CN116070675B - 边坡神经网络模型选取方法、装置、设备及可读存储介质 - Google Patents

边坡神经网络模型选取方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN116070675B
CN116070675B CN202310201636.1A CN202310201636A CN116070675B CN 116070675 B CN116070675 B CN 116070675B CN 202310201636 A CN202310201636 A CN 202310201636A CN 116070675 B CN116070675 B CN 116070675B
Authority
CN
China
Prior art keywords
neural network
slope
network model
side slope
parameters
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
Application number
CN202310201636.1A
Other languages
English (en)
Other versions
CN116070675A (zh
Inventor
杨涛
李搏凯
张润泽
于贵
宋怡鲜
张哲�
郁智超
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202310201636.1A priority Critical patent/CN116070675B/zh
Publication of CN116070675A publication Critical patent/CN116070675A/zh
Application granted granted Critical
Publication of CN116070675B publication Critical patent/CN116070675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/23—Dune restoration or creation; Cliff stabilisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种边坡神经网络模型选取方法、装置、设备及可读存储介质，涉及山地灾害技术领域，包括：根据破坏模式将边坡划分为若干种不同种类的边坡,获取每种边坡的研究参数；通过数值模拟计算每种边坡在不同研究参数下的变形特征，构建每种边坡的数据样本集；根据所述数据样本集对神经网络模型进行训练和测试，得到每种边坡对应的最优神经网络模型；建立专家系统；获取现场边坡的破坏模式，将所述现场边坡的破坏模式输入所述专家系统，得到现场边坡的建议神经网络模型和对应的模型结构参数，本发明基于边坡破坏模式来自动选取用于预测边坡的内部情况的最优神经网络类型，更具有科学性和实用性。

Description

边坡神经网络模型选取方法、装置、设备及可读存储介质
技术领域
本发明涉及山地灾害技术领域，具体而言，涉及边坡神经网络模型选取方法、装置、设备及可读存储介质。
背景技术
随着智能岩土的高速发展，各种神经网络模型也都用于边坡稳定性的分析、边坡破坏模式的识别及边坡表观变形特征的预测，而现有的最优神经网络类型的选取方法不仅选取精度低高、应用范围窄，且还容易出现错误判断的情况，从而造成设计、施工上的错误和工程安全隐患。经相关调查显示，过去在选择最优神经网络类型中，少有基于边坡破坏模式选取最优神经网络类型的应用，而通过多种实验证明，基于边坡破坏模式来选取最优神经网络类型的方法更具有科学性和实用性。
发明内容
本发明的目的在于提供一种边坡神经网络模型选取方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种边坡神经网络模型选取方法，包括：
根据破坏模式将边坡划分为若干种不同种类的边坡,获取每种边坡的研究参数；
通过数值模拟计算每种边坡在不同研究参数下的变形特征，以研究参数为输入标签、变形特征为输出标签构建每种边坡的数据样本集；
分别根据每种边坡对应的所述数据样本集对神经网络模型进行训练和测试，得到每种边坡对应的最优神经网络模型和模型结构参数；
根据所有边坡对应的最优神经网络模型和模型结构参数建立专家系统；
获取现场边坡的破坏模式，将所述现场边坡的破坏模式输入所述专家系统，得到现场边坡的建议神经网络模型和对应的模型结构参数。
第二方面，本申请还提供了一种边坡神经网络模型选取装置，包括：
分类模块：用于根据破坏模式将边坡划分为若干种不同种类的边坡,获取每种边坡的研究参数；
样本集构建模块：用于通过数值模拟计算每种边坡在不同研究参数下的变形特征，以研究参数为输入标签、变形特征为输出标签构建每种边坡的数据样本集；
训练模块：用于分别根据每种边坡对应的所述数据样本集对神经网络模型进行训练和测试，得到每种边坡对应的最优神经网络模型和模型结构参数；
系统建立模块：用于根据所有边坡对应的最优神经网络模型和模型结构参数建立专家系统；
预测模块：用于获取现场边坡的研究参数，将所述现场边坡的研究参数输入所述专家系统，得到现场边坡的建议神经网络模型和对应的模型结构参数。
第三方面，本申请还提供了一种边坡神经网络模型选取设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述边坡神经网络模型选取方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于边坡神经网络模型选取方法的步骤。
本发明的有益效果为：
本发明通过搜集大量的边坡发生失稳破坏的案例，整理归纳典型的三维边坡破坏模式，再通过破坏模式的深入分析，分别确定在每种破坏模式下边坡所需重点研究的对象和对应的研究参数。通过数值模拟获取各种典型破坏模式下的数据样本集，利用数据样本集确定每组典型破坏模式对应的最优神经网络类型。基于所有典型破坏模式的最优的神经网络类型建立专家系统，通过专家系统的学习，可对所有破坏模式的边坡推荐最优神经网络类型。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的边坡神经网络模型选取方法流程示意图;
图2为本发明实施例中所述的边坡神经网络模型选取装置结构示意图；
图3为本发明实施例中所述的边坡神经网络模型选取设备结构示意图。
图中标记：
01、分类模块；011、第一获取单元；012、确定单元；013、第二获取单元；02、样本集构建模块；021、第三获取单元；022、模型建立单元；023、选择单元；024、仿真模拟单元；03、训练模块；031、样本划分单元；032、第四获取单元；033、第一计算模块；034、第二计算模块；035、第五获取单元；04、系统建立模块；041、编写单元；042、系统建立单元；05、预测模块；06、模型构建模块；061、模型构建单元；062、第六获取单元；063、预测单元；
800、边坡神经网络模型选取设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种边坡神经网络模型选取方法。
参见图1，图中示出了本方法包括:
S1.根据破坏模式将边坡划分为若干种不同种类的边坡,获取每种边坡的研究参数；
通过文献、会议、新闻及现场调研等收集大量的边坡破坏模式，归纳总结确定各种边坡的典型破坏模式。
具体的，所述步骤S1包括：
S11.获取每种边坡引发失稳破坏的因素；
其中，主要影响因素可包括：地质构造、外界环境变化、地下水及地震等，请参阅表1；
表1
Figure SMS_1
/>
S12.根据所述引发失稳破坏的因素确定边坡的研究对象，重点研究对象可包括：岩土体参数、潜在滑动面位置和形状、软弱结构面分布及崩塌规模等；
S13.获取描述所述研究对象的一种或多种研究参数，基于每一种边坡破坏模式和研究对象，利用研究参数(参数1、参数2、参数3、...、参数N)对研究对象的具体刻画，请参阅表2-1，表2-2；
表2-1
Figure SMS_2
表2-2
Figure SMS_3
基于以上实施例，本方法还包括：
S2.通过数值模拟计算每种边坡在不同研究参数下的变形特征，以研究参数为输入标签、变形特征为输出标签构建每种边坡的数据样本集；
具体的，所述步骤S2包括：
S21.获取每种边坡的一种或多种研究参数的取值范围；
本实施例中，以圆弧滑动破坏式边坡为例进行说明，所述边坡的研究参数为滑面滑出坐标，后缘破裂面深度、倾斜角度和土体力学特性。结合相关文献资料，确定各参数的取值范围。
S22.对每种边坡建立对应的三维地质模型；
S23.从研究参数的取值范围中选择每种边坡的研究参数的不同取值；
随机抽取各研究参数值并形成多组组合参数：滑面滑出坐标(参数1)、后缘破裂面深度(参数2)、倾斜角度(参数3)、土体力学特性(参数4))。
S24.根据每种边坡对应研究参数的不同取值分别对每种边坡对应的三维地质模型进行仿真模拟，得到每种边坡的研究参数在不同取值下的变形特征，其中，数值分析的软件包括3DEC、PFC3D、ABAQUS及OPENLISEM等；
本实施例中，选用有限差分软件FLAC3D对圆弧滑动破坏式边坡进行数值模拟，分析计算所述边坡的变形特征，其变形特征包括：坡面位移值、坡面裂缝宽度和坡面倾斜角。
重复步骤S21-S24，依次计算每种参数组合下圆弧滑动破坏式边坡的变形特征，最后得到所述圆弧滑动破坏式边坡的数据样本集;
重复上述步骤，得到各典型破坏模式边坡的数据样本集。
基于以上实施例，本方法还包括：
S3.分别根据每种边坡对应的所述数据样本集对神经网络模型进行训练和测试，得到每种边坡对应的最优神经网络模型和模型结构参数。
具体的，所述步骤S3包括：
S31.按照8：2的比例将每种边坡的数据样本集划分为训练集和验证集；
S32.获取所有类型的神经网络和每种神经网络中所有结构的神经网络模型，其中，所选择的神经网络类型包括但不限于人工神经网络(ANN)、误差反馈神经网络(BPNN)、递归神经网络(RNN)、自组织映射神经网络(SOM)、Hopfield神经网络、卷积神经网络(CNN)、反卷积神经网络(DN)、径向基函数网络(RBF)、循环神经网络(RNN)和长短期记忆神经网络(LSTM)；
S33.利用所述训练集依次训练每种神经网络中各结构的神经网络模型，再利用验证集依次验证每种神经网络中各结构的神经网络模型的计算误差；
S34.将所有神经网络中计算误差的最小值所对应的神经网络模型作为边坡的最优神经网络模型；
S35.获取所述最优神经网络模型训练得到的模型结构参数，请参阅表3，表3展示了各典型破坏模式所对应的最优神经网络类型。
表3
Figure SMS_4
基于以上实施例，本方法还包括：
S4.根据所有边坡对应的最优神经网络模型和模型结构参数建立专家系统；
具体的，所述步骤S4包括：
S41.利用所有边坡对应的破坏模式、研究参数、变形特征、最优神经网络模型和模型结构参数编写专门知识；
S42.建立专家系统，所述专家系统包括知识库、推理机、数据库和人机接口，所述知识库用于存放专门知识；其中知识库中的知识由产生式表示法(if-then结构)表示，大多数知识来源于步骤S42的计算分析所得，少部分知识来源于各种现场实例研究和相关数据库。
所述推理机用于模拟领域专家的思维过程，控制并执行对相关问题的求解，本实施例所采用的推理决策为正向推理中的自然演绎推理，即从一组已知为真的事实(如：边坡的破坏模式)出发，直接运用经典逻辑规则推理出相关结论，所述相关结论包括：建议的最优神经网络类型和最优神经网络类型的结构参数。
所述数据库用于存放初始事实、问题描述及专家系统运行过程中得到的中间结果和最终结，数据库中的内容随着推理过程的进行而改变果。
所述人机接口用于与用户进行交互，本实施例中，所述人机接口由一组程序及相应的硬件组成，用于完成相对应的输入和输出功能。且所述人机接口通过菜单方式、命令方式或简单的问答方式与用户进行交互。
基于以上实施例，本方法还包括：
S5.获取现场边坡的破坏模式，将所述现场边坡的破坏模式输入所述专家系统，得到现场边坡的建议神经网络模型和对应的模型结构参数。
基于以上实施例，所述步骤S5包括：
S51.获取现场边坡的现场勘测资料，根据所述现场勘测资料判断所述现场边坡可能发生的破坏模式；
具体的，对现场边坡进行地质勘查工作，通过地形地貌、地质构造、地层岩性、水文特征、不良特征等地勘资料的汇总分析，结合相关地质专家和岩土工程专家讨论商定(可凭借经验分析、数值模拟、理论计算等方法)及表1内列举的相关内容，最终确定现场边坡最有可能发生的破坏模式，所述破坏模式可能为已记录在专家系统中，也可能没有记载在专家系统中；
S52.将现场边坡可能发生的破坏模式输入至所述专家系统，专家系统通过内部知识库、推理机和数据库三者间的协作推理，最终通过人机接口告知用户与当前破坏模式的边坡匹配的最优神经网络模型和所述最优神经网络模型参数的建议值，所述专家系统可推理得出出所有破坏模式下的边坡的最优神经网络模型，而不限于构建专家系统时所使用到的典型破坏模式。
基于以上实施例，本方法还包括：
S61.利用所述建议神经网络模型和对应的模型结构参数构建关于现场边坡的参数预测模型；
S62.获取现场边坡的实时变形特征，具体的，在现场边坡布置若干个监测点，监测点通过无线网络连接综合数据站，相关技术人员可通过电脑获取综合数据站内存储的现场边坡的变形特征，包括：坡面位移实时监测值、坡面倾斜角实时监测值和坡面裂缝实时监测值；
S63.将实时变形特征输入所述参数预测模型，实时预测得到现场边坡的研究参数，并根据所述研究参数判断出现场边坡的内部情况。
实施例2：
如图2所示，本实施例提供了一种边坡神经网络模型选取装置，所述装置包括：
分类模块01.用于根据破坏模式将边坡划分为若干种不同种类的边坡,获取每种边坡的研究参数；
样本集构建模块02.用于通过数值模拟计算每种边坡在不同研究参数下的变形特征，以研究参数为输入标签、变形特征为输出标签构建每种边坡的数据样本集；
训练模块03.用于分别根据每种边坡对应的所述数据样本集对神经网络模型进行训练和测试，得到每种边坡对应的最优神经网络模型和模型结构参数；
系统建立模块04.用于根据所有边坡对应的最优神经网络模型和模型结构参数建立专家系统；
预测模块05.用于获取现场边坡的研究参数，将所述现场边坡的研究参数输入所述专家系统，得到现场边坡的建议神经网络模型和对应的模型结构参数。
基于以上实施例，所述分类模块01包括：
第一获取单元011.用于获取每种边坡引发失稳破坏的因素；
确定单元012.用于根据所述引发失稳破坏的因素确定边坡的研究对象；
第二获取单元013.用于获取描述所述研究对象的一种或多种研究参数。
基于以上实施例,所述样本集构建模块02包括：
第三获取单元021.用于获取每种边坡的一种或多种研究参数的取值范围；
模型建立单元022.用于对每种边坡建立对应的三维地质模型；
选择单元023.用于从研究参数的取值范围中选择每种边坡的研究参数的不同取值；
仿真模拟单元024.用于根据每种边坡对应研究参数的不同取值分别对每种边坡对应的三维地质模型进行仿真模拟，得到每种边坡的研究参数在不同取值下的变形特征。
基于以上实施例,所述训练模块03包括：
样本划分单元031.用于按照8：2的比例将每种边坡的数据样本集划分为训练集和验证集；
第四获取单元032.用于获取所有类型的神经网络和每种神经网络中所有结构的神经网络模型；
第一计算模块033.用于利用所述训练集依次训练每种神经网络中各结构的神经网络模型，再利用验证集依次验证每种神经网络中各结构的神经网络模型的计算误差；
第二计算模块034.用于将所有神经网络中计算误差的最小值所对应的神经网络模型作为边坡的最优神经网络模型；
第五获取单元035.用于获取所述最优神经网络模型训练得到的模型结构参数。
基于以上实施例,所述系统建立模块04包括：
编写单元041.用于利用所有边坡对应的破坏模式、研究参数、变形特征、最优神经网络模型和模型结构参数编写专门知识；
系统建立单元042.用于建立专家系统，所述专家系统包括知识库、推理机、数据库和人机接口，所述知识库用于存放专门知识，所述推理机用于模拟领域专家的思维过程，所述数据库用于存放初始事实、问题描述及专家系统运行过程中得到的中间结果和最终结果，所述人机接口用于与用户进行交互。
基于以上实施例,所述系统预测模块05之后还包括：
模型构建单元061.用于利用所述建议神经网络模型和对应的模型结构参数构建关于现场边坡的参数预测模型；
第六获取单元062.用于获取现场边坡的实时变形特征；
预测单元063.用于将实时变形特征输入所述参数预测模型，实时预测得到现场边坡的研究参数，并根据所述研究参数判断出现场边坡的内部情况。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种边坡神经网络模型选取设备，下文描述的一种边坡神经网络模型选取设备与上文描述的一种边坡神经网络模型选取方法可相互对应参照。
图3是根据示例性实施例示出的一种边坡神经网络模型选取设备800的框图。如图3所示，该边坡神经网络模型选取设备800可以包括：处理器801，存储器802。该边坡神经网络模型选取设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该边坡神经网络模型选取设备800的整体操作，以完成上述的边坡神经网络模型选取方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该边坡神经网络模型选取设备800的操作，这些数据例如可以包括用于在该边坡神经网络模型选取设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该边坡神经网络模型选取设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，边坡神经网络模型选取设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的边坡神经网络模型选取方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的边坡神经网络模型选取方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由边坡神经网络模型选取设备800的处理器801执行以完成上述的边坡神经网络模型选取方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种边坡神经网络模型选取方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的边坡神经网络模型选取方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种边坡神经网络模型选取方法，其特征在于，包括：
根据破坏模式将边坡划分为若干种不同种类的边坡,获取每种边坡的研究参数；
通过数值模拟计算每种边坡在不同研究参数下的变形特征，以研究参数为输入标签、变形特征为输出标签构建每种边坡的数据样本集；
分别根据每种边坡对应的所述数据样本集对神经网络模型进行训练和测试，得到每种边坡对应的最优神经网络模型和模型结构参数；
根据所有边坡对应的最优神经网络模型和模型结构参数建立专家系统；
获取现场边坡的破坏模式，将所述现场边坡的破坏模式输入所述专家系统，得到现场边坡的建议神经网络模型和对应的模型结构参数。
2.根据权利要求1所述的边坡神经网络模型选取方法，其特征在于,获取每种边坡的研究参数，包括：
获取每种边坡引发失稳破坏的因素；
根据所述引发失稳破坏的因素确定边坡的研究对象；
获取描述所述研究对象的一种或多种研究参数。
3.根据权利要求1所述的边坡神经网络模型选取方法，其特征在于,所述通过数值模拟计算每种边坡在不同研究参数下的变形特征，包括：
获取每种边坡的一种或多种研究参数的取值范围；
对每种边坡建立对应的三维地质模型；
从研究参数的取值范围中选择每种边坡的研究参数的不同取值；
根据每种边坡对应研究参数的不同取值分别对每种边坡对应的三维地质模型进行仿真模拟，得到每种边坡的研究参数在不同取值下的变形特征。
4.根据权利要求1所述的边坡神经网络模型选取方法，其特征在于,分别根据每种边坡对应的所述数据样本集对神经网络模型进行训练和测试，得到每种边坡对应的最优神经网络模型和模型结构参数，包括：
按照8：2的比例将每种边坡的数据样本集划分为训练集和验证集；
获取所有类型的神经网络和每种神经网络中所有结构的神经网络模型；
利用所述训练集依次训练每种神经网络中各结构的神经网络模型，再利用验证集依次验证每种神经网络中各结构的神经网络模型的计算误差；
将所有神经网络中计算误差的最小值所对应的神经网络模型作为边坡的最优神经网络模型；
获取所述最优神经网络模型训练得到的模型结构参数。
5.一种边坡神经网络模型选取装置，其特征在于，包括：
分类模块：用于根据破坏模式将边坡划分为若干种不同种类的边坡,获取每种边坡的研究参数；
样本集构建模块：用于通过数值模拟计算每种边坡在不同研究参数下的变形特征，以研究参数为输入标签、变形特征为输出标签构建每种边坡的数据样本集；
训练模块：用于分别根据每种边坡对应的所述数据样本集对神经网络模型进行训练和测试，得到每种边坡对应的最优神经网络模型和模型结构参数；
系统建立模块：用于根据所有边坡对应的最优神经网络模型和模型结构参数建立专家系统；
预测模块：用于获取现场边坡的研究参数，将所述现场边坡的研究参数输入所述专家系统，得到现场边坡的建议神经网络模型和对应的模型结构参数。
6.根据权利要求5所述的边坡神经网络模型选取装置，其特征在于，所述分类模块包括：
第一获取单元：用于获取每种边坡引发失稳破坏的因素；
确定单元：用于根据所述引发失稳破坏的因素确定边坡的研究对象；
第二获取单元：用于获取描述所述研究对象的一种或多种研究参数。
7.根据权利要求5所述的边坡神经网络模型选取装置，其特征在于，所述样本集构建模块包括：
第三获取单元：用于获取每种边坡的一种或多种研究参数的取值范围；
模型建立单元：用于对每种边坡建立对应的三维地质模型；
选择单元：用于从研究参数的取值范围中选择每种边坡的研究参数的不同取值；
仿真模拟单元：用于根据每种边坡对应研究参数的不同取值分别对每种边坡对应的三维地质模型进行仿真模拟，得到每种边坡的研究参数在不同取值下的变形特征。
8.根据权利要求5所述的边坡神经网络模型选取装置，其特征在于，所述训练模块包括：
样本划分单元：用于按照8：2的比例将每种边坡的数据样本集划分为训练集和验证集；
第四获取单元：用于获取所有类型的神经网络和每种神经网络中所有结构的神经网络模型；
第一计算模块：用于利用所述训练集依次训练每种神经网络中各结构的神经网络模型，再利用验证集依次验证每种神经网络中各结构的神经网络模型的计算误差；
第二计算模块：用于将所有神经网络中计算误差的最小值所对应的神经网络模型作为边坡的最优神经网络模型；
第五获取单元：用于获取所述最优神经网络模型训练得到的模型结构参数。
9.一种边坡神经网络模型选取设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述边坡神经网络模型选取方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述边坡神经网络模型选取方法的步骤。
CN202310201636.1A 2023-03-06 2023-03-06 边坡神经网络模型选取方法、装置、设备及可读存储介质 Active CN116070675B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310201636.1A CN116070675B (zh) 2023-03-06 2023-03-06 边坡神经网络模型选取方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310201636.1A CN116070675B (zh) 2023-03-06 2023-03-06 边坡神经网络模型选取方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN116070675A CN116070675A (zh) 2023-05-05
CN116070675B true CN116070675B (zh) 2023-06-09

Family

ID=86174984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310201636.1A Active CN116070675B (zh) 2023-03-06 2023-03-06 边坡神经网络模型选取方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN116070675B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113516B (zh) * 2023-10-23 2024-01-26 西南交通大学 一种临近边坡条形基础的极限承载力预测方法及相关装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009250664A (ja) * 2008-04-02 2009-10-29 Chuo Kaihatsu Kk 斜面監視装置および斜面監視システム
CN105957311A (zh) * 2016-06-01 2016-09-21 中国水利水电科学研究院 自适应扩展的边坡稳定智能监测预警系统
CN109376844A (zh) * 2018-10-30 2019-02-22 银河水滴科技（北京）有限公司 基于云平台和模型推荐的神经网络自动训练方法和装置
CN111310902A (zh) * 2020-02-24 2020-06-19 石家庄铁道大学 神经网络模型的训练方法、边坡位移预测方法及相关装置
CN111914457A (zh) * 2020-08-18 2020-11-10 中国能源建设集团江苏省电力设计院有限公司 一种输电线路塔基边坡稳定性判别方法、装置和存储介质
CN112990461A (zh) * 2019-12-16 2021-06-18 杭州海康威视数字技术股份有限公司 构建神经网络模型的方法、装置、计算机设备和存储介质
CN113220457A (zh) * 2021-05-24 2021-08-06 交叉信息核心技术研究院(西安)有限公司 模型部署方法、模型部署装置、终端设备及可读存储介质
CN114330168A (zh) * 2021-12-30 2022-04-12 中国科学院力学研究所 一种动态评价边坡安全性的方法
CN114330101A (zh) * 2021-12-01 2022-04-12 武汉大学 一种基于人工神经网络的边坡地震滑移预测方法及系统
CN115661034A (zh) * 2022-09-22 2023-01-31 北京工业大学 基于机器视觉的公路边坡微小位移形变监测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009250664A (ja) * 2008-04-02 2009-10-29 Chuo Kaihatsu Kk 斜面監視装置および斜面監視システム
CN105957311A (zh) * 2016-06-01 2016-09-21 中国水利水电科学研究院 自适应扩展的边坡稳定智能监测预警系统
CN109376844A (zh) * 2018-10-30 2019-02-22 银河水滴科技（北京）有限公司 基于云平台和模型推荐的神经网络自动训练方法和装置
CN112990461A (zh) * 2019-12-16 2021-06-18 杭州海康威视数字技术股份有限公司 构建神经网络模型的方法、装置、计算机设备和存储介质
CN111310902A (zh) * 2020-02-24 2020-06-19 石家庄铁道大学 神经网络模型的训练方法、边坡位移预测方法及相关装置
CN111914457A (zh) * 2020-08-18 2020-11-10 中国能源建设集团江苏省电力设计院有限公司 一种输电线路塔基边坡稳定性判别方法、装置和存储介质
CN113220457A (zh) * 2021-05-24 2021-08-06 交叉信息核心技术研究院(西安)有限公司 模型部署方法、模型部署装置、终端设备及可读存储介质
CN114330101A (zh) * 2021-12-01 2022-04-12 武汉大学 一种基于人工神经网络的边坡地震滑移预测方法及系统
CN114330168A (zh) * 2021-12-30 2022-04-12 中国科学院力学研究所 一种动态评价边坡安全性的方法
CN115661034A (zh) * 2022-09-22 2023-01-31 北京工业大学 基于机器视觉的公路边坡微小位移形变监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Landslide Displacement Prediction via Attentive Graph Neural Network;Ping Kuang等;《Remote Sens》;第14卷(第8期);1-17 *
Landslide susceptibility mapping using automatically constructed CNN architectures with pre-slide topographic DEM of deep-seated catastrophic landslides caused by Typhoon Talas;Teruyuki Kikuchi等;《Natural Hazards》;第117卷;339-364 *
基于地表位移监测和数值模拟的滑坡预警方法研究;李洋;《中国优秀硕士学位论文全文数据库_基础科学辑》;A011-28 *
基于点安全系数法的大型堆积体变形滑坡稳定性分析;牟琦等;《交通科技》(第6期);72-76 *

Also Published As

Publication number Publication date
CN116070675A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
US20210334624A1 (en) Neural architecture search using a performance prediction neural network
CN110825884B (zh) 基于人工智能的嵌入表示处理方法、装置及电子设备
Goloboff et al. TNT, a free program for phylogenetic analysis
US8196066B1 (en) Collaborative gesture-based input language
CN112365171B (zh) 基于知识图谱的风险预测方法、装置、设备及存储介质
Avila et al. SUSSING MERGER TREES: the influence of the halo finder
CN108875090B (zh) 一种歌曲推荐方法、装置和存储介质
CN116070675B (zh) 边坡神经网络模型选取方法、装置、设备及可读存储介质
CN111949306B (zh) 一种支持开源项目碎片化学习的推送方法和系统
CN113886567A (zh) 一种基于知识图谱的教学方法及系统
CN109784365A (zh) 一种特征选择方法、终端、可读介质及计算机程序
Zhang et al. Unirltest: universal platform-independent testing with reinforcement learning via image understanding
CN115186936A (zh) 基于gnn模型的油田最优井网构建方法
Poulding et al. Generating controllably invalid and atypical inputs for robustness testing
US20240078473A1 (en) Systems and methods for end-to-end machine learning with automated machine learning explainable artificial intelligence
CN114328452A (zh) 数据稽核方法、装置、平台、电子设备及存储介质
CN115470557B (zh) 一种基于bim的智能建筑设计方法及系统
Beyki Milajerdi et al. Soil-structure interaction analysis using neural networks optimised by genetic algorithm
JP7196148B2 (ja) 最適化支援装置および最適化支援方法
CN111612280B (zh) 一种数据分析方法和装置
CN112818658B (zh) 文本对分类模型的训练方法、分类方法、设备及存储介质
CN117113516B (zh) 一种临近边坡条形基础的极限承载力预测方法及相关装置
Pereira Generating alternative routes by multicriteria evaluation and a genetic algorithm
CN117151247B (zh) 机器学习任务建模的方法、装置、计算机设备和存储介质
Wang et al. Missing standard features compared with similar apps? A feature recommendation method based on the knowledge from user interface

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