一种基于深度学习的多目标参数相似材料配比预测方法与流程

本发明涉及深埋隧洞物模试验，具体涉及一种深埋隧洞物模试验基于深度学习的多目标参数相似材料配比预测方法。

背景技术：

1、在进行深埋隧洞外水压力理论计算时，通常会对工程条件进行一定简化和假定，且分析中所用参数的精度和可靠度有限，因此理论分析结果与工程实际状况可能存在一定偏差。针对理论分析中存在的缺陷和不足，模型试验研究可以很好的补充理论计算成果，验证理论计算得到的深埋隧洞外水压力。物理模型试验是一种常用的手段，通过在实验室或模型尺度上构建代表实际系统的模型，来研究和评估不同因素对系统行为的影响。在工程和科学领域，模型试验可用于验证理论模型、优化设计和预测实际系统的性能。准确的模型试验结果取决于选取合适的相似材料配比，以保证模型与实际系统之间的行为一致性。在相似材料配比中，需要考虑材料的密度、强度、刚度、渗透性等关键属性，并根据目标系统的特征进行调整。通过合理选择相似材料配比，可以实现模型试验与实际系统的有效对应，并提供可靠的研究数据。

2、目前相似材料配比计算常通过初步试验，收集试验数据并与实际工程中的岩体参数进行比较，通过回归分析确定不同材料占比与试样参数间的关系，然后根据比较结果调整相似材料的配比，以逐步改进模型试验的准确性。此方法存在时间和成本消耗大、试验结果不稳定、过于依赖人工经验和专业知识、存在局部最优解等缺点。

技术实现思路

1、为此，本发明提供一种基于深度学习的多目标参数相似材料配比预测方法，通过粒子群算法优化的bp神经网络算法代替回归分析，得到材料占比与试样力学及渗流参数间的非线性映射关系，通过神经网络可以快速、准确地确定相似材料配比,以解决背景技术中提出的问题。

2、为了实现上述目的，本发明提供如下技术方案：一种基于深度学习的多目标参数相似材料配比预测方法，包括以下步骤：

3、步骤一、确定相似材料组成；

4、步骤二、选取多组相似材料配比，通过制备不同配比的相似材料试样进行正交混合试验；

5、步骤三、对试样进行多目标参数模型试验获取所需多目标参数；

6、步骤四、将步骤三得到的试验结果分为训练集和测试集，将训练集中的目标参数作为输入层，相似材料中不同材料占比作为输出层输入神经网络进行训练；

7、步骤五、通过测试集数据对训练完成的神经网络进行验证，采用粒子群算法对神经网络参数进行优化；

8、步骤六、将多目标参数模型试验所需相似材料对应的目标参数输入训练好的神经网络，预测相似材料配比；

9、步骤七、将归一化后的数据还原至原始的数据范围并进行修正，获得多目标参数模型试验相似材料配比。

10、进一步的，步骤一中所述相似材料包括石英砂、铁粉、重晶石粉、水泥、硅油以及水。

11、进一步的，步骤二所述的相似材料制备方式为夯实或浇筑。

12、进一步的，步骤三中所述多目标参数模型试验包括强度试验、渗透试验；所述多目标参数包括试样的强度、弹性模量、渗透系数、密度以及泊松比。

13、进一步的，步骤四所述的神经网络训练以材料配比误差平方和err为参数参考依据，训练集数据组数为n组时，err取值如下：

14、err＝(ps1-rs1)2+(psi-rsi)2+…+(psn-rsn)2+(pt1-rt1)2+(pti-rti)2+…+(ptn-rtn)2+(pz1-rz1)2+(pzi-rzi)2+…+(pzn-rzn)2+(pw1-rw1)2+(pwi-rwi)2+…+(pwn-rwn)2+(pg1-rg1)2+(pgi-rgi)2+…+(pgn-rgn)2

15、式中：psi为第i组数据的石英砂预测配比，rsi为第i组数据的石英砂试验配比；pti为第i组数据的铁粉预测配比，rti为第i组数据的铁粉试验配比；pzi为第i组数据的重晶石粉预测配比，rzi为第i组数据的重晶石粉试验配比；pwi为第i组数据的水预测配比，rwi为第i组数据的水试验配比；pgi为第i组数据的硅油预测配比，rgi为第i组数据的硅油试验配比；

16、在试验数据组数少于20组时，步骤四所述的神经网络训练采取k折交叉验证法，将训练集数据分为k组，每次选取1组作为验证集，k-1组作为训练集，根据第i次材料配比误差平方和erri计算k次平均误差平方和erra作为参数选取依据；

17、训练集数据分为k组后，其余k-1组数据共a组，第i次材料配比误差平方和erri及k次平均误差平方和erra取值如下：

18、erri＝(ps1-rs1)2+…+(psi-rsi)2+…+(psa-rsa)2+(pt1-rt1)2+…+(pti-rti)2+…+(pta-rta)2+(pz1-rz1)2+…+(pzi-rzi)2+…+(pza-rza)2+(pw1-rw1)2+…+(pwi-rwi)2+…+(pwa-rwa)2+(pg1-rg1)2+…+(pgi-rgi)2+…+(pga-rga)2

19、

20、进一步的，步骤五所述的粒子群算法适应度为不同材料配比的误差平方和err或k折交叉验证法中的k次平均误差平方和erra，粒子群算法优化参数为bp神经网络算法的初始连接权值、阈值和隐藏层节点数，隐藏层节点数范围为输入层节点数的平方根到三倍之间。

21、进一步的，步骤七所述的数据修正为固定水泥、硅油、水百分比配比，并将石英砂、铁粉、重晶石粉按比例增大或减小，使得材料百分比总和为1。

22、本发明具有如下优点：

23、1、本发明节约试验时间，仅需同步制备一组试样，避免了多轮试验频繁调整材料配比。

24、2、现有方法中需要根据试验结果与预期参数的差别调整配比，对材料行为和试验过程的理解和判断能力需求较高，然而本发明设计的基于深度学习的多目标参数相似材料配比预测方法，减少对人工经验和专业知识的依赖。

25、3、现有方法选择一组配比并进行反馈迭代，可能会陷入局部最优解，本发明设计的基于深度学习的多目标参数相似材料配比预测方法避免了局部最优解的问题，通过深度学习进行大范围的配比搜索更容易得到全局最优解。

技术特征：

1.一种基于深度学习的多目标参数相似材料配比预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的多目标参数相似材料配比预测方法，其特征在于：步骤一中所述相似材料包括石英砂、铁粉、重晶石粉、水泥、硅油以及水。

3.根据权利要求1所述的一种基于深度学习的多目标参数相似材料配比预测方法，其特征在于：步骤二所述的相似材料制备方式为夯实或浇筑。

4.根据权利要求1所述的一种基于深度学习的多目标参数相似材料配比预测方法，其特征在于：步骤三中所述多目标参数模型试验包括强度试验、渗透试验；所述多目标参数包括试样的强度、弹性模量、渗透系数、密度以及泊松比。

5.根据权利要求1所述的一种基于深度学习的多目标参数相似材料配比预测方法，其特征在于：步骤四所述的神经网络训练以材料配比误差平方和err为参数参考依据，训练集数据组数为n组时，err取值如下：

6.根据权利要求5所述的一种基于深度学习的多目标参数相似材料配比预测方法，其特征在于：步骤五所述的粒子群算法适应度为不同材料配比的误差平方和err或k折交叉验证法中的k次平均误差平方和erra，粒子群算法优化参数为bp神经网络算法的初始连接权值、阈值和隐藏层节点数，隐藏层节点数范围为输入层节点数的平方根到三倍之间。

7.根据权利要求1所述的一种基于深度学习的多目标参数相似材料配比预测方法，其特征在于：步骤七所述的数据修正为固定水泥、硅油、水百分比配比，并将石英砂、铁粉、重晶石粉按比例增大或减小，使得材料百分比总和为1。

技术总结
本发明公开了一种基于深度学习的多目标参数相似材料配比预测方法，具体涉及深埋隧洞物模试验技术领域，包括以下步骤：确定相似材料组成；选取多组相似材料配比，通过制备不同配比的相似材料试样进行正交混合试验；对试样进行多目标参数模型试验获取所需多目标参数；将步骤三得到的试验结果分为训练集和测试集，将训练集中的目标参数作为输入层，相似材料中不同材料占比作为输出层输入神经网络进行训练；通过测试集数据对训练完成的神经网络进行验证，采用粒子群算法对神经网络参数进行优化。本发明避免了局部最优解的问题，通过深度学习进行大范围的配比搜索更容易得到全局最优解。

技术研发人员：张延杰,黄威,杜学才,王如宾,张建平,王新越,徐卫亚
受保护的技术使用者：云南省滇中引水工程有限公司
技术研发日：
技术公布日：2024/1/16