本发明涉及土木工程中的岩土工程,具体涉及一种基于机器学习的孔压消散试验优化方法。
背景技术:
1、孔压消散试验是cptu触探技术的重要组成部分,通过孔压消散试验可以得到水平固结系数ch,该参数与人们广泛采用的室内固结试验得到的竖向固结系数cv有一定的相关性,因此可以对土的固结性质做出评价,具有重要的工程意义和广阔的发展前景。
2、孔压消散试验的测试环境、测试方法、数据处理方法较为复杂,时间成本较高,如何充分利用好试验数据是实际工程中的关键,然而当把水平固结系数ch作为土的固结性质评价指标时,人们通常认为水平固结系数ch与竖向固结系数cv为简单映射的关系,忽略了现场试验复杂的测试环境与多变的影响因素,测试结果通常离散性较大,需要专业的技术人员对其进行分析,耗费的人力、物力较大,分析时间也较长,制约了这种方法的发展。
技术实现思路
1、针对孔压消散试验技术存在的问题,本发明提供了一种基于机器学习的孔压消散试验优化方法,能够结合锥尖阻力、侧壁摩阻力、孔隙水压力、摩阻比、探头半径、贯入速率等触探信息高效地实现对试验结果的利用,准确快速地预测竖向固结系数cv,从而对土的固结性质做出评价。
2、为实现上述技术目的,本发明的技术方案是:一种基于机器学习的孔压消散试验优化方法,其特征在于,包括以下步骤:
3、步骤1:结合已有大量的cptu孔压消散试验数据和大变形有限元数值模拟,统计试验环境变量以及室内固结试验得到的竖向固结系数,建立得到有效的数据库。
4、步骤2:将步骤1中的试验环境变量与竖向固结系数对应,并建立基于python的预处理系统,并进行数据标准化。
5、步骤3:基于不同的机器学习算法分别建立cptu孔压消散试验数据的数学回归模型,筛选并输入数据库中相关的环境参数,给出每个回归模型的超参数,预测以竖向固结系数作为输出,真实的竖向固结系数cv作为标签,训练回归模型,直至回归模型的迭代次数大于1万次或预测的准确率达到99.9%以上。
6、步骤4:将其余数据集作为测试集输入到机器学习模型中,并采用均方误差mse评价孔压消散试验的预测效果,经过方法评估与比选系统输出对竖向固结系数最佳预测。
7、进一步的,在步骤1中,所述试验基于大量现场cptu孔压消散试验和大变形有限元数值模拟构建,环境变量选用锥尖阻力、侧壁摩阻力、孔隙水压力、摩阻比、探头半径、贯入速率、水平固结系数;记录对应室内固结试验得到的竖向固结系数。
8、进一步的,在步骤2中,所述对环境变量与竖向固结系数进行预处理为采用python语言,编写windows系统下的自动化脚本来形成csv格式的数据集。
9、进一步的,在步骤2中,所述数据预处理为将严重偏离常理的数据剔除。
10、进一步的,在步骤2中,所述数据标准化为通过等值放缩的形式将各环境变量列的值域统一,以使系统更易理解输入的数据。
11、进一步的,在步骤3中,所述机器学习算法包括支持向量机算法和前馈神经网络算法。
12、进一步的,在步骤3中,所述支持向量机回归模型为基于python语言,用于预测竖向固结系数cv的过程为:
13、
14、其中,ω表示与竖向固结系数相关的物理力学的参数向量,x表示相关的物理力学参数,θ表示偏置量。
15、进一步的,在步骤3中,所述前馈神经网络为基于python语言和pytorch框架,所述前馈神经网络算法的超参数为隐藏层的层数和隐藏神经元的个数,前馈神经网络算法用于预测竖向固结系数cv的过程为:
16、
17、其中,l为总层数;nl为第1层节点数;为第l-1层第j个节点到第1层第i个节点的连接权值;为第l-1层第j个节点的输出值;为第1层第i个节点的偏置量。
18、进一步的,在步骤3中,所述均方误差mse为用于检测向量机模型和前馈神经网络训练效果、优化预测模型的loss函数,均方误差随着训练过程的进行,逐渐收敛于一定的数值区间,若不再剧烈波动,则证明训练过程是有效的,其表达式为:
19、
20、其中,n表示模型输入的物理力学参数的组数。
21、进一步的,在步骤4中,将均方误差mse最低的训练完毕的回归模型作为最佳的孔压消散试验优化模型。
22、与现有技术相比,本发明提供了基于机器学习的孔压消散试验优化方法,具备以下有益效果:
23、(1)传统的cptu孔压消散试验的测试环境、测试方法、数据处理方法较为复杂,时间成本较高,利用本发明提供的基于机器学习的孔压消散试验优化方法,可以高效地实现对cptu孔压消散试验结果的利用,准确快速地预测竖向固结系数cv,从而对土的固结性质做出评价。
24、(2)当把水平固结系数ch作为土的固结性质评价指标时,人们通常认为水平固结系数ch与竖向固结系数cv为简单映射的关系,忽略了现场试验复杂的测试环境与多变的影响因素,测试结果通常离散性较大,利用本发明提供的基于机器学习的孔压消散试验优化方法,可以综合考虑锥尖阻力、侧壁摩阻力、孔隙水压力、摩阻比、探头半径、贯入速率、水平固结系数等诸多影响因素,预测性能可提高15%-20%。
25、(3)传统的cptu孔压消散试验需要专业的技术人员对其进行分析,耗费的人力、物力较大,分析时间也较长,制约了这种试验方法的发展,利用本发明提供的基于机器学习的孔压消散试验优化方法,极大地简化了分析过程,利用支持向量机模型、单层及多层全连接神经网络模型等多种机器学习模型进行自动计算与分析,提高了分析效率,降低了对技术人员的要求。
1.一种基于机器学习的孔压消散试验优化方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于机器学习的孔压消散试验优化方法,其特征在于:在步骤1中,所述试验基于大量现场cptu孔压消散试验和大变形有限元数值模拟构建,环境变量选用锥尖阻力、侧壁摩阻力、孔隙水压力、摩阻比、探头半径、贯入速率、水平固结系数;记录对应室内固结试验得到的竖向固结系数。
3.根据权利要求1所述的一种基于机器学习的孔压消散试验优化方法,其特征在于:在步骤2中,所述对环境变量与竖向固结系数进行预处理为采用python语言,编写windows系统下的自动化脚本来形成csv格式的数据集。
4.根据权利要求1所述的一种基于机器学习的孔压消散试验优化方法,其特征在于:在步骤2中,所述数据预处理为将严重偏离常理的数据剔除。
5.根据权利要求1所述的一种基于机器学习的孔压消散试验优化方法,其特征在于:在步骤2中,所述数据标准化为通过等值放缩的形式将各环境变量列的值域统一,以使系统更易理解输入的数据。
6.根据权利要求1所述的一种基于机器学习的孔压消散试验优化方法,其特征在于:在步骤3中,所述机器学习算法包括支持向量机算法和前馈神经网络算法。
7.根据权利要求6所述的一种基于机器学习的孔压消散试验优化方法,其特征在于:在步骤3中,所述支持向量机回归模型为基于python语言,用于预测竖向固结系数cv的过程为:
8.根据权利要求6所述的一种基于机器学习的孔压消散试验优化方法,其特征在于:在步骤3中,所述前馈神经网络为基于python语言和pytorch框架,所述前馈神经网络算法的超参数为隐藏层的层数和隐藏神经元的个数,前馈神经网络算法用于预测竖向固结系数cv的过程为:
9.根据权利要求1所述的一种基于机器学习的孔压消散试验优化方法,其特征在于:在步骤3中,所述均方误差mse为用于检测向量机模型和前馈神经网络训练效果、优化预测模型的损失函数,其值随着训练过程的进行收敛于一定数值区间、不再剧烈波动则证明训练有效,其表达式为:
10.根据权利要求1所述的一种基于机器学习的孔压消散试验优化方法,其特征在于:在步骤4中,将均方误差mse最低的训练完毕的回归模型作为最佳的孔压消散试验优化模型。