CN116522774A - 基于迁移学习算法的土质边坡稳定性预测方法及预测平台 - Google Patents

基于迁移学习算法的土质边坡稳定性预测方法及预测平台 Download PDF

Info

Publication number
CN116522774A
CN116522774A CN202310478036.XA CN202310478036A CN116522774A CN 116522774 A CN116522774 A CN 116522774A CN 202310478036 A CN202310478036 A CN 202310478036A CN 116522774 A CN116522774 A CN 116522774A
Authority
CN
China
Prior art keywords
slope
soil
model
neural network
data
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.)
Pending
Application number
CN202310478036.XA
Other languages
English (en)
Inventor
童晨曦
丁丽
刘宏伟
张升
叶新宇
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202310478036.XA priority Critical patent/CN116522774A/zh
Publication of CN116522774A publication Critical patent/CN116522774A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明公开了一种基于迁移学习算法的土质边坡稳定性预测方法，包括获取边坡实测水平位移数据及土体样本数据；通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，通过反演分析处理，获取反演土体强度参数；采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型、用户模型；采用构建的两种模型，通过迁移学习算法，构建NN+TL算法模型；通过算法模型，完成边坡的稳定性预测分析。本发明还公开了包括所述基于迁移学习算法的土质边坡稳定性预测方法的预测平台。本发明解决了通过试验得到静态参数难以反映动态土体强度参数变化的问题，克服了边坡监测和稳定性分析发展的缺陷，本发明具有实时、快捷、准确的优点。

Description

基于迁移学习算法的土质边坡稳定性预测方法及预测平台
技术领域
本发明属于岩土工程领域，具体涉及一种基于迁移学习算法的土质边坡稳定性预测方法及预测平台。
背景技术
边坡失稳是一项在全球范围内分布广泛的自然灾害，对国家和人民的生命财产安全经常产生严重威胁，并造成巨大的损失。滑坡灾害的产生是一个逐渐发展的过程，如果能够通过监测手段及时掌握边坡变形和稳定性的变化规律，进而对边坡进行加固处理，并及时提出预警措施，能够有效地防止滑坡的发生、降低滑坡带来的灾害。
边坡安全监测通过监测手段获得边坡参数，包括位移值、应力应变和地下水位，设定警戒值对边坡的安全状态进行分析，这种通过设定警戒值判断边坡的稳定性的方式具有很大的经验性，往往由于警戒值设定的不合理，使得对边坡稳定性出现错误的判断。
常见的稳定性分析方法包括极限平衡法和强度折减法，边坡土体强度参数的获取，是目前进行边坡稳定性分析的难点所在，室内外试验是解决上述难点问题的有效方法，但仍具有局限性，且通过试验得到的静态参数难以反映动态土体强度参数变化，因此，直接通过测试技术获得边坡土体强度参数，进而进行边坡稳定性分析，也存在一定的困难。
为了通过理想的计算方法评估边坡稳定性问题，有学者提出机器学习ML算法解决稳定性问题，大多数基于ML的技术，要求训练数据必须位于相同的特征空间中并具有相同的分布，当边坡形状发生变化时，机器学习算法模型需要重新构建，用于算法模型搭建的边坡有限元数据也需要重新获取，耗费大量有限元模拟时间。
综上所述，如何根据边坡实测位移值对边坡稳定性进行有效分析，以及如何在少量样本数据的情况下快速准确的对不同形状的边坡进行稳定性分析，仍存在大量的问题。
发明内容
本发明的目的之一在于提供一种实时、快捷、准确的基于迁移学习算法的土质边坡稳定性预测方法。
本发明的目的之二在于提供一种包括了所述基于迁移学习算法的土质边坡稳定性预测方法的预测平台。
本发明提供的这种基于迁移学习算法的土质边坡稳定性预测方法，包括如下步骤：
S1.获取边坡实测水平位移数据及土体样本数据；
S2.采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数；
S3.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型；
S4.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型；
S5.通过迁移学习算法，针对步骤S3构建的后台模型和步骤S4构建的用户模型进行迁移学习处理，构建NN+TL算法模型；
S6.采用步骤S2获取的反演土体强度参数，通过步骤S5构建的NN+TL算法模型，完成边坡的稳定性预测分析。
步骤S1所述的获取边坡实测水平位移数据及土体样本数据，具体包括：
1)通过边坡监测技术，针对边坡的位移进行实时监测，记录各个测点的实测水平位移值{f1,f2,…,fn}；
2)获取边坡土体基本参数，包括土体弹性模量E、泊松比v、土体重度γ、黏聚力c、内摩擦角根据获取的黏聚力c与内摩擦角/>的取值范围，形成不同的组合系列，利用有限元分析软件，建立边坡数值分析模型，并记录对应/>组合下各个测点的计算水平位移值{d1,d2,…,dn}和边坡安全系数值{Fs}，构建土体样本数据。
步骤S2所述的采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数，具体包括：
1)针对步骤S1获取的边坡实测水平位移数据及土体样本数据进行标准化处理，将处理后的各测点的计算水平位移值{d1,d2,…,dn}作为网络输入，土体强度参数作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练和测试，建立边坡实测水平位移值与土体强度参数的关系模型；
2)选择标准化处理后的各个测点的实测水平位移{f1,f2,…,fn}作为训练后的神经网络的输入，通过神经网络处理，得到反演的土体强度参数
步骤S3所述的采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型，具体包括：
获取符合条件的土体强度参数随机数组，并通过有限元软件建立边坡数值分析模型，记录每一组/>下的边坡安全系数值{Fs}；针对土体强度参数/>和边坡安全系数值{Fs}进行标准化处理，将土体强度参数/>作为网络输入，对应的边坡安全系数值{Fs}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的后台模型。
步骤S4所述的采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型，具体包括：
采用步骤S1获得样本数据作为网络的样本数据集，针对土体强度参数和边坡安全系数值{Fs}进行标准化处理，将土体强度参数/>作为网络输入，对应的边坡安全系数值{Fs}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的用户模型。
步骤S2、S3、S4所述的神经网络算法，具体包括：
1)设计神经网络的层数、节点数：
BP神经网络包括输入层、隐含层和输出层，每层由若干个神经元组成，层数设计包括输入层设计、隐含层设计、输出层设计，并确定各层神经元数目；
选择数据输入到网络的输入层，同时定义神经元个数为n；通过测试确定隐含层的层数以及神经元的个数，选定测试过程中误差最小、预测结果与期望结果最接近的层数和神经元个数作为隐含层的层数以及神经元的个数；选择数据作为输出层的输出值，同时设定神经元的个数；
2)获取网络模型的训练数据集，并针对数据集进行预处理：
针对数据集中的数据进行标准化处理，按照设定比例将处理后的数据集随机划分为训练数据集和测试数据集，分别用于神经网络的训练和测试；
标准化的公式如下所示：
其中，xnormalization为标准化后的样本数据，x为样本数据，μ为所有样本数据的均值，σ为所有样本数据的标准差；
3)确定神经网络的拓扑结构：
通过试算处理，根据最小化损失原则，确定激活函数、隐含层层数、神经元个数、批大小、学习率、迭代次数；
基于输入数据与输出数据之间呈现的非线性关系，采用Sigmoid激活函数，将输出值映射到0～1的范围，采用下述公式表示激活函数：
其中，f(x)是经非线性映射后的输出数据，x是经加权、求和后的输入数据；
批大小指在一次训练中选取的样本数；
学习率指每次参数更新的幅度大小；
迭代次数指整个训练数据集输入到神经网络进行训练的次数；
4)确定神经网络的优化器和损失函数：
神经网络的优化器包括BGD、SGD、MBGD、Momentum、AdaGrad、Adam等；其中，Adam优化器包含的显著优点有：实现简单，计算高效，对内存需求少；参数的更新不受梯度的伸缩变换影响；超参数具有很好的解释性，且通常无需调整或仅需很少的微调；更新的步长能够被限制在大致的范围内(初始学习率)；能自然地实现步长退火过程(自动调整学习率)；很适合应用于大规模的数据及参数的场景；适用于不稳定目标函数；适用于梯度稀疏或梯度存在很大噪声的问题；经验性结果证明Adam优化器在实践中性能优异，相对于其他种类的随机优化算法具有很大的优势，故本发明选取Adam优化器最小化损失函数；
①采用下述公式表示均方差损失函数MSE：
其中，yi为真实值，为预测值，n为样本数；
②采用Adam优化算法最小化损失函数，具体包括：
采用下述公式计算第t步的梯度：
其中，gt是第t个迭代步中损失函数对模型参数求导后的梯度，表示对损失函数进行梯度运算，θt是神经网络模型的参数；
采用下述公式计算梯度的指数移动平均数：
mt＝β1mt-1+(1-β1)gt
其中，系数β1为指数衰减率，控制权重分配，m0＝0，mt是梯度一阶矩估计，t＝1,2,…,n，n为迭代次数；
采用下述公式计算梯度平方的指数移动平均数：
其中，系数β2为指数衰减率，v0＝0，vt是梯度二阶矩估计；
m0初始化为0，采用下述公式对梯度一阶矩估计mt进行偏差纠正，降低偏差对训练初期的影响：
其中，是纠正后的梯度一阶矩估计；
v0初始化为0，采用下述公式对梯度二阶矩估计vt进行偏差纠正：
其中，是纠正后的梯度二阶矩估计；
采用下述公式描述更新参数过程：
其中，ε为固定数值，η为学习率，θt表示第t个迭代步中神经网络模型中的参数值；
通过若干迭代步，不断利用上述过程更新神经网络模型参数，即可使得模型输出的估计值不断接近真实值，从而使得损失函数下降，最终收敛于最小值附近。
5)针对神经网络的参数进行反演精度测试：
选择测试数据集中经标准化处理后的数据作为训练后的神经网络的输入，通过神经网络得到反演的参数值，对比于真实记录参数值，如果误差超出设定的范围，重新调整神经网络参数。
步骤S5所述的采用步骤S3构建的后台模型与步骤S4构建的用户模型，通过迁移学习算法，构建NN+TL算法模型，具体包括：
通过迁移学习算法TL，将后台模型的架构形式、超参数迁移至用户模型，具体包括：
A1.确定用户模型神经网络的拓扑结构，包括激活函数、隐含层层数、节点数、学习率、迭代次数，将后台模型的上述参数直接应用到用户模型中；
A2.将后台模型的输入层-隐含层、隐含层-输出层的连接权重迁移至用户模型，作为用户模型的初始连接权重值。
步骤S6所述的采用步骤S2获取的反演土体强度参数，通过步骤S5构建的NN+TL算法模型，完成边坡的稳定性预测分析，具体包括：
采用步骤S2获取的反演土体强度参数作为步骤S5构建的NN+TL算法模型的输入，通过模型得到边坡安全系数预测值{Fs *}，将边坡安全系数预测值{Fs *}反馈到用户端，完成实测水平位移值{f1,f2,…,fn}-土体强度参数/>-边坡安全系数值{Fs *}的关系转化，通过参数的转化关系完成对边坡的稳定性预测分析。
本发明还提供了一种实现所述的基于迁移学习算法的土质边坡稳定性预测方法的预测平台，包括数据获取模块、关系模型建立模块、后台模块、客户模块、学习模块和分析模块；数据获取模块、关系模型建立模块、后台模块、用户模块、学习模块和分析模块依次串联；数据获取模块用于获取边坡实测水平位移数据及土体样本数据，并将数据上传到关系模型建立模块；关系模型建立模块用于采用获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数，并将数据上传后台模块；后台模块用于采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型，并将数据上传用户模块；用户模块用于采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型，并将数据上传学习模块；学习模块用于通过迁移学习算法，针对构建的后台模型和构建的用户模型进行迁移学习处理，构建NN+TL算法模型，并将数据上传分析模块；分析模块用于采用获取的反演土体强度参数，通过构建的NN+TL算法模型，完成边坡的稳定性预测分析。
本发明提供的这种基于迁移学习算法的土质边坡稳定性预测方法及预测平台，通过神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型、土体强度参数与边坡安全系数值关系的用户模型，以及通过迁移学习算法，构建NN+TL算法模型，并得到最终的预测平台；采用边坡实测水平位移数据及土体样本数据，经处理后作为平台的输入获得反演土体强度参数，进而实现对边坡的稳定性预测分析；本发明解决了通过试验得到的静态参数难以反映动态土体强度参数变化的问题，克服了岩土工程中边坡监测和稳定性分析独立发展的缺陷，而且本发明具有实时、快捷、准确的优点。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法的边坡数值分析用户模型的分析效果示意图。
图3为本发明方法的边坡数值分析后台模型的分析效果示意图。
图4为本发明方法分别考虑迁移学习算法与不考虑迁移学习算法，处理用户模型的结果对比示意图。
图5为本发明预测平台的功能模块示意图。
图6为本发明预测平台构架示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种基于迁移学习算法的土质边坡稳定性预测方法，包括如下步骤：
S1.获取边坡实测水平位移数据及土体样本数据；具体包括：
1)通过边坡监测技术，针对边坡的位移进行实时监测，记录各个测点的实测水平位移值{f1,f2,…,fn}；
2)获取边坡土体基本参数，包括土体弹性模量E、泊松比v、土体重度γ、黏聚力c、内摩擦角根据获取的黏聚力c与内摩擦角/>的取值范围，形成不同的组合系列，利用有限元分析软件，建立边坡数值分析模型，并记录对应/>组合下各个测点的计算水平位移值{d1,d2,…,dn}和边坡安全系数值{Fs}，构建土体样本数据；
本发明获取的边坡土体基本参数包括：土体弹性模量E＝20MPa、泊松比v＝0.3、土体重度γ＝19kN/m3、黏聚力c＝12～24kPa、内摩擦角根据获取的黏聚力c与内摩擦角/>的取值范围，形成49组不同的组合系列，利用Optum G2商业有限元分析软件，建立边坡数值分析模型，如图2所示，本发明考虑4个测点，记录对应/>组合下各个测点的计算水平位移值{d1,d2,d3,d4}和边坡安全系数值{Fs}，计算结果如表1所示：
表1不同组合条件下的边坡安全系数值Fs
S2.采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法进行反演分析处理，获取反演土体强度参数，并构建边坡实测水平位移值与土体强度参数的关系模型；具体包括：
1)设计神经网络的层数、节点数：
BP神经网络包括输入层、隐含层和输出层，每层由若干个神经元组成，层数设计包括输入层设计、隐含层设计、输出层设计，并确定各层神经元数目；
将各测点的计算水平位移值{d1,d2,…,dn}作为输入值输入到网络的输入层，同时定义神经元个数为n；通过测试确定隐含层的层数以及神经元的个数，选定测试过程中误差最小、预测结果与期望结果最接近的层数和神经元个数作为隐含层的层数以及神经元的个数；选择土体强度参数作为输出层的输出值，同时设定神经元的个数；
本发明考虑4个测点，记为{d1,d2,d3,d4}，输入层的神经元个数设定为4；隐含层的神经元个数为32；输出层的神经元的个数为2；
2)获取网络模型的训练数据集，并针对数据集进行预处理：
采用步骤S1获取的土体样本数据中各测点的计算水平位移值{d1,d2,d3,d4}与土体强度参数作为训练数据集，针对训练数据集进行标准化处理，按照设定比例将处理后的数据集随机划分为训练数据集和测试数据集，用于神经网络的训练；
标准化的公式如下所示：
其中，xnormalization为标准化后的样本数据，x为样本数据，μ为所有样本数据的均值，σ为所有样本数据的标准差；
3)确定神经网络的拓扑结构：
通过试算处理，根据最小化损失原则，确定激活函数、隐含层层数、神经元个数、批大小、学习率、迭代次数；
基于输入数据与输出数据之间呈现的非线性关系，采用Sigmoid激活函数，将输出值映射到0～1的范围，采用下述公式表示激活函数：
其中，f(x)是经非线性映射后的输出数据，x是经加权、求和后的输入数据；
批大小指在一次训练中选取的样本数；
学习率指每次参数更新的幅度大小；
迭代次数指整个训练数据集输入到神经网络进行训练的次数；
本发明方法中具体使用的超参数取值情况如下表所示：
表2神经网络超参数取值(参数反演)
4)确定神经网络的优化器和损失函数：
神经网络的优化器包括BGD、SGD、MBGD、Momentum、AdaGrad、Adam等；其中，Adam优化器包含的显著优点有：实现简单，计算高效，对内存需求少；参数的更新不受梯度的伸缩变换影响；超参数具有很好的解释性，且通常无需调整或仅需很少的微调；更新的步长能够被限制在大致的范围内(初始学习率)；能自然地实现步长退火过程(自动调整学习率)；很适合应用于大规模的数据及参数的场景；适用于不稳定目标函数；适用于梯度稀疏或梯度存在很大噪声的问题；经验性结果证明Adam优化器在实践中性能优异，相对于其他种类的随机优化算法具有很大的优势，故本发明选取Adam优化器最小化损失函数；
①采用下述公式表示均方差损失函数MSE：
其中，yi为真实值，为预测值，n为样本数；
②采用Adam优化算法最小化损失函数，具体包括：
采用下述公式计算第t步的梯度：
其中，gt是第t个迭代步中损失函数对模型参数求导后的梯度，表示对损失函数进行梯度运算，θt是神经网络模型的参数；
采用下述公式计算梯度的指数移动平均数：
mt＝β1mt-1+(1-β1)gt
其中，系数β1为指数衰减率，控制权重分配，m0＝0，mt是梯度一阶矩估计，t＝1,2,…,n，n为迭代次数；
采用下述公式计算梯度平方的指数移动平均数：
其中，系数β2为指数衰减率，v0＝0，vt是梯度二阶矩估计；
m0初始化为0，采用下述公式对梯度一阶矩估计mt进行偏差纠正，降低偏差对训练初期的影响：
其中，是纠正后的梯度一阶矩估计；
v0初始化为0，采用下述公式对梯度二阶矩估计vt进行偏差纠正：
其中，是纠正后的梯度二阶矩估计；
采用下述公式描述更新参数过程：
其中，ε为固定数值，本发明方法中设定为ε＝10-8，η为学习率，θt表示第t个迭代步中神经网络模型中的参数值；
通过若干迭代步，不断利用上述过程更新神经网络模型参数，即可使得模型输出的估计值不断接近真实值，从而使得损失函数下降，最终收敛于最小值附近；
5)针对神经网络的参数进行反演精度测试：
选择测试数据集中经标准化处理后的各个测点的计算水平位移值{d1,d2,d3,d4}作为训练后的神经网络的输入，通过神经网络得到反演的土体强度参数对比于真实记录参数值，如果误差超出设定的范围，重新调整神经网络参数；
6)通过神经网络进行参数反演：
选择标准化处理后的各个测点的实测水平位移{f1,f2,f3,f4}作为步骤5)中训练后的神经网络的输入，通过神经网络处理，得到反演的土体强度参数
S3.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型；具体包括：
步骤S3采用步骤S2所述的神经网络算法构建土体强度参数与边坡安全系数值关系的后台模型；获取符合条件的土体强度参数随机数组，并通过有限元软件建立边坡数值分析模型，记录每一组/>下的边坡安全系数值{Fs}；针对土体强度参数/>和边坡安全系数值{Fs}进行标准化处理，将土体强度参数/>作为网络输入，对应的边坡安全系数值{Fs}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的后台模型；
本发明方法中通过Matlab科学计算软件，生成1000组符合条件的土体强度参数随机数组，其中，土体弹性模量E＝25MPa、泊松比v＝0.3、土体重度γ＝19kN/m3、黏聚力c符合均值为μ＝20kPa、标准差为σ＝5的正态分布、内摩擦角/>符合均值为μ＝20°、标准差为σ＝5的正态分布；通过Optum G2商业有限元软件建立边坡数值分析模型，记录每一组/>下的边坡安全系数值，如图3所示；步骤S3中，本发明方法选择更换神经网络的部分设置参数，选择输入层神经元个数为2，输出层神经元个数为1；超参数的具体取值情况如表3所示：
表3神经网络超参数取值(后台模型)
后台模型的分析效果如图3所示；
S4.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型；具体包括：
步骤S4采用步骤S2所述的神经网络算法构建土体强度参数与边坡安全系数值关系的用户模型；采用步骤S1获得样本数据作为网络的样本数据集，针对土体强度参数和边坡安全系数值{Fs}进行标准化处理，将土体强度参数/>作为网络输入，对应的边坡安全系数值{Fs}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的用户模型；
步骤S4中，本发明方法选择更换神经网络的部分设置参数，选择输入层神经元个数为2，输出层神经元个数为1；超参数的具体取值情况如表4所示：
表4神经网络超参数取值(用户模型)
用户模型的分析效果如图2所示；
S5.采用步骤S3构建的后台模型与步骤S4构建的用户模型，通过迁移学习算法，构建NN+TL算法模型；具体包括：
通过迁移学习算法TL，将后台模型的架构形式、超参数迁移至用户模型，具体包括：
A1.确定用户模型神经网络的拓扑结构，包括激活函数、隐含层层数、节点数、学习率、迭代次数，将后台模型的上述参数直接应用到用户模型中；
A2.将后台模型的输入层-隐含层、隐含层-输出层的连接权重迁移至用户模型，作为用户模型的初始连接权重值；
S6.采用步骤S2获取的反演土体强度参数，通过步骤S5构建的NN+TL算法模型，完成边坡的稳定性预测分析；具体包括：
采用步骤S2获取的反演土体强度参数作为步骤S5构建的NN+TL算法模型的输入，通过模型得到边坡安全系数预测值{Fs *}，将边坡安全系数预测值{Fs *}反馈到用户端，进而完成实测水平位移值{f1,f2,…,fn}-土体强度参数/>-边坡安全系数值{Fs *}的关系转化，通过参数的转化关系完成对边坡的稳定性预测分析；
为验证迁移学习在不同形状边坡稳定性分析中的适用性，依照上述步骤，将训练完成的后台NN算法模型的超参数和连接权值，迁移至用户NN算法模型，并与相同算法结构不迁移连接权值的NN算法模型进行比较；采用平均绝对误差MAE衡量拟合效果，平均绝对误差MAE的计算如下式所示：
其中，n是测试数据集中的数据的个数，是边坡安全系数预测值，yi是边坡安全系数计算值；
图4为本发明方法分别考虑迁移学习算法与不考虑迁移学习算法，处理用户模型的结果对比示意图；采用部分基于有限元软件模拟的计算水平位移值替代实测数据，将49组数据随机划分为训练集和测试集，划分比例依次为1:4、2:3、3:2、4:1；每种划分比例重复运行10次，将平均绝对误差MAE取10次的平均值；不同训练集数量情况下NN算法与NN+TL算法的拟合效果如图4所示；从图中可以看出，随着训练集数据的增加，NN算法和NN+TL算法的拟合效果都在提升；在训练集数据相同的情况下，采用NN+TL算法的拟合效果要优于NN算法；并且，在训练集数据仅有10组的情况下，NN+TL算法的优越性表现明显。
如图5所示为本发明预测平台的功能模块示意图：本发明提供的这种实现所述的基于迁移学习算法的土质边坡稳定性预测方法的预测平台，包括数据获取模块、关系模型建立模块、后台模块、客户模块、学习模块和分析模块；数据获取模块、关系模型建立模块、后台模块、用户模块、学习模块和分析模块依次串联；数据获取模块用于获取边坡实测水平位移数据及土体样本数据，并将数据上传到关系模型建立模块；关系模型建立模块用于采用获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数，并将数据上传后台模块；后台模块用于采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型，并将数据上传用户模块；用户模块用于采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型，并将数据上传学习模块；学习模块用于通过迁移学习算法，针对构建的后台模型和构建的用户模型进行迁移学习处理，构建NN+TL算法模型，并将数据上传分析模块；分析模块用于采用获取的反演土体强度参数，通过构建的NN+TL算法模型，完成边坡的稳定性预测分析。
具体实施时：
如果用户第一次使用平台，需上传样本数据以建立实测水平位移值与土体强度参数的关系，再建立土体强度参数与边坡安全系数值的关系；
如果用户已使用过该平台，只需输入实测位移数据，平台后台自动计算，并给出预测边坡安全系数值。
如图6所示为本发明预测平台构架示意图：预测平台采用微服务架构，保证平台服务的高可用性，各组件说明如下：
网关：将用户请求转发到对应的微服务，并在请求数量过多时进行负载均衡与限流，保证服务可用性；
服务注册与发现中心：集中管理各个微服务所在服务器IP，服务状态等信息，供微服务互相发现；
RabbitMQ：消息队列中间件，用于服务间消息传递；
MySQL：用于存储平台的所有后台数据；
对象存储OOS：用于存储用户上传的样本数据文件和训练好的神经网络模型参数文件；
Task服务；收集用户训练样本数据，显示神经网络训练状态；
Slope服务：神经网络模型的增删查操作；
User服务：用于管理用户信息，包括用户注册、登录、鉴权操作；
Model服务：实现神经网络的训练与安全系数的预测功能，供其他微服务使用；
用户上传训练样本数据进行神经网络训练时平台的后台进行的具体操作包括：
Task服务收到用户请求——将样本数据上传到OOS服务器——将“开始训练”消息存入RabbitMQ——Train服务从RabbitMQ取出消息并开始训练——训练完成后，通过RabbitMQ通知Task服务训练已完成，并将训练好的模型参数上传至OOS服务器；
用户输入实测位移数据进行边坡安全系数预测操作时平台的后台进行的具体操作包括：
Slope服务收到用户请求——通过RPC调用Model服务——Model服务从OOS下载对应的参数文件——使用参数文件和位移数据预测安全系数。

Claims (9)

1.一种基于迁移学习算法的土质边坡稳定性预测方法，包括如下步骤：
S1.获取边坡实测水平位移数据及土体样本数据；
S2.采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数；
S3.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型；
S4.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型；
S5.通过迁移学习算法，针对步骤S3构建的后台模型和步骤S4构建的用户模型进行迁移学习处理，构建NN+TL算法模型；
S6.采用步骤S2获取的反演土体强度参数，通过步骤S5构建的NN+TL算法模型，完成边坡的稳定性预测分析。
2.根据权利要求1所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S1所述的获取边坡实测水平位移数据及土体样本数据，具体包括：
1)通过边坡监测技术，针对边坡的位移进行实时监测，记录各个测点的实测水平位移值{f1,f2,…,fn}；
2)获取边坡土体基本参数，包括土体弹性模量E、泊松比v、土体重度γ、黏聚力c、内摩擦角根据获取的黏聚力c与内摩擦角/>的取值范围，形成不同的组合系列，利用有限元分析软件，建立边坡数值分析模型，并记录对应/>组合下各个测点的计算水平位移值{d1,d2,…,dn}和边坡安全系数值{Fs}，构建土体样本数据。
3.根据权利要求2所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S2所述的采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数，具体包括：
针对步骤S1获取的边坡实测水平位移数据及土体样本数据进行标准化处理，将处理后的各测点的计算水平位移值{d1,d2,…,dn}作为网络输入，土体强度参数作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练和测试，建立边坡实测水平位移值与土体强度参数的关系模型；
选择标准化处理后的各个测点的实测水平位移{f1,f2,…,fn}作为训练后的神经网络的输入，通过神经网络处理，得到反演的土体强度参数
4.根据权利要求3所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S3所述的采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型，具体包括：
获取符合条件的土体强度参数随机数组，并通过有限元软件建立边坡数值分析模型，记录每一组/>下的边坡安全系数值{Fs}；针对土体强度参数/>和边坡安全系数值{Fs}进行标准化处理，将土体强度参数/>作为网络输入，对应的边坡安全系数值{Fs}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的后台模型。
5.根据权利要求4所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S4所述的采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型，具体包括：
采用步骤S1获得样本数据作为网络的样本数据集，针对土体强度参数和边坡安全系数值{Fs}进行标准化处理，将土体强度参数/>作为网络输入，对应的边坡安全系数值{Fs}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的用户模型。
6.根据权利要求5所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S2、S3、S4所述的神经网络算法，具体包括：
1)设计神经网络的层数、节点数：
BP神经网络包括输入层、隐含层和输出层，每层由若干个神经元组成，层数设计包括输入层设计、隐含层设计、输出层设计，并确定各层神经元数目；
选择数据输入到网络的输入层，同时定义神经元个数为n；通过测试确定隐含层的层数以及神经元的个数，选定测试过程中误差最小、预测结果与期望结果最接近的层数和神经元个数作为隐含层的层数以及神经元的个数；选择数据作为输出层的输出值，同时设定神经元的个数；
2)获取网络模型的训练数据集，并针对数据集进行预处理：
针对数据集中的数据进行标准化处理，按照设定比例将处理后的数据集随机划分为训练数据集和测试数据集，分别用于神经网络的训练和测试；
标准化的公式如下所示：
其中，xnormalization为标准化后的样本数据，x为样本数据，μ为所有样本数据的均值，σ为所有样本数据的标准差；
3)确定神经网络的拓扑结构：
通过试算处理，根据最小化损失原则，确定激活函数、隐含层层数、神经元个数、批大小、学习率、迭代次数；
基于输入数据与输出数据之间呈现的非线性关系，采用Sigmoid激活函数，将输出值映射到0～1的范围，采用下述公式表示激活函数：
其中，f(x)是经非线性映射后的输出数据，x是经加权、求和后的输入数据；
批大小指在一次训练中选取的样本数；
学习率指每次参数更新的幅度大小；
迭代次数指整个训练数据集输入到神经网络进行训练的次数；
4)确定神经网络的优化器和损失函数：
选取Adam优化器；
①采用下述公式表示均方差损失函数MSE：
其中，yi为真实值，为预测值，n为样本数；
②采用Adam优化算法最小化损失函数，具体包括：
采用下述公式计算第t步的梯度：
其中，gt是第t个迭代步中损失函数对模型参数求导后的梯度，表示对损失函数进行梯度运算，θt是神经网络模型的参数；
采用下述公式计算梯度的指数移动平均数：
mt＝β1mt-1+(1-β1)gt
其中，系数β1为指数衰减率，控制权重分配，m0＝0，mt是梯度一阶矩估计，t＝1,2,…,n，n为迭代次数；
采用下述公式计算梯度平方的指数移动平均数：
其中，系数β2为指数衰减率，v0＝0，vt是梯度二阶矩估计；
m0初始化为0，采用下述公式对梯度一阶矩估计mt进行偏差纠正，降低偏差对训练初期的影响：
其中，是纠正后的梯度一阶矩估计；
v0初始化为0，采用下述公式对梯度二阶矩估计vt进行偏差纠正：
其中，是纠正后的梯度二阶矩估计；
采用下述公式描述更新参数过程：
其中，ε为固定数值，η为学习率，θt表示第t个迭代步中神经网络模型的参数值；
5)针对神经网络的参数进行反演精度测试：
选择测试数据集中经标准化处理后的数据作为训练后的神经网络的输入，通过神经网络得到反演的参数值，对比于真实记录参数值，如果误差超出设定的范围，重新调整神经网络参数。
7.根据权利要求6所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S5所述的采用步骤S3构建的后台模型与步骤S4构建的用户模型，通过迁移学习算法，构建NN+TL算法模型，具体包括：
通过迁移学习算法TL，将后台模型的架构形式、超参数迁移至用户模型，具体包括：
A1.确定用户模型神经网络的拓扑结构，包括激活函数、隐含层层数、节点数、学习率、迭代次数，将后台模型的上述参数直接应用到用户模型中；
A2.将后台模型的输入层-隐含层、隐含层-输出层的连接权重迁移至用户模型，作为用户模型的初始连接权重值。
8.根据权利要求7所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S6所述的采用步骤S2获取的反演土体强度参数，通过步骤S5构建的NN+TL算法模型，完成边坡的稳定性预测分析，具体包括：
采用步骤S2获取的反演土体强度参数作为步骤S5构建的NN+TL算法模型的输入，通过模型得到边坡安全系数预测值/>将边坡安全系数预测值/>反馈到用户端，完成实测水平位移值{f1,f2,…,fn}-土体强度参数/>-边坡安全系数值/>的关系转化，通过参数的转化关系完成对边坡的稳定性预测分析。
9.一种实现权利要求1～8之一所述的基于迁移学习算法的土质边坡稳定性预测方法的预测平台，其特征在于包括数据获取模块、关系模型建立模块、后台模块、客户模块、学习模块和分析模块；数据获取模块、关系模型建立模块、后台模块、用户模块、学习模块和分析模块依次串联；数据获取模块用于获取边坡实测水平位移数据及土体样本数据，并将数据上传到关系模型建立模块；关系模型建立模块用于采用获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数，并将数据上传后台模块；后台模块用于采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型，并将数据上传用户模块；用户模块用于采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型，并将数据上传学习模块；学习模块用于通过迁移学习算法，针对构建的后台模型和构建的用户模型进行迁移学习处理，构建NN+TL算法模型，并将数据上传分析模块；分析模块用于采用获取的反演土体强度参数，通过构建的NN+TL算法模型，完成边坡的稳定性预测分析。
CN202310478036.XA 2023-04-28 2023-04-28 基于迁移学习算法的土质边坡稳定性预测方法及预测平台 Pending CN116522774A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310478036.XA CN116522774A (zh) 2023-04-28 2023-04-28 基于迁移学习算法的土质边坡稳定性预测方法及预测平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310478036.XA CN116522774A (zh) 2023-04-28 2023-04-28 基于迁移学习算法的土质边坡稳定性预测方法及预测平台

Publications (1)

Publication Number Publication Date
CN116522774A true CN116522774A (zh) 2023-08-01

Family

ID=87397118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310478036.XA Pending CN116522774A (zh) 2023-04-28 2023-04-28 基于迁移学习算法的土质边坡稳定性预测方法及预测平台

Country Status (1)

Country Link
CN (1) CN116522774A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976223A (zh) * 2023-08-14 2023-10-31 张留杰 一种基于深度学习的边坡安全系数计算方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976223A (zh) * 2023-08-14 2023-10-31 张留杰 一种基于深度学习的边坡安全系数计算方法

Similar Documents

Publication Publication Date Title
CN103730006B (zh) 一种短时交通流量的组合预测方法
CN105550323B (zh) 一种分布式数据库负载均衡预测方法和预测分析器
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN111027752A (zh) 一种深度时空特征联合学习的农作物产量估测方法
CN114297036B (zh) 数据处理方法、装置、电子设备及可读存储介质
CN111257934B (zh) 基于二阶神经元深度神经网络的地震动峰值加速度预测方法
CN111047094A (zh) 一种基于深度学习算法的抄表数据异常分析方法
CN112418482A (zh) 一种基于时间序列聚类的云计算能耗预测方法
CN115564114B (zh) 一种基于图神经网络的空域碳排放短期预测方法及系统
CN107368928B (zh) 一种古建筑沉降的组合预测方法及系统
CN116522774A (zh) 基于迁移学习算法的土质边坡稳定性预测方法及预测平台
CN114595873B (zh) 一种基于灰色关联的da-lstm的短期电力负荷预测方法
CN114970341B (zh) 基于机器学习的低轨卫星轨道预报精度提升模型建立方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN116663419A (zh) 一种基于优化的Elman神经网络的无传感器设备故障预测方法
CN112307536A (zh) 一种大坝渗流参数反演方法
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
CN114584406A (zh) 一种联邦学习的工业大数据隐私保护系统及方法
CN114861519B (zh) 复杂地质条件下初始地应力场加速优化反演方法
CN105447596A (zh) 一种优化的电力数据短期预测方法
CN116383589A (zh) 一种土壤养分的空间插值预测方法
CN104932898A (zh) 一种基于改进多目标粒子群优化算法的待增组件选择方法
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
CN114880734A (zh) 一种基于bp-lstm的钢混组合桥面系温度场及温度效应预测方法
CN105825347A (zh) 经济预测模型建立的方法和预测方法

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