WO2023087886A1 - 一种针对vg模型的参数拟合方法 - Google Patents

一种针对vg模型的参数拟合方法 Download PDF

Info

Publication number
WO2023087886A1
WO2023087886A1 PCT/CN2022/119748 CN2022119748W WO2023087886A1 WO 2023087886 A1 WO2023087886 A1 WO 2023087886A1 CN 2022119748 W CN2022119748 W CN 2022119748W WO 2023087886 A1 WO2023087886 A1 WO 2023087886A1
Authority
WO
WIPO (PCT)
Prior art keywords
fitting
water content
parameter
empirical parameter
value
Prior art date
Application number
PCT/CN2022/119748
Other languages
English (en)
French (fr)
Inventor
徐浩青
周爱兆
姜朋明
王丽艳
齐永正
吴思麟
吴涛
刘顺青
侯绍雯
孙涛
施鑫淼
梁景瑞
陈建国
Original Assignee
江苏科技大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 江苏科技大学 filed Critical 江苏科技大学
Publication of WO2023087886A1 publication Critical patent/WO2023087886A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Definitions

  • curvefun is the specific function to be fitted, here the function is the VG model.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
  • Processing Of Solid Wastes (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

本发明公开了一种针对VG模型的参数拟合方法。属于土水特征曲线领域，具体操作步骤：分类选取不同的初值对已知土体的吸力和含水率的数据进行拟合，将拟合得到的饱和含水率替换原始初值；将得到的饱和含水率代入初值，将拟合得到的经验参数n和经验参数α进行调整后设为初值，对已知数据进行拟合；将得到的饱和含水率、经验参数n、经验参数α和残余含水率进行调整后设为初值，对已知数据进行拟合；将得到的拟合数值和原始值进行对比，通过异常值检验公式，对原始数据中的异常值进行识别。本发明基于上述算法确定的参数初始值，可使拟合更加高效，得到的参数值更接近真实值。本发明为土水特征曲线的拟合提供参考，使更高效、精确地进行参数优化。

Description

[根据细则91更正 24.10.2022]　一种针对VG模型的参数拟合方法 技术领域
[根据细则91更正 24.10.2022]　
本发明属于非饱和土力学中的土水特征曲线领域，涉及一种针对VG模型的参数拟合方法。
背景技术
土壤水土特征曲线是反映包气带基质势和土壤含水率之间关系的曲线，以此表示包气带中水分的能量与数量之间的关系。为了计算方便，常将数量关系拟合为经验公式。Van Genuchten模型是由Van Genuchten在1980年提出，是目前采用较多的压力水头与含水率之间的经验关系式之一。VG模型如下所示
Figure PCTCN2022119748-appb-000001
式中，θ为体积含水率；θ r为残余含水率；θ s为饱和含水率；h为压力水头；α和n为未知参数。通过对试验获得的压力水头和含水率数据进行拟合，得到Van Genuchten模型中每个参数的值。
现有技术中；采用拟合软件进行参数求解的过程中需要输入估计的初始值，以此初始值为依据进行计算拟合。VG模型中存在饱和含水率θ s、残余含水率θ r、经验参数n和经验参数α。在没有任何经验的情况下，想要快速准确地拟合出四个参数，显得十分困难。目前，对于土水特征曲线参数的拟合，大多在于阐述使用不同软件对于土水特征曲线的拟合，而很少有人研究初值对于拟合的影响，以及如何设置初值从而达到快速准确拟合的效果。在拟合过程中，输入四个参数的初始值与参数拟合过程直接相关，当输入的初始值与真实值有较大偏离时，拟合参数根本无法准确反映真实情况，甚至出现拟合失败。
发明内容
发明目的：本发明目的是基于对VG模型深入研究的基础上，提出了VG模型拟合初值设置的一种算法和异常值检验方法。
[根据细则91更正 24.10.2022]　
技术方案：本发明所述的一种针对VG模型的参数拟合方法，具体实现步骤如下：
(1)、根据不同土的分类，选取VG模型中饱和含水率θ S、经验参数n、经验参数α和残余含水率θ r四个参数的初值，对已知土体的吸力水头h和体积含水率θ的数据进行拟合，从而得到饱和含水率θ S、经验参数n、经验参数α和残 余含水率θ r的拟合值，
将初值中的饱和含水率θ S用得到的饱和含水率θ S拟合值进行替换，保持其他三个参数的初值不变，后再进行拟合；直至第N+1次的饱和含水率拟合值与第N次的饱和含水率拟合值之差的绝对值小于0.0001，且第N+1次的拟合优度与第N次的拟合优度之差的绝对值小于0.0001；
(2)、将步骤(1)中最终进行拟合得到的饱和含水率θ S、经验参数n和经验参数α的拟合值替换步骤(1)中选取的三个对应参数的初值，保持残余含水率θ r的初值不变，对已知数据进行拟合，直至第M+1次的经验参数n的拟合值与第M次的经验参数n的拟合值之差的绝对值小于0.002，直至第M+1次的经验参数α的拟合值与第M次的经验参数α的拟合值之差的绝对值小于0.0000001，且第M+1次的拟合优度与第M次的拟合优度之差的绝对值小于0.00001；
(3)、将步骤(2)最终进行拟合得到的饱和含水率θ S、经验参数n、经验参数α和残余含水率θ r的拟合值替换步骤(1)中选取的四个对应参数的初值，对已知数据进行拟合，直至第i+1次的残余含水率θ r的拟合值与第i次的残余含水率θ r的拟合值之差的绝对值小于0.0001，且第i+1次的拟合优度与第i次的拟合优度之差的绝对值小于0.000001；
(4)、将步骤(3)最终进行拟合得到的拟合数值和原始值进行对比，通过异常值检验公式，对原始数据中的异常值进行识别。
进一步的，在步骤(1)中，所述不同土的分类共分为四大类，包括普通土体、砂土类、粘土类和混凝土类；
所述普通土体包括粘壤土、壤土、粉砂及粉壤土；
所述砂土类包括壤质砂土和和砂；
所述粘土类包括粉质粘土、粉质粘壤土和砂质粘土；
所述混凝土包括塑性混凝土和混凝土。
进一步的，在步骤(1)中，所述土体的饱和含水率θ S初值根据低转速下的体积含水率确定，取最低转速下的体积含水率为饱和含水率θ S的初值、且保留四位有效数字；
其中，所述普通土体的残余含水率θ r、经验参数n和经验参数α的初值分别为0.01、1.4和0.001；
所述砂土类的残余含水率θ r、经验参数n和经验参数α的初值分别为0.01、2.2和0.001；
所述粘土类的残余含水率θ r、经验参数n和经验参数α的初值分别为0.01、1.1和0.01；
所述混凝土的残余含水率θ r、经验参数n和经验参数α的初值分别为0.001、1.5和0.00001。
进一步的，在步骤(2)中，所述的经验参数n保留四位有效数字设置为下一次拟合初值；所述经验参数α保留三位有效数字设置为下一次拟合初值。
进一步的，在步骤(3)中，所述的参与残余含水率θ r保留一位有效数字设置为下一次拟合初值。
进一步的，在步骤(1)、(2)及(3)中，所使用的VG模型如下所示：
Figure PCTCN2022119748-appb-000002
其中，θ为体积含水率；h为压力水头；θ r为残余含水率；θ s为饱和含水率；α和n为经验参数。θ和h为已知参数；θ r、θ S、α和n为待定参数。
进一步的，在步骤(1)(2)及(3)中，针对VG模型，使用MATLAB中lsqcurvefit的拟合方法对已知数据进行拟合。具体设置包括初值的设置、待定参数上下限的设置、lsqcurvefit拟合函数的使用，具体的拟合代码如下：
param0＝[0.00001,1.5,0.001,0.3050]；
lb＝[0,1,0,0]；
ub＝[5,5,1,1]；
param＝lsqcurvefit('curvefun',param0,h_data,theta_data,lb,ub,options)
param0为初值设置；中括号内按照前往后的顺序，依次为VG模型中经验参数α、经验参数n、残余含水率θ r和饱和含水率θ S；
lb和ub分别为下限设置和上限设置。中括号内按照前往后的顺序，依次为经验参数α、经验参数n、残余含水率θ r和饱和含水率θ S；
param为经验参数α、经验参数n、残余含水率θ r和饱和含水率θ S的拟合值；
lsqcurvefit为MATLAB中基于最小二乘法的内置拟合方法；
curvefun为待拟合的具体函数，此处函数为VG模型。
进一步的，在步骤(1)(2)及(3)中，所述拟合优度用于度量拟合曲线对于原始数据拟合效果的好坏，其公式如下所示：
Figure PCTCN2022119748-appb-000003
其中，R 2表示拟合优度，y表示待拟合的数据，
Figure PCTCN2022119748-appb-000004
表示y的均值，
Figure PCTCN2022119748-appb-000005
表示拟合数据。
进一步的，在步骤(4)中，所述的异常值检验公式如下
Figure PCTCN2022119748-appb-000006
式中，e i为修正误差贡献率，θ i为第i次的体积含水率，
Figure PCTCN2022119748-appb-000007
为经过第一步至第三步拟合的第i次的预测体积含水率，η为第i次的修正系数；
所述的修正系数计算公式为
Figure PCTCN2022119748-appb-000008
式中，h为压力水头，n为拟合最优的经验参数n
当e i大于0.1时，表示第i次原始数据存在异常，可再次试验进行验证。
有益效果：本发明与现有技术相比，本发明的特点:本发明基于对VG模型深入研究基础上，提出了VG模型拟合初值设置的一种算法和异常值检验方法，首先确定饱和含水率的范围使得后期拟合过程平稳，继而联合确定对于拟合影响最大的经验参数α和经验参数n，最后确定残余含水率，由此确定了不同土体VG模型的参数初始值。上述算法是一种系统且逐步稳健靠近真实值的拟合方案，基于上述算法确定的参数初始值，可以使拟合更加高效，得到的参数值更接近真实值。本发明为土水特征曲线的拟合提供参考，使更高效、精确地进行参数优化。
附图说明
图1是本发明的操作流程图；
图2是本发明实施例中编号1土样的示意图；
图3是本发明实施例中编号2土样的示意图。
具体实施方式
以下结合附图和具体实施例，对本发明做出进一步说明。
如图所述，本发明所述的一种针对VG模型的参数拟合方法，具体实现步骤如下：
第一步：根据不同土的分类，选取VG模型中饱和含水率θ S、经验参数n、经验参数α和残余含水率θ r四个参数的初值，对已知土体的吸力水头h和体积含水率θ的数据进行拟合，从而得到饱和含水率θ S、经验参数n、经验参数α和残余含水率θ r的拟合值，
将初值中的饱和含水率θ S用得到的饱和含水率θ S拟合值进行替换，保持其他三个参数的初值不变，后再进行拟合；直至第N+1次的饱和含水率拟合值与第N 次的饱和含水率拟合值之差的绝对值小于0.0001，且第N+1次的拟合优度与第N次的拟合优度之差的绝对值小于0.0001；
其中，所述的土体分类，共分为四大类，包括普通土体、砂土类、粘土类和混凝土类；其中，普通土体包括粘壤土、壤土、粉砂、粉壤土等；砂土类包括壤质砂土和和砂；粘土类包括粉质粘土、粉质粘壤土和砂质粘土；混凝土包括塑性混凝土和混凝土；
所述的土体的饱和含水率初值根据低转速下的体积含水率确定，取最低转速下的体积含水率为饱和含水率的初值，且保留四位有效数字；
所述的普通土体的残余含水率、经验参数n和经验参数α的初值分别为0.01、1.4和0.001；
所述的粘土类的残余含水率、经验参数n和经验参数α的初值分别为0.01、1.1和0.01；
所述的砂土类的残余含水率、经验参数n和经验参数α的初值分别为0.01、2.2和0.001；
所述的混凝土的残余含水率、经验参数n和经验参数α的初值分别为0.001、1.5和0.00001。
第二步：将步骤(1)中最终进行拟合得到的饱和含水率θ S、经验参数n和经验参数α的拟合值替换步骤(1)中选取的三个对应参数的初值，保持残余含水率θ r的初值不变，对已知数据进行拟合，直至第M+1次的经验参数n的拟合值与第M次的经验参数n的拟合值之差的绝对值小于0.002，直至第M+1次的经验参数α的拟合值与第M次的经验参数α的拟合值之差的绝对值小于0.0000001，且第M+1次的拟合优度与第M次的拟合优度之差的绝对值小于0.00001；
所述的经验参数n和经验参数α在下次拟合前必须同时对原始初值进行替换，保持一致性；
所述的经验参数n保留四位有效数字设置为下一次拟合初值，经验参数α保留三位有效数字设置为下一次拟合初值；
所述的经验参数n和经验参数α拟合至最优，指的是满足此条件下(对于混凝土类的土体：|n i-n i-1|≤0.001和|α i-α i-1|≤0.00001；其他的土体：|n i-n i-1|≤0.01 和|α i-α i-1|≤0.001)，拟合优度R 2在饱和含水率、经验参数n和经验参数α基本不变的条件下到达最大值
第三步：将步骤(2)最终进行拟合得到的饱和含水率θ S、经验参数n、经验参数α和残余含水率θ r的拟合值替换步骤(1)中选取的四个对应参数的初值，对已知数据进行拟合，直至第i+1次的残余含水率θ r的拟合值与第i次的残余含水率θ r的拟合值之差的绝对值小于0.0001，且第i+1次的拟合优度与第i次的拟合优度之差的绝对值小于0.000001；
所述的残余含水率保留两位有效数字设置为下一次拟合初值；
所述的残余含水率拟合达到最优，指的是对于所有土体：|Q r,i-Q r,i-1|≤0.01
拟合优度R2在饱和含水率、经验参数n、经验参数α和残余含水率基本不变的条件下到达最大值
上述的拟合函数为lsqcurvefit函数，拟合代码如下A＝1+(abs(alpha*h)).^n，theta＝theta_r+(theta_s-theta_r)./A.^(1-1/n)；
第四步：将步骤(3)最终进行拟合得到的拟合数值和原始值进行对比，通过异常值检验公式，对原始数据中的异常值进行识别；
所述的异常值检验公式如下
Figure PCTCN2022119748-appb-000009
式中，e i为修正误差贡献率，θ i为第i次的体积含水率，
Figure PCTCN2022119748-appb-000010
为经过第一步至第三步拟合的第i次的预测体积含水率，η为第i次的修正系数
所述的修正系数计算公式为
Figure PCTCN2022119748-appb-000011
式中，h为压力水头，n为拟合最优的经验参数n
当e i大于0.1时，表示第i次原始数据存在异常，可以再次试验进行验证。
进一步的，在步骤(1)、(2)及(3)中，所使用的VG模型如下所示：
Figure PCTCN2022119748-appb-000012
其中，θ为体积含水率；h为压力水头；θ r为残余含水率；θ s为饱和含水率； α和n为经验参数。θ和h为已知参数；θ r、θ S、α和n为待定参数。
进一步的，在步骤(1)(2)及(3)中，针对VG模型，使用MATLAB中lsqcurvefit的拟合方法对已知数据进行拟合。具体设置包括初值的设置、待定参数上下限的设置、lsqcurvefit拟合函数的使用，具体的拟合代码如下：
param0＝[0.00001,1.5,0.001,0.3050]；
lb＝[0,1,0,0]；
ub＝[5,5,1,1]；
param＝lsqcurvefit('curvefun',param0,h_data,theta_data,lb,ub,options)
param0为初值设置；中括号内按照前往后的顺序，依次为VG模型中经验参数α、经验参数n、残余含水率θ r和饱和含水率θ S；
lb和ub分别为下限设置和上限设置。中括号内按照前往后的顺序，依次为经验参数α、经验参数n、残余含水率θ r和饱和含水率θ S；
param为经验参数α、经验参数n、残余含水率θ r和饱和含水率θ S的拟合值；
lsqcurvefit为MATLAB中基于最小二乘法的内置拟合方法；
curvefun为待拟合的具体函数，此处函数为VG模型。
进一步的，在步骤(1)(2)及(3)中，所述拟合优度用于度量拟合曲线对于原始数据拟合效果的好坏，其公式如下所示：
Figure PCTCN2022119748-appb-000013
其中，R 2表示拟合优度，y表示待拟合的数据，
Figure PCTCN2022119748-appb-000014
表示y的均值，
Figure PCTCN2022119748-appb-000015
表示拟合数据。
实施例：
本发明一种针对VG模型的参数拟合方法，包括以下步骤：
(1)采用日立CR21N型高速恒温冷冻离心机获取塑性混凝土土样1和土样2在不同转速下的体积含水率，如下表1所示
表1 不同转速下体积含水率
转速 水头高度(cm) 土样1 土样2
500rmp 26.04 0.3067 0.3377
1000rpm 104.17 0.3045 0.3349
3000rpm 937.53 0.3046 0.3311
5000rpm 2604.25 0.3012 0.3264
7000rpm 5104.33 0.2996 0.3214
9000rpm 8437.77 0.2932 0.3076
10000rpm 10417 0.2854 0.3034
由于塑性混凝土属于混凝土类，选择拟定初值如下表所示
表2 第一步拟合初值
  α n 残余含水率 饱和含水率
1 0.00001 1.5 0.001 0.3067
2 0.00001 1.5 0.001 0.3377
选定拟定初值，确定编号1和2土样的饱和含水率初值，根据500rmp、1000rmp、3000rmp、5000rmp、7000rmp、9000rmp和10000rmp下的数据进行拟合，以体积含水率为因变量，水头h为因变量，得到各个参数的最佳拟合值。土样1的饱和含水率最优拟合初值0.3051，拟合优度0.9621；土样2的饱和含水率最优拟合初值0.3350，拟合优度0.9814。
(2)将上一步至拟合最优的饱和含水率设为初值，将饱和含水率拟合最优时的经验参数n和经验参数α进行调整后设为初值，对已知数据进行拟合，直至经验参数n和经验参数α拟合达到最优。如下表3和表4所示
表3 第二步拟定初值
  饱和含水率 α n 拟合优度
1 0.3051 0.000037337 1.6504 0.9621
2 0.3350 0.000070864 1.3095 0.9814
表4 第二步拟合最优值
  饱和含水率 α n 拟合优度
1 0.3051 0.000033839 1.7971 0.9691
2 0.3376 0.000083848 1.1967 0.9838
(3)将第二步最终得到的饱和含水率、经验参数n、经验参数α和残余含水率进行调整后设为初值，对已知数据进行拟合，直至饱和含水率、经验参数n、经验参数α和残余含水率拟合至最优，如下表5所示
表5 拟定最优值
  饱和含水率 α n 残余含水率 拟合优度
1 0.3051 0.00003378 1.7978 0.00000835 0.9691
2 0.3376 0.000083891 1.1964 0.00000008 0.9838
经过第一步的初值设置拟合，土样1和土样2的拟合优度分别为0.9621和0.9814。由此可以得到，根据不同土体分类，确定不同的初值的方法效果良好。经过三步的拟合优化，土样1的拟合优度从0.9621增加到0.9691，土样2的拟合优度从0.9814增加到0.9838。从图片2和图片3中可以看到，优化后的曲线更加贴近真实数据值。由此可以得到，经过第二步和第三步的优化，拟合优度在稳步地提高，逐渐接近拟合最优解。
(4)通过异常值检验公式，计算得到编号1和编号2的不同转速原始数据的误差贡献率，如下表所示
表6 修正误差贡献率表
  500rmp 1000rmp 3000rmp 5000rmp 7000rmp 9000rmp 10000rmp
土1 0.6312 0.0174 0.0000 0.2267 0.0027 0.0870 0.0350
土2 0.6982 0.0197 0.1331 0.0266 0.1021 0.0202 0.0001
由于VG模型函数本身的非线性，水头高度越大，得到的体积含水率和原始值的误差会越大。单从两者之间的差值去判断原始值的异常，并不合理。故而对误差进行修正校准，提出异常值检验公式。
针对土样1,500rmp和5000rmp的修正误差贡献率为0.6312和0.2267，故而土样1的500rmp和5000rmp存在异常，可以考虑再次试验校准。针对土样2,500rm、3000rmp和7000rmp的修正误差贡献率为0.6982、0.1331和0.1021，故而土样2的500rmp、3000rmp和7000rmp存在异常，可以考虑再次试验校准。
经过四步的优化处理(迭代次数大约6次)，实现了对VG模型的拟合优化，并识别出原始数据中的异常值。而在没有规则的情况下盲猜输入初始值进行优化所需时间较长，且最终拟合值最优的可能性较低。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

  1. [根据细则91更正 24.10.2022]
    一种针对VG模型的参数拟合方法，其特征在于，具体实现步骤如下：
    (1)、根据不同土的分类，选取VG模型中饱和含水率θ S、经验参数n、经验参数α和残余含水率θ r四个参数的初值，对已知土体的吸力水头h和体积含水率θ的数据进行拟合，从而得到饱和含水率θ S、经验参数n、经验参数α和残余含水率θ r的拟合值，
    将初值中的饱和含水率θ S用得到的饱和含水率θ S拟合值进行替换，保持其他三个参数的初值不变，后再进行拟合；直至第N+1次的饱和含水率拟合值与第N次的饱和含水率拟合值之差的绝对值小于0.0001，且第N+1次的拟合优度与第N次的拟合优度之差的绝对值小于0.0001；
    (2)、将步骤(1)中最终进行拟合得到的饱和含水率θ S、经验参数n和经验参数α的拟合值替换步骤(1)中选取的三个对应参数的初值，保持残余含水率θ r的初值不变，对已知数据进行拟合，直至第M+1次的经验参数n的拟合值与第M次的经验参数n的拟合值之差的绝对值小于0.002，直至第M+1次的经验参数α的拟合值与第M次的经验参数α的拟合值之差的绝对值小于0.0000001，且第M+1次的拟合优度与第M次的拟合优度之差的绝对值小于0.00001；
    (3)、将步骤(2)最终进行拟合得到的饱和含水率θ S、经验参数n、经验参数α和残余含水率θ r的拟合值替换步骤(1)中选取的四个对应参数的初值，对已知数据进行拟合，直至第i+1次的残余含水率θ r的拟合值与第i次的残余含水率θ r的拟合值之差的绝对值小于0.0001，且第i+1次的拟合优度与第i次的拟合优度之差的绝对值小于0.000001；
    (4)、将步骤(3)最终进行拟合得到的拟合数值和原始值进行对比，通过异常值检验公式，对原始数据中的异常值进行识别。
  2. 根据权利要求1所述的一种针对VG模型的参数拟合方法，其特征在于，
    在步骤(1)中，所述不同土的分类共分为四大类，包括普通土体、砂土类、粘土类和混凝土类；
    所述普通土体包括粘壤土、壤土、粉砂及粉壤土；
    所述砂土类包括壤质砂土和和砂；
    所述粘土类包括粉质粘土、粉质粘壤土和砂质粘土；
    所述混凝土包括塑性混凝土和混凝土。
  3. 根据权利要求1所述的一种针对VG模型的参数拟合方法，其特征在于，
    在步骤(1)中，所述土体的饱和含水率θ S初值根据低转速下的体积含水率 确定，取最低转速下的体积含水率为饱和含水率θ S的初值、且保留四位有效数字；
    其中，所述普通土体的残余含水率θ r、经验参数n和经验参数α的初值分别为0.01、1.4和0.001；
    所述砂土类的残余含水率θ r、经验参数n和经验参数α的初值分别为0.01、2.2和0.001；
    所述粘土类的残余含水率θ r、经验参数n和经验参数α的初值分别为0.01、1.1和0.01；
    所述混凝土的残余含水率θ r、经验参数n和经验参数α的初值分别为0.001、1.5和0.00001。
  4. 根据权利要求1所述的一种针对VG模型的参数拟合方法，其特征在于，
    在步骤(2)中，所述的经验参数n保留四位有效数字设置为下一次拟合初值；所述经验参数α保留三位有效数字设置为下一次拟合初值。
  5. 根据权利要求1所述的一种针对VG模型的参数拟合方法，其特征在于，
    在步骤(3)中，所述的参与残余含水率θ r保留一位有效数字设置为下一次拟合初值。
  6. 根据权利要求1所述的一种针对VG模型的参数拟合方法，其特征在于，
    在步骤(1)、(2)及(3)中，所使用的VG模型如下所示：
    Figure PCTCN2022119748-appb-100001
    其中，θ为体积含水率；h为压力水头；θ r为残余含水率；θ s为饱和含水率；α和n为经验参数。θ和h为已知参数；θ r、θ S、α和n为待定参数。
  7. 根据权利要求1所述的一种针对VG模型的参数拟合方法，其特征在于，
    在步骤(1)(2)及(3)中，针对VG模型，使用MATLAB中lsqcurvefit的拟合方法对已知数据进行拟合。具体设置包括初值的设置、待定参数上下限的设置、lsqcurvefit拟合函数的使用，具体的拟合代码如下：
    param0＝[0.00001,1.5,0.001,0.3050]；
    lb＝[0,1,0,0]；
    ub＝[5,5,1,1]；
    param＝lsqcurvefit('curvefun',param0,h_data,theta_data,lb,ub,options)
    param0为初值设置；中括号内按照前往后的顺序，依次为VG模型中经验参数α、经验参数n、残余含水率θ r和饱和含水率θ S；
    lb和ub分别为下限设置和上限设置。中括号内按照前往后的顺序，依次为经验参数α、经验参数n、残余含水率θ r和饱和含水率θ S；
    param为经验参数α、经验参数n、残余含水率θ r和饱和含水率θ S的拟合值；
    lsqcurvefit为MATLAB中基于最小二乘法的内置拟合方法；
    curvefun为待拟合的具体函数，此处函数为VG模型。
  8. 根据权利要求1所述的一种针对VG模型的参数拟合方法，其特征在于，
    在步骤(1)(2)及(3)中，所述拟合优度用于度量拟合曲线对于原始数据拟合效果的好坏，其公式如下所示：
    Figure PCTCN2022119748-appb-100002
    其中，R 2表示拟合优度，y表示待拟合的数据，
    Figure PCTCN2022119748-appb-100003
    表示y的均值，
    Figure PCTCN2022119748-appb-100004
    表示拟合数据。
  9. 根据权利要求1所述的一种针对VG模型的参数拟合方法，其特征在于，
    在步骤(4)中，所述的异常值检验公式如下
    Figure PCTCN2022119748-appb-100005
    式中，e i为修正误差贡献率，θ i为第i次的体积含水率，
    Figure PCTCN2022119748-appb-100006
    为经过第一步至第三步拟合的第i次的预测体积含水率，η为第i次的修正系数；
    所述的修正系数计算公式为
    Figure PCTCN2022119748-appb-100007
    式中，h为压力水头，n为拟合最优的经验参数n
    当e i大于0.1时，表示第i次原始数据存在异常，可再次试验进行验证。
PCT/CN2022/119748 2021-11-19 2022-09-20 一种针对vg模型的参数拟合方法 WO2023087886A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111373787.2 2021-11-19
CN202111373787.2A CN114117766B (zh) 2021-11-19 2021-11-19 一种针对vg模型的参数拟合方法

Publications (1)

Publication Number Publication Date
WO2023087886A1 true WO2023087886A1 (zh) 2023-05-25

Family

ID=80396546

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/119748 WO2023087886A1 (zh) 2021-11-19 2022-09-20 一种针对vg模型的参数拟合方法

Country Status (2)

Country Link
CN (1) CN114117766B (zh)
WO (1) WO2023087886A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114117766B (zh) * 2021-11-19 2024-04-26 江苏科技大学 一种针对vg模型的参数拟合方法
CN115146560B (zh) * 2022-06-30 2024-05-03 武汉理工大学 基于vg模型预测干湿、冻融循环土水特征曲线的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150071554A1 (en) * 2013-09-06 2015-03-12 Fih (Hong Kong) Limited Electronic device, equation computing system and method
CN104537232A (zh) * 2014-12-23 2015-04-22 天津大学 考虑Lisse现象的浅层地下水位预测方法
CN109211756A (zh) * 2018-10-31 2019-01-15 湖北工业大学 基于vg模型的变形土进气值预测方法
CN114117766A (zh) * 2021-11-19 2022-03-01 江苏科技大学 一种针对vg模型的参数拟合方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971002A (zh) * 2014-05-12 2014-08-06 北京交通大学 一种非饱和土相对渗透系数的计算方法
JP6244280B2 (ja) * 2014-08-29 2017-12-06 株式会社奥村組 Ｖｇモデルによる不飽和浸透特性解析方法
CN109238911B (zh) * 2018-09-10 2020-10-02 湖北工业大学 一种基于土中水分蒸发曲线预测土-水特征曲线vg模型的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150071554A1 (en) * 2013-09-06 2015-03-12 Fih (Hong Kong) Limited Electronic device, equation computing system and method
CN104537232A (zh) * 2014-12-23 2015-04-22 天津大学 考虑Lisse现象的浅层地下水位预测方法
CN109211756A (zh) * 2018-10-31 2019-01-15 湖北工业大学 基于vg模型的变形土进气值预测方法
CN114117766A (zh) * 2021-11-19 2022-03-01 江苏科技大学 一种针对vg模型的参数拟合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PENG, JIANPING ET AL.: "Determination of the parameters of VG model based on Matlab", HYDROGEOLOGY & ENGINEERING GEOLOGY, no. 6, 15 November 2006 (2006-11-15), pages 25 - 28, XP009546531 *

Also Published As

Publication number Publication date
CN114117766A (zh) 2022-03-01
CN114117766B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
WO2023087886A1 (zh) 一种针对vg模型的参数拟合方法
CN110472667B (zh) 基于反卷积神经网络的小目标分类方法
TW201734840A (zh) 自動多閾值特徵過濾方法及裝置
WO2016041224A1 (zh) 调节液晶面板闪烁度的方法
CN105569641B (zh) 一种改善近井压降的水平井瞬态压力快速计算模型建立方法
CN104463892B (zh) 基于水平集及GVF Snake精确定位的菌落图像分割方法
CN105005975A (zh) 基于pcnn和图像熵的各向异性扩散的图像去噪方法
CN105136308A (zh) 一种红外焦平面阵列变积分时间下的自适应校正方法
Walstra et al. Estimating globule-size distribution of oil-in-water emulsions by Coulter counter
CN107292387A (zh) 一种基于bp识别蜂蜜质量的方法
CN106770620A (zh) 用溅射深度剖析技术确定薄膜中元素成分深度分布的方法
US10515725B2 (en) Health assessment method and health assessment device for workpiece processing apparatus
WO2020192687A1 (zh) 一种汽车轮胎胎压确定方法与装置
CN109184661B (zh) 用于底水油藏水平井高产液位置识别的监测方法及其系统
JP6609387B1 (ja) ゴム材料の特性推定方法、システム及びプログラム
CN102663750A (zh) 数字图像边缘检测方法
WO2022133889A1 (zh) 基于设备监理的电站设备质量数据处理方法及装置
CN111811827B (zh) 基于瑞利分布的产品性能一致性检验方法
CN103761210B (zh) 一种多分类器阈值的设置方法
CN108986083A (zh) 基于阈值优化的sar图像变化检测方法
CN107111305B (zh) 基于对统计指标的同时分析制造部件的方法
CN108537249A (zh) 一种密度峰值聚类的工业过程数据聚类方法
CN109190301B (zh) 一种变工况下回转支承高精度寿命预测方法
CN106529156B (zh) 一种岩土物理力学参数标准值的确定方法
WO2018121221A1 (zh) 一种解决通道间亮度不一致的方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22894424

Country of ref document: EP

Kind code of ref document: A1