CN114330723B - 一种土体区域性冻胀量推演方法 - Google Patents
一种土体区域性冻胀量推演方法 Download PDFInfo
- Publication number
- CN114330723B CN114330723B CN202111428742.0A CN202111428742A CN114330723B CN 114330723 B CN114330723 B CN 114330723B CN 202111428742 A CN202111428742 A CN 202111428742A CN 114330723 B CN114330723 B CN 114330723B
- Authority
- CN
- China
- Prior art keywords
- frost heaving
- area
- soil
- small
- neural network
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种土体区域性冻胀量推演方法,由于土体冻胀过程的复杂性、人类认知程度的局限性,导致土体冻胀的分析方法尚不完善。现有的土体冻胀分析计算多以大范围埋设水位计、地温计、冻胀计、人工水准测量等方式为主,耗费大量人力、物力和财力,且受环境、人为因素干扰较大。本发明提出了一种根据地质钻孔信息推演冻胀量的方法,包括以下步骤:S1、划分冻胀研究区域;S2、获取局部冻胀数据;S3、建立小区域冻胀量计算模型;S4、建立大区域冻胀计算系统;该方法可根据局部钻孔土样的室内试验结果及点状监测数据,结合逻辑算法,自动计算出冻胀量,大幅节省预测成本,提高预测效率,满足大体量区域冻胀量计算评估的需求。
Description
技术领域
本发明涉及土壤勘探技术领域,具体为一种土体区域性冻胀量推演方法。
背景技术
土体冻结过程中水分迁移和冰析作用是其产生冻胀的直接因素,土体中水分迁移量则主要取决于土质、水分、温度等3个方面。由于土体冻胀过程的复杂性、人类认知程度的局限性,导致土体冻胀的分析方法尚不完善。现有的土体冻胀分析计算多以大范围埋设水位计、地温计、冻胀计、人工水准测量等方式为主,结合数理统计方法,对研究区域内的土体冻胀情况进行监测、评价。使用上述方法计算区域冻胀量,需要在研究区域内埋设大量监测设备,耗费人力、物力和财力,且受环境、人为因素干扰较大。
经检索,发现以下公开专利:
CN101419221公开了一种深季节性冻土路基冻胀特性的计算方法。该发明要克服现有技术存在的对冻结过程微观机理的研究不够深入、不具有指导意义的不足。其解决方案是:一种深季节性冻土路基冻胀特性的计算方法,包括以下各因素的计算,(1)土的粒度的影响,(2)土体密度的影响,(3)温度的影响,(4)水分的影响。
经分析,本申请在数据采样方法、考虑因素及区域冻胀计算模型上与上述专利存在较大差异,因此上述专利不影响本申请的新颖性。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种土体区域性冻胀量推演方法,该方法可根据钻孔土样的室内试验结果及点状监测数据,结合逻辑算法,自动推演出冻胀量,节省大量埋设监测数据的成本,提高预测效率,满足大体量冻胀计算评估的需求。
一种土体区域性冻胀量推演方法,包括以下步骤:
S1、划分冻胀研究区域,将待研究的冻胀区域划分为若干块尺寸3km×3km、总面积9km2的小区域;
S2、获取局部冻胀数据,在一个小区域的中心位置钻探至当地冻胀深度以下,从地表开始,每隔0.2m取一组土样,并每隔0.2m埋设一组冻胀计和地温计,直至达到冻胀土体最深处为止;通过室内试验及监测,得到该钻孔位置不同埋深点处的土体的含水率、细颗粒含量、温度及冻胀量信息;
S3、建立小区域冻胀量计算模型,以小区域冻胀数据为训练样本,建立用于冻胀量计算的神经网络;神经网络结构设置为3-7-1,输入层为3个节点,分别代表含水率、细颗粒含量、地温三个影响因素,输出层一个节点,代表土体冻胀量,隐含层7个节点,最小误差平方和设置为0.0001;学习算法使用动量梯度下降反向传播算法;训练完成后,记录下此时该神经网络系统中所有节点的全部权重值;
S4、建立大区域冻胀计算系统,在得到所有小区域的冻胀神经网络权重值后,推演出整个研究区域内任意一点的冻胀变形量。
而且,步骤S4还包括以下子步骤:
S4.1、获取研究区域内任意点的含水率、细颗粒含量、温度指标值;
S4.2、将步骤S4.1中的任意点与所有小区域中心点相连,形成若干条直线,并记录这些直线的距离Li;
S4.3、根据下述公式,确定一个权重系数,式中,fi代表第i个小区域的权重系数;
S4.4、将得到的所有权重系数与对应的第i个小区域的神经网络权重值相乘,再相加,即按照下式进行计算,可得到一个全新的区域冻胀计算模型;
式中,wnew为新权重,fi为权重系数,wi为原小区域神经网络节点间的权重值。
本发明的优点和技术效果是:
本发明的一种土体区域性冻胀量推演方法,针对土壤冻胀问题,根据地质钻孔土样信息计算区域性冻胀量,可根据客观钻孔信息,结合逻辑算法,自动推演出冻胀量,节省大量埋设监测设备的成本和时间,提高预测效率,满足大规模冻胀量计算评估的需求。
附图说明
图1为本发明中步骤S3中的小区域神经网络训练示意图;
图2为本发明中步骤S4.2中任意点与小区域中心连接平面示意图;
图3为本发明中步骤S4.4中大区域冻胀预测系统示意图;
图4为本发明中的土体冻胀规律预测的实施流程示意图;
图中:i1-i3:小区域神经网络输入层节点代号;
p1-p7:小区域神经网络隐含层节点代号;
o1:小区域神经网络输出层节点代号;
ip11-ip37:小区域神经网络作用在输入层与隐含层间的权重;
po11-po71:小区域神经网络作用在隐含层与输出层间的权重;
L1-L9:大区域内任意点与小区域中心钻孔间的连线;
f1-fn:步骤S4.4中所述的权重系数;
I1-I3:大区域神经网络输入层节点代号;
P1-P7:大区域神经网络隐含层节点代号;
O1:大区域神经网络输出层节点代号;
ip11-ip37:大区域神经网络作用在输入层与隐含层间的权重;
PO11-PO71:大区域神经网络作用在隐含层与输出层间的权重。
具体实施方式
为能进一步了解本发明的内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。需要说明的是,本实施例是描述性的,不是限定性的,不能由此限定本发明的保护范围。
本发明的一种土体区域性冻胀量推演方法,包括以下步骤:
S1、冻胀研究区域划分
将待研究的冻胀区域划分为若干块尺寸3km×3km、总面积9km2的小区域。
S2、获取局部冻胀数据
在一个小区域的中心位置钻探至当地冻胀深度以下,从地表开始,每隔0.2m取一组土样,并每隔0.2m埋设一组冻胀计和地温计,直至冻胀深度为止。通过室内试验及监测,得到该钻孔位置不同埋深点处的土体的含水率、细颗粒含量、温度及冻胀量等信息。
例如,某一钻孔位置上,冻胀深度是从地表开始起算,向下3m。那么一共可取出15组土样,对这些土样进行室内试验,得到不同深度处土样的含水率、细颗粒含量信息,在钻孔内的取样位置埋设冻胀计和地温计,通过监测,得到该位置处的冻胀量和地温指标值。
S3、建立小区域冻胀量计算模型
利用S2获得的小区域冻胀数据,通过归一化处理,形成BP神经网络的训练样本,建立小区域冻胀神经网络系统。神经网络结构设置为3-7-1,即输入层为3个节点,分别代表含水率、细颗粒含量、地温三个影响因素,输出层一个节点,代表土体冻胀量,隐含层7个节点,最小误差平方和设置为0.0001。学习算法使用动量梯度下降反向传播算法。训练完成后,记录下此时该神经网络系统中所有节点的全部权重值。
如附图1所示,三层神经网络中的神经元层层相连,每一个连接处均包含一个权重值,当一个神经网络训练完成后,实际上就是获取了最合适的权重值,以便将输入层数据转化为最合理的输出数据,所有神经元连接里的权重值即代表了该训练完成的神经网络。使用该网络即可进行冻胀量的计算工作。
S4、建立大区域冻胀计算系统
在得到所有小区域的冻胀神经网络权重值后,可通过下列方法推演出整个研究区域内任意一点的冻胀变形量。
S4.1、获取研究区域内任意点的含水率、细颗粒含量、温度指标值。具体获取指标方法与S2的方法相同。
S4.2、将步骤S4.1中的任意点与所有小区域中心点相连,形成若干条直线,并记录这些直线的距离Li。
例如,整个区域内一共被划分为9个小区域,那么任意点就要做9条连接线L1,L2……L9。
S4.3、根据下述公式,确定一个权重系数,式中,fi代表第i个小区域权重系数。
例如,整个区域内一共被划分为9个小区域,那么就存在9个权重系数f1,f2……f9。
式中,fi为第i个权重系数,Li为任意点与第i个小区域中心点间的连线距离,n代表小区域的数量。
S4.4、将得到的所有权重系数与对应的小区域神经网络权重值相乘,再相加,即按照下式进行计算,可得到一个全新的区域冻胀预测系统。
上式中左侧代表了权重系数与对应小区域神经网络权重值矩阵间的乘法操作,而右侧的两组矩阵代表了根据小区域神经网络推演出的大区域神经网络的权重值矩阵,即wnew。
最后,本发明的未述之处均采用现有技术中的成熟产品及成熟技术手段。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (2)
1.一种土体区域性冻胀量推演方法,其特征在于,包括以下步骤:
S1、划分冻胀研究区域,将待研究的冻胀区域划分为若干块尺寸3km×3km、总面积9km2的小区域;
S2、获取局部冻胀数据,在一个小区域的中心位置钻探至当地冻胀深度以下,从地表开始,每隔0.2m取一组土样,并每隔0.2m埋设一组冻胀计和地温计,直至达到冻胀土体最深处为止;通过室内试验及监测,得到该钻孔位置不同埋深点处的土体的含水率、细颗粒含量、温度及冻胀量信息;
S3、建立小区域冻胀量计算模型,以小区域冻胀数据为训练样本,建立用于冻胀量计算的神经网络;神经网络结构设置为3-7-1,输入层为3个节点,分别代表含水率、细颗粒含量、地温三个影响因素,输出层一个节点,代表土体冻胀量,隐含层7个节点,最小误差平方和设置为0.0001;学习算法使用动量梯度下降反向传播算法;训练完成后,记录下此时该神经网络系统中所有节点的全部权重值;
S4、建立大区域冻胀计算系统,在得到所有小区域的冻胀神经网络权重值后,推演出整个研究区域内任意一点的冻胀变形量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111428742.0A CN114330723B (zh) | 2021-11-29 | 2021-11-29 | 一种土体区域性冻胀量推演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111428742.0A CN114330723B (zh) | 2021-11-29 | 2021-11-29 | 一种土体区域性冻胀量推演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114330723A CN114330723A (zh) | 2022-04-12 |
CN114330723B true CN114330723B (zh) | 2022-12-16 |
Family
ID=81047385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111428742.0A Active CN114330723B (zh) | 2021-11-29 | 2021-11-29 | 一种土体区域性冻胀量推演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330723B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017097040A1 (zh) * | 2015-12-10 | 2017-06-15 | 深圳先进技术研究院 | 一种医用输液滴速评价方法及系统 |
CN112200478A (zh) * | 2020-10-20 | 2021-01-08 | 长春工程学院 | 一种黏性土场地的冻胀风险信息处理方法及系统 |
-
2021
- 2021-11-29 CN CN202111428742.0A patent/CN114330723B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017097040A1 (zh) * | 2015-12-10 | 2017-06-15 | 深圳先进技术研究院 | 一种医用输液滴速评价方法及系统 |
CN112200478A (zh) * | 2020-10-20 | 2021-01-08 | 长春工程学院 | 一种黏性土场地的冻胀风险信息处理方法及系统 |
Non-Patent Citations (3)
Title |
---|
基于ANFIS的季冻区土体冻胀预测模型;崔洪川等;《四川建筑科学研究》;20130425(第02期);全文 * |
基于BP神经网络的人工盐渍土冻胀预测研究;王彦虎等;《路基工程》;20180420(第02期);全文 * |
基于分形和神经网络相结合的土体冻胀量预测;孙树魁等;《辽宁工程技术大学学报》;20071215(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114330723A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106372402A (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
CN109992847B (zh) | 一种混合机器学习模型的滑坡位移预测方法 | |
Kalogirou et al. | Artificial neural networks for the generation of geothermal maps of ground temperature at various depths by considering land configuration | |
CN113554849A (zh) | 一种空天地监测边坡系统及其失稳风险评估方法 | |
CN104374827B (zh) | 横观各向同性岩体原位动弹性模量的各向异性系数的测量方法 | |
CN109884710B (zh) | 针对激发井深设计的微测井层析成像方法 | |
CN110619353A (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN113536659A (zh) | 一种震后道路受灾区域快速预测方法、系统及存储介质 | |
CN104471185A (zh) | 用于储层压力数据分析的系统和方法 | |
CN114386464B (zh) | 一种瞬变电磁激电信息的深度学习提取方法 | |
CN116305850A (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
CN105022856B (zh) | 预测高弯度曲流河储层内部结构的储层建模方法 | |
CN114330723B (zh) | 一种土体区域性冻胀量推演方法 | |
CN102288996A (zh) | 叠前afi反演定量预测含气概率的方法 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN111273349A (zh) | 一种用于海底浅部沉积层的横波速度提取方法及处理终端 | |
CN116402951A (zh) | 基于数字孪生的边坡安全管理方法及系统 | |
CN115508900A (zh) | 一种地面拖拽式瞬变电磁成像方法及系统 | |
CN114236624B (zh) | 基于电磁法估算压裂改造空间体积的方法和系统 | |
CN115563874A (zh) | 一种基于大数据的隧道健康度分析方法及系统 | |
CN112064617B (zh) | 一种土石混合料地基质量检测方法 | |
CN115419120A (zh) | 一种公路路基沉降监测预测方法 |
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 |