土体含水率返归一化值；yθ'(i)为基于人工神经网络模型得到的第i组土体含水率归一化值。
步骤(6)中，返归一化土体含水率值与土体含水率真值之间的均方根误差RMSE的表达式如下：
式中：m为测试数据集的总组数，θ0(i)为第i组土体含水率真值。
步骤(7)中，重复步骤(4)至(6)时，人工神经网络模型训练时，重新调整输入层和输出层之间的节点权值及阈值。
步骤(9)中所述的变温特征指标需要与步骤(1)的变温特征指标所采用瞬态变温的获取方式和处理方法相同。
其中，通过增加训练数据集的数量提高人工神经网络模型预测土体含水率的精度。若训练数据集的数量稀少，则通过数据增广、模型正则化、迁移学习方法提高人工神经网络模型预测土体含水率的精度。其中数据增广法通过增加训练数据集的数量来实现，模型正则化防止训练数据集过少而导致过拟合，迁移学习将训练好的人工神经模型通过调整权重建立新的模型。
工作原理：人工神经网络方法具有出色的自组织、自学习和自适应能力，可以弥补瞬态变温光纤光栅传感器在标定过程中的不足。本发明采用了人工神经网络方法建立测点及相邻测点的变温特征指标和土体含水率的标定模型，通过训练测点和相邻测点的变温特征指标以及测点的土体含水率，探索传感器内部热量传递的内在联系，从而提高瞬态变温光纤光栅传感器的标定精度，对土体含水率的高精度原位监测研究具有重要意义。
本发明在采用瞬态变温光纤光栅传感器进行监测时，需要通过在待测土体中埋置的传感器以瞬态恒定功率加热和冷却，不同土体含水率的土体由于导热系数的差异性而具有不同的变温响应特征，可以通过光纤布拉格光栅(FBG)对土体进行温度监测并得到不同的变温特征指标，建立变温特征指标和土体含水率真值的标定模型，将变温特征指标输入标定模型中，从而达到原位监测土体含水率的效果，具体过程如下：
通过瞬态变温光纤光栅传感器获取测点的变温特征指标，通过烘干法或者含水率传感器获取测点的土体含水率真值。将测点的变温特征指标和土体含水率真值作为数据集，并划分为训练数据集和测试数据集。建立人工神经网络模型，并设置模型的输入层为测点和相邻测点的变温特征指标，输出层为测点的土体含水率。利用训练数据集对所建的人工神经网络模型进行训练，测试数据集对训练后的模型进行测试，得到土体含水率预测值的均方根误差(RMSE)，将误差满足期望RMSE的神经网络模型作为测点的标定模型。将测得的变温特征指标输入标定模型，达到原位监测土体含水率的效果。通过上述方法减小由传感器内部纵向传热所引起的测量误差，得到的标定模型适用性强，监测的土体含水率精度高。
有益效果：与现有的瞬态变温光纤光栅传感器标定方法相比，本发明具有以下优点：
(1)本发明具有标定速率快、精度高、操作简单的优点。
(2)本发明设置人工神经网络模型的输入层为测点和相邻测点的变温特征指标，通过输入相邻测点变温特征指标，建立瞬态变温光纤光栅传感器内部纵向温度的传递规律，并去除纵向温度传递对测点的变温特征指标的影响，减小了由瞬态变温光纤光栅传感器内部的纵向传热引起的测量误差，提高了原位监测土体含水率的精度。
(3)本发明扩大了瞬态变温光纤光栅传感器的标定范围，提高了该标定方法的适用性。
附图说明
图1是本发明基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法流程图；
图2是本发明中所采用的人工神经网络模型示意图；
图3中的(3a)是实施例中的标定试验装置图；图3中的(3b)是实施例中的变温特征指标和土体含水率真值分布云图；
图4中的(4a)是实施例中基于人工神经网络监测土体含水率的均方根误差统计图；图4中的(4b)是传统标定方法监测土体含水率的均方根误差统计图。
具体实施方式
如图1至图3所示，本实施例中标定的数据集来自于原位试验。本实施例中所选用的瞬态变温光纤光栅传感器具有5个FBG测温点，如图3中的(3a)所示，各个测温点的相距间隔为10cm，测温点分别埋置于土体5、15、25、35和45cm深度处。在测温点的对应深度处放置FDR(frequency domain reflectometry，频域反射)含水率传感器，用于监测土体的真实土体含水率。通过控制土体含水率的分布，对瞬态变温光纤光栅传感器进行瞬态变温，本实施例中的采用瞬态增温光纤光栅的方式，加热时间为12min，功率为40W/m，每次加热的功率和时间均相同，从而获取不同深度处土体含水率所对应的温度值，结果如图3中的(3b)所示。
本实施例中，对由瞬态变温光纤光栅传感器测得的温度值采用变温特征指标中的最大升温值法进行处理，并将最大升温值作为变温特征指标，公式如下：
ΔT＝Tt-T0 (1)
式中ΔT为最大升温值；Tt为瞬态变温后的温度；T0为环境温度。
本实施例中，获取了40组最大升温值和土体含水率真值，并将最大升温值和土体含水率真值作为数据集。在最大升温值和土体含水率真值数据集中随机选取20组数据集作为训练数据集，其余20组数据集作为测试数据集。
对训练数据集的最大升温值和土体含水率真值，以及测试数据集的最大升温值进行归一化处理，得到表达式：
式中：yΔT(i)为第i组归一化后的最大升温值，yθ(i)为第i组归一化后的土体含水率值；ΔTi为训练数据集中第i组的最大升温值，θi为训练数据集中第i组的土体含水率真值。
基于MATLAB神经网络工具箱建立人工神经网络模型，该人工神经网络模型分为输入层、隐含层和输出层，该人工神经网络模型的输入层为测点和相邻测点的变温特征指标，输出层为测点的土体含水率真值。
具体如表1所示，本实施例中，该模型的输入层为5cm和15cm测点的最大升温值，输出层为5cm测点的土体含水率真值，并进行人工神经网络训练，得到已训练的人工神经网络模型。
图2中，训练后的人工神经网络模型是具有输入的正向传播与误差的反向传播两部分，建立输入层与输出层之间的映射关系，该训练后的人工神经网络模型完成了测点和相邻测点的最大升温值与测点的土体含水率真值关系训练。
表1：标定测点的输入层和输出层信息表
然后将人工神经网络预测的土体含水率归一化值进行返归一化处理，其表达式：
θ0'(i)＝yθ'(i)×(0.418-0.003)+0.003 (4)
式中：θ0'(i)为第i组土体含水率返归一化值；yθ'(i)为基于人工神经网络模型得到的第i组土体含水率归一化值。
计算返归一化土体含水率值与土体含水率真值之间的均方根误差RMSE，其表达式：
设置期望的RMSE'为0.01m3·m-3，若RMSE＞RMSE'，则重新建立人工神经网络模型并进行训练，人工神经网络模型训练时会重新调整输入层和输出层之间的节点权值及阈值。经过多次建立人工神经网络模型和训练，得到了5cm测点处的RMSE＝0.009m3·m-3小于RMSE'，将上述已训练的人工神经网络模型作为5cm测点的标定模型。在满足RMSE≤RMSE'要求情况下，已训练的人工神经网络模型才能成为标定模型。
通过上述步骤分别对15cm、25cm、35cm和45cm测点建立人工神经网络及训练，得到对应测点的神经网络标定模型，从而完成瞬态变温光纤光栅传感器的标定模型。将原位瞬态增温光纤光栅传感器测得的的最大升温值输入标定模型，即得到真实土体含水率，从而达到高精度原位监测土体含水率的目的。其训练后模型各测点的土体含水率均方根误差如表2所示。
表2：不同测点期望和得到的RMSE
根据表3重新划分40组最大升温值和土体含水率真值数据集，将挑选的组1、组3和组4分别进行上述土体含水率标定方法，得到每组瞬态变温光纤光栅传感器的土体含水率标定模型，结果如图4(a)所示。
表3：训练和测试数据集组数表
训练数据集的总组数越多，即增加训练数据集的数量以减小人工神经网络预测的土体含水率的均方根误差。因此，若得到更高精度的瞬态变温光纤光栅传感器的土体含水率标定模型，需要获取尽可能多的变温特征指标和土体含水率数据集作为训练数据集。
采用传统的标定方法标定瞬态变温光纤光栅传感器，即使用标定公式：
ΔT＝a·θb (6)
式中a、b为拟合参数，对训练数据集的最大升温值ΔT和土体含水率真值θ采用式(6)拟合，得到参数a、b值，建立最大升温值与土体含水率之间的经验关系，得到传统标定模型。
将测试数据集的最大升温值输入上述的标定公式(6)，得到预测土体含水率值，并计算该预测土体含水率值其与测试数据集的土体含水率真值之间的均方根误差RMSE，结果如图(4b)所示。
对比图(4a)和(4b)，采用本发明人工神经网络监测方法的RMSE范围在0.002～0.011m3/m-3之间，测量土体含水率的精度达到±0.02m3/m-3，而传统标定监测的RMSE范围在0.017～0.048m3/m-3之间，其精度仅为±0.08m3/m-3。由此可见，本发明基于人工神经网络的方法达到了瞬态变温光纤光栅传感器高精度原位监测土体含水率的要求。
Claims (8)
1.一种基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：所述方法包括如下步骤：
(1)通过瞬态变温光纤光栅传感器获取测点的变温特征指标，通过烘干法或含水率传感器获取测点的土体含水率真值；
(2)将所述测点的变温特征指标和土体含水率真值作为数据集，并将数据集划分为训练数据集和测试数据集；
(3)对训练数据集的变温特征指标和土体含水率真值，以及测试数据集的变温特征指标进行归一化处理；所述归一化处理为，将变温特征指标和土体含水率真值归一化为[0，1]之间的数值，归一化表达式如下：
式中：yΔT(i)为第i组归一化后的变温特征指标，yθ(i)为第i组归一化后的土体含水率值；ΔTi为数据集中第i组变温特征指标，ΔTmax为数据集中第i组最大变温特征指标，ΔTmin为数据集中第i组最小变温特征指标；θi为数据集中第i组土体含水率，θmax为数据集中最大土体含水率，θmin为数据集中最小土体含水率；
(4)建立人工神经网络模型并训练，基于人工神经网络模型，建立适用于瞬态变温光纤光栅传感器的标定模型，并对归一化的训练数据集进行训练，得到已训练的人工神经网络模型；
(5)将测试数据集的归一化变温特征指标输入已训练的人工神经网络模型，得到人工神经网络预测的土体含水率归一化值；
(6)将人工神经网络预测的土体含水率归一化值进行返归一化处理，并计算返归一化的土体含水率值与土体含水率真值之间的均方根误差RMSE；所述土体含水率值返归一化处理，是将土体含水率值归一化值还原为原始的数量级，表达式如下：
θ0'(i)＝yθ'(i)×(θmax-θmin)+θmin (5)
式中：θ0'(i)为第i组土体含水率返归一化值；yθ'(i)为基于人工神经网络模型得到的第i组土体含水率归一化值；
(7)进行人工神经网络模型验证，设置期望RMSE，若测试步骤(6)中的RMSE>期望RMSE，重复步骤(4)至(6)；若测试步骤(6)中的RMSE≦期望RMSE，则将训练后的人工神经网络模型作为测点的标定模型；
(8)完成所有测点的标定，得到基于人工神经网络的瞬态变温光纤光栅传感器的土体含水率标定模型；
(9)将测得的变温特征指标输入土体含水率标定模型来原位监测土体含水率。
2.根据权利要求1所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：步骤(4)中，将建立的人工神经网络模型分为输入层、隐含层和输出层，设置所述人工神经网络模型的输入层为测点和相邻测点的变温特征指标，输出层为测点的土体含水率真值。
3.根据权利要求2所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：步骤(4)中，通过调整隐含层的单元节点个数和学习速率对人工神经网络模型进行优化。
4.根据权利要求2所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：步骤(4)中，人工神经网络模型训练分为正向和反向传播，在正向传播中，输入层经过隐含层的单元节点处理，并传向输出层，若输出层得不到期望的输出，则反向传播，将误差信号沿原隐含层的单元节点返回。
5.根据权利要求2所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：步骤(4)中，通过输入相邻的测点的变温特征指标，建立瞬态变温光纤光栅传感器内部纵向温度的传递规律，去除纵向温度传递对测点的变温特征指标的影响。
6.根据权利要求2所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：步骤(4)中，训练人工神经网络模型时，使用传递函数建立变温特征指标与含水率真值的映射关系，采用梯度下降法进行迭代求解，使得损失函数最小化进而优化人工神经网络模型。
7.根据权利要求1所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：步骤(7)中，重复步骤(4)至(6)时，人工神经网络模型训练时，重新调整输入层和输出层之间的节点权值及阈值。
8.根据权利要求1所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：通过数据增广、模型正则化、迁移学习方法来提高人工神经网络模型预测土体含水率的精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610089.XA CN114279973B (zh) | 2021-12-27 | 2021-12-27 | 基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610089.XA CN114279973B (zh) | 2021-12-27 | 2021-12-27 | 基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114279973A CN114279973A (zh) | 2022-04-05 |
| CN114279973B true CN114279973B (zh) | 2024-03-19 |
Family
ID=80875895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111610089.XA Active CN114279973B (zh) | 2021-12-27 | 2021-12-27 | 基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114279973B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5316950A (en) * | 1993-01-21 | 1994-05-31 | The United States Of America As Represented By The Secretary Of The Navy | Method for quantitative calibration of in situ optical chemical measurements in soils using soil class and characteristics |
| JP2000121578A (ja) * | 1998-10-20 | 2000-04-28 | Syst Sogo Kaihatsu Kk | 水分計キャリブレーション装置及び方法 |
| CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
| CN104034861A (zh) * | 2014-06-04 | 2014-09-10 | 中国科学院合肥物质科学研究院 | 土壤容重实时测量方法及其测量装置 |
| CN108279211A (zh) * | 2018-03-25 | 2018-07-13 | 南京大学 | 一种测量土体含水率的准分布式系统、传感装置和方法 |
| CN109186811A (zh) * | 2018-09-18 | 2019-01-11 | 天津科技大学 | 一种基于bp神经网络的fbg温度标定方法 |
| CN110658123A (zh) * | 2019-09-23 | 2020-01-07 | 南京大学 | 一种基于光纤主动变温的非饱和土渗透系数的原位测试方法 |
| CN112772384A (zh) * | 2021-01-28 | 2021-05-11 | 深圳市协润科技有限公司 | 一种基于卷积神经网络的农水灌溉系统和方法 |
| CN112882100A (zh) * | 2021-02-25 | 2021-06-01 | 中海石油深海开发有限公司 | 一种储层参数确定方法、装置、电子设备和存储介质 |
| CN113406007A (zh) * | 2021-06-16 | 2021-09-17 | 南京大学 | 一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统及原位标定方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9228940B2 (en) * | 2012-09-14 | 2016-01-05 | Halliburton Energy Services, Inc. | Systems, methods, and apparatuses for in situ monitoring of cement fluid compositions and setting processes thereof |
-
2021
- 2021-12-27 CN CN202111610089.XA patent/CN114279973B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5316950A (en) * | 1993-01-21 | 1994-05-31 | The United States Of America As Represented By The Secretary Of The Navy | Method for quantitative calibration of in situ optical chemical measurements in soils using soil class and characteristics |
| JP2000121578A (ja) * | 1998-10-20 | 2000-04-28 | Syst Sogo Kaihatsu Kk | 水分計キャリブレーション装置及び方法 |
| CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
| CN104034861A (zh) * | 2014-06-04 | 2014-09-10 | 中国科学院合肥物质科学研究院 | 土壤容重实时测量方法及其测量装置 |
| CN108279211A (zh) * | 2018-03-25 | 2018-07-13 | 南京大学 | 一种测量土体含水率的准分布式系统、传感装置和方法 |
| CN109186811A (zh) * | 2018-09-18 | 2019-01-11 | 天津科技大学 | 一种基于bp神经网络的fbg温度标定方法 |
| CN110658123A (zh) * | 2019-09-23 | 2020-01-07 | 南京大学 | 一种基于光纤主动变温的非饱和土渗透系数的原位测试方法 |
| CN112772384A (zh) * | 2021-01-28 | 2021-05-11 | 深圳市协润科技有限公司 | 一种基于卷积神经网络的农水灌溉系统和方法 |
| CN112882100A (zh) * | 2021-02-25 | 2021-06-01 | 中海石油深海开发有限公司 | 一种储层参数确定方法、装置、电子设备和存储介质 |
| CN113406007A (zh) * | 2021-06-16 | 2021-09-17 | 南京大学 | 一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统及原位标定方法 |
Non-Patent Citations (9)
| Title |
|---|
| A dynamic all parameters adaptive BP neural networks model and its application on oil reser voir prediction;YU S W, 等;Applied Mathematics and Computation;第195卷(第1期);66-75 * |
| A soil moisture estimation method using actively heated fiber Bragg grating sensors;Cao, Dingfeng, 等;ENGINEERING GEOLOGY(第8期);142-149 * |
| 一种准分布式内加热刚玉管FBG渗流速率监测方法;段超喆，等;防灾减灾工程学报;第38卷(第03期);504-510 * |
| 不同环境温度下土体含水率主动加热光纤法监测试验研究;郭君仪，等;岩土力学;第41卷(第12期);4137-4144 * |
| 基于BP人工神经网络的土壤含水量预测模型的研究;郭庆春;王素娟;何振芳;;山东农业科学(第12期);17-21 * |
| 基于BP神经网络的土壤水热动态预测模型研究;王宏宇，等;节水灌溉(第07期);11-15+27 * |
| 基于FBG的黄土水分测量技术与应用研究;段新春;中国优秀硕博士学位论文全文数据库（硕士）基础科学辑(第04期);A011-592 * |
| 基于加热光纤分布式温度传感器的土壤含水率测定方法;胡优，等;农业工程学报;第35卷(第10期);42-49 * |
| 青藏高原工程走廊带典型土导热系数实验研究;黄齐;中国优秀硕士学位论文电子期刊工程科技Ⅱ辑(第01期);1-70 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114279973A (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
| CN109186811B (zh) | 一种基于bp神经网络的fbg温度标定方法 | |
| CN113406007B (zh) | 一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统及原位标定方法 | |
| Schröder et al. | Wind turbine site-specific load estimation using artificial neural networks calibrated by means of high-fidelity load simulations | |
| CN103994334B (zh) | 基于kpca-rbf曲线拟合的输油管道泄漏流量估计装置及方法 | |
| CN111046327B (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
| CN103808426B (zh) | 电缆线芯温度的间接测量方法 | |
| CN102562047A (zh) | 阵列感应仪器居中情况下的井眼环境校正系统及校正方法 | |
| CN111753250B (zh) | 一种一维非稳态导热反问题方法 | |
| CN114048790A (zh) | 一种基于耦合双向lstm和卷积结构网络的道路基层应变分析方法 | |
| CN104122031A (zh) | 一种基于极限学习机的硅压力传感器温度补偿方法 | |
| CN108491931A (zh) | 一种基于机器学习提高无损检测精度的方法 | |
| CN114279973B (zh) | 基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法 | |
| CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
| CN113887142A (zh) | 一种基于渠道横切面的平均流速计算方法 | |
| CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
| CN106934096B (zh) | 一种基于架空导线表面温度求解钢芯温度的方法 | |
| CN107688862A (zh) | 基于ba‑grnn的绝缘子等值盐密积累速率预测方法 | |
| CN106779052A (zh) | 一种基于bp神经网络的配电电缆绝缘层实时温度计算方法 | |
| Wang et al. | A piecewise analysis model for electrical conductivity calculation from time domain reflectometry waveforms | |
| CN113945729A (zh) | 一种基于渠道垂直切面的平均流速计算方法 | |
| CN115468979A (zh) | 一种土壤温度时间序列的处理方法 | |
| CN115034383A (zh) | 网络的训练方法和温度预测方法、装置、设备及存储介质 | |
| CN107766972B (zh) | 一种能源流量延迟时间的获取方法和装置 | |
| CN114297940B (zh) | 确定非稳态储层参数的方法及装置 |
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 |