CN115687854B - 高精度土样参数测量方法及其系统 - Google Patents
高精度土样参数测量方法及其系统 Download PDFInfo
- Publication number
- CN115687854B CN115687854B CN202310005060.1A CN202310005060A CN115687854B CN 115687854 B CN115687854 B CN 115687854B CN 202310005060 A CN202310005060 A CN 202310005060A CN 115687854 B CN115687854 B CN 115687854B
- Authority
- CN
- China
- Prior art keywords
- matrix
- scale
- decoding
- soil sample
- feature
- 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 159
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims description 316
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 238000003062 neural network model Methods 0.000 claims description 28
- 238000012937 correction Methods 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 32
- 238000013016 damping Methods 0.000 description 19
- 238000012360 testing method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000007792 addition Methods 0.000 description 5
- 238000009795 derivation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
公开了一种高精度土样参数测量方法及其系统,其采用基于深度学习的人工智能算法来提取出所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时间维度上的多尺度关联性特征分布表示,并以此来进行解码回归得到所述待测试土样的剪切模量。这样,能够提高土样剪切模量测量的精准度,以智能准确地对于土样的剪切模量进行测量。
Description
技术领域
本申请涉及工程建设领域,且更为具体地,涉及一种高精度土样参数测量方法及其系统。
背景技术
对于土层反应分析中,土的动剪切模量和阻尼是重要的计算参数,为获取较为准确的数值需要根据相关理论对离散数据进行计算。
现有技术中,对剪切模量和阻尼的计算较为粗糙,计算过程较为繁琐,计算结果不甚理想。如阻尼的计算需要将数据模糊成一个标准图形,这样计算简单但结果粗糙;或者将数据在cad中制图后求取面积,这样结果虽然较为准确但计算过程繁琐。同时,由于室内动三轴试验的原理,反算的最大动剪切模量数值较为离散,需要利用现场较容易获得的剪切波速或者密度、含水率等进行修正。这样,不仅过程较为繁琐,而且计算出的数值精准度也难以保证。
因此,期望一种高精度土样参数测量方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种高精度土样参数测量方法及其系统,其采用基于深度学习的人工智能算法来提取出所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时间维度上的多尺度关联性特征分布表示,并以此来进行解码回归得到所述待测试土样的剪切模量。这样,能够提高土样剪切模量测量的精准度,以智能准确地对于土样的剪切模量进行测量。
根据本申请的一个方面,提供了一种高精度土样参数测量方法,其包括:获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值;将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量;计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵;将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵;将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵;融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵;和将所述校正后解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量。
在上述高精度土样参数测量方法中,所述计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵,包括:计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到所述关联参数矩阵。
在上述高精度土样参数测量方法中,所述将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵,包括:使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一尺度关联参数特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在上述高精度土样参数测量方法中,所述将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵,包括:使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度关联参数特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在上述高精度土样参数测量方法中,所述融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵,包括:以如下公式来融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;其中,所述公式为:
其中,为所述解码特征矩阵,为所述第一尺度关联参数特征矩阵,为所述第二尺度关联参数特征矩阵,“”表示所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵相对应位置处的元素相加,和为用于控制所述解码特征矩阵中所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵之间的平衡的加权参数。
在上述高精度土样参数测量方法中,所述对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵,包括:以如下公式对所述解码特征矩阵进行特征分布校正以得到所述校正后解码特征矩阵;其中,所述公式为:
在上述高精度土样参数测量方法中,所述将所述解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量,包括:使用解码器以如下公式对所述解码特征矩阵进行解码回归以获得所述解码值;其中,所述公式为:,其中是所述解码特征矩阵,是所述解码值,是权重矩阵,表示矩阵乘。
根据本申请的另一方面,提供了一种高精度土样参数测量系统,包括:数据获取模块,用于获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值;数据结构化模块,用于将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量;关联模块,用于计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵;第一尺度编码模块,用于将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵;第二尺度编码模块,用于将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵;融合模块,用于融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;特征分布校正模块,用于对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵;和解码模块,用于将所述校正后解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量。
在上述高精度土样参数测量系统中,所述关联模块,用于计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到所述关联参数矩阵。
在上述高精度土样参数测量系统中,所述第一尺度编码模块,进一步用于:使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一尺度关联参数特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在上述高精度土样参数测量系统中,所述第二尺度编码模块,进一步用于:使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度关联参数特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在上述高精度土样参数测量系统中,所述融合模块,进一步用于:以如下公式来融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;其中,所述公式为:
其中,为所述解码特征矩阵,为所述第一尺度关联参数特征矩阵,为所述第二尺度关联参数特征矩阵,“”表示所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵相对应位置处的元素相加,和为用于控制所述解码特征矩阵中所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵之间的平衡的加权参数。
在上述高精度土样参数测量系统中,所述特征分布校正模块,进一步用于:以如下公式对所述解码特征矩阵进行特征分布校正以得到所述校正后解码特征矩阵;其中,所述公式为:
在上述高精度土样参数测量系统中,所述解码模块,进一步用于:使用解码器以如下公式对所述解码特征矩阵进行解码回归以获得所述解码值;其中,所述公式为:,其中是所述解码特征矩阵,是所述解码值,是权重矩阵,表示矩阵乘。
与现有技术相比,本申请提供的高精度土样参数测量方法及其系统,其采用基于深度学习的人工智能算法来提取出所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时间维度上的多尺度关联性特征分布表示,并以此来进行解码回归得到所述待测试土样的剪切模量。这样,能够提高土样剪切模量测量的精准度,以智能准确地对于土样的剪切模量进行测量。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的高精度土样参数测量方法的流程图。
图2为根据本申请实施例的高精度土样参数测量方法的架构图。
图3为根据本申请实施例的高精度土样参数测量系统的框图。
图4为根据本申请实施例的应力应变滞回曲线图。
图5为根据本申请实施例的最大动剪切模量对比图。
图6为根据本申请实施例的剪切模量比结果对比图。
图7为根据本申请实施例的动阻尼结果对比图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述:如上述背景技术所言,对于土层反应分析中,土的动剪切模量和阻尼是重要的计算参数,为获取较为准确的数值需要根据相关理论对离散数据进行计算。
现有技术中,对剪切模量和阻尼的计算较为粗糙,计算过程较为繁琐,计算结果不甚理想。如阻尼的计算需要将数据模糊成一个标准图形,这样计算简单但结果粗糙;或者将数据在cad中制图后求取面积,这样结果虽然较为准确但计算过程繁琐。同时,由于室内动三轴试验的原理,反算的最大动剪切模量数值较为离散,需要利用现场较容易获得的剪切波速或者密度、含水率等进行修正。这样,不仅过程较为繁琐,而且计算出的数值精准度也难以保证。因此,期望一种高精度土样参数测量方案。
相应地,由于在实际工程试验中,通常根据土样在各级荷载下轴向应力和轴向应变时程曲线绘出应力应变滞回曲线,由滞回曲线的应力应变值可求得试样的轴向模量。也就是,考虑到在剪切模量的测量计算过程中,土样在各级荷载下轴向应力值和轴向应变时程值对于土样的剪切模量测量具有着关联性的影响,因此,可以基于所述土样在各级荷载下轴向应力值和轴向应变时程值在时序上的关联性特征分布信息来进行所述待测试土样的剪切模量测量。具体地,在本申请的技术方案中,采用基于深度学习的人工智能算法来提取出所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时间维度上的多尺度关联性特征分布表示,并以此来进行解码回归得到所述待测试土样的剪切模量。这样,能够提高土样剪切模量测量的精准度,以智能准确地对于土样的剪切模量进行测量。
具体地,在本申请的技术方案中,首先,获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值。然后,将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量以整合所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时序上的分布信息。接着,进一步再计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵,以构建所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时间维度上的关联性分布表示。
进一步地,使用在隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述关联参数矩阵中关于所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值的关联性隐含特征提取。特别地,考虑到在所述关联参数矩阵中关于所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值的关联性分布信息在时间维度和参数样本维度上具有不同的尺度关联,也就是说,具有所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值的关联性分布信息的所述关联参数矩阵中的各个特征值间在高维特征空间中具有多尺度的隐含关联特征。因此,在本申请的技术方案中,为了提高对于所述待测试土样的剪切模量测量的准确性,使用具有不同尺度的卷积核的卷积神经网络模型来进行特征挖掘,来提取出所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时序上的关联性分布信息的多尺度隐含关联特征。具体地,将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵,并将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵。
然后,再进一步融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵,以融合所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时序维度上的关联性特征分布表示的多尺度隐含关联特征信息,并以此作为解码特征矩阵通过解码器中进行解码回归以得到用于表示待测试土样的剪切模量的解码值。这样,能够提高土样剪切模量测量的精准度,以智能准确地对于土样的剪切模量进行测量。
特别地,在本申请的技术方案中,考虑到所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵分别表达不同尺度下的所述轴向应力值和所述轴向应变时程值的时序关联参数在高维特征空间下的关联模式表达特征,所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵在高维特征空间内的特征分布既有同相重合又有异相差异,这使得当通过点加的方式融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵时,由于同相增强和异相削弱,所述解码特征矩阵的整体特征分布的离散程度高,在通过解码器进行解码时导致解码回归的归纳发散,从而影响通过解码器进行解码时的收敛性,影响解码值的准确性。
因此,在通过解码器进行解码之前,首先对所述解码特征矩阵进行面向回归有界闭域的分布转移优化,表示为:
也就是,所述面向回归有界闭域的分布转移优化针对所述解码特征矩阵所代表的高维特征分布在转移到解码回归问题的目标域时可能存在的归纳发散,通过基于条件化解码回归的结构化信息约束来向着特征集合的有界闭域进行特征分布的收敛,以使得所述解码特征矩阵的特征分布转移到目标域下的具有稳定的可结构化边界的范围内,提升了回归解的归纳迭代的稳定性,即,提高了所述解码特征矩阵通过解码器进行解码时的收敛性,改进了解码值的准确性。这样,能够提高土样剪切模量测量的精准度,以智能准确地对于土样的剪切模量进行测量。
基于此,本申请提出了一种高精度土样参数测量方法,其包括:获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值;将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量;计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵;将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵;将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵;融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵;和,将所述校正后解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
实施例1:图1为根据本申请实施例的高精度土样参数测量方法的流程图。如图1所示,根据本申请实施例的高精度土样参数测量方法,包括:S110,获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值;S120,将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量;S130,计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵;S140,将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵;S150,将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵;S160,融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;S170,对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵;和S180,将所述校正后解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量。
图2为根据本申请实施例的高精度土样参数测量方法的架构图。如图2所示,在该架构中,首先,获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值。接着,将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量。然后,计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵。进而,将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵,同时,将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵。接着,融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵。然后,对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵。进而,将所述校正后解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量。
在步骤S110中,获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值。如上述背景技术所言,对于土层反应分析中,土的动剪切模量和阻尼是重要的计算参数,为获取较为准确的数值需要根据相关理论对离散数据进行计算。现有技术中,对剪切模量和阻尼的计算较为粗糙,计算过程较为繁琐,计算结果不甚理想。如阻尼的计算需要将数据模糊成一个标准图形,这样计算简单但结果粗糙;或者将数据在cad中制图后求取面积,这样结果虽然较为准确但计算过程繁琐。同时,由于室内动三轴试验的原理,反算的最大动剪切模量数值较为离散,需要利用现场较容易获得的剪切波速或者密度、含水率等进行修正。这样,不仅过程较为繁琐,而且计算出的数值精准度也难以保证。因此,期望一种高精度土样参数测量方案。
相应地,由于在实际工程试验中,通常根据土样在各级荷载下轴向应力和轴向应变时程曲线绘出应力应变滞回曲线,由滞回曲线的应力应变值可求得试样的轴向模量。也就是,考虑到在剪切模量的测量计算过程中,土样在各级荷载下轴向应力值和轴向应变时程值对于土样的剪切模量测量具有着关联性的影响,因此,可以基于所述土样在各级荷载下轴向应力值和轴向应变时程值在时序上的关联性特征分布信息来进行所述待测试土样的剪切模量测量。具体地,在本申请的技术方案中,采用基于深度学习的人工智能算法来提取出所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时间维度上的多尺度关联性特征分布表示,并以此来进行解码回归得到所述待测试土样的剪切模量。这样,能够提高土样剪切模量测量的精准度,以智能准确地对于土样的剪切模量进行测量。具体地,在本申请的技术方案中,首先,获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值。其中,所述轴向应力值和所述轴向应变时程值可以由应力传感器和应变传感器来采集获取。
在步骤S120中,将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量。也就是,将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量以整合所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时序上的分布信息。此外,将所述轴向应力值和所述轴向应变时程值进行数据结构化也利于后续模型的计算。
在步骤S130中,计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵。也就是,计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵,以构建所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时间维度上的关联性分布表示。具体地,在本申请的一个实施例中,计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到所述关联参数矩阵。
在步骤S140中,将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵。也就是,使用在隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述关联参数矩阵中关于所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值的关联性隐含特征提取。
特别地,考虑到在所述关联参数矩阵中关于所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值的关联性分布信息在时间维度和参数样本维度上具有不同的尺度关联,也就是说,具有所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值的关联性分布信息的所述关联参数矩阵中的各个特征值间在高维特征空间中具有多尺度的隐含关联特征。因此,在本申请的技术方案中,为了提高对于所述待测试土样的剪切模量测量的准确性,使用具有不同尺度的卷积核的卷积神经网络模型来进行特征挖掘,来提取出所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时序上的关联性分布信息的多尺度隐含关联特征。具体地,首先,将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵。
具体地,在本申请实施例中,所述将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵,包括:使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一尺度关联参数特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在步骤S150中,将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵。这里,在将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵的同时,将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵。应可以理解,步骤S140和步骤S150中所述第一卷积神经网络模型和所述第二卷积神经网络模型是并行结构。
具体地,在本申请实施例中,所述将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵,包括:使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度关联参数特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在步骤S160中,融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵。也就是,融合所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时序维度上的关联性特征分布表示的多尺度隐含关联特征信息,并以此作为解码特征矩阵。
具体地,在本申请实施例中,所述融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵,包括:以如下公式来融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;其中,所述公式为:
其中,为所述解码特征矩阵,为所述第一尺度关联参数特征矩阵,为所述第二尺度关联参数特征矩阵,“”表示所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵相对应位置处的元素相加,和为用于控制所述解码特征矩阵中所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵之间的平衡的加权参数。
在步骤S170中,对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵。特别地,在本申请的技术方案中,考虑到所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵分别表达不同尺度下的所述轴向应力值和所述轴向应变时程值的时序关联参数在高维特征空间下的关联模式表达特征,所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵在高维特征空间内的特征分布既有同相重合又有异相差异,这使得当通过点加的方式融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵时,由于同相增强和异相削弱,所述解码特征矩阵的整体特征分布的离散程度高,在通过解码器进行解码时导致解码回归的归纳发散,从而影响通过解码器进行解码时的收敛性,影响解码值的准确性。因此,在通过解码器进行解码之前,首先对所述解码特征矩阵进行面向回归有界闭域的分布转移优化。
具体地,在本申请实施例中,所述对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵,包括:以如下公式对所述解码特征矩阵进行特征分布校正以得到所述校正后解码特征矩阵;其中,所述公式为:
也就是,所述面向回归有界闭域的分布转移优化针对所述解码特征矩阵所代表的高维特征分布在转移到解码回归问题的目标域时可能存在的归纳发散,通过基于条件化解码回归的结构化信息约束来向着特征集合的有界闭域进行特征分布的收敛,以使得所述解码特征矩阵的特征分布转移到目标域下的具有稳定的可结构化边界的范围内,提升了回归解的归纳迭代的稳定性,即,提高了所述解码特征矩阵通过解码器进行解码时的收敛性,改进了解码值的准确性。这样,能够提高土样剪切模量测量的精准度,以智能准确地对于土样的剪切模量进行测量。
在步骤S180中,将所述校正后解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量。也就是,通过所述解码器对所述解码特征矩阵进行解码回归以得到用于表示待测试土样的剪切模量的解码值。这样,能够提高土样剪切模量测量的精准度,以智能准确地对于土样的剪切模量进行测量。
具体地,在本申请实施例中,所述将所述解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量,包括:使用解码器以如下公式对所述解码特征矩阵进行解码回归以获得所述解码值;其中,所述公式为:,其中是所述解码特征矩阵,是所述解码值,是权重矩阵,表示矩阵乘。
综上,基于本申请实施例的高精度土样参数测量方法被阐明,其采用基于深度学习的人工智能算法来提取出所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值在时间维度上的多尺度关联性特征分布表示,并以此来进行解码回归得到所述待测试土样的剪切模量。这样,能够提高土样剪切模量测量的精准度,以智能准确地对于土样的剪切模量进行测量。
实施例2:图3为根据本申请实施例的高精度土样参数测量系统的框图。如图3所示,根据本申请实施例的高精度土样参数测量系统100,包括:数据获取模块110,用于获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值;数据结构化模块120,用于将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量;关联模块130,用于计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵;第一尺度编码模块140,用于将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵;第二尺度编码模块150,用于将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵;融合模块160,用于融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;特征分布校正模块170,用于对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵;和,解码模块180,用于将所述校正后解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量。
在一个示例中,在上述高精度土样参数测量系统100中,所述第一尺度编码模块140,进一步用于:使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一尺度关联参数特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在一个示例中,在上述高精度土样参数测量系统100中,所述第二尺度编码模块150,进一步用于:使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度关联参数特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在一个示例中,在上述高精度土样参数测量系统100中,所述融合模块160,进一步用于:以如下公式来融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;其中,所述公式为:
其中,为所述解码特征矩阵,为所述第一尺度关联参数特征矩阵,为所述第二尺度关联参数特征矩阵,“”表示所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵相对应位置处的元素相加,和为用于控制所述解码特征矩阵中所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵之间的平衡的加权参数。
在一个示例中,在上述高精度土样参数测量系统100中,所述特征分布校正模块170,进一步用于:以如下公式对所述解码特征矩阵进行特征分布校正以得到所述校正后解码特征矩阵;其中,所述公式为:
在一个示例中,在上述高精度土样参数测量系统100中,所述解码模块180,进一步用于:使用解码器以如下公式对所述解码特征矩阵进行解码回归以获得所述解码值;其中,所述公式为:,其中是所述解码特征矩阵,是所述解码值,是权重矩阵,表示矩阵乘。
这里,本领域技术人员可以理解,上述高精度土样参数测量系统 100中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的高精度土样参数测量方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的高精度土样参数测量系统 100可以实现在各种终端设备中,例如用于高精度土样参数测量的服务器等。在一个示例中,根据本申请实施例的高精度土样参数测量系统 100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该高精度土样参数测量系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该高精度土样参数测量系统 100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该高精度土样参数测量系统 100与该终端设备也可以是分立的设备,并且该高精度土样参数测量系统 100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为根据本申请实施例的应力应变滞回曲线图。在实际工程试验中,剪切模量的基本实现步骤为,首先,根据各级荷载下轴向应力值和轴向应变时程值的数据,绘出应力应变滞回曲线(如图4所示)。然后,以如下公式由滞回曲线的应力应变值求得土样的轴向模量E,以及,土样在该级荷载下剪切模量,,,式中,表示同一次循环荷载中最大轴向动应力;表示同一次循环荷载中最大轴向动应变;为泊松比,对于饱和试样取值为0.5;为剪应变幅值;为轴向应变幅值;为轴向模量。
下面介绍△W应力应变滞回曲线所围面积的计算方式。由于滞回曲线不光滑性、不确定性,如何计算一个循环消耗的能量△W成为动阻尼比计算的一个难点。在现有技术中,将滞回曲线简化成一个个三角形或者梯形,或者将点导入到cad里面描图计算面积,前者计算结果较为粗糙,后者较为繁琐。本申请的改进思路为:利用有限元计算的思路,将试验结果划分为50个单元格,将应力加一个数值后均变为大于0,然后计算。
而在传统计算方法中,通过公式可以得出每一级应变下的剪切模量、阻尼,将其所求得各级荷载下不同幅值的模量,采用Hardin-Drnevich模型表示,公式为:。 当时,可以得到系数A等于最大轴向模量的倒数,即1/Emax,将最大轴向模量值带入公式中,即可得到最大剪切模量值。
但对比现场波速结果、Hardin公式推导结果和动三轴反算结果(图5为根据本申请实施例的最大动剪切模量对比图)可以看出,Hardin公式推导结果、场波速结果规律性较好,动三轴反算结果较为离散。在数值上,Hardin公式推导结果、场波速结果随深度增大有明显的增大趋势,且两者大小区别不大,而动三轴结果在深度较小时与前两者区别不是很大,随着深度增加,差距越来越大。其主要原因在于在较小的应变范围内(应变小于10-5),Hardin公式能够较好地模拟黏性土的剪切模量随有效围压及孔隙比的变化规律。
《土工试验方法标准》(GBT 50123-2019)在振动三轴试验一节中提出,最大动弹性模量需要在微小应变下测得。同时李广信等认为一般的动三轴仪在动应变很小时测量精度很差,不适用于测定Gmax值。本申请采用地震工程现场取得的现场剪切波速值及室内测得的含水率、密度等参数对室内动三轴结果进行现场波速测试修正或者Hardin公式结果修正。
根据室内动三轴结果,以1/G为纵坐标,为横坐标,将试验结果标记后,近似用一条直线来表示它们的关系,即可得到B值。将B值及现场波速测试取得的A’和 Hardin公式推导取得的A”分别带入公式,即可获得不同结果下修正的剪切模量比,图6为根据本申请实施例的剪切模量比结果对比图。
根据Hardin-Drnevich模型,阻尼比D与剪切模量比的关系可写为:
根据室内动三轴实测阻尼比λd,计算试样应变较大时的最大阻尼比λdmax,本申请取剪应变为5%时结果为最大阻尼比λdmax。图7为根据本申请实施例的动阻尼结果对比图。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种高精度土样参数测量方法,其特征在于,包括:
获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值;
将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量;
计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵;
将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵;
将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵;
融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;
对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵;和
将所述校正后解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量。
2.根据权利要求1所述的高精度土样参数测量方法,其特征在于,所述计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵,包括:计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到所述关联参数矩阵。
3.根据权利要求2所述的高精度土样参数测量方法,其特征在于,所述将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵,包括:
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第一卷积神经网络模型的最后一层的输出为所述第一尺度关联参数特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述关联参数矩阵。
4.根据权利要求3所述的高精度土样参数测量方法,其特征在于,所述将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵,包括:
使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度关联参数特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述关联参数矩阵。
8.一种高精度土样参数测量系统,其特征在于,包括:
数据获取模块,用于获取待测试土样在各级荷载下的轴向应力值和轴向应变时程值;
数据结构化模块,用于将所述待测试土样在各级荷载下的轴向应力值和轴向应变时程值分别按照时间维度排列为第一输入向量和第二输入向量;
关联模块,用于计算所述第一输入向量和所述第二输入向量之间的关联参数矩阵;
第一尺度编码模块,用于将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵;
第二尺度编码模块,用于将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵;
融合模块,用于融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵;
特征分布校正模块,用于对所述解码特征矩阵进行特征分布校正以得到校正后解码特征矩阵;和
解码模块,用于将所述校正后解码特征矩阵通过解码器以得到解码值,所述解码值为待测试土样的剪切模量。
9.根据权利要求8所述的高精度土样参数测量系统,其特征在于,所述关联模块,用于计算所述第一输入向量的转置向量与所述第二输入向量之间的向量乘积以得到所述关联参数矩阵。
10.根据权利要求9所述的高精度土样参数测量系统,其特征在于,所述第一尺度编码模块,进一步用于:
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第一卷积神经网络模型的最后一层的输出为所述第一尺度关联参数特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述关联参数矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005060.1A CN115687854B (zh) | 2023-01-04 | 2023-01-04 | 高精度土样参数测量方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005060.1A CN115687854B (zh) | 2023-01-04 | 2023-01-04 | 高精度土样参数测量方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115687854A CN115687854A (zh) | 2023-02-03 |
CN115687854B true CN115687854B (zh) | 2023-03-21 |
Family
ID=85057642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310005060.1A Active CN115687854B (zh) | 2023-01-04 | 2023-01-04 | 高精度土样参数测量方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115687854B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340703B (zh) * | 2023-04-04 | 2023-08-29 | 山东省地震工程研究院 | 基于数据的土样参数测量方法及其系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112255095A (zh) * | 2020-09-25 | 2021-01-22 | 汕头大学 | 一种土体应力应变关系确定方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016064476A1 (en) * | 2014-10-24 | 2016-04-28 | Halliburton Energy Services, Inc. | Shale fracturing characterization and optimization using three-dimensional fracture modeling and neural network |
JP2020030084A (ja) * | 2018-08-22 | 2020-02-27 | 敏寛 松倉 | 応力ひずみ曲線作成装置および応力ひずみ曲線作成方法 |
KR102023701B1 (ko) * | 2018-11-26 | 2019-11-04 | 한국건설기술연구원 | 이종 광섬유 센서의 측정결과 융합을 이용한 구조물의 변형률 분포 측정방법 및 장치 |
CN111666671A (zh) * | 2020-05-29 | 2020-09-15 | 中南大学 | 一种围岩体蠕变参数的实时反演方法 |
CN114254416B (zh) * | 2020-09-25 | 2024-06-25 | 汕头大学 | 基于长短期记忆深度学习的土体应力应变关系确定方法 |
-
2023
- 2023-01-04 CN CN202310005060.1A patent/CN115687854B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112255095A (zh) * | 2020-09-25 | 2021-01-22 | 汕头大学 | 一种土体应力应变关系确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115687854A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ehrendorfer et al. | Optimal prediction of forecast error covariances through singular vectors | |
CN108875178B (zh) | 用于减小结构模态识别不确定性的传感器布置方法 | |
CN115687854B (zh) | 高精度土样参数测量方法及其系统 | |
Achatz et al. | A two-layer model with empirical linear corrections and reduced order for studies of internal climate variability | |
CN112329349B (zh) | 一种边坡可靠度评估方法 | |
CN107862170A (zh) | 一种基于动态缩聚的有限元模型修正方法 | |
Bujurke et al. | Numerical solution of stiff systems from nonlinear dynamics using single-term Haar wavelet series | |
CN112347537B (zh) | 工程结构数值模型的校准方法、装置、电子设备及介质 | |
CN113176022A (zh) | 一种分段式神经网络压力传感器压力检测方法及系统 | |
CN106599610A (zh) | 预测长链非编码rna和蛋白质联系的方法及系统 | |
CN114487976B (zh) | Mcm电子式互感器校验仪溯源不确定度评定方法及系统 | |
CN111859303B (zh) | 基于动态贝叶斯平均的土壤湿度融合方法及系统 | |
Akritas et al. | 7 Statistical analysis of censored environmental data | |
CN102830430B (zh) | 一种层位速度建模方法 | |
Hui et al. | Application of grey system theory to forecast the growth of larch | |
CN111639194A (zh) | 基于句向量的知识图谱查询方法及系统 | |
CN103983332A (zh) | 一种基于hgsa-bp算法的传感器误差补偿方法 | |
CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
Arab et al. | Enhancing weighted uniform simulation for structural reliability analysis | |
CN116340384A (zh) | 基于规则演化的核递归最大相关熵时间序列在线预测方法 | |
CN116108745A (zh) | 水环境模型多参数率定方法、终端设备及存储介质 | |
Bishop et al. | Optimization of the fixed global observing network in a simple model | |
JP2006072566A (ja) | 流体構造連成解析方法及び流体構造連成解析プログラム | |
CN114251075B (zh) | 基于多目标参数的储层开采方案确定方法、装置及设备 | |
CN109101759A (zh) | 一种基于正逆响应面法的参数识别方法 |
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 |