法律状态公告日
法律状态信息
法律状态
2019-02-12
授权
授权
2018-04-03
实质审查的生效 IPC(主分类):G06F17/50 申请日:20171212
实质审查的生效
2018-03-09
公开
公开
技术领域
本发明涉及本发明属于岩土工程技术方法领域,尤其涉及一种基于神经网络模型的异性结构面峰值抗剪强度预测方法。
背景技术
岩体是在地质历史时期形成的具有一定组分和结构的地质体。由于经受过复杂的地质作用,岩体中分布着各种结构面,如断层、节理、裂隙等。岩体的强度、变形性质、破坏特征等与岩体结构面的力学性质与破坏机理密切相关。历史上许多工程岩体的失稳,大多是岩体沿着软弱结构面发生滑动破坏而造成的,如意大利瓦伊昂滑坡等。所以开展结构面的研究、确定结构面的峰值抗剪强度具有重要意义。然而,目前的研究主要针对两侧壁岩性质相同的普通结构面,对异性结构面关注较少,而实际工程岩体岩性交替变化的情况普遍存在,异性结构面分布非常广泛,其力学性质对工程岩体稳定性具有重要影响。由于神经网络方法有着非线性模型识别、自我建立和自我学习的杰出能力,在考虑结构面壁岩强度、结构面粗糙度及法向应力的基础上用神经网络模型的方法来预测异性结构面的峰值抗剪强度,结果显示,基于神经网络模型预测异性结构面峰值抗剪强度的方法精度较高、误差较小,能够用于含异性结构面岩石边坡的稳定性评价。
发明内容
有鉴于此,本发明的实施例提供了一种基于神经网络模型的异性结构面峰值抗剪强度预测方法。
本发明的实施例提供一种基于神经网络模型的异性结构面峰值抗剪强度预测方法,包括以下步骤:
S1:采集实际试验的历史数据,筛选出训练数据和验证数据后进行标准化处理;
S2:建立包含输入层、隐含层和输出层的BP神经网络模型,选择异性结构面壁岩强度比率、结构面粗糙度系数和法向应力作为输入参数,选择峰值抗剪强度比率作为输出参数;
S3:根据输入参数数量和输出参数数量确定隐含层最优神经单元数量;
S4:使用所述训练数据训练所述BP神经网络模型;
S5:使用所述验证数据验证所述BP神经网络模型;
S6:对验证后的所述BP神经网络模型输入参数,得到输出参数峰值抗剪强度比率预测值,从而得到预测的异性结构面的峰值抗剪强度。
进一步地,确定最优神经单元数量的公式如下:
其中,n表示隐含层神经单元数量,n0表示输出参数的数量,ni表示输入参数的数量,α是一个从1到10的常数,通过改变α的大小确定n值,然后得出所述训练数据中同一组数据对应的不同异性结构面抗剪强度,分别比较得到的异性结构面抗剪强度与实际的历史异性结构面抗剪强度,确定均方误差最小且相关系数最大的异性结构面抗剪强度对应的n值为隐含层最优神经单元数量。
进一步地,所述历史数据通过室内直剪试验获得或通过现场原位测试获得。
进一步地,对所述训练数据和所述验证数据的标准化处理为按比例缩小到0到1之间,缩小公式如下:
其中,xi是变量,xmax、xmin为最大值和最小值,xi,norm为标准化值。
进一步地,所述BP神经网络模型训练方式是通过调整权重和临界值以建立输入参数和输出结果之间非线性关系。
进一步地,训练所述BP神经网络模型的目标函数为:
其中Ct表示第t次试验所述BP神经网络模型输出参数,yt表示对应的预期输出参数,T表示所述训练数据中的数组数量,MSE表示均方误差。
进一步地,评价训练所述BP神经网络模型合格的参数为均方根误差和相关系数,均方根误差小于0.1且相关系数大于0.85时,判断所述BP神经网络模型合格。
进一步地,所述均方根误差最小且所述相关系数最大时,判断所述BP神经网络模型合格。
本发明的实施例还提供一种基于神经网络模型的异性结构面峰值抗剪强度预测系统,包括:
预处理模块,用于采集实际试验的历史数据,筛选出训练数据和验证数据后进行标准化处理;
建模模块:建立包含输入层、隐含层和输出层的BP神经网络模型,选择异性结构面壁岩强度比率、结构面粗糙度系数和法向应力作为输入参数,选择峰值抗剪强度比率作为输出参数,确定隐含层最优神经单元数量,确定公式如下:
其中,n表示隐含层神经单元数量,n0表示输出参数的数量,ni表示输入参数的数量,α是一个从1到10的常数,通过改变α的大小确定n值,然后得出所述训练数据中同一组数据对应的不同异性结构面抗剪强度,分别比较得到的异性结构面抗剪强度与实际的历史异性结构面抗剪强度,确定均方误差小且相关系数最大的异性结构面抗剪强度对应的n值为最优隐含层神经单元数量;
训练模块:用于使用所述训练数据训练所述BP神经网络模型;
验证模块:用于使用所述验证数据验证所述BP神经网络模型;
输出模块:对验证后的所述BP神经网络模型输入参数,得到输出参数峰值抗剪强度比率预测值。
本发明的实施例提供的技术方案带来的有益效果是:本发明基于神经网络模型的异性结构面峰值抗剪强度预测方法解决现有方法中异性结构面的峰值抗剪强度不能较准确获取的问题,提供了更为精确预测异性结构面峰值抗剪强度的方法,能很好的预测异性结构面的峰值抗剪强度,对于含异性结构面岩石边坡的稳定性评价具有重要意义。
附图说明
图1是本发明基于神经网络模型的异性结构面峰值抗剪强度预测方法的流程图;
图2是BP神经网络模型示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1和图2,本发明的实施例提供了一种基于神经网络模型的异性结构面峰值抗剪强度预测方法,包括以下步骤:
S1:采集实际试验的历史数据,筛选出训练数据和验证数据后进行标准化处理;
S2:建立包含输入层、隐含层和输出层的BP神经网络模型,选择异性结构面壁岩强度比率、结构面粗糙度系数和法向应力作为输入参数,选择峰值抗剪强度比率作为输出参数;
S3:根据输入参数数量和输出参数数量确定隐含层最优神经单元数量;
S4:使用所述训练数据训练所述BP神经网络模型;
S5:使用所述验证数据验证所述BP神经网络模型;
S6:对验证后的所述BP神经网络模型输入参数,得到输出参数峰值抗剪强度比率预测值,从而得到预测的异性结构面的峰值抗剪强度。
所述历史数据通过室内直剪试验获得或通过现场原位测试获得,峰值抗剪强度比率τi/τs与三个参数有关:异性结构面壁岩强度比率σch/σcs、结构面粗糙度系数JRC和法向应力σn,其中,σch表示异性结构面中较硬壁岩的单轴抗压强度,σcs表示异性结构面中较软壁岩的单轴抗压强度,τi表示异性结构面抗剪强度,τs表示软岩同性结构面抗剪强度。
所述异性结构面壁岩强度比率为较硬壁岩与较软壁岩单轴抗压强度之比,所述峰值抗剪强度比率为异性结构面与软岩同性结构面抗剪强度之比。
由于原始数据由于数量级不同,对所述训练数据和所述验证数据的标准化处理为按比例缩小到0到1之间,缩小公式如下:
其中,xi是变量,xmax、xmin为最大值和最小值,xi,norm为标准化值。
确定最优神经单元数量,确定公式如下:
其中,n表示隐含层神经单元数量,n0表示输出参数的数量,ni表示输入参数的数量,α是一个从1到10的常数,通过改变α的大小确定n值,然后得出所述训练数据中同一组数据对应的不同异性结构面抗剪强度,分别比较得到的异性结构面抗剪强度与实际的历史异性结构面抗剪强度,确定均方误差最小且相关系数最大的异性结构面抗剪强度对应的n值为隐含层最优神经单元数量。
所述BP神经网络模型具体的训练方法如下:
假设隐含层第j组神经元的输入和输出分别为sj、bj,其表达式为:
bj=f1(sj)j=1,2,3…,N(3-2)
式(3-1)中的ωij、θi分别表示输入层到隐含层之间的权重和临界值,式(3-3)为隐含层中应用的传递函数。
在输出层中,第t组神经元的输入和输出分别表示为Lt、Ct,其表达式为
Ct=f2(Lt)t=1>
f2(x)=x>
式(3-4)中的νjt、γt分别表示隐含层到输出层之间的权重和临界值,式(3-3)给出了隐含层中应用的线性方程。
所述BP神经网络模型的训练是通过调整权重和临界值以建立输入和输出之间复杂的非线性关系。式(3-7)给出了优化训练所述BP神经网络模型的目标函数
式(3-7)中yt表示预期的输出值,T表示数据库中用于训练的数组数量。为了得到所述BP神经网络模型的最佳训练,可以利用梯度下降学习方法并通过调整权重和临界值使目标函数值最小化。νjt、γt的调整方程如下
νjt(m+1)=vjt(m)+α(yt-Ct)Ct(1-Ct)bj>
γt(m+1)=γt(m)+α(yt-Ct)Ct(1-Ct)>
式(3-8)、(3-9)中m表示第m次调整,α表示隐含层到输出层之间的学习速度(0<α<1);ωij、θi的调整方程如下
式(3-10)、(3-11)中β表示输入层到隐含层之间的学习速度(0<β<1)。
评价训练所述BP神经网络模型合格的参数为均方根误差和相关系数,均方根误差小于0.1且相关系数大于0.85时,判断所述BP神经网络模型合格,优选的为,所述均方根误差最小且所述相关系数最大时,判断所述BP神经网络模型合格。
本发明的实施例还提供一种基于神经网络模型的异性结构面峰值抗剪强度预测系统,包括:
预处理模块,用于采集实际试验的历史数据,筛选出训练数据和验证数据后进行标准化处理;
建模模块:建立包含输入层、隐含层和输出层的BP神经网络模型,选择异性结构面壁岩强度比率、结构面粗糙度系数和法向应力作为输入参数,选择峰值抗剪强度比率作为输出参数,确定隐含层最优神经单元数量,确定公式如下:
其中,n表示隐含层神经单元数量,n0表示输出参数的数量,ni表示输入参数的数量,α是一个从1到10的常数,通过改变α的大小确定n值,然后得出所述训练数据中同一组数据对应的不同异性结构面抗剪强度,分别比较得到的异性结构面抗剪强度与实际的历史异性结构面抗剪强度,确定均方误差小且相关系数最大的异性结构面抗剪强度对应的n值为最优隐含层神经单元数量;
训练模块:用于使用所述训练数据训练所述BP神经网络模型;
验证模块:用于使用所述验证数据验证所述BP神经网络模型;
输出模块:对验证后的所述BP神经网络模型输入参数,得到输出参数峰值抗剪强度比率预测值。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
机译: 基于异构图神经网络模型的预测方法和系统
机译: 基于高通量成像的化学结构多样的异种药物的细胞类型特异性毒性预测方法
机译: 基于非均衡各向异性相对渗透率的储层状况预测方法