CN117740652A - 一种植生型多孔混凝土透砂系数快速测定方法及系统 - Google Patents
一种植生型多孔混凝土透砂系数快速测定方法及系统 Download PDFInfo
- Publication number
- CN117740652A CN117740652A CN202410183892.7A CN202410183892A CN117740652A CN 117740652 A CN117740652 A CN 117740652A CN 202410183892 A CN202410183892 A CN 202410183892A CN 117740652 A CN117740652 A CN 117740652A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- penetration coefficient
- network model
- sand
- 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
- 239000004576 sand Substances 0.000 title claims abstract description 102
- 230000035515 penetration Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012360 testing method Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000005284 excitation Effects 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 29
- 230000035699 permeability Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000002759 z-score normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002786 root growth Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种植生型多孔混凝土透砂系数快速测定方法，包括：采用声波激励的方法获取待测试混凝土样本的声波信号数据，进而生成数据集；采用透砂系数测试模型不断对数据集进行训练；将训练后的透砂系数测试模型进行部署，采用声波激励的方法获取新的待测试混凝土样本的声波信号数据；根据透砂系数测试模型，对新的待测试混凝土样本的声波信号数据进行快速测定，生成匹配的透砂系数。本发明的一种植生型多孔混凝土透砂系数快速测定方法，能够建立一个快速、准确的透砂系数测试模型，在短时间内给出多孔混凝土准确的透砂系数结果。
Description
技术领域
本发明涉及混凝土测试技术领域，具体涉及一种植生型多孔混凝土透砂系数快速测定方法、系统、计算机介质及计算机。
背景技术
植生型多孔混凝土是一种通过在混凝土中引入空隙或通道以促进植物生长的建筑材料，它通过在混凝土中引入空隙或通道，创造出适宜植物根系生长的环境，这一材料的广泛应用在建筑行业中；
生态屋顶和绿化墙是多孔混凝土应用最为广泛的领域之一，生态屋顶通过在建筑屋顶上布置多孔混凝土层和选择适宜的植物，生态屋顶实现了绿色植被的覆盖，不仅美化了城市天际线，还提供了自然的隔热、保温和雨水收集功能，这种绿色屋顶不仅有助于减缓雨水流失，还能有效降低建筑物的能耗，为城市生态系统的恢复和可持续发展作出了积极贡献；绿化墙是通过在建筑外墙表面或嵌入墙体内部设计多孔混凝土，为植物的根系提供了生长的空间，创造了垂直绿化的建筑结构，这不仅使建筑物在城市中呈现出独特而美丽的外观，还有效地改善了周围空气质量，绿化墙的引入有助于吸收空气中的有害物质，减少城市热岛效应，为居民提供清新的居住环境；因此，这种多孔混凝土结合了建筑结构和生态设计的特点，具有环保、生态友好和美学的优势。
目前，透砂系数实际上是衡量材料对水分渗透能力的一个指标，而在多孔混凝土中，透砂系数的高低直接关系到土壤水分的渗透和根系的生长，因此，测定多孔混凝土的透砂系数变得至关重要，透砂系数的高低直接关系到多孔混凝土在城市规划和生态工程中的可行性。
因此，目前亟需建立一个快速、准确的透砂系数测试模型，能够在短时间内给出多孔混凝土准确的透砂系数结果的快速测定方法。
发明内容
发明目的：为了克服以上不足，本发明的目的是提供一种植生型多孔混凝土透砂系数快速测定方法，其应用灵活，通过对多孔混凝土样本的数据进行分析，建立一个快速、准确的透砂系数预测模型，在无需破坏混凝土样本结构的基础上，快速测定混凝土样本的透砂系数，实现了对混凝土透砂系数的快速、准确、非破坏性测定。
为解决上述技术问题，本发明提供了一种植生型多孔混凝土透砂系数快速测定方法，包括：
步骤S1：采用声波激励的方法获取待测试混凝土样本的声波信号数据，进而生成数据集；
步骤S2：采用透砂系数测试模型不断对数据集进行训练，包括：将数据集的声波信号数据进行预设处理形成有效声波数据，在有效声波数据中进行预设特征提取，训练提取的预设特征中透砂系数与声学传播特性之间的关系，得修正后的样品透砂系数数据；
步骤S3：将训练后的透砂系数测试模型进行部署，采用声波激励的方法获取新的待测试混凝土样本的声波信号数据；
步骤S4：根据透砂系数测试模型，对新的待测试混凝土样本的声波信号数据进行快速测定，生成匹配的透砂系数。
作为本发明的一种优选方式，在步骤S1中，所述方法还包括以下步骤：
步骤S10：采用脉冲激励的方法，通过瞬时声源产生声波，使其传播穿过待测试混凝土样本；
步骤S11：记录进入待测试混凝土样本的声波信号，生成匹配的声波信号数据。
作为本发明的一种优选方式，将数据集的声波信号数据进行预设处理形成有效数据的方法包括以下步骤：
步骤S20：采用移动平均滤波方法将数据集包含的声波信号数据进行噪声去除：
，
其中，是噪声去除处理后的声波信号数据，是原始的声波信号数据，为窗口
大小，表示当前数据点在整个数据集中的位置，是窗口一半大小，表示在当前数据点的
周围的数据点范围；
步骤S21：计算数据集所有声波信号数据的均值：
，
进而计算数据集所有声波信号数据的标准差：
，
进而根据均值和标准差计算异常值的阈值：
其中，是一个异常值的定义参数，其取值范围为2-3；
步骤S22：消除数据集包含的所有声波信号数据的尺度差异：
，
进而生成有效声波数据；
其中，是Z-score标准化后的声波信号数据。
作为本发明的一种优选方式，在有效声波数据中进行预设特征提取的方法包括以下步骤：
步骤S23：通过小波变换将有效声波数据转换到频域：
，
其中，是小波系数，是原始有效声波数据，是小波基函数，是尺
度参数，是平移参数，是时间间隔；
步骤S24：根据小波系数，提取振幅、相位特征：
，
，
其中，是振幅特征，是相位特征，是频率；
步骤S25：根据振幅、相位特征，进行波峰和波谷的检测，进而根据波峰和波谷之间的时间差，生成有效声波数据的传播时间。
作为本发明的一种优选方式，训练提取的预设特征中透砂系数与声学传播特性之间的关系的方法包括以下步骤：
步骤S26：将数据集划分为训练集及测试集；
步骤S27：配置神经网络模型：设置神经网络模型的层数以及每层神经元数，设置预设激活函数以及损失函数；
步骤S28：将训练集输入所述神经网络模型，获得所述神经网络模型的输出，进而进行所述神经网络模型的权重和偏置的调整；
步骤S29：使用测试集评估所述神经网络模型的性能，进而生成透砂系数测试模型。
作为本发明的一种优选方式，获得所述神经网络模型输出的方法还包括以下步骤：
步骤S280：训练集通过所述神经网络模型的各层，进行前向传播计算：
，
，
其中，是设置的神经网络模型层数，是神经网络模型层数的激活值，是权重
矩阵，是偏置向量，是激活函数，是加权输入；
步骤S281：获得所述神经网络模型的输出，进而使用损失函数计算所述神经网络模型的预测值与实际值之间的差异：
，
其中，是测试混凝土样本的数量，是实际值，是神经网络模型的预测值；
步骤S282：设置优化器：
，
，
其中，是权重的梯度，是梯度的一阶矩，是梯度的二阶矩，是梯度一
阶矩的衰减率，是梯度二阶矩的衰减率。
作为本发明的一种优选方式，进行所述神经网络模型的权重和偏置的调整方法还包括以下步骤：
步骤S283：将训练集输入所述神经网络模型，通过优化器进行权重调整：
，
其中，是调整后的权重，为避免分母为0的参数，是权重，是学习率；
步骤S284：通过优化器进行偏置调整：
，
其中，是调整后的偏置，是偏置。
作为本发明的一种优选方式，使用测试集评估所述神经网络模型的性能的方法包括以下步骤：
步骤S290：使用训练好的神经网络模型对测试集进行前向传播，得到所述神经网络模型的预测值；
步骤S291：计算所述神经网络模型的性能：
，
其中，是测试混凝土样本的数量，是实际值，是神经网络模型的预测值。
本发明还提供一种植生型多孔混凝土透砂系数快速测定系统，包括：
声源，用于产生测试声波；
声学传感器，用于检测和记录测试声波信号数据；
样本置放平台，用于放置待测试混凝土样本；
控制单元，其分别与声源及声学传感器相连接。
作为本发明的一种优选方式，所述控制单元包括：
数据处理模块，用于采用声波激励的方法获取待测试混凝土样本的声波信号数据，进而生成数据集；
模型训练模块，用于采用透砂系数测试模型不断对数据集进行训练，获得修正后的样品透砂系数数据，包括：将数据集的声波信号数据进行预设处理形成有效声波数据，在有效声波数据中进行预设特征提取，训练提取的预设特征中透砂系数与声学传播特性之间的关系，得修正后的样品透砂系数数据；
模型部署模块，用于将训练后的透砂系数测试模型进行部署；
数据测定模块，用于采用声波激励的方法获取新的待测试混凝土样本的声波信号数据，根据透砂系数测试模型，对新的待测试混凝土样本的声波信号数据进行快速测定，生成匹配的透砂系数。
本发明的上述技术方案相比现有技术具有以下优点：
1、通过声波激励方法获取混凝土样本的声波信号数据，在无需破坏混凝土样本结构的基础上，快速测定混凝土样本的透砂系数，实现了对混凝土透砂系数的快速、准确、非破坏性测定；
2、通过机器学习方法生成的透砂系数预测模型，能够在短时间内从大量混凝土样本数据中学习透砂系数的复杂模式，从而提供快速的测定结果，相比传统的实验方法，减少了测试和分析所需的时间；
3、通过对大量混凝土样本数据进行分析，能够捕捉到复杂的非线性关系，能够捕捉到透砂系数与其他影响因素之间的复杂非线性关系，提高了透砂系数测定的准确性，为混凝土结构设计和工程实践提供更为可靠的数据支持；
4、具有自适应性，能够处理复杂的多因素影响透砂系数的情况，这种自适应性使得透砂系数预测模型在不同类型的多孔混凝土样本中都能表现良好。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明提供的植生型多孔混凝土透砂系数快速测定方法的流程图。
图2是本发明提供的获取待测试混凝土样本的声波信号数据方法的流程图。
图3是本发明提供的声波信号数据进行预设处理方法的流程图。
图4是本发明提供的预设特征提取方法的流程图。
图5是本发明提供的训练神经网络模型方法的流程图。
图6是本发明提供的获得神经网络模型输出方法的流程图。
图7是本发明提供的权重和偏置的调整方法的流程图。
图8是本发明提供的评估神经网络模型的性能方法的流程图。
图9是本发明提供的植生型多孔混凝土透砂系数快速测定系统的连接关系图。
图10是本发明提供的控制单元的模块连接关系图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在进行待测试混凝土样本的测试时，需要进行测试前准备，包括：
声学传感器选择：选择适用于植生型多孔混凝土的声学传感器，该声学传感器只要是能够捕捉混凝土中传播的声波信号，可以是任何形式的声学传感器， 包括但不仅限于接触式传感器、非接触式传感器，具体由测试人员根据实际需求、成本设置；
实验样本准备：准备需求数量的植生型多孔混凝土的样本，并确保它们具有代表性的结构和孔隙特征，样本的尺寸和形状应适应声波传播测试的要求，确保实验条件的稳定性，包括温度、湿度环境参数的控制；
传感器置放：将声学传感器放置在样本表面或嵌入样本内部，以记录声波的传播，声学传感器的位置应该能够捕捉到声波的传播路径，以获取准确的传播时间或频率数据。
通过测试前准备，获得已知的待测试混凝土样本密度、待测试混凝土样本的泊松比、测试混凝土样本的孔隙率。
参考图1所示，在一些实施例中，所涉及的一种植生型多孔混凝土透砂系数快速测定方法，包括以下步骤：
步骤S1：采用声波激励的方法获取待测试混凝土样本的声波信号数据，进而生成数据集。
在步骤S1中，参考图2所示，所述方法还包括以下步骤：
步骤S10：采用脉冲激励的方法，通过瞬时声源产生声波，使其传播穿过待测试混凝土样本；
步骤S11：记录进入待测试混凝土样本的声波信号，生成匹配的声波信号数据。
其中，所述声波信号数据包括声波传播的时间、频率域的振幅、相位。
步骤S2：采用透砂系数测试模型不断对数据集进行训练，包括：将数据集的声波信号数据进行预设处理形成有效声波数据，在有效声波数据中进行预设特征提取，训练提取的预设特征中透砂系数与声学传播特性之间的关系，得修正后的样品透砂系数数据。
在步骤S2中，参考图3所示，将数据集的声波信号数据进行预设处理形成有效数据的方法包括以下步骤：
步骤S20：采用移动平均滤波方法将数据集包含的声波信号数据进行噪声去除：
，
其中，是处理后的声波信号数据，是原始的声波信号数据，为窗口大小，表
示当前数据点在整个数据集中的位置，是窗口一半大小，表示在当前数据点的周围的数
据点范围；其中，窗口大小决定了用于计算每个平均值的数据数量。
具体而言，选择合适的滤波类型，包括但不仅限于移动平均、中值滤波、低通滤波等滤波方法，在本实施例中参考移动平均滤波方法；然后确定移动平均滤波方法的窗口大小，进而对数据集包含的每个声波信号数据应用移动平均滤波方法，将其替换为附近数据的平均值或中值，减少由于测量误差引起的随机噪声。
步骤S21：计算数据集所有声波信号数据的均值：
，
进而计算数据集所有声波信号数据的标准差：
，
进而根据均值和标准差计算异常值的阈值：
，
其中，是一个异常值的定义参数，其取值范围为2-3，即具体取值由测试人员根
据实际需求进行设定，用于确定异常值的范围，通常取2或3，表示异常值的范围为均值正负
2或3倍标准差。
具体而言，通过计算数据集所有声波信号数据的均值、标准差，识别异常值的阈值，即根据计算得到的阈值，确定那些声波信号数据的异常值，若某一声波信号数据超出了阈值范围，则其就被认为是异常值，进而将数据集包含的异常值修正、替换或剔除。
在异常值修正、替换或剔除后，填补数据集的缺失值：
，
其中，是数据集缺失值的填补值，和是已知处理后的相邻声波信号数据。
步骤S22：使用标准化或归一化方法，将数据集包含的所有声波信号数据的尺度调整到相同的范围，消除数据集包含的所有声波信号数据的尺度差异：
，
进而生成有效声波数据；
其中，是Z-score标准化后的声波信号数据。
具体而言，本实施例使用Z-score标准化，对数据集包含的所有声波信号数据进行标准化处理，以确保所有特征都在相同的尺度上，有助于提高模型的稳定性和收敛速度。
在步骤S2中，参考图4所示，在有效声波数据中进行预设特征提取的方法包括以下步骤：
步骤S23：通过小波变换将有效声波数据转换到频域：
，
其中，是小波系数，是原始有效声波数据，是小波基函数， 是尺
度参数，是平移参数，是时间间隔。
具体而言，选择小波基函数，通常选择与信号特性匹配的小波基函数，例如Morlet
小波基函数，以匹配信号的频率特性，尺度参数决定小波的宽度，较小的尺度对应较高频
率的分量，平移参数决定小波的位置，影响小波变换的相位信息。
步骤S24：根据小波系数，提取振幅、相位特征：
，
，
其中，是振幅特征，是相位特征，是频率。
具体而言，在步骤S24中，将声波信号数据分解成不同尺度和频带的小波系数，进而提取小波系数的振幅、相位特征，用于建立与透砂系数相关的模型。
步骤S25：根据振幅、相位特征，进行波峰和波谷的检测，进而根据波峰和波谷之间的时间差，生成有效声波数据的传播时间。
其中，波峰即指声波振幅的最大值，波谷即指声波振幅的最小值，时间差即指两个相邻波峰或波谷之间的时间间隔，即声波的周期。
具体而言，有效声波数据的传播时间，即声速，其与透砂系数之间的关系为：
，
其中，是透砂系数，是待测试混凝土样本的密度，是有效声波数据的传播时
间，是待测试混凝土样本的泊松比，是待测试混凝土样本的孔隙率。
在步骤S2中，参考图5所示，训练提取的预设特征中透砂系数与声学传播特性之间的关系的方法包括以下步骤：
步骤S26：将数据集划分为训练集及测试集，用于训练和验证模型。
步骤S27：配置神经网络模型：设置神经网络模型的层数以及每层神经元数，设置预设激活函数以及损失函数。
具体而言，构建神经网络结构，包括输入层、隐藏层和输出层，然后选择神经网络每层的神经元数量，选择激活函数，例如ReLU等激活函数，选择适当的损失函数，例如均方误差（MSE），进而选择优化器。
示例性的，假设选择使用一个具有两个隐藏层的前馈神经网络进行透砂系数的测试，网络结构如下：
输入层：特征数量对应声学传播数据的维度；
隐藏层1：选择10个神经元，使用ReLU激活函数；
隐藏层2：选择5个神经元，使用ReLU激活函数；
输出层：1个神经元，用于透砂系数的回归测式；
损失函数选择均方误差（MSE），优化器选择Adam优化器；学习率可调整，以此控制模型权重和偏置在每次迭代中的更新步长。
步骤S28：将训练集输入所述神经网络模型，获得所述神经网络模型的输出，进而进行所述神经网络模型的权重和偏置的调整；
在步骤S28中，参考图6所示，获得所述神经网络模型的输出的方法包括以下步骤：
步骤S280：训练集通过所述神经网络模型的各层，进行前向传播计算：
，
，
其中，是设置的神经网络模型层数，是神经网络模型层数的激活值，是权重
矩阵，是偏置向量，是加权输入。
具体而言，假设为第层到第层的权重矩阵，维度为，则神经
网络的权重矩阵表示为：
，
步骤S281：获得所述神经网络模型的输出，进而使用损失函数计算所述神经网络模型的预测值与实际值之间的差异：
，
其中，是测试混凝土样本的数量，是实际值，是神经网络模型的预测值。
具体而言，采用均方误差（MSE）损失函数，计算所述神经网络模型预测值与实际值之间的平方差。
步骤S282：设置优化器：
，
，
其中，是权重的梯度，是梯度的一阶矩，是梯度的二阶矩，通过一阶矩、
二阶矩调整权重更新的方向和步长；是梯度一阶矩的衰减率，即控制梯度一阶矩的衰减
速度；是梯度二阶矩的衰减率，即控制梯度二阶矩的衰减速度。
具体而言，采用Adam优化器更新神经网络的权重和偏置，以最小化选择的损失函数，通过Adam优化器，能够结合梯度的一阶矩估计和二阶矩估计，提高优化性能。
在步骤S28中，参考图7所示，进行所述神经网络模型的权重和偏置的调整方法还包括以下步骤：
步骤S283：将训练集输入所述神经网络模型，通过优化器进行权重调整：
，
其中，是调整后的权重，为避免分母为0的参数，是权重，是学习率；
步骤S284：通过优化器进行偏置调整：
，
其中，是调整后的偏置，是偏置。
具体而言，重复所述神经网络模型的训练，直到达到预定的训练轮数或损失函数
达到测试人员设定的值，且在每个训练迭代中，根据Adam优化器的更新规则，调整权重和
偏置，以逐渐减小损失函数的值。
步骤S29：使用测试集评估所述神经网络模型的性能，进而生成透砂系数测试模型。
在步骤S28中，参考图8所示，使用测试集评估所述神经网络模型的性能的方法包括以下步骤：
步骤S290：使用训练好的神经网络模型对测试集进行前向传播，得到所述神经网络模型的预测值。
具体而言，将测试集输入训练好的神经网络模型中，以此通过训练好的神经网络模型对测试集进行前向传播，得到所述神经网络模型的预测值。
步骤S291：计算所述神经网络模型的性能：
，
其中，是测试混凝土样本的数量，是实际值，是神经网络模型的预测值。
具体而言，使用均方根误差（RMSE）的性能指标计算所述神经网络模型的性能，进而分析性能指标的结果，评估所述神经网络模型在测试集上的表现，较小的RMSE值表示所述神经网络模型在测试集上的预测值与实际值较接近。
具体而言，在上述的神经网络模型训练且优化完成后，将其设定为透砂系数测试模型。
步骤S3：将训练后的透砂系数测试模型进行部署，采用声波激励的方法获取新的待测试混凝土样本的声波信号数据；
步骤S4：根据透砂系数测试模型，对新的待测试混凝土样本的声波信号数据进行快速测定，生成匹配的透砂系数。
具体而言，测试人员将透砂系数测试模型部署在需求的系统内，以此将批量化的待测试混凝土样本的声波信号数据输入透砂系数测试模型，透砂系数测试模型将快速返回测定的透砂系数值。
进一步地，对透砂系数模型持续优化，即定期更新神经网络模型，使用新数据重新训练，以确保模型保持高准确性并适应新的样本。
参考图9-图10所示，在一些实施例中，本发明还提供一种植生型多孔混凝土透砂系数快速测定系统，包括：
声源10，用于产生测试声波；
所述声源包括但不仅限于超声波发生器或振动源，确保能够产生具有足够幅度和频率范围的声波，具体由测试人员根据实际需求设置。
声学传感器11，用于检测和记录测试声波信号数据；
样本置放平台，用于放置待测试混凝土样本；
控制单元12，其分别与声源及声学传感器相连接。
具体而言，所述控制单元包括：
数据处理模块120，用于采用声波激励的方法获取待测试混凝土样本的声波信号数据，进而生成数据集；
模型训练模块121，用于采用透砂系数测试模型不断对数据集进行训练，获得修正后的样品透砂系数数据，包括：将数据集的声波信号数据进行预设处理形成有效声波数据，在有效声波数据中进行预设特征提取，训练提取的预设特征中透砂系数与声学传播特性之间的关系，得修正后的样品透砂系数数据；
模型部署模块122，用于将训练后的透砂系数测试模型进行部署；
数据测定模块123，用于采用声波激励的方法获取新的待测试混凝土样本的声波信号数据，根据透砂系数测试模型，对新的待测试混凝土样本的声波信号数据进行快速测定，生成匹配的透砂系数。
在一些实施例中，本发明还提供一种计算机介质，所述计算机介质上存储有计算机程序，所述计算机程序被处理器执行实现所述的一种植生型多孔混凝土透砂系数快速测定方法。
在一些实施例中，本发明还提供一种计算机，包括所述的一种计算机介质。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种植生型多孔混凝土透砂系数快速测定方法，其特征在于，包括以下步骤：
步骤S1：采用声波激励的方法获取待测试混凝土样本的声波信号数据，进而生成数据集；
步骤S2：采用透砂系数测试模型不断对数据集进行训练，包括：将数据集的声波信号数据进行预设处理形成有效声波数据，在有效声波数据中进行预设特征提取，训练提取的预设特征中透砂系数与声学传播特性之间的关系，得修正后的样品透砂系数数据；
步骤S3：将训练后的透砂系数测试模型进行部署，采用声波激励的方法获取新的待测试混凝土样本的声波信号数据；
步骤S4：根据透砂系数测试模型，对新的待测试混凝土样本的声波信号数据进行快速测定，生成匹配的透砂系数。
2.根据权利要求1所述的一种植生型多孔混凝土透砂系数快速测定方法，其特征在于，在步骤S1中，所述方法还包括以下步骤：
步骤S10：采用脉冲激励的方法，通过瞬时声源产生声波，使其传播穿过待测试混凝土样本；
步骤S11：记录进入待测试混凝土样本的声波信号，生成匹配的声波信号数据。
3.根据权利要求1所述的一种植生型多孔混凝土透砂系数快速测定方法，其特征在于，将数据集的声波信号数据进行预设处理形成有效数据的方法包括以下步骤：
步骤S20：采用移动平均滤波方法将数据集包含的声波信号数据进行噪声去除：
，
其中，是噪声去除处理后的声波信号数据，/>是原始的声波信号数据，/>为窗口大小，表示当前数据点在整个数据集中的位置，/>是窗口一半大小，/>表示在当前数据点/>的周围的数据点范围；
步骤S21：计算数据集所有声波信号数据的均值：
，
进而计算数据集所有声波信号数据的标准差：
，
进而根据均值和标准差计算异常值的阈值：
，
其中，是一个异常值的定义参数，其取值范围为2-3；
步骤S22：消除数据集包含的所有声波信号数据的尺度差异：
，
进而生成有效声波数据；
其中，是Z-score标准化后的声波信号数据。
4.根据权利要求3所述的一种植生型多孔混凝土透砂系数快速测定方法，其特征在于，在有效声波数据中进行预设特征提取的方法包括以下步骤：
步骤S23：通过小波变换将有效声波数据转换到频域：
，
其中，是小波系数，/>是原始有效声波数据，/>是小波基函数，/>是尺度参数，/>是平移参数，/>是时间间隔；
步骤S24：根据小波系数，提取振幅、相位特征：
，
，
其中，是振幅特征，/>是相位特征，/>是频率；
步骤S25：根据振幅、相位特征，进行波峰和波谷的检测，进而根据波峰和波谷之间的时间差，生成有效声波数据的传播时间。
5.根据权利要求1所述的一种植生型多孔混凝土透砂系数快速测定方法，其特征在于，训练提取的预设特征中透砂系数与声学传播特性之间的关系的方法包括以下步骤：
步骤S26：将数据集划分为训练集及测试集；
步骤S27：配置神经网络模型：设置神经网络模型的层数以及每层神经元数，设置预设激活函数以及损失函数；
步骤S28：将训练集输入所述神经网络模型，获得所述神经网络模型的输出，进而进行所述神经网络模型的权重和偏置的调整；
步骤S29：使用测试集评估所述神经网络模型的性能，进而生成透砂系数测试模型。
6.根据权利要求5所述的一种植生型多孔混凝土透砂系数快速测定方法，其特征在于，获得所述神经网络模型输出的方法还包括以下步骤：
步骤S280：训练集通过所述神经网络模型的各层，进行前向传播计算：
，
，
其中，是设置的神经网络模型层数，/>是神经网络模型层数的激活值，/>是权重矩阵，/>是偏置向量，/>是激活函数，/>是加权输入；
步骤S281：获得所述神经网络模型的输出，进而使用损失函数计算所述神经网络模型的预测值与实际值之间的差异：
，
其中，是测试混凝土样本的数量，/>是实际值，/>是神经网络模型的预测值；
步骤S282：设置优化器：
，
，
其中，是权重的梯度，/>是梯度的一阶矩，/>是梯度的二阶矩，/>是梯度一阶矩的衰减率，/>是梯度二阶矩的衰减率。
7.根据权利要求6所述的一种植生型多孔混凝土透砂系数快速测定方法，其特征在于，进行所述神经网络模型的权重和偏置的调整方法还包括以下步骤：
步骤S283：将训练集输入所述神经网络模型，通过优化器进行权重调整：
，
其中，是调整后的权重，/>为避免分母为0的参数，/>是权重，/>是学习率；
步骤S284：通过优化器进行偏置调整：
，
其中，是调整后的偏置，/>是偏置。
8.根据权利要求5所述的一种植生型多孔混凝土透砂系数快速测定方法，其特征在于，使用测试集评估所述神经网络模型的性能的方法包括以下步骤：
步骤S290：使用训练好的神经网络模型对测试集进行前向传播，得到所述神经网络模型的预测值；
步骤S291：计算所述神经网络模型的性能：
，
其中，是测试混凝土样本的数量，/>是实际值，/>是神经网络模型的预测值。
9.一种植生型多孔混凝土透砂系数快速测定系统，其特征在于，包括：
声源，用于产生测试声波；
声学传感器，用于检测和记录测试声波信号数据；
样本置放平台，用于放置待测试混凝土样本；
控制单元，其分别与声源及声学传感器相连接。
10.根据权利要求9所述的一种植生型多孔混凝土透砂系数快速测定系统，其特征在于，所述控制单元包括：
数据处理模块，用于采用声波激励的方法获取待测试混凝土样本的声波信号数据，进而生成数据集；
模型训练模块，用于采用透砂系数测试模型不断对数据集进行训练，获得修正后的样品透砂系数数据，包括：将数据集的声波信号数据进行预设处理形成有效声波数据，在有效声波数据中进行预设特征提取，训练提取的预设特征中透砂系数与声学传性之间的关系，得修正后的样品透砂系数数据；
模型部署模块，用于将训练后的透砂系数测试模型进行部署；
数据测定模块，用于采用声波激励的方法获取新的待测试混凝土样本的声波信号数据，根据透砂系数测试模型，对新的待测试混凝土样本的声波信号数据进行快速测定，生成匹配的透砂系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410183892.7A CN117740652B (zh) | 2024-02-19 | 2024-02-19 | 一种植生型多孔混凝土透砂系数快速测定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410183892.7A CN117740652B (zh) | 2024-02-19 | 2024-02-19 | 一种植生型多孔混凝土透砂系数快速测定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117740652A true CN117740652A (zh) | 2024-03-22 |
| CN117740652B CN117740652B (zh) | 2024-05-10 |
Family
ID=90277705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410183892.7A Active CN117740652B (zh) | 2024-02-19 | 2024-02-19 | 一种植生型多孔混凝土透砂系数快速测定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117740652B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
| CN107631971A (zh) * | 2017-07-31 | 2018-01-26 | 中南林业科技大学 | 一种植生型多孔混凝土透砂系数快速测定方法及装置 |
| CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
| CN111257196A (zh) * | 2020-02-24 | 2020-06-09 | 西南石油大学 | 一种基于地层因素的岩石热物理参数的预测方法 |
| CN113216945A (zh) * | 2021-05-08 | 2021-08-06 | 中国石油天然气股份有限公司 | 一种致密砂岩储层渗透性定量评价方法 |
| US20220018221A1 (en) * | 2020-07-17 | 2022-01-20 | Landmark Graphics Corporation | Classifying downhole test data |
| CN116796503A (zh) * | 2023-05-09 | 2023-09-22 | 西南石油大学 | 一种页岩有机物碳含量计算模型建立方法和装置 |
| WO2024012928A1 (de) * | 2022-07-12 | 2024-01-18 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum trainieren eines neuronalen netzes |
-
2024
- 2024-02-19 CN CN202410183892.7A patent/CN117740652B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
| CN107631971A (zh) * | 2017-07-31 | 2018-01-26 | 中南林业科技大学 | 一种植生型多孔混凝土透砂系数快速测定方法及装置 |
| CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
| CN111257196A (zh) * | 2020-02-24 | 2020-06-09 | 西南石油大学 | 一种基于地层因素的岩石热物理参数的预测方法 |
| US20220018221A1 (en) * | 2020-07-17 | 2022-01-20 | Landmark Graphics Corporation | Classifying downhole test data |
| CN113216945A (zh) * | 2021-05-08 | 2021-08-06 | 中国石油天然气股份有限公司 | 一种致密砂岩储层渗透性定量评价方法 |
| WO2024012928A1 (de) * | 2022-07-12 | 2024-01-18 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum trainieren eines neuronalen netzes |
| CN116796503A (zh) * | 2023-05-09 | 2023-09-22 | 西南石油大学 | 一种页岩有机物碳含量计算模型建立方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| ALPANA BHATT ET AL.: "Committee neural networks for porosity and permeability prediction from well logs", GEOPHYSICAL PROSPECTING, no. 20, 31 December 2002 (2002-12-31), pages 645 - 660 * |
| ZHANG JICHENG ET AL.: "Neural Approach for Calculating Permeability of Porous Medium", CHINESE PHYSICS LETTERS, vol. 23, no. 4, 31 December 2006 (2006-12-31), pages 1009 - 1011, XP020096756, DOI: 10.1088/0256-307X/23/4/068 * |
| 许健 等: "基于BP神经网络的重塑黄土冻融过程渗透特性研究", 水利与建筑工程学报, vol. 15, no. 5, 31 October 2017 (2017-10-31), pages 51 - 56 * |
| 郭巧占 等: "利用神经网络的LM算法确定碳酸盐岩声波孔隙度", 石油仪器, vol. 20, no. 1, 28 February 2006 (2006-02-28), pages 36 - 38 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117740652B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114265836A (zh) | 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置 | |
| CN117828315B (zh) | 一种海洋生态环境监测系统及方法 | |
| CN106990018B (zh) | 一种预应力混凝土梁灌浆密实度智能识别方法 | |
| CN109784552B (zh) | 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法 | |
| CN112362756B (zh) | 一种基于深度学习的混凝土结构损伤监测方法及系统 | |
| CN108444662B (zh) | 一种基于日温度效应的桥梁损伤在线监测方法 | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| GB2300736A (en) | Modelling an underground reservoir | |
| CN110440148A (zh) | 一种漏损声信号分类识别方法、装置及系统 | |
| CN114117953A (zh) | 水文模型结构诊断方法、径流预报方法及装置 | |
| CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
| CN113435630A (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
| CN108761456A (zh) | 一种作物的叶面积指数反演方法 | |
| CN115099072B (zh) | 一种海洋生态动力学模型参数非线性优化方法 | |
| CN117740652B (zh) | 一种植生型多孔混凝土透砂系数快速测定方法及系统 | |
| CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
| CN117435891B (zh) | 一种土质边坡的稳定性模拟评估方法及系统 | |
| Caroni et al. | Nonlinearity and time-variance of the hydrologic response of a small mountain creek | |
| Tran et al. | Improving soil moisture profile reconstruction from ground-penetrating radar data: a maximum likelihood ensemble filter approach | |
| CN114047563B (zh) | 一种红外高光谱的全天候同化方法 | |
| CN110111377A (zh) | 一种考虑地震位移场的震后区域性滑坡危险性评估方法 | |
| CN117214398A (zh) | 一种深层地下水体污染物检测方法及系统 | |
| CN116227748A (zh) | 生态环境pm2.5浓度预测模型的训练方法及预测方法 | |
| CN118673820B (zh) | 嵌入谱逼近技术的区域风光水资源要素模拟方法及装置 | |
| CN113408357B (zh) | 一种颤振紊流响应信号到脉冲响应信号的生成方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |