CN117057217A - 基于迁移学习的降雨地震耦合作用边坡响应预测方法 - Google Patents
基于迁移学习的降雨地震耦合作用边坡响应预测方法 Download PDFInfo
- Publication number
- CN117057217A CN117057217A CN202310857261.4A CN202310857261A CN117057217A CN 117057217 A CN117057217 A CN 117057217A CN 202310857261 A CN202310857261 A CN 202310857261A CN 117057217 A CN117057217 A CN 117057217A
- Authority
- CN
- China
- Prior art keywords
- slope
- earthquake
- rainfall
- soil
- prediction method
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000004044 response Effects 0.000 title claims abstract description 21
- 238000013526 transfer learning Methods 0.000 title claims abstract description 18
- 230000001808 coupling effect Effects 0.000 title claims abstract description 8
- 239000002689 soil Substances 0.000 claims abstract description 28
- 238000006073 displacement reaction Methods 0.000 claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims abstract description 14
- 230000009471 action Effects 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 239000003673 groundwater Substances 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics (AREA)
- Acoustics & Sound (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于迁移学习的降雨地震耦合作用边坡响应预测方法,涉及地震岩土工程技术领域,其技术方案要点是:包括以下步骤:S1、采集地震动数据;S2、计算和整理步骤S1中的地震动数据所对应的地震动强度参数数据库,并创建一个地震动强度参数数据库;S3、设计土边坡几何尺寸、土体参数和降雨情况参数,计算边坡临界加速度和Newmark法地震作用下边坡永久位移;S4、建立Newmark永久位移的深度学习预测模型;S5、计算出输入为地震动强度参数和边坡参数、输出为边坡坡面最大位移和边坡应力场中的最大主应力值的数据组;S6、根据迁移学习机器学习技术,优化预测模型。本发明极大的降低了模型训练的成本,提高了模型的泛化能力,提高模型性能。
Description
技术领域
本发明涉及地震岩土工程技术领域,更具体地说,它涉及基于迁移学习的降雨地震耦合作用边坡响应预测方法。
背景技术
在地震岩土工程分析中,有限元(如ABAQUS)或有限差分软件(如Flac3D)常常用于分析地震降雨多场耦合作用下的边坡地震反应,能够为工程师提供关键的设计信息和决策支持。
其主要步骤包括建立模型、网格划分、定义材料和属性、施加载荷、求解模型和后处理结果。首先需要建立边坡的三维几何模型,包括边坡的地质结构、土层厚度、土层密度和弹性模量等参数,然后对边坡几何模型进行网格划分。可以选择自适应网格划分来确保网格密度足够,以获得更高的精度和准确度。接着需要定义边坡土壤材料和属性,包括弹性模量、泊松比、密度和摩擦角等。根据地震和降雨的预期载荷,施加相应的边界条件,然后进行有限元(或有限差分)求解,计算出边坡在载荷作用下的应力、应变、变形和位移等响应。最后,对求解出的结果进行后处理和分析,例如,生成边坡应力分布、位移和应变分布等等。
数值模拟地震和降雨作用下的边坡响应分析需要进行大量的计算,模型建立需要大量的计算资源和时间。边坡响应受到多个因素的影响,如地震波、土体的物理性质、边坡结构等,需要建立复杂的三维模型进行仿真和分析,因此模型建立需要大量的计算资源和时间,模拟和分析结果可能会受到模型精度的影响。
然而,建立边坡在降雨和地震多场耦合作用下动力反应(包括位移和应力场)的预测模型,需要大量的边坡数据和地震动数据,两者叠加后,克服算例成本和时间成本变得几乎难以实现。因此,需要开发相应的技术去克服这些问题。
目前边坡地震响应的简化计算模型,虽然可以很快的计算出结果,但精确度和应用度亟待提高,如Newmark计算模型只能求出其累计永久位移,不能得到边坡的应力反应。
发明内容
本发明的目的是为了解决上述问题,提供基于迁移学习的降雨地震耦合作用边坡响应预测方法。
本发明的上述技术目的是通过以下技术方案得以实现的:基于迁移学习的降雨地震耦合作用边坡响应预测方法,包括以下步骤:
S1、通过检索NGA-west2数据库和日本地震数据库等,采集地震动数据并排除低质量、不可靠、记录不完整、余震和非自由场的地震动记录;
S2、计算和整理步骤S1中的地震动数据所对应的地震动强度参数数据库,并创建一个地震动强度参数数据库;
S3、设计土边坡几何尺寸、土体参数和降雨情况参数,并通过地下水位系数考虑降雨对边坡稳定性和应力场的影响,计算边坡临界加速度和Newmark法地震作用下边坡永久位移;
S4、建立Newmark永久位移的深度学习预测模型;
S5、计算出输入为地震动强度参数和边坡参数、输出为边坡坡面最大位移和边坡应力场中的最大主应力值的数据组,一共400组;
S6、根据迁移学习机器学习技术,优化预测模型。
本发明进一步设置为:所述步骤S1中地震动记录挑选标准:①矩震级Mw≥4;②断层距离Rrup≤300km;③地面峰值加速度PGA≥0.001g,使用Python程序对所有选出的地震动记录进行了统一的整理。
本发明进一步设置为:所述步骤S2中地震动强度参数包括PGA(峰值加速度)、PGV(峰值速度)、AI(阿里亚斯强度)、CAV(累计绝对速度)、Tm(平均周期)。
本发明进一步设置为:所述步骤S3中边坡几何参数包括坡角和土层厚度,土体参数包括土体有效粘聚力、土体重度、有效内摩擦角。
综上所述,本发明具有以下有益效果:
1.数值模拟地震响应的结果好于简化模型,且能够得到边坡应力场与应力特征值,但其计算时间成本很高,难以实现基于大量数据的预测模型,利用本技术极大的降低了模型训练的成本。相对于从头开始利用数值模拟的结果训练一个新模型,使用迁移学习可以节省大量的训练时间和计算资源。
2.该技术提高了模型的泛化能力。使用迁移学习可以利用先前模型在大规模数据(计算成本较低的简化计算模型,如Newmark位移模型)上学习到的知识来帮助新模型更好地泛化到新的数据集。
3.提高模型性能。由于预训练模型已经学习了大量的特征,因此可以提高新模型的性能。这在数据集较小或者训练样本较少的情况下尤为重要。本技术方法基于迁移学习方法,在大样本训练的基础上拥有精度高、泛化能力强、预测效果好、误差小等优点。。
附图说明
图1是本发明实施例中基于边坡计算简化模型结果的深度神经网络训练构架;
图2是本发明实施例中基于Flac3D建立的数值模型;
图3是本发明实施例中基于深度神经网络与迁移学习的训练构架。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明的实施例及附图,对本发明的技术方案进行进一步详细地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将结合实施例来详细说明本发明。
实施例:
基于迁移学习的降雨地震耦合作用边坡响应预测方法,包括以下步骤:
步骤一:通过检索NGA-west2数据库和日本地震数据库等,采集地震动数据并排除低质量、不可靠、记录不完整、余震和非自由场的地震动记录。按照以下标准挑选浅层地壳地震动记录:①矩震级Mw≥4;②断层距离Rrup≤300km;③地面峰值加速度PGA≥0.001g。最终,使用Python程序对所有选出的地震记录进行了统一的整理。
步骤二:针对步骤1中的结果,计算和整理这些地震动数据所对应的地震动强度参数数据库。创建一个地震动强度参数数据库,其中的地震动强度参数(IMs)包括PGA(峰值加速度)、PGV(峰值速度)、AI(阿里亚斯强度)、CAV(累计绝对速度)、Tm(平均周期)等。由于每个地震动记录都有两个水平分量和一个竖直分量,因此我们计算出的地震动强度参数是两个水平分量的几何平均值。
步骤三:设计边坡参数:包括边坡几何尺寸、土体参数和降雨情况参数。参考表1,设计土质边坡尺寸、土体以及降雨情况参数。边坡几何参数包括坡角和土层厚度。土体参数包括土体有效粘聚力、土体重度、有效内摩擦角。通过地下水位系数考虑降雨对边坡稳定性和应力场的影响。根据公式(1)计算边坡临界加速度。以步骤1中挑选的地震动(加速度时程)为输入,根据公式(2),计算Newmark法地震作用下边坡永久位移;
式(1)与(2)中,ac为边坡临界加速度值,c'为土体有效粘聚力,γ为土体重度,γw为水重度,α为坡角,为土体有效内摩擦角,m为地下水位系数;ah、av分别为地震动加速度水平、竖向分量。
步骤四:以步骤2中建立出的地震动强度参数数据库和步骤3中建立的设计边坡参数为输入,具体为步骤3中求出的Newmark边坡永久位移为输出。如图1所示,其中输入层分别为PGA(峰值加速度)、PGV(峰值速度)、AI(阿里亚斯强度)、CAV(累计绝对速度)、边坡设计参数(参考表1)、Tm(平均周期),隐藏层设有n层,分别为A[1]、A[2]……A[n],每个隐藏层设有n个神经元,分别为a[i] 1、a[i] 2……a[i] n,输出层为D(Newmark法求出的边坡永久位移)。利用深度学习算法进行训练,最终建立Newmark永久位移的深度学习预测模型。
步骤五:根据步骤3中边坡设计参数,精简模型数量,确定好边坡参数后,利用有限元软件(如ABAQUS)或有限差分软件(如Flac3D)建立更为准备的20个数值模型,代表不同边坡情况和降雨情况,如图2所示。根据PGA的大小,从步骤1中的数据库中选出PGA为0.01到0.5g之间的20条代表地震动。最终,计算出输入为地震动强度参数和边坡参数、输出为边坡坡面最大位移和边坡应力场中的最大主应力值的数据组,一共400(=20x20)组。
步骤六:根据迁移学习机器学习技术,将步骤4中已经训练好的模型的权重参数(或者称为特征提取器)用于训练数值模型所计算出的边坡坡面最大位移与边坡应力场中的最大主应力值。根据步骤5中得到的新的数据集对这些权重参数进行微调,从而使得预测模型能够更好地适应数值模拟的结果。由于多场耦合作用动力计算速度较慢,我们的数据集相对较少。但通过本技术,如图3所示,在训练好的网络模型的隐藏层与输出层之间添加新的全连接层,将模型训练好的这些特征映射到输出空间中,最终实现利用很少的数据集训练出更好的、更理想的预测模型。其中输出层为D1(利用Flac3D计算出的边坡坡面最大位移)、Smax(利用Flac3D计算出的边坡应力场中的最大主应力值)。
表1边坡参数取值范围及分布建议
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (4)
1.基于迁移学习的降雨地震耦合作用边坡响应预测方法,包括以下步骤:
S1、通过检索NGA-west2数据库和日本地震数据库等,采集地震动数据并排除低质量、不可靠、记录不完整、余震和非自由场的地震动记录;
S2、计算和整理步骤S1中的地震动数据所对应的地震动强度参数数据库,并创建一个地震动强度参数数据库;
S3、设计土边坡几何尺寸、土体参数和降雨情况参数,并通过地下水位系数考虑降雨对边坡稳定性和应力场的影响,计算边坡临界加速度和Newmark法地震作用下边坡永久位移;
S4、建立Newmark永久位移的深度学习预测模型;
S5、计算出输入为地震动强度参数和边坡参数、输出为边坡坡面最大位移和边坡应力场中的最大主应力值的数据组,一共400组;
S6、根据迁移学习机器学习技术,优化预测模型。
2.根据权利要求1所述的基于迁移学习的降雨地震耦合作用边坡响应预测方法,其特征是:所述步骤S1中地震动记录挑选标准:①矩震级Mw≥4;②断层距离Rrup≤300km;③地面峰值加速度PGA≥0.001g,使用Python程序对所有选出的地震动记录进行了统一的整理。
3.根据权利要求1所述的基于迁移学习的降雨地震耦合作用边坡响应预测方法,其特征是:所述步骤S2中地震动强度参数包括PGA(峰值加速度)、PGV(峰值速度)、AI(阿里亚斯强度)、CAV(累计绝对速度)、Tm(平均周期)。
4.根据权利要求1所述的基于迁移学习的降雨地震耦合作用边坡响应预测方法,其特征是:所述步骤S3中边坡几何参数包括坡角和土层厚度,土体参数包括土体有效粘聚力、土体重度、有效内摩擦角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857261.4A CN117057217A (zh) | 2023-07-13 | 2023-07-13 | 基于迁移学习的降雨地震耦合作用边坡响应预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857261.4A CN117057217A (zh) | 2023-07-13 | 2023-07-13 | 基于迁移学习的降雨地震耦合作用边坡响应预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117057217A true CN117057217A (zh) | 2023-11-14 |
Family
ID=88652574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310857261.4A Pending CN117057217A (zh) | 2023-07-13 | 2023-07-13 | 基于迁移学习的降雨地震耦合作用边坡响应预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057217A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496099A (zh) * | 2021-04-06 | 2021-10-12 | 西南交通大学 | 一种基于深度学习的边坡永久位移预测模型训练方法 |
-
2023
- 2023-07-13 CN CN202310857261.4A patent/CN117057217A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496099A (zh) * | 2021-04-06 | 2021-10-12 | 西南交通大学 | 一种基于深度学习的边坡永久位移预测模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Adeli et al. | Dynamic fuzzy wavelet neural network model for structural system identification | |
CN111458748B (zh) | 基于三层数据集神经网络的性能地震动危险性分析方法 | |
Phillips | Erosion, isostatic response, and the missing peneplains | |
CN112541572B (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
CN108563837B (zh) | 一种冲积河流水沙模型的模型参数实时校正方法和系统 | |
CN108090268B (zh) | 一种粘弹性边界下地震时程波的集成化添加方法 | |
CN113536646B (zh) | 一种单层球壳地震失效荷载计算方法 | |
CN114792020B (zh) | 一种基于机器学习的建筑抗震韧性快速评估方法及系统 | |
Damveld et al. | Horizontal and vertical sediment sorting in tidal sand waves: modeling the finite‐amplitude stage | |
CN111709072B (zh) | 一种地下地震动幅值参数预测方法 | |
Al-saffar et al. | Prediction of soil's compaction parameter using artificial neural network | |
CN114996995B (zh) | 一种超材料隔振单元性能预报方法和系统 | |
CN114741758B (zh) | 一种基于机器学习的建筑抗震韧性初步设计方法及系统 | |
Motlagh et al. | Damage detection in a 3D wind turbine tower by using extensive multilevel 2D wavelet decomposition and heat map, including soil-structure interaction | |
CN117910120A (zh) | 基于轻量化Transformer的风-桥系统抖振响应预测方法 | |
CN114004117A (zh) | 考虑土体参数空间变异性的边坡地震滑移概率分析方法 | |
Ma et al. | Topographic site effects of Xishan Park ridge in Zigong city, Sichuan considering epicentral distance | |
CN117973201A (zh) | 基于深度学习的大地电磁各向异性识别方法、设备和介质 | |
Paolucci et al. | Assessment of seismic site effects in 2-D alluvial valleys using neural networks | |
CN117057217A (zh) | 基于迁移学习的降雨地震耦合作用边坡响应预测方法 | |
Harandizadeh et al. | Different neural networks and modal tree method for predicting ultimate bearing capacity of piles | |
CN116757085A (zh) | 基于残差连接卷积循环网络的冲击荷载作用位置反演方法 | |
CN116911148A (zh) | 一种沉积盆地建筑群震害评估方法及评估系统 | |
CN113419278B (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
Karimi Ghalehjough et al. | Peak ground acceleration prediction by fuzzy logic modeling for Iranian plateau |
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 |