CN117688823A - 一种岩土颗粒轨迹预测方法、电子设备及介质 - Google Patents
一种岩土颗粒轨迹预测方法、电子设备及介质 Download PDFInfo
- Publication number
- CN117688823A CN117688823A CN202410153076.1A CN202410153076A CN117688823A CN 117688823 A CN117688823 A CN 117688823A CN 202410153076 A CN202410153076 A CN 202410153076A CN 117688823 A CN117688823 A CN 117688823A
- Authority
- CN
- China
- Prior art keywords
- sample
- rock
- soil
- particle
- graph
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 348
- 239000002689 soil Substances 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000001133 acceleration Effects 0.000 claims abstract description 63
- 239000011435 rock Substances 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 18
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 26
- 230000000694 effects Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000011439 discrete element method Methods 0.000 description 12
- 230000003993 interaction Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种岩土颗粒轨迹预测方法、电子设备及介质,涉及土木工程岩土力学分析与机器学习技术交叉领域,该方法包括获取当前时刻岩土颗粒系统的无向图;无向图的图节点对应岩土颗粒系统的岩土颗粒;无向图的边表示边所连接的两个图节点对应的岩土颗粒之间的距离小于设定距离;岩土颗粒系统中的岩土颗粒在设定边界内运动;将当前时刻无向图的节点特征和边特征输入至训练好的加速度预测模型中,得到下一时刻岩土颗粒系统中每一岩土颗粒的加速度;对于岩土颗粒系统中每一岩土颗粒,根据岩土颗粒当前时刻的速度和位置以及下一时刻的加速度确定岩土颗粒下一时刻的位置,提高了计算效率。
Description
技术领域
本发明涉及土木工程岩土力学分析与机器学习技术交叉领域,特别是涉及一种岩土颗粒轨迹预测方法、电子设备及介质。
背景技术
离散元方法最初用于岩土力学分析,旨在通过数值模拟颗粒间相互作用,研究颗粒系统的宏观性质。该方法在解决颗粒渗透性、颗粒堆积结构稳定性以及变形特性等问题上具有显著优势,并广泛应用于边坡工程、基坑工程、隧道工程中。
离散元方法将颗粒物质系统划分为独立的离散元颗粒,每个离散元之间通过简化的力学模型与其他颗粒相互作用,从而在微观上模拟离散元颗粒的行为,并在宏观上模拟出岩土力学作用与运动规律。随着离散元方法与其他数值方法相结合,多尺度和多物理场的耦合模拟技术应运而生,能够更准确地模拟复杂颗粒系统的行为。
然而,在处理大规模、多物理场耦合问题时,离散元方法仍然需要较长的计算时间。模型的尺度和复杂程度影响着计算速度,而颗粒的接触和碰撞对计算速度的影响尤为显著。因此,针对大规模、高复杂度模型场景下,提升离散元模型的计算效率至关重要。
近年来,由于加速离散元方法的重要意义,许多研究者将研究重点放在了这方面。南京大学刘春研发了岩土体大型三维离散元软件MatDEM,采用创新的接触搜索算法和GPU矩阵计算法,极大地提高了计算效率,在单台计算机上首次实现了百万单元的动态模拟,以及能量守恒模拟。MatDEM的计算效率和计算单元数达到了商业软件PFC的30倍。尽管如此,离散元方法的计算效率仍有进一步提升的空间。
发明内容
本发明的目的是提供一种岩土颗粒轨迹预测方法、电子设备及介质,可基于训练好的加速度预测模型通过岩土颗粒的历史轨迹预测下一时刻岩土颗粒的加速度,从而基于岩土颗粒当前时刻的速度和位置以及下一时刻的加速度计算得到岩土颗粒下一时刻的位置,提高了计算效率。
为实现上述目的,本发明提供了如下方案。
本发明提供一种岩土颗粒轨迹预测方法,包括以下步骤。
获取当前时刻岩土颗粒系统的无向图;所述无向图的图节点对应所述岩土颗粒系统的岩土颗粒;所述无向图的边表示所述边所连接的两个图节点对应的岩土颗粒之间的距离小于设定距离;所述岩土颗粒系统中的岩土颗粒在设定边界内运动。
将当前时刻所述无向图的节点特征和边特征输入至训练好的加速度预测模型中,得到下一时刻所述岩土颗粒系统中每一所述岩土颗粒的加速度;所述节点特征包括每一所述图节点对应的岩土颗粒的速度、粒子类型以及每一所述岩土颗粒与设定边界的距离信息;所述边特征包括每一所述岩土颗粒与所有岩土颗粒的距离信息;所述训练好的加速度预测模型为以历史时刻样本岩土颗粒系统的样本无向图的样本节点特征和样本边特征为输入,以所述历史时刻的下一时刻所述样本无向图中所有样本图节点对应的样本岩土颗粒的样本加速度为标签训练得到的模型。
对于所述岩土颗粒系统中每一所述岩土颗粒,根据所述岩土颗粒当前时刻的速度和位置以及下一时刻的加速度确定所述岩土颗粒下一时刻的位置。
可选的,在将所述无向图的节点特征和边特征输入至训练好的加速度预测模型中之前,还包括:对加速度预测模型进行训练,具体包括以下步骤。
获取数据集;所述数据集包括若干历史时刻样本岩土颗粒系统的样本无向图的样本节点特征和样本边特征以及每一历史时刻的下一时刻所述样本无向图中所有样本图节点对应的样本岩土颗粒的样本加速度。
利用所述数据集对加速度预测模型进行训练,得到训练好的加速度预测模型。
可选的,所述获取数据集,具体包括:基于图论的方式对所述样本岩土颗粒系统中的样本岩土颗粒进行表示,得到所述样本岩土颗粒系统的样本无向图;所述样本无向图的一个样本图节点对应所述样本岩土颗粒系统的一个样本岩土颗粒;所述样本无向图的样本边表示所述样本边所连接的两个样本图节点对应的样本岩土颗粒的距离小于样本设定距离;所述样本无向图的样本节点特征包括历史时刻每一所述样本图节点对应的样本岩土颗粒的速度、粒子类型以及每一所述样本岩土颗粒与样本设定边界的距离信息;所述样本无向图的样本边特征包括历史时刻样本无向图中每一样本图节点对应的样本岩土颗粒与所有样本岩土颗粒的距离信息。对于每一所述样本岩土颗粒系统中的每一所述样本岩土颗粒,确定历史时刻的下一时刻所述样本岩土颗粒的加速度;所有历史时刻样本岩土颗粒系统的样本无向图的样本节点特征和样本边特征以及每一历史时刻的下一时刻所述样本无向图中所有样本图节点对应的样本岩土颗粒的样本加速度构成所述数据集。
可选的,基于图论的方式对所述样本岩土颗粒系统中的样本岩土颗粒进行表示,得到所述样本岩土颗粒系统的样本无向图,具体包括:根据所述样本岩土颗粒系统中样本岩土颗粒的位置信息构建若干粒子点对;所述粒子点对中的两个样本岩土颗粒之间的距离小于样本设定距离。以构成粒子点对的样本岩土颗粒作为样本无向图的样本图节点,并在每一所述粒子点对中的样本岩土颗粒对应的样本图节点构建边,得到样本无向图。
可选的,根据所述样本岩土颗粒系统中样本岩土颗粒的位置信息构建若干粒子点对,具体包括:利用KDTree算法根据所述样本岩土颗粒系统中样本岩土颗粒的位置信息构建若干粒子点对。
可选的,所述边特征包括无向图中每一所述边所连接的两个图节点的距离以及所述距离与所述设定距离的比值。
可选的,所述设定边界为二维模型的边界或三维模型的面边界。
当所述设定边界为二维模型的边界时,所述岩土颗粒与设定边界的距离信息包括所述岩土颗粒与所述二维模型的每一条边的距离。
当所述设定边界为三维模型的面边界时,所述岩土颗粒与设定边界的距离信息包括所述岩土颗粒与所述三维模型的每一面的距离。
可选的,所述加速度预测模型为由多层感知机构成的模型。
本发明还提供一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行前述的一种岩土颗粒轨迹预测方法。
本发明还提供一种可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序适用于由处理器加载并执行前述的一种岩土颗粒轨迹预测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供一种岩土颗粒轨迹预测方法、电子设备及介质,首先获取当前时刻岩土颗粒系统的无向图;无向图的图节点对应岩土颗粒系统的岩土颗粒;无向图的边表示边所连接的两个图节点对应的岩土颗粒之间的距离小于设定距离;岩土颗粒系统中的岩土颗粒在设定边界内运动;将当前时刻无向图的节点特征和边特征输入至训练好的加速度预测模型中,得到下一时刻岩土颗粒系统中每一岩土颗粒的加速度;节点特征包括每一图节点对应的岩土颗粒的速度、粒子类型以及每一岩土颗粒与设定边界的距离信息;边特征包括每一岩土颗粒与所有岩土颗粒的距离信息;对于岩土颗粒系统中每一岩土颗粒,根据岩土颗粒当前时刻的速度和位置以及下一时刻的加速度确定岩土颗粒下一时刻的位置。本发明基于训练好的加速度预测模型通过岩土颗粒的历史轨迹预测下一时刻岩土颗粒的加速度,从而基于岩土颗粒当前时刻的速度和位置以及下一时刻的加速度计算得到岩土颗粒下一时刻的位置,提高了计算效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种岩土颗粒轨迹预测方法流程示意图。
图2为本发明实施例提供的岩土颗粒轨迹预测流程示意图。
图3为本发明实施例提供的图结构构建流程示意图。
图4是本发明提供的一种电子设备的结构示意图。
符号说明:1000-电子设备;1001-处理器;1002-通信总线;1003-用户接口;1004-网络接口;1005-存储器。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
传统离散元模型利用以MatDEM为例的离散元仿真软件开发的,基于经典离散元方法计算粒子轨迹的离散元模型,包括但不限于陨石撞击模型、滑坡模型、直剪模型。
随着计算机科学的飞速发展,人工智能已经渗透到生活的各个领域,而机器学习更是人工智能的核心,因此与传统离散元方法相比,有监督的学习模型通过机器学习能够实现较高的精度,同时能够满足提升计算效率的需要。在众多机器学习模型之中,图神经网络因其拓扑结构与离散元方法内在的结构规律高度一致,成为代理离散元模型的最佳选择。然而,在岩土力学的应用研究中,利用图神经网络代理和加速离散元模型的相关研究还相对有限。
针对土木工程岩土力学分析领域传统离散元方法在处理大规模、多物理场耦合问题时计算效率低的问题,本发明的目的是提供一种岩土颗粒轨迹预测方法、电子设备及介质。针对大规模、高复杂度模型场景下,基于加速度预测模型通过岩土颗粒的历史轨迹预测下一时刻岩土颗粒(即粒子)的加速度,从而基于岩土颗粒当前时刻的速度和位置以及下一时刻的加速度计算得到岩土颗粒下一时刻的位置,提高了计算效率。本发明是一种基于数据驱动的图神经网络方法,能够代理并加速传统离散元模型,进行粒子轨迹预测。所述数据驱动的图神经网络方法是指:由脚本驱动离散元软件,从而得到海量粒子运动轨迹仿真数据,并将粒子类型等相关信息进行整合与提炼后,在数据的基础上经过训练和拟合形成自动化的图神经网络模型。代理并加速是指:在保证一定精度基础上,基于图神经网络模型替代传统离散元模型的行为,同时,该行为能够大幅度提升计算效率。粒子轨迹预测是指:利用包括粒子位置、速度、类型等信息的粒子历史运动轨迹作为输入,通过图神经网络模型对粒子未来运动轨迹进行推演预测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种岩土颗粒轨迹预测方法,包括以下步骤。
S1:获取当前时刻岩土颗粒系统的无向图;所述无向图的图节点对应所述岩土颗粒系统的岩土颗粒;所述无向图的边表示所述边所连接的两个图节点对应的岩土颗粒之间的距离小于设定距离;所述岩土颗粒系统中的岩土颗粒在设定边界内运动。
S2:将当前时刻所述无向图的节点特征和边特征输入至训练好的加速度预测模型中,得到下一时刻所述岩土颗粒系统中每一所述岩土颗粒的加速度;所述节点特征包括每一所述图节点对应的岩土颗粒的速度、粒子类型以及每一所述岩土颗粒与设定边界的距离信息;所述边特征包括每一所述岩土颗粒与所有岩土颗粒的距离信息;所述训练好的加速度预测模型为以历史时刻样本岩土颗粒系统的样本无向图的样本节点特征和样本边特征为输入,以所述历史时刻的下一时刻所述样本无向图中所有样本图节点对应的样本岩土颗粒的样本加速度为标签训练得到的模型。
S3:对于所述岩土颗粒系统中每一所述岩土颗粒,根据所述岩土颗粒当前时刻的速度和位置以及下一时刻的加速度确定所述岩土颗粒下一时刻的位置。
边特征包括无向图中每一所述边所连接的两个图节点的距离以及所述距离与所述设定距离的比值。
如图2所示基于图神经网络的轨迹预测流程中,将构建好的无向图结构输入图神经网络中。其中涉及4个步骤,包括:节点与边特征扩展为节点与边特征向量、利用边的连接拟合节点之间的相互作用关系、将不同方向的作用关系形成合力以及解码合力以获得下一个时刻加速度。这四个步骤的计算中,均可能呈现线性或非线性关系,例如,离散元颗粒之间的相互作用力呈现线性与非线性相关关系混合的情况,因此。通过计算模型预测结果与真实值之间的差距对模型效果进行评估。在合理选择模型和对应参数后,该方法可以以极高的准确度与计算效率预测离散元颗粒的运动轨迹。
在将所述无向图的节点特征和边特征输入至训练好的加速度预测模型中之前,还包括:对加速度预测模型进行训练,具体包括以下步骤。
S201:获取数据集;所述数据集包括若干历史时刻样本岩土颗粒系统的样本无向图的样本节点特征和样本边特征以及每一历史时刻的下一时刻所述样本无向图中所有样本图节点对应的样本岩土颗粒的样本加速度。
S202:利用所述数据集对加速度预测模型进行训练,得到训练好的加速度预测模型。
其中,S201获取数据集,可以包括以下步骤。
S2011:基于图论的方式对所述样本岩土颗粒系统中的样本岩土颗粒进行表示,得到所述样本岩土颗粒系统的样本无向图;所述样本无向图的一个样本图节点对应所述样本岩土颗粒系统的一个样本岩土颗粒;所述样本无向图的样本边表示所述样本边所连接的两个样本图节点对应的样本岩土颗粒的距离小于样本设定距离;所述样本无向图的样本节点特征包括历史时刻每一所述样本图节点对应的样本岩土颗粒的速度、粒子类型以及每一所述样本岩土颗粒与样本设定边界的距离信息;所述样本无向图的样本边特征包括历史时刻样本无向图中每一样本图节点对应的样本岩土颗粒与所有样本岩土颗粒的距离信息。
如图3所示,为通过图神经网络拟合颗粒相互作用,从而预测未来运动轨迹的流程:首先,通过对图结构中的节点特征与边特征进行编码,从而丰富节点与边的特征信息,生成长度为h的节点特征向量与边特征向量。然后,对于每对邻近粒子点对,通过将两个粒子的节点特征向量与这对节点之间的边特征向量作为输入,拟合这对粒子点对之间的相互作用效果,并将这样的相互作用效果聚合到节点特征向量中。最后,通过解码节点特征向量生成对应颗粒的加速度,并根据颗粒的历史速度及位置更新出下一个时刻的速度与位置。如此反复这一过程,便能够预测未来一段时间内粒子的运动轨迹。由于有监督学习模型大多含有超参数,超参数的选择将影响到模型的预测效果。为了选择合适的超参数,训练数据会被进一步按照一定比例划分为训练集和验证集。在训练集上训练模型,在验证集上验证模型效果,效果最好的模型被选择对缺失数据进行预测。
S2011基于历史轨迹的图结构构建具体包括以下步骤。
基于图论的方式对所述样本岩土颗粒系统中的样本岩土颗粒进行表示,得到所述样本岩土颗粒系统的样本无向图,具体包括以下步骤。
根据所述样本岩土颗粒系统中样本岩土颗粒的位置信息构建若干粒子点对;所述粒子点对中的两个样本岩土颗粒之间的距离小于样本设定距离。
以构成粒子点对的样本岩土颗粒作为样本无向图的样本图节点,并在每一所述粒子点对中的样本岩土颗粒对应的样本图节点构建边,得到样本无向图。
n个离散元颗粒构成的系统对应生成出n个节点,每个节点的特征包括对应颗粒的速度信息以及颗粒类型。其中,为了提升模型的泛化能力,颗粒速度被进行了归一化处理。离散元方法中,在一定范围内的颗粒点对之间存在相互作用力,该力由两个离散元颗粒的位置共同决定。基于此,边特征的构建首先利用颗粒的位置与链接半径(即设定距离),确定存在相互作用力的粒子点对。然后,对于确定的m对粒子点对,生成m条包含点对距离关系的边特征。通过构建n个节点特征与m条边特征,完成图结构的构建。
S20111:读取粒子历史运动轨迹数据,该数据包括:n个粒子的粒子类型、n个粒子在T个时间步的位置坐标与速度信息。其中,粒子一般指具有一定物理属性的岩土颗粒,例如:质地坚硬的岩石颗粒、松软易滑动的土壤颗粒、构成稳定结构的混凝土颗粒等。
S20112:基于n个粒子的粒子类型、速度信息以及粒子与设定边界的距离信息,生成对应于图结构中n个图节点的节点特征,得到在当前时间步t对应的节点特征集合。具体而言,对于速度为/>、类型为/>的第i个图节点,其节点特征构建为/>,其中,/>为第i个图节点对应的粒子与设定边界的距离信息。
在一个具体的示例中,设定边界为二维模型的边界或三维模型的面边界;当设定边界为二维模型的边界时,岩土颗粒与设定边界的距离信息包括岩土颗粒与二维模型的每一条边的距离;当设定边界为三维模型的面边界时,岩土颗粒与设定边界的距离信息包括岩土颗粒与三维模型的每一面的距离。
需要注意的是,当设定边界为二维模型的边界时,岩土颗粒的坐标为二维坐标,当设定边界为三维模型的面边界时,岩土颗粒的坐标为三维坐标。
其中,节点类型为节点对应的颗粒的粒子类型,其是一个自定义数值,其主要意义在于区分颗粒间物理属性的差异。例如,在边坡滑坡场景中,0表示边界颗粒(刚体颗粒)、1表示物理属性较为稳定的岩土颗粒、2表示松软易滑动的土壤颗粒;在陨石撞击场景下,0表示边界颗粒(刚体颗粒)、1表示构成地面的土壤颗粒、2表示构成陨石的陨石颗粒。
S20113:根据所述样本岩土颗粒系统中样本岩土颗粒的位置信息构建若干粒子点对,具体包括:利用KDTree算法根据所述样本岩土颗粒系统中样本岩土颗粒的位置信息构建若干粒子点对。基于粒子坐标与KDTree算法,在距离小于设定距离R的粒子点之间构建粒子点对,KDTree类似二叉查找树,是一种分割k维数据空间的数据结构,通过将粒子坐标数据构建为KDTree,可以高效的选出距离小于R的图节点对加入到当前时间步t对应的边集合中。对于每个粒子点对,边的特征基于端点粒子的位置坐标进行构建。具体而言,对于位置坐标为/>和/>的粒子点对构成的边/>,其边特征构建为/>。其中表示两个粒子间的距离。最终得到对应于图结构中m条边的边特征。m由上一个时刻当前系统中粒子的位置决定,表示当前距离小于R的粒子点对数量。
S20114:形成包含n个节点特征与m条边特征的无向图结构。无向图由S20112所得的节点特征集合/>与S20113所得的边特征集合/>进行表示,即/>。
基于图神经网络的轨迹预测可被描述为/>。
通过输入当前时刻的,经过图神经网络预测,得到系统内所有粒子在下一时间步t+1的加速度/>,进而根据当前时刻粒子的坐标和速度更新得到下一时刻粒子坐标。
S2012:对于每一所述样本岩土颗粒系统中的每一所述样本岩土颗粒,确定历史时刻的下一时刻所述样本岩土颗粒的加速度;所有历史时刻样本岩土颗粒系统的样本无向图的样本节点特征和样本边特征以及每一历史时刻的下一时刻所述样本无向图中所有样本图节点对应的样本岩土颗粒的样本加速度构成所述数据集。
具体可以包括:构建加速度预测模型。加速度预测模型为由多个多层感知机构成的模型。图神经网络模型中的可学习参数矩阵均采用标准多层感知机(MLP)结构,包括三个包含128个神经元的Linear层,以及Linear层之间的ReLU非线性激活层(使得网络中的节点特征向量及边的特征向量映射为128维)。
加速度预测模型将无向图结构中的n个节点特征与m条边特征嵌入为n个节点特征向量与m条边特征向量,生成的节点特征向量矩阵与/>的边特征向量矩阵,其中,h是特征向量长度。对于第i个图节点的节点特征,以及第i个图节点和第j个图节点构成的边/>,具体嵌入过程如下。
。
。
这里,为第i个图节点的节点特征向量;/>为第i个图节点对应的速度;/>表示嵌入(embedding)函数;/>为粒子类型(粒子类型因粒子所处场景(场景包括陨石撞击模型、滑坡模型和直剪模型等)不同而不同);Bi为第i个图节点与样本设定边界的距离信息;为第i个图节点和第j个图节点构成的边的边特征向量;/>为第i个图节点对应的粒子的位置坐标;/>为第j个图节点对应的粒子的位置坐标;R为设定距离。/>为节点i的坐标。
对于每一对邻近粒子点对,通过将该粒子对对应的两个粒子的节点特征向量(以及/>)与对应的边特征向量/>作为输入,拟合这对粒子点对之间的相互作用效果,并更新边特征向量,过程如下。
。
。
并将这样的相互作用效果聚合更新到中心节点的节点特征向量中。这里以第j个图节点作为中心节点为例。
。
。
其中,为边特征向量更新变化量,/>为第i个图节点的节点特征向量,/>为第j个图节点的节点特征向量,/>为更新后的边特征向量;/>为节点特征向量更新变化量;/>表示第j个图节点的所有邻居节点构成的集合,邻居节点指的是与中心节点距离小于设定距离的图节点。
将更新节点特征向量与边特征向量的过程执行十次,以获得最终及/>。
S202具体包括:基于仿真数据训练模型。仿真数据集被划分为训练集、验证集、测试集,模型在训练集上训练,每轮训练结束时在验证集上验证模型的预测效果。多轮训练结束后,选取每轮训练所得参数中在验证集上效果最好的模型参数作为最终的模型参数。利用测试集评价模型预测效果与计算效率的提升。
本发明基于计算机科学和多种机器学习算法,实施需要一定编程和机器学习基础,可基于多种编程语言进行实现。为验证图3所示的基于历史轨迹的图结构构建,利用商用离散元仿真软件MatDEM的粒子轨迹数据进行实验。为了验证图神经网络模型对多种不同离散元仿真过程的预测效果,我们构造了三类具有代表性的场景,包括:代表静力学的滑坡场景数据、代表动力学的陨石撞击数据、代表实验的直剪过程数据。数据包括颗粒在多个时间的位置,表示为一个时间序列,以及区分颗粒物理属性差异的颗粒类型。我们以Python及其开源算法包为基础,按照图3流程对图结构进行了构建。
经过上述过程,得到训练好的加速度预测模型。
将拟合了作用效果的节点特征向量解码,计算输出对应粒子的加速度,该过程如下。
。
并通过粒子当前时刻的坐标位置与速度/>,计算更新出粒子下一个时刻的位置信息/>。
检测预测是否结束,未结束则将下一时刻作为当前时刻,返回S1,得到粒子未来多个时刻的位置信息。最终生成整个运动轨迹。
本发明以监督学习的方式,建立了离散元粒子历史运动轨迹与待预测轨迹到映射关系,具体而言,方法由两部分组成:基于历史轨迹的图结构构建和基于图神经网络的轨迹预测。基于历史轨迹的图结构构建将粒子历史轨迹数据嵌入至图的节点特征与边特征中,生成了当前状态下离散元粒子点对关系图结构,其中离散元粒子对应图中节点,而粒子点对关系对应图中的边。基于图神经网络的轨迹预测首先利用可学习参数矩阵,在图神经网络中拟合粒子点对间作用力,然后模拟合力来更新各节点的状态与位置,反复迭代这个过程,从而预测粒子未来运动轨迹。在基于商用软件MatDEM生成的多个离散元仿真数据中,此方法能够准确预测粒子未来运动轨迹和系统整体运动趋势,同时,相比传统的离散元方法,此方法计算效率高出数倍乃至数十倍,有效地代理并加速离散元模型。本发明适用于解决采用传统离散元方法探究颗粒堆积结构稳定性以及变形特性等问题过程中存在计算效率低的问题。
本发明还提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述岩土颗粒轨迹预测方法。
请参见图4,图4是本申请提供的一种电子设备的结构示意图。如图4所示,电子设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,电子设备1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图4所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图4所示的电子设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于为用户提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现上述实施例所述的岩土颗粒轨迹预测方法,这里将不再进行赘述。
本发明还提供了一种可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序适用于由处理器加载并执行上述实施例所述的岩土颗粒轨迹预测方法,这里将不再进行赘述。
上述程序可被部署在一个电子设备上执行,或者被部署位于一个地点的多个电子设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个电子设备上执行,分布在多个地点且通过通信网络互连的多个电子设备可以组成区块链网络。
上述可读存储介质可以是上述电子设备的内部存储单元,例如电子设备的硬盘或内存。该可读存储介质也可以是该电子设备的外部存储设备,例如该电子设备上配备的插接式硬盘,智能存储卡(smartmediacard,SMC),安全数字(securedigital,SD)卡,闪存卡(flashcard)等。进一步地,该可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种岩土颗粒轨迹预测方法,其特征在于,包括:
获取当前时刻岩土颗粒系统的无向图;所述无向图的图节点对应所述岩土颗粒系统的岩土颗粒;所述无向图的边表示所述边所连接的两个图节点对应的岩土颗粒之间的距离小于设定距离;所述岩土颗粒系统中的岩土颗粒在设定边界内运动;
将当前时刻所述无向图的节点特征和边特征输入至训练好的加速度预测模型中,得到下一时刻所述岩土颗粒系统中每一所述岩土颗粒的加速度;所述节点特征包括每一所述图节点对应的岩土颗粒的速度、粒子类型以及每一所述岩土颗粒与设定边界的距离信息;所述边特征包括每一所述岩土颗粒与所有岩土颗粒的距离信息;所述训练好的加速度预测模型为以历史时刻样本岩土颗粒系统的样本无向图的样本节点特征和样本边特征为输入,以所述历史时刻的下一时刻所述样本无向图中所有样本图节点对应的样本岩土颗粒的样本加速度为标签训练得到的模型;
对于所述岩土颗粒系统中每一所述岩土颗粒,根据所述岩土颗粒当前时刻的速度和位置以及下一时刻的加速度确定所述岩土颗粒下一时刻的位置。
2.根据权利要求1所述的一种岩土颗粒轨迹预测方法,其特征在于,在将所述无向图的节点特征和边特征输入至训练好的加速度预测模型中之前,还包括:对加速度预测模型进行训练,具体包括:
获取数据集;所述数据集包括若干历史时刻样本岩土颗粒系统的样本无向图的样本节点特征和样本边特征以及每一历史时刻的下一时刻所述样本无向图中所有样本图节点对应的样本岩土颗粒的样本加速度;
利用所述数据集对加速度预测模型进行训练,得到训练好的加速度预测模型。
3.根据权利要求2所述的一种岩土颗粒轨迹预测方法,其特征在于,所述获取数据集,具体包括:
基于图论的方式对所述样本岩土颗粒系统中的样本岩土颗粒进行表示,得到所述样本岩土颗粒系统的样本无向图;所述样本无向图的一个样本图节点对应所述样本岩土颗粒系统的一个样本岩土颗粒;所述样本无向图的样本边表示所述样本边所连接的两个样本图节点对应的样本岩土颗粒的距离小于样本设定距离;所述样本无向图的样本节点特征包括历史时刻每一所述样本图节点对应的样本岩土颗粒的速度、粒子类型以及每一所述样本岩土颗粒与样本设定边界的距离信息;所述样本无向图的样本边特征包括历史时刻样本无向图中每一样本图节点对应的样本岩土颗粒与所有样本岩土颗粒的距离信息;
对于每一所述样本岩土颗粒系统中的每一所述样本岩土颗粒,确定历史时刻的下一时刻所述样本岩土颗粒的加速度;所有历史时刻样本岩土颗粒系统的样本无向图的样本节点特征和样本边特征以及每一历史时刻的下一时刻所述样本无向图中所有样本图节点对应的样本岩土颗粒的样本加速度构成所述数据集。
4.根据权利要求3所述的一种岩土颗粒轨迹预测方法,其特征在于,基于图论的方式对所述样本岩土颗粒系统中的样本岩土颗粒进行表示,得到所述样本岩土颗粒系统的样本无向图,具体包括:
根据所述样本岩土颗粒系统中样本岩土颗粒的位置信息构建若干粒子点对;所述粒子点对中的两个样本岩土颗粒之间的距离小于样本设定距离;
以构成粒子点对的样本岩土颗粒作为样本无向图的样本图节点,并在每一所述粒子点对中的样本岩土颗粒对应的样本图节点构建边,得到样本无向图。
5.根据权利要求4所述的一种岩土颗粒轨迹预测方法,其特征在于,根据所述样本岩土颗粒系统中样本岩土颗粒的位置信息构建若干粒子点对,具体包括:
利用KDTree算法根据所述样本岩土颗粒系统中样本岩土颗粒的位置信息构建若干粒子点对。
6.根据权利要求1所述的一种岩土颗粒轨迹预测方法,其特征在于,所述边特征包括无向图中每一所述边所连接的两个图节点的距离以及所述距离与所述设定距离的比值。
7.根据权利要求1所述的一种岩土颗粒轨迹预测方法,其特征在于,所述设定边界为二维模型的边界或三维模型的面边界;
当所述设定边界为二维模型的边界时,所述岩土颗粒与设定边界的距离信息包括所述岩土颗粒与所述二维模型的每一条边的距离;
当所述设定边界为三维模型的面边界时,所述岩土颗粒与设定边界的距离信息包括所述岩土颗粒与所述三维模型的每一面的距离。
8.根据权利要求1所述的一种岩土颗粒轨迹预测方法,其特征在于,所述加速度预测模型为由多层感知机构成的模型。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-8中任一项所述的一种岩土颗粒轨迹预测方法。
10.一种可读存储介质,其特征在于,所述可读存储介质存储有计算机程序,所述计算机程序适用于由处理器加载并执行权利要求1-8任一项所述的一种岩土颗粒轨迹预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410153076.1A CN117688823B (zh) | 2024-02-04 | 2024-02-04 | 一种岩土颗粒轨迹预测方法、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410153076.1A CN117688823B (zh) | 2024-02-04 | 2024-02-04 | 一种岩土颗粒轨迹预测方法、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117688823A true CN117688823A (zh) | 2024-03-12 |
CN117688823B CN117688823B (zh) | 2024-05-14 |
Family
ID=90130413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410153076.1A Active CN117688823B (zh) | 2024-02-04 | 2024-02-04 | 一种岩土颗粒轨迹预测方法、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688823B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364899A (zh) * | 2011-11-16 | 2012-02-29 | 北京邮电大学 | 一种基于粒子群优化的虚拟网络映射方法及系统 |
CN103500259A (zh) * | 2013-10-19 | 2014-01-08 | 辽宁工程技术大学 | 一种岩土模型的建模方法 |
CN107705212A (zh) * | 2017-07-07 | 2018-02-16 | 江苏开放大学 | 一种基于粒子群随机游走的角色识别方法 |
US20180341727A1 (en) * | 2017-05-27 | 2018-11-29 | China University Of Petroleum (East China) | Method for simulation of microscopic flow of pre-crosslinked gel suspension liquid in porous medium |
CN109284523A (zh) * | 2018-07-19 | 2019-01-29 | 同济大学 | 一种岩土介质渐进破坏、类固-液相变行为的模拟方法 |
CN109556998A (zh) * | 2018-09-26 | 2019-04-02 | 湘潭大学 | 一种基于可变磁场下磁性颗粒运动轨迹的观测装置 |
US20200198137A1 (en) * | 2018-12-25 | 2020-06-25 | Hitachi, Ltd. | Trajectory generation device, trajectory generation method, and robot system |
CN112163328A (zh) * | 2020-09-18 | 2021-01-01 | 武汉大学 | 一种基于深度学习和数据驱动的岩土颗粒材料本构建模方法 |
US20210032639A1 (en) * | 2017-09-13 | 2021-02-04 | Danisco Us Inc. | Modified 5'-untranslated region (utr) sequences for increased protein production in bacillus |
CN112765895A (zh) * | 2021-01-28 | 2021-05-07 | 南京大学 | 一种基于机器学习的岩土材料离散元自动建模方法 |
WO2021134169A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
US20220011122A1 (en) * | 2020-07-09 | 2022-01-13 | Beijing Tusen Weilai Technology Co., Ltd. | Trajectory prediction method and device |
CN115238980A (zh) * | 2022-07-13 | 2022-10-25 | 湖南大学 | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 |
CN115937801A (zh) * | 2023-03-08 | 2023-04-07 | 斯润天朗(北京)科技有限公司 | 基于图卷积的车辆轨迹预测方法及装置 |
CN116306189A (zh) * | 2023-04-20 | 2023-06-23 | 西安石油大学 | 一种基于离散元颗粒流模拟岩土渗流力的数值模拟方法及装置 |
CN116362114A (zh) * | 2023-02-28 | 2023-06-30 | 中国核电工程有限公司 | 核电管道的设计方法与系统 |
CN116380088A (zh) * | 2023-06-05 | 2023-07-04 | 小米汽车科技有限公司 | 车辆定位方法、装置、车辆及存储介质 |
CN116595871A (zh) * | 2023-05-12 | 2023-08-15 | 程国志 | 基于动态时空交互图的车辆轨迹预测建模方法与装置 |
-
2024
- 2024-02-04 CN CN202410153076.1A patent/CN117688823B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364899A (zh) * | 2011-11-16 | 2012-02-29 | 北京邮电大学 | 一种基于粒子群优化的虚拟网络映射方法及系统 |
CN103500259A (zh) * | 2013-10-19 | 2014-01-08 | 辽宁工程技术大学 | 一种岩土模型的建模方法 |
US20180341727A1 (en) * | 2017-05-27 | 2018-11-29 | China University Of Petroleum (East China) | Method for simulation of microscopic flow of pre-crosslinked gel suspension liquid in porous medium |
CN107705212A (zh) * | 2017-07-07 | 2018-02-16 | 江苏开放大学 | 一种基于粒子群随机游走的角色识别方法 |
US20210032639A1 (en) * | 2017-09-13 | 2021-02-04 | Danisco Us Inc. | Modified 5'-untranslated region (utr) sequences for increased protein production in bacillus |
CN109284523A (zh) * | 2018-07-19 | 2019-01-29 | 同济大学 | 一种岩土介质渐进破坏、类固-液相变行为的模拟方法 |
CN109556998A (zh) * | 2018-09-26 | 2019-04-02 | 湘潭大学 | 一种基于可变磁场下磁性颗粒运动轨迹的观测装置 |
US20200198137A1 (en) * | 2018-12-25 | 2020-06-25 | Hitachi, Ltd. | Trajectory generation device, trajectory generation method, and robot system |
WO2021134169A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
US20220011122A1 (en) * | 2020-07-09 | 2022-01-13 | Beijing Tusen Weilai Technology Co., Ltd. | Trajectory prediction method and device |
CN112163328A (zh) * | 2020-09-18 | 2021-01-01 | 武汉大学 | 一种基于深度学习和数据驱动的岩土颗粒材料本构建模方法 |
CN112765895A (zh) * | 2021-01-28 | 2021-05-07 | 南京大学 | 一种基于机器学习的岩土材料离散元自动建模方法 |
CN115238980A (zh) * | 2022-07-13 | 2022-10-25 | 湖南大学 | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 |
CN116362114A (zh) * | 2023-02-28 | 2023-06-30 | 中国核电工程有限公司 | 核电管道的设计方法与系统 |
CN115937801A (zh) * | 2023-03-08 | 2023-04-07 | 斯润天朗(北京)科技有限公司 | 基于图卷积的车辆轨迹预测方法及装置 |
CN116306189A (zh) * | 2023-04-20 | 2023-06-23 | 西安石油大学 | 一种基于离散元颗粒流模拟岩土渗流力的数值模拟方法及装置 |
CN116595871A (zh) * | 2023-05-12 | 2023-08-15 | 程国志 | 基于动态时空交互图的车辆轨迹预测建模方法与装置 |
CN116380088A (zh) * | 2023-06-05 | 2023-07-04 | 小米汽车科技有限公司 | 车辆定位方法、装置、车辆及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117688823B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Deep Reinforcement Learning | |
Groshev et al. | Learning generalized reactive policies using deep neural networks | |
CN111406267B (zh) | 使用性能预测神经网络的神经架构搜索 | |
Song et al. | New chaotic PSO-based neural network predictive control for nonlinear process | |
CN112325897B (zh) | 基于启发式深度强化学习的路径规划方法 | |
WO2020040763A1 (en) | Real-time production scheduling with deep reinforcement learning and monte carlo tree search | |
Sajedi et al. | Deep generative Bayesian optimization for sensor placement in structural health monitoring | |
Wei et al. | Learning motion rules from real data: Neural network for crowd simulation | |
CN104809501A (zh) | 一种基于类脑协处理器的计算机系统 | |
CN108983605B (zh) | 一种基于深度强化学习进行流体导向的刚体控制的方法 | |
JP7492083B2 (ja) | メッシュ表現およびグラフニューラルネットワークを使用した物理的環境のシミュレーション | |
US20210216049A1 (en) | Autonomous control system and method using embodied homeostatic feedback in an operating environment | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 | |
CN117688823B (zh) | 一种岩土颗粒轨迹预测方法、电子设备及介质 | |
Kupwiwat et al. | Deep deterministic policy gradient and graph convolutional network for bracing direction optimization of grid shells | |
Zhang et al. | ORCANet: Differentiable multi‐parameter learning for crowd simulation | |
CN116011681A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN115859780A (zh) | 基于物理约束神经网络的电力设备振动仿真方法及系统 | |
Motlagh et al. | Development of application-specific adjacency models using fuzzy cognitive map | |
Yousif et al. | Deep learning-based surrogate modeling for performance-driven generative design systems | |
CN116032776B (zh) | 基于深度强化学习的作战体系通信系统架构设计方法、电子设备及存储介质 | |
CN116578636B (zh) | 一种分布式多智能体合作方法、系统、介质及设备 | |
Wei et al. | Graph MADDPG with RNN for multiagent cooperative environment | |
Breu | Point Cloud Classification as a Support for BIM-based Progress Tracking |
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 |