RU2815688C1 - Способ определения характеристик теплофизических и деформационных свойств бинарного композита «песок-гранулы вспененного полистирола» с помощью искусственной нейронной сети - Google Patents
Способ определения характеристик теплофизических и деформационных свойств бинарного композита «песок-гранулы вспененного полистирола» с помощью искусственной нейронной сети Download PDFInfo
- Publication number
- RU2815688C1 RU2815688C1 RU2023112879A RU2023112879A RU2815688C1 RU 2815688 C1 RU2815688 C1 RU 2815688C1 RU 2023112879 A RU2023112879 A RU 2023112879A RU 2023112879 A RU2023112879 A RU 2023112879A RU 2815688 C1 RU2815688 C1 RU 2815688C1
- Authority
- RU
- Russia
- Prior art keywords
- granules
- sand
- foamed polystyrene
- sample
- binary composite
- Prior art date
Links
- 239000011218 binary composite Substances 0.000 title claims abstract description 54
- 239000008187 granular material Substances 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 28
- 229920006248 expandable polystyrene Polymers 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 239000004576 sand Substances 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 6
- 229920006327 polystyrene foam Polymers 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 239000004794 expanded polystyrene Substances 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 239000002689 soil Substances 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Abstract
Изобретение относится к инженерно-геологическим изысканиям в строительстве, а именно к определению характеристик теплофизических и деформационных свойств бинарного композита (БК) «песок-гранулы вспененного полистирола» по результатам лабораторных исследований. Предложен способ определения характеристик теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола» с помощью искусственной нейронной сети, который заключается в последовательном определении плотности и влажности образца БК, среднего квадратичного диаметра (эквивалентного диаметра) частиц песка, входящего в состав БК, вертикальной нагрузки БК, эффективной теплопроводности и объёмной доли гранул вспененного полистирола в БК, загрузке этих данных в обученную искусственную нейронную сеть, которая на их основе рассчитывает характеристики теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола». Технический результат - предлагаемое изобретение позволяет по результатам лабораторных исследований БК «песок-гранулы вспененного полистирола» обеспечить большую универсальность и точность определения характеристик его теплофизических и деформационных свойств.
Description
Изобретение относится к инженерно-геологическим изысканиям в строительстве, а именно к определению характеристик теплофизических и деформационных свойств бинарного композита (БК) «песок-гранулы вспененного полистирола» с помощью искусственной нейронной сети (ИНС).
Из существующего уровня техники известен способ определения физических и механических (прочностных и деформационных) характеристик всех грунтов по результатам статистической обработки данных лабораторных исследований (ГОСТ 20522-2012 «Грунты. Методы статистической обработки результатов испытаний»), включающий выделение инженерно-геологического и расчетного грунтового элементов на основе расчёта и последующего анализа коэффициента вариации; вычисление нормативных и расчетных значений характеристик грунтов путём последовательного определения нормативного значения характеристики грунта (принимают равным среднеарифметическому значению характеристики), выполнения статистической проверки для исключения возможных ошибок, вычисления коэффициента надежности по грунту и вычисления расчётного значения характеристик грунта на заключительном этапе.
Недостатком данного способа является необходимость принятия гипотезы о принадлежности данных лабораторных исследований нормальному закону распределения вероятностей.
Также известен способ определения характеристик методом статистической обработки группы результатов прямых многократных независимых измерений (ГОСТ Р 8.736—2011 «Измерения прямые многократные. Методы обработки результатов измерений. Основные положения»), включающий следующие операции: исключение известных систематических погрешностей из результатов измерений; вычисление оценки измеряемой величины; вычисление среднего квадратического отклонения результатов измерений; проверку наличия грубых погрешностей и их исключение при необходимости; проверку гипотезы о принадлежности результатов измерений нормальному распределению; вычисление доверительных границ случайной погрешности (доверительной случайной погрешности) оценки измеряемой величины; вычисление доверительных границ (границы) неисключенной систематической погрешности оценки измеряемой величины; вычисление доверительных границ погрешности оценки измеряемой величины.
Недостатком данного способа является необходимость принятия гипотезы о принадлежности данных лабораторных исследований нормальному закону распределения вероятностей для проверки наличия грубых погрешностей и их исключения при необходимости до самого этапа проверки гипотезы о принадлежности результатов измерений нормальному распределению.
Также известен способ определения характеристик теплофизических свойств с помощью эмпирических уравнений (РД 39-0147103-386-87 «Выбор расчётных значений коэффициента теплопроводности грунта при проектировании трубопроводов», стр. 6, ф-лы 2 и 3), использующих в качестве параметров плотность грунта, его влажность, плотность скелета грунта и эмпирические коэффициенты для некоторых регионов.
Недостатками данного способа являются региональная ограниченность использования предложенных эмпирических уравнений, учёт влияния на характеристику только двух независимых параметров: плотности грунта и его влажности, невозможность определения теплофизических свойств БК.
Также известен способ определения теплофизических свойств дисперсных материалов с помощью эмпирического уравнения (Чудновский А.Ф. Теплофизические характеристики дисперсных материалов / А.Ф. Чудновский. – Москва: Физматгиз, 1962. – 456 с.: ил., стр. 65, ф-ла 9), основанного на обработке данных по методу наименьших квадратов и учитывающего объёмный вес и размер зерна исследуемого материала.
Недостатками данного способа являются невозможность определения теплофизических свойств дисперсных композитных материалов и материалов, имеющих неоднородный гранулометрический состав, а также учет влияния только двух независимых характеристик дисперсных материалов (объемный вес и размер зерна).
Наиболее близким к заявляемому способу является способ определения физических свойств грунтов (RU 2585953), включающий отбор образца грунта, взвешивание и определение его объёма, высушивание и взвешивание высушенного образца, определение плотности и влажности образца грунта и расчёт по полученным значениям плотности и влажности грунта, и последующее определение требуемых физических свойств на основе этих экспериментально найденных значений с помощью предварительно построенных графиков.
Недостатками данного способа являются невозможность определения теплофизических свойств БК, а также материалов, имеющих неоднородный гранулометрический состав.
Задачей, на решение которой направлено изобретение, является обеспечение большей универсальности и точности определения характеристик теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола».
Техническим результатом предлагаемого изобретения является: исключение необходимости проверки гипотезы о принадлежности данных лабораторных исследований нормальному закону распределения вероятностей; реализация возможности учёта влияния на характеристики теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола» таких независимых параметров БК, как средний квадратичный диаметр (эквивалентный диаметр) частиц песка, влажность БК, исходная и текущая плотность БК, вертикальная нагрузка БК, эффективная теплопроводность и объёмная доля гранул вспененного полистирола в БК; универсальность способа определения характеристик теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола», выражающаяся в снятии региональных ограничений путём более полного учёта независимых параметров БК; повышенная точность способа определения характеристик теплофизических и деформационных свойств БК «песок-гранулы вспененного полистирола», обеспеченная более полным учётом независимых параметров БК.
Данный технический результат достигается тем, что для определения каждой из искомой характеристики БК используется предварительно обученная ИНС. Предлагается разработать ИНС с использованием операций (алгоритм обратного распространения и метод перекрестной проверки), аналогичных предложенным авторами статьи (Ofrikhter I.V., Ponomaryov A.B. Zakharov, A.V. Shenkman, R.I. Estimation of soil properties by an artificial neural network. Magazine of Civil Engineering. 2022. 110(2). 11011. DOI: 10.34910/MCE.110.11.). Для демонстрации возможностей предлагаемого способа определения характеристик, в отличие от ранее разработанной ИНС, в качестве независимых параметров – исходных данных для ИНС – как для обучения, так и для последующего определения, используют следующие параметры: вертикальная нагрузка σn, исходная плотность и текущая плотность БК – ρи и ρт соответственно, влажность БК w, средний квадратичный диаметр (эквивалентный диаметр) частиц песка dэ, эффективная теплопроводность гранул вспененного полистирола λГВП, объёмная доля гранул вспененного полистирола в БК φГВП. В качестве откликов ИНС предлагается использовать коэффициент теплопроводности λБК и модуль деформации БК Ek.
Непосредственно сам способ определения характеристик теплофизических и деформационных свойств образца БК предполагает его взвешивание и определение его объема, высушивание и взвешивание высушенного образца БК, расчёт по полученным значениям плотности и влажности БК, определения среднего квадратичного диаметра (эквивалентного диаметра) частиц песка по формуле (Расчеты аппаратов кипящего слоя: справ. / И.П. Мухленова, Б.С. Сажина, В.Ф. Фролова [и др.]; под ред. И.П. Мухленова, – Л.: Химия, 1986. – 352 с., стр. 16, табл. 1.1, ф-ла 2):
(1),
где k – число фракций;
gi – массовая доля частиц i-ой фракции, д.е.;
di – средний диаметр частиц i-ой фракции, мм.
Объёмная доля гранул вспененного полистирола в БК определяется по формуле:
(2),
где VГВП – объём гранул вспененного полистирола, м3;
VБК – объём бинарного композита, м3.
Величина вертикальной нагрузки БК определяется, исходя из условий ее последующей эксплуатации, и равна эксплуатационной нагрузке.
С целью обучения ИНС загруженные в программу Google Colaboratory исходные данные проходят процесс нормализации, перемешивания случайным образом, разделения на обучающий массив (60% исходных данных), оценочный массив (20%) и тестовый массив (20%). Обученная ИНС имеет: входной слой, состоящий из 7 нейронов, 3 скрытых слоя по 64 нейрона и выходной слой, состоящий из 1 параметра. Далее в предварительно обученную ИНС загружают исходные данные, взятые с контролируемого образца БК, и на их основе рассчитывают характеристику теплофизических или деформационных свойств БК «песок-гранулы вспененного полистирола»: коэффициент теплопроводности или модуль деформации.
Пример: на основе программы Google Colaboratory c помощью языка Python разработана ИНС, алгоритм которой состоит из: загрузки специальных библиотек и исходных данных, представленных в виде 7 независимых факторов для 8 различных по составу образцов: вертикальная нагрузка σn (кПа), исходная и текущая плотность БК – ρи и ρт (кг/м3) соответственно, влажность БК w (д.е.), средний квадратичный диаметр (эквивалентный диаметр) частиц песка dэ (мм), эффективная теплопроводность гранул вспененного полистирола λГВП (Вт/м⋅K), объёмная доля гранул вспененного полистирола в БК φГВП (д.е.); процесса обучения ИНС, содержащего этапы обучения (60% исходных данных), оценки (20%) и контроля за переобучением ИНС; тестирования обученной ИНС на основе ранее неиспользованных данных (20%); практического применения, заключающегося в определении одной из характеристики на основе обученной ИНС: либо характеристика теплофизических свойств (коэффициент теплопроводности λБК), либо характеристика деформационных свойств БК (модуль деформации Еk).
С целью обучения модели ИНС используют 540 векторов данных (от 60 образцов БК). По результатам тестирования обученная модель ИНС при числе испытаний в 100 образцов установлено, что при доверительной вероятности P=0,95 абсолютное значение относительной ошибки определения модуля деформации составила =17,67% (9,49% – среднее).
Сравнение с традиционным методом прогнозирования данных глинистых грунтов (Ofrikhter, I.V., Ponomaryov, A.B., Zakharov, A.V., Shenkman, R.I. Estimation of soil properties by an artificial neural network. Magazine of Civil Engineering. 2022. 110(2). 11011. DOI: 10.34910/MCE.110.11.) позволило оценить полученные результаты. Авторы данного исследования установили, что среднее абсолютное значение относительной ошибки определения удельного сцепления с помощью ИНС составила 15,33%, которое с точностью до 5,84% соответствует полученному с помощью предлагаемого способа абсолютному значению относительной ошибки модуля деформации, равного 9,49%. В то же время использование традиционных методов определения относительной ошибки определения удельного сцепления составила 50,43%.
Таким образом, предлагаемое изобретение позволяет по результатам лабораторных исследований БК «песок-гранулы вспененного полистирола» обеспечить большую универсальность и точность определения характеристик его теплофизических и деформационных свойств.
Claims (1)
- Способ определения коэффициента теплопроводности и модуля деформации бинарного композита «песок-гранулы вспененного полистирола», включающий взвешивание образца и определение его объема, высушивание и взвешивание высушенного образца, определение по полученным значениям плотности и влажности образца, отличающийся тем, что в образце бинарного композита «песок-гранулы вспененного полистирола» дополнительно определяют массовую долю и средний диаметр частиц его фракций, по значениям которых находят средний квадратичный диаметр частиц песка, входящего в состав образца бинарного композита «песок-гранулы вспененного полистирола», далее определяют объем гранул вспененного полистирола в бинарном композите «песок-гранулы вспененного полистирола» и объем бинарного композита «песок-гранулы вспененного полистирола», по которым определяют объемную долю гранул вспененного полистирола в образце бинарного композита «песок-гранулы вспененного полистирола», определяют вертикальную нагрузку и эффективную теплопроводность образца бинарного композита «песок-гранулы вспененного полистирола», которые затем загружают вместе с данными о плотности и влажности образца в предварительно обученную искусственную нейронную сеть, определяющую на основе значений плотности, влажности образца, среднего квадратичного диаметра частиц песка, входящего в состав образца бинарного композита, объемной доли гранул вспененного полистирола в образце бинарного композита, вертикальной нагрузки и эффективной теплопроводности образца коэффициент теплопроводности и модуль деформации бинарного композита «песок-гранулы вспененного полистирола», причем для обучения искусственной нейронной сети данные проходят процесс нормализации, перемешивания случайным образом, разделения на обучающий массив, составляющий 60% исходных данных, оценочный массив, представленный 20% исходных данных, и тестовый массив, также образованный 20% исходных данных.
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2815688C1 true RU2815688C1 (ru) | 2024-03-20 |
Family
ID=
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2397474C1 (ru) * | 2009-06-22 | 2010-08-20 | Институт мерзлотоведения им. П.И. Мельникова Сибирского отделения Российской академии наук | Способ определения объема и плотности частиц грунта и устройство для его осуществления |
| CN102721628A (zh) * | 2012-06-21 | 2012-10-10 | 广西壮族自治区中国科学院广西植物研究所 | 一种测定土壤容重的方法 |
| RU2530441C1 (ru) * | 2013-07-09 | 2014-10-10 | Владимир Михайлович Фокин | Способ неразрушающего контроля комплекса теплофизических характеристик твердых строительных материалов и установка для его осуществления |
| RU2585953C1 (ru) * | 2014-11-27 | 2016-06-10 | Федеральное государственное бюджетное Учреждение науки - Институт мерзлотоведения им.П.И.Мельникова Сибирского отделения Российской академии наук | Способ определения физических свойств грунтов |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2397474C1 (ru) * | 2009-06-22 | 2010-08-20 | Институт мерзлотоведения им. П.И. Мельникова Сибирского отделения Российской академии наук | Способ определения объема и плотности частиц грунта и устройство для его осуществления |
| CN102721628A (zh) * | 2012-06-21 | 2012-10-10 | 广西壮族自治区中国科学院广西植物研究所 | 一种测定土壤容重的方法 |
| RU2530441C1 (ru) * | 2013-07-09 | 2014-10-10 | Владимир Михайлович Фокин | Способ неразрушающего контроля комплекса теплофизических характеристик твердых строительных материалов и установка для его осуществления |
| RU2585953C1 (ru) * | 2014-11-27 | 2016-06-10 | Федеральное государственное бюджетное Учреждение науки - Институт мерзлотоведения им.П.И.Мельникова Сибирского отделения Российской академии наук | Способ определения физических свойств грунтов |
Non-Patent Citations (1)
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fu et al. | Tortuosity of porous media: Image analysis and physical simulation | |
| Ceryan | Application of support vector machines and relevance vector machines in predicting uniaxial compressive strength of volcanic rocks | |
| Talla et al. | Shrinkage and density evolution during drying of tropical fruits: application to banana | |
| Romano et al. | Effectiveness of using pedo-transfer functions to quantify the spatial variability of soil water retention characteristics | |
| Ghanbarian et al. | Sample dimensions effect on prediction of soil water retention curve and saturated hydraulic conductivity | |
| Walczak et al. | Modeling of soil water retention curve using soil solid phase parameters | |
| Quraishi et al. | Development of a methodology for in situ assessment of topsoil dry bulk density | |
| Duan et al. | Field capacity in black soil region, northeast China | |
| Benavides et al. | Pore size distribution from NMR and image based methods: A comparative study | |
| Zanetti et al. | General calibration of TDR to assess the moisture of tropical soils using artificial neural networks | |
| Bagarello et al. | Testing a simplified approach to determine field saturated soil hydraulic conductivity | |
| Pires et al. | Porosity distribution by computed tomography and its importance to characterize soil clod samples | |
| Peng et al. | An improved thermo‐TDR technique for monitoring soil thermal properties, water content, bulk density, and porosity | |
| De Silva et al. | Stress–dilatancy relationships of sand in the simulation of volumetric behavior during cyclic torsional shear loadings | |
| Hassanlourad et al. | Dry unit weight of compacted soils prediction using GMDH-type neural network | |
| Goli et al. | Thermal expansion of wood at different equilibrium moisture contents | |
| Belyaev et al. | Implementation of nondestructive testing of massive products in measuring the diffusivity of solvents | |
| da Silva et al. | Splintex 2.0: a physically-based model to estimate water retention and hydraulic conductivity parameters from soil physical data | |
| Alhajj et al. | Joint inversion of electromagnetic measurements for the determination of water saturation profiles in concrete structures | |
| RU2815688C1 (ru) | Способ определения характеристик теплофизических и деформационных свойств бинарного композита «песок-гранулы вспененного полистирола» с помощью искусственной нейронной сети | |
| Ngo et al. | Estimability analysis and optimisation of soil hydraulic parameters from field lysimeter data | |
| Schneider-Zapp et al. | Numerical study of the evaporation process and parameter estimation analysis of an evaporation experiment | |
| Qin et al. | Estimating parameters for the Van Genuchten model from soil physical-chemical properties of undisturbed loess-soil | |
| Persson et al. | Estimating soil solution electrical conductivity from time domain reflectometry measurements using neural networks | |
| da Silva et al. | Evaluating the Splintex model for estimating the soil water retention curve for a wide range of soils |