CN116108590A

CN116108590A - 一种重力式挡土墙设计方法、装置、设备及可读存储介质

Info

Publication number: CN116108590A
Application number: CN202310385813.6A
Authority: CN
Inventors: 富海鹰; 周明哲; 杨涛; 赵炎炎; 钟雨薇; 李麒麟; 周庭宇; 吴东
Original assignee: Southwest Jiaotong University
Current assignee: Southwest Jiaotong University
Priority date: 2023-04-12
Filing date: 2023-04-12
Publication date: 2023-05-12
Anticipated expiration: 2043-04-12
Also published as: CN116108590B

Abstract

本发明提供了一种重力式挡土墙设计方法、装置、设备及可读存储介质，涉及挡土墙设计技术领域，包括获取不同地区的工程地质条件和重力式挡土墙的真实设计参数，得到样本数据集；将样本数据集划分为训练集和测试集；搭建卷积神经网络结构，利用混沌映射对卷积神经网络结构参数初始化；利用优化算法对卷积神经网络结构的参数进行优化，得到最优超参数值；利用测试集对卷积神经网络结构进行测试，生成重力式挡土墙设计参数预测模型；将待预测挡土墙的工程地质条件输入所述重力式挡土墙设计参数预测模型中得到待预测挡土墙的设计参数，本发明解决了神经网络结构参数优化过程中迭代时间过长、收敛精度低和容易产生搜索停滞等技术问题。

Description

一种重力式挡土墙设计方法、装置、设备及可读存储介质

技术领域

本发明涉及挡土墙设计技术领域，具体而言，涉及一种重力式挡土墙设计方法、装置、设备及可读存储介质。

背景技术

重力式挡土墙是一种依靠墙身自重抵抗岩土体侧压力的挡土墙。目前主要分为直立型重力式挡土墙，倾斜式重力式挡土墙，台阶式重力式挡土墙三种类型。当地基较好，挡土墙高度不大，本地又有可用石料时，应当首先选用重力式挡土墙。重力式挡土墙可用石砌或混凝土建成，一般都做成形式简单的梯形。重力式挡土墙的设计受到大量地质因素和外部环境的影响，设计计算以及方案的比选仍处于人工操控的阶段。从设计到施工完成，考虑参数的数量使得人工操作大大增加了错误率。

发明内容

本发明的目的在于提供一种重力式挡土墙设计方法、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，本申请提供了一种重力式挡土墙设计方法，包括：

获取不同地区的工程地质条件和重力式挡土墙的真实设计参数，得到样本数据集；

将样本数据集划分为训练集和测试集，其中，工程地质条件作为输入标签，重力式挡土墙的真实设计参数作为输出标签；

搭建卷积神经网络结构，利用混沌映射对卷积神经网络结构参数初始化；

将训练集输入所述卷积神经网络结构中，利用优化算法对卷积神经网络结构的参数进行优化，得到最优超参数值；

将所述最优超参数值代入卷积神经网络结构中，并利用测试集对卷积神经网络结构进行测试，生成重力式挡土墙设计参数预测模型；

将待预测挡土墙的工程地质条件输入所述重力式挡土墙设计参数预测模型中进行预测，得到待预测挡土墙的设计参数。

第二方面，本申请还提供了一种重力式挡土墙设计装置，包括：

获取模块：用于获取不同地区的工程地质条件和重力式挡土墙的真实设计参数，得到样本数据集；

划分模块：用于将样本数据集划分为训练集和测试集，其中，工程地质条件作为输入标签，重力式挡土墙的真实设计参数作为输出标签；

搭建模块：用于搭建卷积神经网络结构，利用混沌映射对卷积神经网络结构参数初始化；

优化模块：用于将训练集输入所述卷积神经网络结构中，利用优化算法对卷积神经网络结构的参数进行优化，得到最优超参数值；

测试模块：用于将所述最优超参数值代入卷积神经网络结构中，并利用测试集对卷积神经网络结构进行测试，生成重力式挡土墙设计参数预测模型；

预测模块：用于将待预测挡土墙的工程地质条件输入所述重力式挡土墙设计参数预测模型中进行预测，得到待预测挡土墙的设计参数。

第三方面，本申请还提供了一种重力式挡土墙设计设备，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重力式挡土墙设计方法的步骤。

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重力式挡土墙设计方法的步骤。

本发明的有益效果为：

本发明将麻雀搜索算法(SSA)与Logistic混沌映射、高斯变异、高斯扰动结合，对卷积神经网络中的参数进行优化以训练得到重力式挡土墙设计参数预测模型。通过引入Logistic混沌映射、高斯变异、高斯扰动和动态步长因子对标准SSA进行改进，解决了参数优化过程中迭代时间过长、收敛精度低和容易产生搜索停滞等问题，提高SSA算法的全局搜索和跳出局部最优的能力，增强其优化性能，提高运行速度。

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重力式挡土墙设计方法流程示意图;

图2为本发明实施例中所述的卷积神经网络结构示意图；

图3为本发明实施例中所述的Logistic混沌映射后的参数映射图；

图4为本发明实施例中所述的重力式挡土墙设计装置结构示意图；

图5为本发明实施例中所述的重力式挡土墙设计设备结构示意图。

图中标记：

800、重力式挡土墙设计设备；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重力式挡土墙设计方法。

参见图1，图中示出了本方法包括：

S1.获取不同地区的工程地质条件和重力式挡土墙的真实设计参数，得到样本数据集；

具体的，所述步骤S1包括：

S11.获取不同地区的土体信息、水文条件和地质构造条件，由土体信息、水文条件和地质构造条件构成工程地质条件；

具体的，所述土体信息至少包括黏土信息和砂土信息等，所述水文条件包括降雨量和地下水等，所述地质构造条件包括地震水平加速度和地震竖直加速度等。

S12.获取不同的工程地质条件对应的挡土墙类型、挡土墙的稳定性系数、失效概率、截面设计尺寸、材料、造价、位移监测数据，得到重力式挡土墙的真实设计参数；

S13.由所有地区的工程地质条件和重力式挡土墙的真实设计参数构成样本数据集。

基于以上实施例，本方法还包括：

S2.将样本数据集划分为训练集和测试集，其中，工程地质条件作为输入标签，重力式挡土墙的真实设计参数作为输出标签；

基于以上实施例，本方法还包括：

S3.搭建卷积神经网络结构，利用混沌映射对卷积神经网络结构参数初始化；

具体的，所述步骤S3包括：

S31.由输入层、卷积层、池化层和输出层构成卷积神经网络结构，具体的，如图2所示，卷积神经网络结构中包括一层卷积层和一层池化层；

S32.通过混沌映射对卷积神经网络结构的参数初始化，生成初始的麻雀种群，所述麻雀种群中包括至少一个麻雀发现者、至少一个麻雀跟随者和至少一个麻雀预警者；

具体的，本实施例中采用Logistic混沌映射，具体计算方法如下：

；（1）

式中，表示第i个麻雀或参数的第t次迭代状态值，取值范围为[0,1]，表示第i个麻雀或参数的第t+1次代状态值，表示决定Logistic映射是否处于混沌状态的分支参数,取值范围为[0,4]；

S33.将麻雀种群均匀分布在搜索空间中，得到麻雀发现者的初始位置、麻雀跟随者的初始位置和麻雀预警者的初始位置，请参阅图3，图中为Logistic混沌映射1000次迭代后的麻雀种群（参数）分布图。

基于以上实施例，本方法还包括：

S4.将训练集输入所述卷积神经网络结构中，利用优化算法对卷积神经网络结构的参数进行优化，得到最优超参数值；

具体的，所述步骤S4包括：

S41.获取最大迭代次数；

S42.依次获取麻雀发现者和麻雀跟随者的新位置,具体的, 麻雀发现者和麻雀跟随者新位置的计算方法为现有技术,此处不再赘述；

S43.利用高斯变异或高斯扰动算法计算得到麻雀预警者的新位置；

具体的，所述步骤S43包括：

S431.根据麻雀预警者的当前位置计算得到麻雀预警者的候选位置；

；（2）

式中，表示麻雀预警者的候选位置，表示当前全局最优位置，表示当前全局最差位置，表示当前麻雀个体的适应度值，表示全局最佳适应度值，表示全局最差适应度值，为Logistic混沌映射迭代后的初始化参数，表示常数, rand表示[0，1]之间的一个随机数。

S432.计算麻雀种群在候选位置时的个体适应度值和麻雀种群的平均适应度值；

；（3）

式中，表示麻雀种群的平均适应度值。

S433.若麻雀预警者的适应度值小于平均适应度值，则利用高斯变异算法计算和麻雀预警者的候选位置计算得到麻雀预警者的新位置；

若：；（4）

式中，表示麻雀预警者的新位置，为期望值为0，标准差为1的正态分布随机数；

若麻雀预警者的适应度值大于平均适应度值，则利用高斯扰动算法和麻雀预警者的当前位置计算得到麻雀预警者的新位置：

若：；（5）

式中，表示均值为、方差为的高斯函数。

S44.若麻雀发现者、麻雀跟随者和麻雀预警者的新位置构成的麻雀种群优于初始麻雀种群，则将麻雀发现者、麻雀跟随者和麻雀预警者从初始位置移动至新位置；

S45.继续更新麻雀发现者、麻雀跟随者和麻雀预警者的位置，当位置更新的次数达到最大迭代次数时，得到最优麻雀种群；

S46.将所述最优麻雀种群中的麻雀发现者、麻雀跟随者和麻雀预警者作为最优超参数值。

基于以上实施例，本方法还包括：

S5.将所述最优超参数值代入卷积神经网络结构中，并利用测试集对卷积神经网络结构进行测试，生成重力式挡土墙设计参数预测模型；

具体的，所述步骤S5包括：

S51.将测试集中的工程地质条件输入卷积神经网络结构中，生成重力式挡土墙的预测设计参数；

S52.将所述重力式挡土墙的预测设计参数与重力式挡土墙的真实设计参数进行比较，计算设计参数的相对误差；

S53.若相对误差满足精度要求，则得到训练完成的重力式挡土墙设计参数预测模型。

基于以上实施例，本方法还包括：

S6.将待预测挡土墙的工程地质条件输入所述重力式挡土墙设计参数预测模型中进行预测，得到待预测挡土墙的设计参数。

实施例2：

如图4所示，本实施例提供了一种重力式挡土墙设计装置，所述装置包括：

基于以上实施例,所述获取模块包括：

第一获取单元：用于获取不同地区的土体信息、水文条件和地质构造条件，由土体信息、水文条件和地质构造条件构成工程地质条件；

第二获取单元：用于获取不同的工程地质条件对应的挡土墙类型、挡土墙的稳定性系数、失效概率、截面设计尺寸、材料、造价、位移监测数据，得到重力式挡土墙的真实设计参数；

构成单元：用于由所有地区的工程地质条件和重力式挡土墙的真实设计参数构成样本数据集。

基于以上实施例,所述搭建模块包括：

搭建单元：用于由输入层、卷积层、池化层和输出层构成卷积神经网络结构；

生成单元：用于通过混沌映射对卷积神经网络结构的参数初始化，生成初始的麻雀种群，所述麻雀种群中包括至少一个麻雀发现者、至少一个麻雀跟随者和至少一个麻雀预警者；

初始化单元：用于将麻雀种群均匀分布在搜索空间中，得到麻雀发现者的初始位置、麻雀跟随者的初始位置和麻雀预警者的初始位置。

基于以上实施例,所述优化模块包括：

第三获取单元：用于获取最大迭代次数；

第四获取单元：用于依次获取麻雀发现者和麻雀跟随者的新位置；

第一计算单元：用于利用高斯变异或高斯扰动算法计算得到麻雀预警者的新位置；

移动单元：用于若麻雀发现者、麻雀跟随者和麻雀预警者的新位置构成的麻雀种群优于初始麻雀种群，则将麻雀发现者、麻雀跟随者和麻雀预警者从初始位置移动至新位置；

更新单元：用于继续更新麻雀发现者、麻雀跟随者和麻雀预警者的位置，当位置更新的次数达到最大迭代次数时，得到最优麻雀种群；

确定单元：用于将所述最优麻雀种群中的麻雀发现者、麻雀跟随者和麻雀预警者作为最优超参数值。

基于以上实施例, 所述第一计算单元包括：

第二计算单元：用于根据麻雀预警者的当前位置计算得到麻雀预警者的候选位置；

第三计算单元：用于计算麻雀种群在候选位置时的个体适应度值和麻雀种群的平均适应度值；

第四计算单元：用于若麻雀预警者的适应度值小于平均适应度值，则利用高斯变异算法计算和麻雀预警者的候选位置计算得到麻雀预警者的新位置；

第五计算单元：用于若麻雀预警者的适应度值大于或等于平均适应度值，则利用高斯扰动算法和麻雀预警者的候选位置计算得到麻雀预警者的新位置。

基于以上实施例,所述测试模块包括：

输入单元：用于将测试集中的工程地质条件输入卷积神经网络结构中，生成重力式挡土墙的预测设计参数；

比较单元：用于将所述重力式挡土墙的预测设计参数与重力式挡土墙的真实设计参数进行比较，计算设计参数的相对误差；

判断单元：用于若相对误差满足精度要求，则得到训练完成的重力式挡土墙设计参数预测模型。

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重力式挡土墙设计设备，下文描述的一种重力式挡土墙设计设备与上文描述的一种重力式挡土墙设计方法可相互对应参照。

图5是根据示例性实施例示出的一种重力式挡土墙设计设备800的框图。如图5所示，该重力式挡土墙设计设备800可以包括：处理器801，存储器802。该重力式挡土墙设计设备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用于控制该重力式挡土墙设计设备800的整体操作，以完成上述的重力式挡土墙设计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重力式挡土墙设计设备800的操作，这些数据例如可以包括用于在该重力式挡土墙设计设备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(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-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用于该重力式挡土墙设计设备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，重力式挡土墙设计设备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，用于执行上述的重力式挡土墙设计方法。

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重力式挡土墙设计方法的步骤。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，上述程序指令可由重力式挡土墙设计设备800的处理器801执行以完成上述的重力式挡土墙设计方法。

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重力式挡土墙设计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重力式挡土墙设计方法的步骤。

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

1.一种重力式挡土墙设计方法，其特征在于，包括：

2.根据权利要求1所述的重力式挡土墙设计方法，其特征在于，搭建卷积神经网络结构，利用混沌映射对卷积神经网络结构参数初始化，包括：

由输入层、卷积层、池化层和输出层构成卷积神经网络结构；

通过混沌映射对卷积神经网络结构的参数初始化，生成初始的麻雀种群，所述麻雀种群中包括至少一个麻雀发现者、至少一个麻雀跟随者和至少一个麻雀预警者；

将麻雀种群均匀分布在搜索空间中，得到麻雀发现者的初始位置、麻雀跟随者的初始位置和麻雀预警者的初始位置。

3.根据权利要求1所述的重力式挡土墙设计方法，其特征在于，利用优化算法对卷积神经网络结构的参数进行优化，得到最优超参数值，包括：

获取最大迭代次数；

依次获取麻雀发现者和麻雀跟随者的新位置；

利用高斯变异或高斯扰动算法计算得到麻雀预警者的新位置；

若麻雀发现者、麻雀跟随者和麻雀预警者的新位置构成的麻雀种群优于初始麻雀种群，则将麻雀发现者、麻雀跟随者和麻雀预警者从初始位置移动至新位置；

继续更新麻雀发现者、麻雀跟随者和麻雀预警者的位置，当位置更新的次数达到最大迭代次数时，得到最优麻雀种群；

将所述最优麻雀种群中的麻雀发现者、麻雀跟随者和麻雀预警者作为最优超参数值。

4.根据权利要求3所述的重力式挡土墙设计方法，其特征在于, 利用高斯变异或高斯扰动算法计算得到麻雀预警者的新位置，包括：

根据麻雀预警者的当前位置计算得到麻雀预警者的候选位置；

计算麻雀种群在候选位置时的个体适应度值和麻雀种群的平均适应度值；

若麻雀预警者的适应度值小于平均适应度值，则利用高斯变异算法计算和麻雀预警者的候选位置计算得到麻雀预警者的新位置；

若麻雀预警者的适应度值大于或等于平均适应度值，则利用高斯扰动算法和麻雀预警者的候选位置计算得到麻雀预警者的新位置。

5.一种重力式挡土墙设计装置，其特征在于，包括：

6.根据权利要求5所述的重力式挡土墙设计装置，其特征在于，所述搭建模块包括：

7.根据权利要求6所述的重力式挡土墙设计装置，其特征在于，所述优化模块包括：

第三获取单元：用于获取最大迭代次数；

8.根据权利要求7所述的重力式挡土墙设计装置，其特征在于，所述第一计算单元包括：

9.一种重力式挡土墙设计设备，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任一项所述重力式挡土墙设计方法的步骤。

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任一项所述重力式挡土墙设计方法的步骤。