基于数据的土样参数测量方法及其系统与流程

本技术涉及智能测量领域，且更为具体地，涉及一种基于数据的土样参数测量方法及其系统。

背景技术：

1、对于土层反应分析中，土的动剪切模量和阻尼是重要的计算参数，为获取较为准确的数值需要根据相关理论对离散数据进行计算。现有技术中，对剪切模量和阻尼的计算较为粗糙，计算过程较为繁琐，计算结果不甚理想。如阻尼的计算需要将数据模糊成一个标准图形，这样计算简单但结果粗糙；或者将数据在cad中制图后求取面积，这样结果虽然较为准确但计算过程繁琐。

2、通过室内动三轴实验，可获得待测量土样在振动过程中的基本数据，例如，如不同时间下动应力、动应变、动孔压等参数。在得到上述基本数据后，可通过解析公式来得到动剪切模量和阻尼。但是，在获得基础数据的过程中，数据测量误差是不可忽略的影响要素，并且，通过解析公式难以精准拟合基础数据与动剪切模量和阻尼之间的函数映射关系，导致最终测量得到的动剪切模量和阻尼的精准度较低。

3、因此，期待一种优化的基于数据的土样参数测量方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于数据的土样参数测量方法及其系统，其通过采用基于深度学习的神经网络模型，通过包含多个全连接层的深度神经网络模提取出动三轴原始数据在时序上的单点高维隐含特征信息，进一步通过上下文编码以提取出所述各个预定时间点下关于动三轴原始数据中的各个数据项的隐含关联特征间基于时序全局的动态关联性特征分布信息，从而得到时间全局上下文语义关联特征向量，继而使用解码器对其进行解码回归。这样，能够得到待测试土样的剪切模量和阻尼的精确值，以此来提高对于土层反应分析的精准度。

2、根据本技术的一个方面，提供了一种基于数据的土样参数测量方法，其包括：获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压；将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量；将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量；对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量；以及将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量。

3、在上述基于数据的土样参数测量方法中，将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量，包括：使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的动三轴原始数据进行全连接编码以得到所述多个单点原始数据深度关联特征向量，其中，所述公式为：，其中是所述各个预定时间点的动三轴原始数据，是输出向量，是权重矩阵，是偏置向量，表示矩阵相乘。

4、在上述基于数据的土样参数测量方法中，所述包含多个全连接层的深度神经网络模型为多层感知机模型。

5、在上述基于数据的土样参数测量方法中，将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量，包括：使用所述上下文编码器的转换器对所述多个单点原始数据深度关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义单点原始数据深度关联特征向量；以及，将所述多个全局上下文语义单点原始数据深度关联特征向量进行级联以得到所述时间全局上下文语义关联特征向量。

6、在上述基于数据的土样参数测量方法中，所述使用所述上下文编码器的转换器对所述多个单点原始数据深度关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义单点原始数据深度关联特征向量，包括：将所述多个单点原始数据深度关联特征向量进行一维排列以得到全局单点原始数据深度关联特征向量；计算所述全局单点原始数据深度关联特征向量与所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过归一化指数函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量进行加权以得到所述多个上下文语义单点原始数据深度关联特征向量；将所述多个上下文语义单点原始数据深度关联特征向量进行级联以得到所述多个全局上下文语义单点原始数据深度关联特征向量。

7、在上述基于数据的土样参数测量方法中，对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量，包括：以如下公式对所述时间全局上下文语义关联特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化时间全局上下文语义关联特征向量；其中，所述公式为：，其中是所述时间全局上下文语义关联特征向量，表示所述时间全局上下文语义关联特征向量的二范数，表示所述时间全局上下文语义关联特征向量的二范数的平方，是所述时间全局上下文语义关联特征向量的第个特征值，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且是所述优化时间全局上下文语义关联特征向量的第个特征值。

8、在上述基于数据的土样参数测量方法中，将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量，包括：使用所述解码器以如下公式将所述优化时间全局上下文语义关联特征向量进行解码回归以获得用于表示待测试土样的剪切模量的解码值；其中，所述公式为：，其中表示所述优化时间全局上下文语义关联特征向量，是所述解码值，是权重矩阵，表示矩阵相乘。

9、根据本技术的另一方面，提供了一种基于数据的土样参数测量系统，其包括：数据获取模块，用于获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压；全连接编码模块，用于将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量；上下文编码模块，用于将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量；特征分布调制模块，用于对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量；以及解码模块，用于将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量。

10、根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于数据的土样参数测量方法。

11、根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于数据的土样参数测量方法。

12、与现有技术相比，本技术提供的一种基于数据的土样参数测量方法及其系统，其通过采用基于深度学习的神经网络模型，通过包含多个全连接层的深度神经网络模提取出动三轴原始数据在时序上的单点高维隐含特征信息，进一步通过上下文编码以提取出所述各个预定时间点下关于动三轴原始数据中的各个数据项的隐含关联特征间基于时序全局的动态关联性特征分布信息，从而得到时间全局上下文语义关联特征向量，继而使用解码器对其进行解码回归。这样，能够得到待测试土样的剪切模量和阻尼的精确值，以此来提高对于土层反应分析的精准度。