CN117765286A - 一种水泥基材料的水分相态表征方法和装置 - Google Patents
一种水泥基材料的水分相态表征方法和装置 Download PDFInfo
- Publication number
- CN117765286A CN117765286A CN202410195881.0A CN202410195881A CN117765286A CN 117765286 A CN117765286 A CN 117765286A CN 202410195881 A CN202410195881 A CN 202410195881A CN 117765286 A CN117765286 A CN 117765286A
- Authority
- CN
- China
- Prior art keywords
- simulated
- model
- training
- relaxation time
- noise
- 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
- 239000000463 material Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 78
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 77
- 239000004568 cement Substances 0.000 title claims abstract description 69
- 238000001228 spectrum Methods 0.000 claims abstract description 177
- 230000006870 function Effects 0.000 claims abstract description 38
- 238000013136 deep learning model Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 141
- 238000012795 verification Methods 0.000 claims description 106
- 239000012071 phase Substances 0.000 claims description 81
- 238000004088 simulation Methods 0.000 claims description 57
- 239000013598 vector Substances 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 26
- 238000005481 NMR spectroscopy Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012512 characterization method Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000012800 visualization Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims 5
- 239000008346 aqueous phase Substances 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 7
- 239000010410 layer Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 239000011148 porous material Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 239000000523 sample Substances 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052918 calcium silicate Inorganic materials 0.000 description 1
- 235000012241 calcium silicate Nutrition 0.000 description 1
- JHLNERQLKQQLRZ-UHFFFAOYSA-N calcium silicate Chemical compound [Ca+2].[Ca+2].[O-][Si]([O-])([O-])[O-] JHLNERQLKQQLRZ-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- BCAARMUWIRURQS-UHFFFAOYSA-N dicalcium;oxocalcium;silicate Chemical compound [Ca+2].[Ca+2].[Ca]=O.[O-][Si]([O-])([O-])[O-] BCAARMUWIRURQS-UHFFFAOYSA-N 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 229910021534 tricalcium silicate Inorganic materials 0.000 description 1
- 235000019976 tricalcium silicate Nutrition 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种水泥基材料的水分相态表征方法和装置,所述方法包括:根据水泥基材料的孔隙特性模拟横向弛豫时间图谱,并将模拟横向弛豫时间图谱还原为加入噪声的弛豫衰减曲线,基于深度学习构建衰减重建模型,建立横向弛豫时间图谱与衰减曲线的匹配关系,深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数,改进的损失函数包括峰值损失,无需考虑数据组间差异问题,实现水泥基材料的水分相态的准确表征,提高表征结果稳定性和准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种水泥基材料的水分相态表征方法和装置。
背景技术
核磁共振(NMR)是原子核的磁矩在恒定磁场和高频磁场同时作用下,满足一定条件时产生的共振吸收现象。NMR可利用氢核在磁场中激发后弛豫所获得的电信号,有效的表征水分信息。NMR不用对水泥基材料进行预处理,保证水泥基材料的原始含水状态,通过水分为探针测量其中的水分分布从而获取水分和孔隙的多尺度量化信息。在水泥混凝土中,为了缩短测试时长,往往采用CPMG(Carr-Purcell-Meiboom-Gill)脉冲序列,测量氢核在xy平面(横向)的弛豫衰减信号。往往采用拉普拉斯逆变换的方法,将弛豫衰减信号转化为横向弛豫时间图谱(T2谱)。然而,这一逆变换过程是一个病态问题,噪声的干扰会严重影响反演结果。
针对这种病态问题,相关技术中,一种方式是通过正则化方法进行模平滑、曲率平滑或者斜率平滑,控制解函数的特性,增强解的稳定性。然而正则化参数的选取会影响结果分析,不合适的正则化参数会造成结果不准确;过大的正则化参数还会造成T2谱过于平滑,导致峰与峰之间的交叠,对水泥基材料中的水分难以区分。另一种方式是通过奇异值分解法对数据中冗余或不重要的特征进行识别过滤,从而提高NMR信号反演的数值稳定性,但在奇异值分解法对数据进行降维的过程中会造成信号丢失,对于信号数量较小的小孔弛豫信号,存在降维过程中被完全消耗的风险;面对数据组间差异的问题,奇异值分解方法的截断阈值的选取会影响结果分析,造成分析结果的准确性较差。
发明内容
本发明的一个目的在于提供一种水泥基材料的水分相态表征方法,根据水泥基材料的孔隙特性模拟横向弛豫时间图谱,并将模拟横向弛豫时间图谱还原为加入噪声的弛豫衰减曲线,基于深度学习构建衰减重建模型,建立横向弛豫时间图谱与衰减曲线的匹配关系,无需考虑数据组间差异问题,实现水泥基材料的水分相态的准确表征,提高表征结果稳定性和准确性。本发明的另一个目的在于提供一种水泥基材料的水分相态表征装置。本发明的再一个目的在于提供一种计算机可读介质。本发明的还一个目的在于提供一种计算机设备。
为了达到以上目的,本发明一方面公开了一种水泥基材料的水分相态表征方法,包括:
获取水泥基材料的模拟横向弛豫时间图谱和噪声数据;
将噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线;
根据模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型,深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数,改进的损失函数包括峰值损失;
通过衰减重建模型,对采集的水泥基材料的实际衰减曲线进行转换,得到表征水分相态的实际横向弛豫时间图谱。
优选的,获取水泥基材料的模拟横向弛豫时间图谱,包括:
构建各水分相态对应的初始模拟图谱;
根据各水分相态对应的初始模拟图谱进行信号总量归一化,得到模拟横向弛豫时间图谱。
优选的,噪声数据包括高斯噪声和本底噪声;
获取噪声数据,包括:
通过高斯分布随机抽取随机数,得到高斯噪声;
对核磁共振设备进行噪声测试,得到本底噪声。
优选的,模拟衰减曲线包括训练模拟衰减曲线;
将噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线,包括:
通过预设的噪声权重分布,根据高斯噪声和本底噪声,生成模拟噪声;
通过弛豫衰减模型,根据模拟噪声和模拟横向弛豫时间图谱,生成训练模拟衰减曲线。
优选的,模拟衰减曲线包括验证模拟衰减曲线;
将噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线,包括:
将本底噪声确定为验证噪声;
通过弛豫衰减模型,根据验证噪声和模拟横向弛豫时间图谱,生成验证模拟衰减曲线。
优选的,模拟衰减曲线包括训练模拟衰减曲线和验证模拟衰减曲线;
根据模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型,包括:
将模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集,并基于模型训练集对深度学习模型进行训练,构建预训练模型;
将模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集,并基于模型验证集对预训练模型进行优化验证,构建衰减重建模型。
优选的,将模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集,并基于模型训练集对深度学习模型进行训练,构建预训练模型,包括:
通过滑动编码模块,对训练模拟衰减曲线进行滑动编码,得到滑动编码向量;
通过序列编码模块,对模拟横向弛豫时间图谱进行序列编码,得到序列编码向量;
通过编码器,对滑动编码向量进行正向计算处理和反向计算处理,得到第一状态序列;
通过解码器,对序列编码向量进行正向计算处理,得到第二状态序列;
通过注意力模块,对第一状态序列和第二状态序列进行计算,得到初始预测图谱;
通过改进的损失函数,根据初始预测图谱和模拟横向弛豫时间图谱进行损失计算,并根据损失计算结果进行模型参数修正,构建预训练模型。
优选的,在将模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集,并基于模型训练集对深度学习模型进行训练,构建预训练模型之前,还包括:
对训练模拟衰减曲线进行最大值归一化预处理,得到预处理后的训练模拟衰减曲线;
按照预设的扩大系数,对模拟横向弛豫时间图谱进行最大值归一化预处理,得到预处理后的模拟横向弛豫时间图谱。
优选的,将模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集,并基于模型验证集对预训练模型进行优化验证,构建衰减重建模型,包括:
通过预训练模型,对验证模拟衰减曲线进行转换,生成验证预测图谱,并基于模拟横向弛豫时间图谱生成验证损失结果;
通过可视化工具,根据验证损失结果,绘制损失曲线;
通过截断法,根据损失曲线确定出最小验证损失结果;
将最小验证损失结果对应的预训练模型确定为衰减重建模型。
本发明还公开了一种水泥基材料的水分相态表征装置,包括:
模拟数据获取单元,用于获取水泥基材料的模拟横向弛豫时间图谱和噪声数据;
模拟衰减曲线生成单元,用于将噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线;
模型构建单元,用于根据模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型,深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数,改进的损失函数包括峰值损失;
水分相态表征单元,用于通过衰减重建模型,对采集的水泥基材料的实际衰减曲线进行转换,得到表征水分相态的实际横向弛豫时间图谱。
优选的,模拟数据获取单元,具体用于构建各水分相态对应的初始模拟图谱;根据各水分相态对应的初始模拟图谱进行信号总量归一化,得到模拟横向弛豫时间图谱。
优选的,噪声数据包括高斯噪声和本底噪声;
模拟数据获取单元,具体用于通过高斯分布随机抽取随机数,得到高斯噪声;对核磁共振设备进行噪声测试,得到本底噪声。
优选的,模拟衰减曲线包括训练模拟衰减曲线;
模拟衰减曲线生成单元,具体用于通过预设的噪声权重分布,根据高斯噪声和本底噪声,生成模拟噪声;通过弛豫衰减模型,根据模拟噪声和模拟横向弛豫时间图谱,生成训练模拟衰减曲线。
优选的,模拟衰减曲线包括验证模拟衰减曲线;
模拟衰减曲线生成单元,具体用于将本底噪声确定为验证噪声;通过弛豫衰减模型,根据验证噪声和模拟横向弛豫时间图谱,生成验证模拟衰减曲线。
优选的,模拟衰减曲线包括训练模拟衰减曲线和验证模拟衰减曲线;
模型构建单元,具体用于将模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集,并基于模型训练集对深度学习模型进行训练,构建预训练模型;将模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集,并基于模型验证集对预训练模型进行优化验证,构建衰减重建模型。
优选的,模型构建单元,具体用于通过滑动编码模块,对训练模拟衰减曲线进行滑动编码,得到滑动编码向量;通过序列编码模块,对模拟横向弛豫时间图谱进行序列编码,得到序列编码向量;通过编码器,对滑动编码向量进行正向计算处理和反向计算处理,得到第一状态序列;通过解码器,对序列编码向量进行正向计算处理,得到第二状态序列;通过注意力模块,对第一状态序列和第二状态序列进行计算,得到初始预测图谱;通过改进的损失函数,根据初始预测图谱和模拟横向弛豫时间图谱进行损失计算,并根据损失计算结果进行模型参数修正,构建预训练模型。
优选的,装置还包括:
第一预处理单元,用于对训练模拟衰减曲线进行最大值归一化预处理,得到预处理后的训练模拟衰减曲线;
第二预处理单元,用于按照预设的扩大系数,对模拟横向弛豫时间图谱进行最大值归一化预处理,得到预处理后的模拟横向弛豫时间图谱。
优选的,模型构建单元,具体用于通过预训练模型,对验证模拟衰减曲线进行转换,生成验证预测图谱,并基于模拟横向弛豫时间图谱生成验证损失结果;通过可视化工具,根据验证损失结果,绘制损失曲线;通过截断法,根据损失曲线确定出最小验证损失结果;将最小验证损失结果对应的预训练模型确定为衰减重建模型。
本发明还公开了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述方法。
本发明还公开了一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述处理器执行所述程序时实现如上所述方法。
本发明还公开了一种计算机程序产品,包括计算机程序/指令,计算机程序/指令被处理器执行时实现如上所述方法。
本发明获取水泥基材料的模拟横向弛豫时间图谱和噪声数据;将噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线;根据模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型,深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数,改进的损失函数包括峰值损失;通过衰减重建模型,对采集的水泥基材料的实际衰减曲线进行转换,得到表征水分相态的实际横向弛豫时间图谱,根据水泥基材料的孔隙特性模拟横向弛豫时间图谱,并将模拟横向弛豫时间图谱还原为加入噪声的弛豫衰减曲线,基于深度学习构建衰减重建模型,建立横向弛豫时间图谱与衰减曲线的匹配关系,无需考虑数据组间差异问题,实现水泥基材料的水分相态的准确表征,提高表征结果稳定性和准确性。
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水泥基材料的水分相态表征方法的流程图;
图2为本发明实施例提供的又一种水泥基材料的水分相态表征方法的流程图;
图3为本发明实施例提供的一种具备5个峰值的T2谱;
图4为本发明实施例提供的一种验证模拟衰减曲线的示意图;
图5为本发明实施例提供的一种水泥基材料的水分相态表征装置的结构示意图;
图6为本发明实施例提供的一种计算机设备的结构示意图。
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。
为了便于理解本申请提供的技术方案,下面先对本申请技术方案的相关内容进行说明。 水是水泥基材料中最重要的角色之一,其在水泥基材料中以不同的形式存在。在水泥与水的拌合初期开始,水分就在发生相态转变。根据其所在区域的限制,以毛细水、间隙水、凝胶水、层间水、结合水等形式存在。水泥基材料的孔隙结构本身就具有多尺度特征,其水分也因此以多尺度形式存在,尺度范围从纳米(nm)至毫米(mm)不等。
下面以水泥基材料的水分相态表征装置作为执行主体为例,说明本发明实施例提供的水泥基材料的水分相态表征方法的实现过程。可理解的是,本发明实施例提供的水泥基材料的水分相态表征方法的执行主体包括但不限于水泥基材料的水分相态表征装置。
图1为本发明实施例提供的一种水泥基材料的水分相态表征方法的流程图,如图1所示,该方法包括:
步骤101、获取水泥基材料的模拟横向弛豫时间图谱和噪声数据。
本发明实施例中,噪声数据包括高斯噪声和本底噪声。
步骤102、将噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线。
本发明实施例中,模拟衰减曲线包括训练模拟衰减曲线和验证模拟衰减曲线。
步骤103、根据模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型。
本发明实施例中,深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数,改进的损失函数包括峰值损失。
步骤104、通过衰减重建模型,对采集的水泥基材料的实际衰减曲线进行转换,得到表征水分相态的实际横向弛豫时间图谱。
本发明实施例提供的技术方案中,获取水泥基材料的模拟横向弛豫时间图谱和噪声数据;将噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线;根据模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型,深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数,改进的损失函数包括峰值损失;通过衰减重建模型,对采集的水泥基材料的实际衰减曲线进行转换,得到表征水分相态的实际横向弛豫时间图谱,根据水泥基材料的孔隙特性模拟横向弛豫时间图谱,并将模拟横向弛豫时间图谱还原为加入噪声的弛豫衰减曲线,基于深度学习构建衰减重建模型,建立横向弛豫时间图谱与衰减曲线的匹配关系,无需考虑数据组间差异问题,实现水泥基材料的水分相态的准确表征,提高表征结果稳定性和准确性。
图2为本发明实施例提供的又一种水泥基材料的水分相态表征方法的流程图,如图2所示,该方法包括:
步骤201、构建各水分相态对应的初始模拟图谱。
本发明实施例中,各步骤由水泥基材料的水分相态表征装置执行。
本发明实施例中,水分相态包括层间水、凝胶水、毛细间隙水、毛细水和自由水,每种水分相态在横向弛豫时间图谱(T2谱)中有对应的峰值。
本发明实施例中,为了保证模拟的T2谱的通用性,以T2谱满足对数尺度上高斯分布的原则,推算单一峰的T2谱分布如下:
其中,Gw(T2)为初始模拟图谱,也即:水分相态w的T2谱分布,T2为T2谱中的弛豫时间,T2,peak为该高斯分布中的峰值所在的T2弛豫时间,σ2为T2谱分布的方差。
步骤202、根据各水分相态对应的初始模拟图谱进行信号总量归一化,得到模拟横向弛豫时间图谱。
本发明实施例中,对各水分相态对应的初始模拟图谱进行信号总量归一化,使得Gtotal(T2)总体信号满足高斯混合分布。具体地,通过以下公式,对各水分相态对应的初始模拟图谱和预设的各水分相态对应的权重进行计算,得到模拟T2谱。
其中,Gtotal(T2)为总体信号的模拟T2谱;w为水分相态的种类,取值范围为1至5;Iw为水分相态w对应的权重,各水分相态的权重之和为1;∑T2Gw(T2)为水分相态w的所有T2弛豫时间下的信号值之和;Gw(T2)为初始模拟图谱,也即:水分相态w的T2谱分布;表示对水分相态w的每个T2弛豫时间下的信号值以信号总量进行归一化。
步骤203、通过高斯分布随机抽取随机数,得到高斯噪声。
本发明实施例中,高斯噪声是从高斯分布中抽取的随机数。具体地,通过下式获取高斯噪声:
其中,为高斯噪声;σ为高斯分布的标准差,作为一种可选方案,σ的取值为±0.05。
步骤204、对核磁共振(NMR)设备进行噪声测试,得到本底噪声。
本发明实施例中,本底噪声为NMR设备本身的噪声,本底噪声与NMR设备本身相关,需要针对不同的NMR设备进行修正。
本发明实施例中,本底噪声可以通过对NMR设备进行噪声测试获得。作为一种可选方案,图3为本发明实施例提供的一种具备5个峰值的T2谱,如图3所示,横轴为弛豫时间,纵轴为信号值,每个峰值表示一种水分相态;通过NMR设备测试本底噪声,以0.05的回波间隔和12000的回波个数进行测量,得到本底噪声。
步骤205、通过预设的噪声权重分布,根据高斯噪声和本底噪声,生成模拟噪声。
本发明实施例中,噪声权重分布包括高斯权重和本底权重,高斯权重和本底权重之和为1。
具体地,通过下式,按照噪声权重分布,对高斯噪声和本底噪声进行噪声合成,得到模拟噪声。
其中,ε(τ)为模拟噪声,ωgauss为高斯权重,为高斯噪声,ωbase为本底权重,为本底噪声。
本发明实施例中,引入一定程度的模拟噪声,能够保证训练数据的鲁棒性以及训练出模型的泛化性。
步骤206、通过弛豫衰减模型,根据模拟噪声和模拟横向弛豫时间图谱,生成训练模拟衰减曲线。
本发明实施例中,通过如下所示的弛豫衰减模型,可以将模拟T2谱转换为无噪声的衰减曲线:
其中,ST2(τ)为无噪声的衰减曲线,Gtotal(T2)为模拟T2谱。
为了保证训练数据的鲁棒性以及训练出模型的泛化性,引入集成了人工噪声和设备噪声的模拟噪声,将模拟T2谱转化为训练模拟衰减曲线,训练模拟衰减曲线用于模型训练,融入了模拟噪声的弛豫衰减模型如下式:
其中,为训练模拟衰减曲线,Gtotal(T2)为模拟T2谱,ωgauss为高斯权重,为高斯噪声,ωbase为本底权重,/>为本底噪声。
作为一种可选方案,高斯权重ωgauss的取值范围为0至0.6,本底权重ωbase的取值为1-ωgauss。
步骤207、将本底噪声确定为验证噪声。
本发明实施例中,验证噪声是NMR设备生成的,此时的高斯权重为0。具体地,将本底噪声确定为验证噪声。
步骤208、通过弛豫衰减模型,根据验证噪声和模拟横向弛豫时间图谱,生成验证模拟衰减曲线。
为了保证验证模型的泛化性,引入仅包含人工噪声的验证噪声,将模拟T2谱转化为验证模拟衰减曲线,验证模拟衰减曲线用于模型验证,融入了验证噪声的弛豫衰减模型如下式:
其中,为验证模拟衰减曲线,Gtotal(T2)为模拟T2谱,/>为本底噪声。
图4为本发明实施例提供的一种验证模拟衰减曲线的示意图,如图4所示,不同信噪比对应的衰减曲线的信号强度的波动不同,横轴为回波时间(ms),纵轴为衰减信号强度(a.u.),随回波时间的增加,衰减信号强度减小,衰减程度增加。图4示出了信噪比分别为75、150、300和500所对应的衰减曲线,信噪比为75对应的衰减曲线的信号强度的波动最大,信噪比为500对应的衰减曲线的信号强度的波动最小。
通过上述方式,本发明可以半自动的获取衰减曲线,与T2谱匹配。
进一步地,将模拟T2谱与训练模拟衰减曲线作为数据对,确定为模型训练集,用于模型训练,作为模型训练的原始输入数据;将模拟T2谱与验证模拟衰减曲线作为数据做,确定为模型验证集,用于模型验证,作为模型验证的原始输入数据。
步骤209、对训练模拟衰减曲线进行最大值归一化预处理,得到预处理后的训练模拟衰减曲线。
鉴于衰减曲线的信号量分布广泛,从数千到数十万不等,因此本发明的模型集成了归一器,将衰减曲线以最大值归一化为最大值为1的衰减曲线。具体地,通过下式对训练模拟衰减曲线进行最大值归一化预处理,得到预处理后的训练模拟衰减曲线:
其中,为预处理后的训练模拟衰减曲线,/>为训练模拟衰减曲线。
步骤210、按照预设的扩大系数,对模拟横向弛豫时间图谱进行最大值归一化预处理,得到预处理后的模拟横向弛豫时间图谱。
由于模型继承了归一器,将衰减曲线以最大值归一化为最大值为1的衰减曲线,模拟T2谱也随之变化,为保证模拟T2谱的信号量,对最大值归一化后的模拟T2谱乘以扩大系数,具体如下所示:
其中,为预处理后的模拟T2谱,Gtotal(T2)为预处理前的模拟T2谱,为训练模拟衰减曲线,V为扩大系数。
值得说明的是,V的值可以根据实际需求进行设置,使得预处理后的模拟T2谱达到0-10的放大范围内。
步骤211、将模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集,并基于模型训练集对深度学习模型进行训练,构建预训练模型。
本发明实施例中,深度学习模型为Decay2T2深度学习模型结构,包括编码器和解码器,编码器连接滑动编码模块,解码器连接序列编码模块;滑动编码模块和序列编码模块共同连接归一器,将原始输入数据转换为归一化数据。
本发明实施例中,步骤211具体包括:
步骤2111、通过滑动编码模块,对训练模拟衰减曲线进行滑动编码,得到滑动编码向量。
鉴于T2谱转化的衰减曲线是数据量较大的长序列,而T2谱是数据较少的短序列,因此需要对两项序列进行编码,将一维序列数据转换为二维向量数据。
具体地,通过Slide(i,j)=x(i-1)×s+j,对训练模拟衰减曲线通过滑动窗口的方式进行二维向量编码,得到滑动编码向量St,t = 1, 2, …, n。其中,x为训练模拟衰减曲线中一维序列数据在特定时刻的衰减信号强度;s为滑动步长;i为Slide的行索引,取值为i =1, 2,…, m;j为Slide的列索引,取值为j = 1, 2, …, w。其中,,w为窗口宽度,n为一维序列数据的长度,s为滑动步长。
例如,通过滑动编码模块,将12000长度的衰减曲线编码为41个向量,每个向量长度为2000。
步骤2112、通过序列编码模块,对模拟横向弛豫时间图谱进行序列编码,得到序列编码向量。
具体地,通过Sequence(p,q)=y(p-1)×q+1,对模拟T2谱通过序列编码的方式进行二维向量编码,得到序列编码向量,/>。其中,y为模拟T2谱中一维序列数据在特定时刻的信号值;p为Sequence的行索引,取值为p = 1, 2,…, v;q为Sequence的列索引,取值为q = 1, 2, …, u。其中,v = n - u + 1,u为新序列长度,n为一维序列数据的长度。
例如:通过序列编码模块,将1024长度的T2谱编码为25个向量,每个向量的长度为1000。
本发明通过滑动编码和序列编码,能够有效地将一维序列数据转换为二维向量格式,实现长度差异近百倍的衰减曲线和T2谱之间的对齐。
步骤2113、通过编码器,对滑动编码向量进行正向计算处理和反向计算处理,得到第一状态序列。
本发明实施例中,编码器采用三层双向门控循环单元(BiGRU)层,每层BiGRU中有21层正向门控循环单元(GRU)与反向GRU。
正向GRU处理具体为:
其中,为第i层正向GRU在时间步t的隐藏状态;/>为第i层正向GRU在前一时间步t-1的隐藏状态;St为滑动编码向量;/>为第i层的正向GRU,i=1,2,3。
反向GRU处理具体为:
其中,为第i层反向GRU在时间步t的隐藏状态;/>为第i层反向GRU在后一时间步t+1的隐藏状态;St为滑动编码向量;/>为第i层的反向GRU,i=1,2,3。
BiGRU的隐藏状态,即:第一状态序列,是正向和反向GRU隐藏状态的组合:
其中,为第一状态序列,/>为第i层正向GRU在时间步t的隐藏状态,/>为第i层反向GRU在时间步t的隐藏状态。
例如:滑动编码向量为41个向量,t为滑动编码向量的数量,因而t=0,1,…,40。
步骤2114、通过解码器,对序列编码向量进行正向计算处理,得到第二状态序列。
本发明实施例中,解码器采用一层BiGRU层,该层BiGRU中有21层正向GRU。
正向GRU处理具体为:
其中,为解码器中当前时间步的隐藏状态,/>为解码器中前一时间步的隐藏状态,/>为前一时间步的输出的序列编码向量。
例如:序列编码向量为25个向量,为序列编码向量的数量,因而/>=0,1,…,24。
步骤2115、通过注意力模块,对第一状态序列和第二状态序列进行计算,得到初始预测图谱。
具体地,将第一状态序列和第二状态序列输入注意力机制(attention)进行序列筛选整合计算,输出初始预测图谱。
步骤2116、通过改进的损失函数,根据初始预测图谱和模拟横向弛豫时间图谱进行损失计算,并根据损失计算结果进行模型参数修正,构建预训练模型。
本发明实施例中,T2谱中最重要的特征是峰值强度,峰值很大程度影响峰面积,从而影响不同尺度孔隙或者水分的信号总量。损失函数的改进目的是针对T2谱的多峰峰值,改进的损失函数包括峰值绝对误差损失函数(PeakLoss)、T2曲线均方差(MSE)和平均绝对误差(MAE)。改进的损失函数如下:
其中,y为模拟T2谱的峰值强度;为初始预测图谱的峰值强度;α,β,γ均为权重参数,分别用于平衡MSE、MAE和PeakLoss在总损失中的影响,作为一种可选方案,α的取值为100,β的取值为100,γ的取值为10,以保证损失值在合理的区间范围之内,并考虑一定程度的峰值损失;/>为模拟T2谱的第i个峰值与初始预测图谱的第i个峰值之间的峰值损失;/>为损失计算结果。
本发明实施例中,根据损失计算结果进行反向计算,优化Decay2T2中的模型参数,构建预训练模型。
步骤212、将模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集,并基于模型验证集对预训练模型进行优化验证,构建衰减重建模型。
本发明实施例中,步骤212具体包括:
步骤2121、通过预训练模型,对验证模拟衰减曲线进行转换,生成验证预测图谱,并基于模拟横向弛豫时间图谱生成验证损失结果。
具体地,将验证模拟衰减曲线输入预训练模型进行T2谱转化,并基于模拟T2谱进行损失计算,输出验证预测图谱和对应的验证损失结果。
作为一种可选方案,对数据集进行300个Epoch训练,输出预训练模型判别器与生成器的验证损失结果。
步骤2122、通过可视化工具,根据验证损失结果,绘制损失曲线。
本发明实施例中,可视化工具为tensorboard工具。具体地,通过tensorboard工具绘制预训练模型判别器与生成器的损失曲线。
步骤2123、通过截断法,根据损失曲线确定出最小验证损失结果。
步骤2124、将最小验证损失结果对应的预训练模型确定为衰减重建模型。
本发明实施例中,保存最小验证损失结果对应的模型参数文件(.pth文件),将该模型参数文件对应的预训练模型作为最终的衰减重建模型。
值得说明的是,模型训练环境为预先设置的,模型训练环境包括但不限于操作系统、模型运行环境、显卡、显卡驱动版本、统一计算设备架构(CUDA)版本和机器学习库(Pytorch)版本。作为一种可选方案,操作系统为Ubuntu 20.04LTS,模型运行环境为Pytorch+CUDA,显卡为NVIDIA 4090×4,显卡驱动版本为520.56.06,CUDA版本为11.8,Pytorch版本为Stable(1.13.1)。在上述模型训练环境下,对数据集进行300个Epoch(一次正向传播和一次反向传播)训练,用可视化工具(tensorboard)输出模型的训练集与验证集的损失收敛曲线,保存最终训练好的模型参数为.pth。
步骤213、通过衰减重建模型,对采集的水泥基材料的实际衰减曲线进行转换,得到表征水分相态的实际横向弛豫时间图谱。
在实际应用中,水泥基材料的实际衰减曲线可以通过NMR设备获得。具体地,将水泥基材料的实际衰减曲线输入衰减重建模型,输出表征水分相态的实际T2谱。
进一步地,通过构建测试集,检验衰减重建模型的模型效果:
本发明实施例中,先制备需要测试的水泥基材料的样本,对该样本开展核磁共振横向衰减曲线测试。作为一种可选方案,选用硅酸三钙(C3S)、硅酸二钙(C2S)以及白水泥(W)三种材料与水分混合制备水胶比为0.2,0.3,0.4与0.5的10mm宽20mm高的浆体;在21MHz 共振频率的核磁共振设备中开展序列测试,探头尺寸为10mm,测试采用CPMG(Carr-Purcell-Meiboom-Gill)序列进行。磁场等待时间为2000ms,回波间隔为0.05ms,回波个数为12000个;分别对制备样本开展1h,2h,4h,8h,12h,1d,3d,7d,28d的CPMG回波,分别获得他们在累加次数16次和累加次数为512次的衰减曲线。
值得说明的是,累加次数是仪器采集数据的次数,例如:累加16次是采集16次数据取平均。累加次数越多,信噪比越高,噪声的影响会越小,但是持续时间会大幅增大。
将累加16次衰减曲线输入到训练好的衰减重建模型中,得到T2谱测试值;将累加512次的衰减曲线/>通过拉普拉斯逆运算获得T2谱真实值y';通过下式计算T2谱测试值/>和T2谱真实值y'之间的均方误差,确定模型输出效果:
其中,为T2谱测试值/>和T2谱真实值y'之间的均方误差,y'为T2谱真实值,/>为T2谱测试值。
本发明利用深度学习的方式实现了核磁共振横向衰减曲线基于数据驱动的反演,克服了传统拉普拉斯逆运算求解磁共振衰减曲线的病态问题,突破了低场磁共振测试水分分布的噪声限制,为水利工程结构渗透性与耐久性问题提供精准的跨尺度表征手段。
本发明实施例提供的水泥基材料的水分相态表征方法的技术方案中,获取水泥基材料的模拟横向弛豫时间图谱和噪声数据;将噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线;根据模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型,深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数,改进的损失函数包括峰值损失;通过衰减重建模型,对采集的水泥基材料的实际衰减曲线进行转换,得到表征水分相态的实际横向弛豫时间图谱,根据水泥基材料的孔隙特性模拟横向弛豫时间图谱,并将模拟横向弛豫时间图谱还原为加入噪声的弛豫衰减曲线,基于深度学习构建衰减重建模型,建立横向弛豫时间图谱与衰减曲线的匹配关系,无需考虑数据组间差异问题,实现水泥基材料的水分相态的准确表征,提高表征结果稳定性和准确性。
图5为本发明实施例提供的一种水泥基材料的水分相态表征装置的结构示意图,该装置用于执行上述水泥基材料的水分相态表征方法,如图5所示,该装置包括:模拟数据获取单元11、模拟衰减曲线生成单元12、模型构建单元13和水分相态表征单元14。
模拟数据获取单元11用于获取水泥基材料的模拟横向弛豫时间图谱和噪声数据;
模拟衰减曲线生成单元12用于将噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线。
模型构建单元13用于根据模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型,深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数,改进的损失函数包括峰值损失。
水分相态表征单元14用于通过衰减重建模型,对采集的水泥基材料的实际衰减曲线进行转换,得到表征水分相态的实际横向弛豫时间图谱。
本发明实施例中,模拟数据获取单元11具体用于构建各水分相态对应的初始模拟图谱;根据各水分相态对应的初始模拟图谱进行信号总量归一化,得到模拟横向弛豫时间图谱。
本发明实施例中,噪声数据包括高斯噪声和本底噪声;模拟数据获取单元11具体用于通过高斯分布随机抽取随机数,得到高斯噪声;对核磁共振设备进行噪声测试,得到本底噪声。
本发明实施例中,模拟衰减曲线包括训练模拟衰减曲线;模拟衰减曲线生成单元12具体用于通过预设的噪声权重分布,根据高斯噪声和本底噪声,生成模拟噪声;通过弛豫衰减模型,根据模拟噪声和模拟横向弛豫时间图谱,生成训练模拟衰减曲线。
本发明实施例中,模拟衰减曲线包括验证模拟衰减曲线;模拟衰减曲线生成单元12具体用于将本底噪声确定为验证噪声;通过弛豫衰减模型,根据验证噪声和模拟横向弛豫时间图谱,生成验证模拟衰减曲线。
本发明实施例中,模拟衰减曲线包括训练模拟衰减曲线和验证模拟衰减曲线;模型构建单元13具体用于将模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集,并基于模型训练集对深度学习模型进行训练,构建预训练模型;将模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集,并基于模型验证集对预训练模型进行优化验证,构建衰减重建模型。
本发明实施例中,模型构建单元13具体用于通过滑动编码模块,对训练模拟衰减曲线进行滑动编码,得到滑动编码向量;通过序列编码模块,对模拟横向弛豫时间图谱进行序列编码,得到序列编码向量;通过编码器,对滑动编码向量进行正向计算处理和反向计算处理,得到第一状态序列;通过解码器,对序列编码向量进行正向计算处理,得到第二状态序列;通过注意力模块,对第一状态序列和第二状态序列进行计算,得到初始预测图谱;通过改进的损失函数,根据初始预测图谱和模拟横向弛豫时间图谱进行损失计算,并根据损失计算结果进行模型参数修正,构建预训练模型。
本发明实施例中,装置还包括:第一预处理单元15和第二预处理单元16。
第一预处理单元15用于对训练模拟衰减曲线进行最大值归一化预处理,得到预处理后的训练模拟衰减曲线。
第二预处理单元16用于按照预设的扩大系数,对模拟横向弛豫时间图谱进行最大值归一化预处理,得到预处理后的模拟横向弛豫时间图谱。
本发明实施例中,模型构建单元13具体用于通过预训练模型,对验证模拟衰减曲线进行转换,生成验证预测图谱,并基于模拟横向弛豫时间图谱生成验证损失结果;通过可视化工具,根据验证损失结果,绘制损失曲线;通过截断法,根据损失曲线确定出最小验证损失结果;将最小验证损失结果对应的预训练模型确定为衰减重建模型。
本发明实施例的方案中,获取水泥基材料的模拟横向弛豫时间图谱和噪声数据;将噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线;根据模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型,深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数,改进的损失函数包括峰值损失;通过衰减重建模型,对采集的水泥基材料的实际衰减曲线进行转换,得到表征水分相态的实际横向弛豫时间图谱,根据水泥基材料的孔隙特性模拟横向弛豫时间图谱,并将模拟横向弛豫时间图谱还原为加入噪声的弛豫衰减曲线,基于深度学习构建衰减重建模型,建立横向弛豫时间图谱与衰减曲线的匹配关系,无需考虑数据组间差异问题,实现水泥基材料的水分相态的准确表征,提高表征结果稳定性和准确性。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备,具体的,计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
本发明实施例提供了一种计算机设备,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现上述水泥基材料的水分相态表征方法的实施例的各步骤,具体描述可参见上述水泥基材料的水分相态表征方法的实施例。
下面参考图6,其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图6所示,计算机设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有计算机设备600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (21)
1.一种水泥基材料的水分相态表征方法,其特征在于,所述方法包括:
获取水泥基材料的模拟横向弛豫时间图谱和噪声数据;
将所述噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线;
根据所述模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型,所述深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数,所述改进的损失函数包括峰值损失;
通过所述衰减重建模型,对采集的水泥基材料的实际衰减曲线进行转换,得到表征水分相态的实际横向弛豫时间图谱。
2.根据权利要求1所述的水泥基材料的水分相态表征方法,其特征在于,所述获取水泥基材料的模拟横向弛豫时间图谱,包括:
构建各水分相态对应的初始模拟图谱;
根据所述各水分相态对应的初始模拟图谱进行信号总量归一化,得到所述模拟横向弛豫时间图谱。
3.根据权利要求1所述的水泥基材料的水分相态表征方法,其特征在于,所述噪声数据包括高斯噪声和本底噪声;
获取噪声数据,包括:
通过高斯分布随机抽取随机数,得到高斯噪声;
对核磁共振设备进行噪声测试,得到本底噪声。
4.根据权利要求3所述的水泥基材料的水分相态表征方法,其特征在于,所述模拟衰减曲线包括训练模拟衰减曲线;
所述将所述噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线,包括:
通过预设的噪声权重分布,根据所述高斯噪声和本底噪声,生成模拟噪声;
通过弛豫衰减模型,根据所述模拟噪声和模拟横向弛豫时间图谱,生成训练模拟衰减曲线。
5.根据权利要求3所述的水泥基材料的水分相态表征方法,其特征在于,所述模拟衰减曲线包括验证模拟衰减曲线;
所述将所述噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线,包括:
将所述本底噪声确定为验证噪声;
通过弛豫衰减模型,根据所述验证噪声和模拟横向弛豫时间图谱,生成验证模拟衰减曲线。
6.根据权利要求1所述的水泥基材料的水分相态表征方法,其特征在于,所述模拟衰减曲线包括训练模拟衰减曲线和验证模拟衰减曲线;
所述根据所述模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型,包括:
将所述模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集,并基于所述模型训练集对所述深度学习模型进行训练,构建预训练模型;
将所述模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集,并基于所述模型验证集对所述预训练模型进行优化验证,构建所述衰减重建模型。
7.根据权利要求6所述的水泥基材料的水分相态表征方法,其特征在于,所述将所述模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集,并基于所述模型训练集对所述深度学习模型进行训练,构建预训练模型,包括:
通过所述滑动编码模块,对所述训练模拟衰减曲线进行滑动编码,得到滑动编码向量;
通过所述序列编码模块,对所述模拟横向弛豫时间图谱进行序列编码,得到序列编码向量;
通过所述编码器,对所述滑动编码向量进行正向计算处理和反向计算处理,得到第一状态序列;
通过所述解码器,对所述序列编码向量进行正向计算处理,得到第二状态序列;
通过所述注意力模块,对所述第一状态序列和第二状态序列进行计算,得到初始预测图谱;
通过改进的损失函数,根据所述初始预测图谱和模拟横向弛豫时间图谱进行损失计算,并根据损失计算结果进行模型参数修正,构建预训练模型。
8.根据权利要求6所述的水泥基材料的水分相态表征方法,其特征在于,在所述将所述模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集,并基于所述模型训练集对所述深度学习模型进行训练,构建预训练模型之前,还包括:
对所述训练模拟衰减曲线进行最大值归一化预处理,得到预处理后的训练模拟衰减曲线;
按照预设的扩大系数,对所述模拟横向弛豫时间图谱进行最大值归一化预处理,得到预处理后的模拟横向弛豫时间图谱。
9.根据权利要求6所述的水泥基材料的水分相态表征方法,其特征在于,所述将所述模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集,并基于所述模型验证集对所述预训练模型进行优化验证,构建所述衰减重建模型,包括:
通过所述预训练模型,对所述验证模拟衰减曲线进行转换,生成验证预测图谱,并基于所述模拟横向弛豫时间图谱生成验证损失结果;
通过可视化工具,根据所述验证损失结果,绘制损失曲线;
通过截断法,根据所述损失曲线确定出最小验证损失结果;
将所述最小验证损失结果对应的预训练模型确定为衰减重建模型。
10.一种水泥基材料的水分相态表征装置,其特征在于,所述装置包括:
模拟数据获取单元,用于获取水泥基材料的模拟横向弛豫时间图谱和噪声数据;
模拟衰减曲线生成单元,用于将所述噪声数据与模拟横向弛豫时间图谱进行融合转换,生成模拟衰减曲线;
模型构建单元,用于根据所述模拟横向弛豫时间图谱和模拟衰减曲线,对预设的深度学习模型进行训练,构建衰减重建模型,所述深度学习模型包括滑动编码模块、序列编码模块、编码器、解码器、注意力模块、改进的损失函数,所述改进的损失函数包括峰值损失;
水分相态表征单元,用于通过所述衰减重建模型,对采集的水泥基材料的实际衰减曲线进行转换,得到表征水分相态的实际横向弛豫时间图谱。
11.根据权利要求10所述的水泥基材料的水分相态表征装置,其特征在于,所述模拟数据获取单元,具体用于构建各水分相态对应的初始模拟图谱;根据所述各水分相态对应的初始模拟图谱进行信号总量归一化,得到所述模拟横向弛豫时间图谱。
12.根据权利要求10所述的水泥基材料的水分相态表征装置,其特征在于,所述噪声数据包括高斯噪声和本底噪声;
所述模拟数据获取单元,具体用于通过高斯分布随机抽取随机数,得到高斯噪声;对核磁共振设备进行噪声测试,得到本底噪声。
13.根据权利要求12所述的水泥基材料的水分相态表征装置,其特征在于,所述模拟衰减曲线包括训练模拟衰减曲线;
所述模拟衰减曲线生成单元,具体用于通过预设的噪声权重分布,根据所述高斯噪声和本底噪声,生成模拟噪声;通过弛豫衰减模型,根据所述模拟噪声和模拟横向弛豫时间图谱,生成训练模拟衰减曲线。
14.根据权利要求12所述的水泥基材料的水分相态表征装置,其特征在于,所述模拟衰减曲线包括验证模拟衰减曲线;
所述模拟衰减曲线生成单元,具体用于将本底噪声确定为验证噪声;通过弛豫衰减模型,根据所述验证噪声和模拟横向弛豫时间图谱,生成验证模拟衰减曲线。
15.根据权利要求10所述的水泥基材料的水分相态表征装置,其特征在于,所述模拟衰减曲线包括训练模拟衰减曲线和验证模拟衰减曲线;
所述模型构建单元,具体用于将所述模拟横向弛豫时间图谱和训练模拟衰减曲线确定为模型训练集,并基于所述模型训练集对所述深度学习模型进行训练,构建预训练模型;将所述模拟横向弛豫时间图谱和验证模拟衰减曲线确定为模型验证集,并基于所述模型验证集对所述预训练模型进行优化验证,构建所述衰减重建模型。
16.根据权利要求15所述的水泥基材料的水分相态表征装置,其特征在于,所述模型构建单元,具体用于通过所述滑动编码模块,对所述训练模拟衰减曲线进行滑动编码,得到滑动编码向量;通过所述序列编码模块,对所述模拟横向弛豫时间图谱进行序列编码,得到序列编码向量;通过所述编码器,对所述滑动编码向量进行正向计算处理和反向计算处理,得到第一状态序列;通过所述解码器,对所述序列编码向量进行正向计算处理,得到第二状态序列;通过所述注意力模块,对所述第一状态序列和第二状态序列进行计算,得到初始预测图谱;通过改进的损失函数,根据所述初始预测图谱和模拟横向弛豫时间图谱进行损失计算,并根据损失计算结果进行模型参数修正,构建预训练模型。
17.根据权利要求15所述的水泥基材料的水分相态表征装置,其特征在于,所述装置还包括:
第一预处理单元,用于对所述训练模拟衰减曲线进行最大值归一化预处理,得到预处理后的训练模拟衰减曲线;
第二预处理单元,用于按照预设的扩大系数,对所述模拟横向弛豫时间图谱进行最大值归一化预处理,得到预处理后的模拟横向弛豫时间图谱。
18.根据权利要求15所述的水泥基材料的水分相态表征装置,其特征在于,所述模型构建单元,具体用于通过所述预训练模型,对所述验证模拟衰减曲线进行转换,生成验证预测图谱,并基于所述模拟横向弛豫时间图谱生成验证损失结果;通过可视化工具,根据所述验证损失结果,绘制损失曲线;通过截断法,根据所述损失曲线确定出最小验证损失结果;将所述最小验证损失结果对应的预训练模型确定为衰减重建模型。
19.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至9任一项所述的水泥基材料的水分相态表征方法。
20.一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于,所述程序指令被处理器加载并执行时实现权利要求1至9任一项所述的水泥基材料的水分相态表征方法。
21.一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1至9任一项所述的水泥基材料的水分相态表征方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410195881.0A CN117765286B (zh) | 2024-02-22 | 2024-02-22 | 一种水泥基材料的水分相态表征方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410195881.0A CN117765286B (zh) | 2024-02-22 | 2024-02-22 | 一种水泥基材料的水分相态表征方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117765286A true CN117765286A (zh) | 2024-03-26 |
CN117765286B CN117765286B (zh) | 2024-05-07 |
Family
ID=90316850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410195881.0A Active CN117765286B (zh) | 2024-02-22 | 2024-02-22 | 一种水泥基材料的水分相态表征方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117765286B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160139291A1 (en) * | 2014-11-13 | 2016-05-19 | Colorado School Of Mines | Surface Relaxivity Calculation using Nuclear Magnetic Resonance (NMR) Measurement, Three Dimensional (3D) Rock Model and NMR Response Simulation |
CN107633511A (zh) * | 2017-09-14 | 2018-01-26 | 南通大学 | 一种基于自编码神经网络的风机视觉检测系统 |
CN110068783A (zh) * | 2019-04-29 | 2019-07-30 | 华东师范大学 | 一种消除脂肪伪影的化学交换饱和转移成像方法 |
CN112132028A (zh) * | 2020-09-23 | 2020-12-25 | 厦门大学 | 获取高质量核磁共振纯化学位移谱的方法 |
CN115201245A (zh) * | 2022-06-17 | 2022-10-18 | 清能艾科(深圳)能源技术有限公司 | 基于核磁共振模拟的岩心分析方法和装置、设备及介质 |
CN115329802A (zh) * | 2022-07-13 | 2022-11-11 | 厦门大学 | 一种基于深度学习的核磁共振信号弛豫时间分布计算方法 |
CN116663229A (zh) * | 2023-04-10 | 2023-08-29 | 贵州电网有限责任公司 | 一种电力电缆介质响应参数辨识方法及系统 |
CN116797618A (zh) * | 2023-07-11 | 2023-09-22 | 西安电子科技大学 | 基于多模态mri心脏图像的多阶段分割方法 |
CN117152297A (zh) * | 2023-09-01 | 2023-12-01 | 合肥工业大学 | 加速获取核磁共振纯化学位移谱的方法及其装置 |
-
2024
- 2024-02-22 CN CN202410195881.0A patent/CN117765286B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160139291A1 (en) * | 2014-11-13 | 2016-05-19 | Colorado School Of Mines | Surface Relaxivity Calculation using Nuclear Magnetic Resonance (NMR) Measurement, Three Dimensional (3D) Rock Model and NMR Response Simulation |
CN107633511A (zh) * | 2017-09-14 | 2018-01-26 | 南通大学 | 一种基于自编码神经网络的风机视觉检测系统 |
CN110068783A (zh) * | 2019-04-29 | 2019-07-30 | 华东师范大学 | 一种消除脂肪伪影的化学交换饱和转移成像方法 |
CN112132028A (zh) * | 2020-09-23 | 2020-12-25 | 厦门大学 | 获取高质量核磁共振纯化学位移谱的方法 |
CN115201245A (zh) * | 2022-06-17 | 2022-10-18 | 清能艾科(深圳)能源技术有限公司 | 基于核磁共振模拟的岩心分析方法和装置、设备及介质 |
CN115329802A (zh) * | 2022-07-13 | 2022-11-11 | 厦门大学 | 一种基于深度学习的核磁共振信号弛豫时间分布计算方法 |
CN116663229A (zh) * | 2023-04-10 | 2023-08-29 | 贵州电网有限责任公司 | 一种电力电缆介质响应参数辨识方法及系统 |
CN116797618A (zh) * | 2023-07-11 | 2023-09-22 | 西安电子科技大学 | 基于多模态mri心脏图像的多阶段分割方法 |
CN117152297A (zh) * | 2023-09-01 | 2023-12-01 | 合肥工业大学 | 加速获取核磁共振纯化学位移谱的方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117765286B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103116148B (zh) | 一种核磁共振二维谱反演的方法 | |
CN111898734B (zh) | 一种基于mlp的nmr弛豫时间反演方法 | |
CN105891089A (zh) | 储层渗透率确定方法及装置 | |
CN111827968B (zh) | 一种基于核磁共振测井的储层非均质性评价方法及装置 | |
CN103675722B (zh) | 岩石t2-g实验采集参数自动匹配方法 | |
CN106226215A (zh) | 一种碳酸盐岩储层孔洞定量评价的方法 | |
CN106644879A (zh) | 一种确定岩心不同孔隙组分渗透率贡献值的方法及装置 | |
CN114444393A (zh) | 基于时间卷积神经网络的测井曲线构建方法及装置 | |
CN104155621B (zh) | 一种准确测量静磁场b0分布的方法 | |
CN117765286B (zh) | 一种水泥基材料的水分相态表征方法和装置 | |
CN108038082B (zh) | 基于TwIST的二维核磁共振谱的反演方法和装置 | |
CN105787265A (zh) | 基于综合集成赋权法的原子自旋陀螺随机误差建模方法 | |
CN110320227A (zh) | 一种二维核磁共振d-t2谱反演方法及装置 | |
CN115356672B (zh) | 多维磁共振成像方法、系统及存储介质 | |
CN108009125A (zh) | 基于l0正则化的核磁共振回波数据反演方法及装置 | |
CN108120944B (zh) | 一种加权迭代的低场核磁共振t2谱反演算法 | |
CN105486709A (zh) | 井下稠油分子链长的测量方法和装置 | |
CN113919388A (zh) | 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置 | |
CN115101149A (zh) | 材料微观结构总能量预测方法 | |
CN107861918B (zh) | 基于m-稀疏算法的核磁共振回波数据反演方法与装置 | |
CN114486978A (zh) | 一种定量分析岩心剩余油的方法及系统 | |
CN107977943A (zh) | 一种基于提纯优化的空间目标光谱解混方法 | |
Zou et al. | A rapid NMR T2 inversion method based on norm smoothing | |
CN115452874A (zh) | 基于核磁共振对火山岩进行测量的方法、设备及存储介质 | |
XIE et al. | A method for multiple echo trains jointing inversion of NMR relaxation measurements |
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 |