[發明專利]基于神經網絡模型的異性結構面峰值抗剪強度預測方法

有效

• 申請號: 201711322548.8
• 申請日: 2017-12-12
• 公開（公告）號: CN107784191B
• 公開（公告）日: 2019-02-12
• 發明（設計）人: 吳瓊;徐艷君;王曉晗;亢金濤;方堃;姜耀飛;劉超遠
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 龔春來

1.一種基于神經網絡模型的異性結構面峰值抗剪強度預測方法，其特征在于，包括以下步驟：

S1：采集實際試驗的歷史數據，篩選出訓練數據和驗證數據后進行標準化處理；

S2：建立包含輸入層、隱含層和輸出層的BP神經網絡模型，選擇異性結構面壁巖強度比率、結構面粗糙度系數和法向應力作為輸入參數，選擇峰值抗剪強度比率作為輸出參數；

S3：根據輸入參數數量和輸出參數數量確定隱含層最優神經單元數量，確定最優神經單元數量的公式如下：

其中，n表示隱含層神經單元數量，n₀表示輸出參數的數量，n_i表示輸入參數的數量，α是一個從1到10的常數，通過改變α的大小確定n值，然后得出所述訓練數據中同一組數據對應的不同異性結構面抗剪強度，分別比較得到的異性結構面抗剪強度與實際的歷史異性結構面抗剪強度，確定均方誤差最小且相關系數最大的異性結構面抗剪強度對應的n值為隱含層最優神經單元數量；

S4：使用所述訓練數據訓練所述BP神經網絡模型；

S5：使用所述驗證數據驗證所述BP神經網絡模型；

S6：對驗證后的所述BP神經網絡模型輸入參數，得到峰值抗剪強度比率預測值，從而得到預測的異性結構面的峰值抗剪強度。

2.如權利要求1所述的基于神經網絡模型的異性結構面峰值抗剪強度預測方法，其特征在于：所述歷史數據通過室內直剪試驗獲得或通過現場原位測試獲得。

3.如權利要求1所述的基于神經網絡模型的異性結構面峰值抗剪強度預測方法，其特征在于：對所述訓練數據和所述驗證數據的標準化處理為按比例縮小到0到1之間，縮小公式如下：

其中，x_i是變量，x_max、x_min為最大值和最小值，x_i,norm為標準化值。

4.如權利要求1所述的基于神經網絡模型的異性結構面峰值抗剪強度預測方法，其特征在于：所述BP神經網絡模型訓練方式是通過調整權重和臨界值以建立輸入參數和輸出結果之間非線性關系。

5.如權利要求4所述的基于神經網絡模型的異性結構面峰值抗剪強度預測方法，其特征在于，訓練所述BP神經網絡模型的目標函數為：

其中C_t表示第t次試驗所述BP神經網絡模型輸出參數，y_t表示對應的預期輸出參數，T表示所述訓練數據中的數組數量，MSE表示均方誤差。

6.如權利要求5所述的基于神經網絡模型的異性結構面峰值抗剪強度預測方法，其特征在于：評價訓練所述BP神經網絡模型合格的參數為均方根誤差和相關系數，均方根誤差小于0.1且相關系數大于0.85時，判斷所述BP神經網絡模型合格。

7.如權利要求6所述的基于神經網絡模型的異性結構面峰值抗剪強度預測方法，其特征在于：所述均方根誤差最小且所述相關系數最大時，判斷所述BP神經網絡模型合格。

8.基于神經網絡模型的異性結構面峰值抗剪強度預測系統，其特征在于，包括：

預處理模塊，用于采集實際試驗的歷史數據，篩選出訓練數據和驗證數據后進行標準化處理；

建模模塊：建立包含輸入層、隱含層和輸出層的BP神經網絡模型，選擇異性結構面壁巖強度比率、結構面粗糙度系數和法向應力作為輸入參數，選擇峰值抗剪強度比率作為輸出參數，確定隱含層最優神經單元數量，確定公式如下：

其中，n表示隱含層神經單元數量，n₀表示輸出參數的數量，n_i表示輸入參數的數量，α是一個從1到10的常數，通過改變α的大小確定n值，然后得出所述訓練數據中同一組數據對應的不同異性結構面抗剪強度，分別比較得到的異性結構面抗剪強度與實際的歷史異性結構面抗剪強度，確定均方誤差小且相關系數最大的異性結構面抗剪強度對應的n值為最優隱含層神經單元數量；

訓練模塊：用于使用所述訓練數據訓練所述BP神經網絡模型；

驗證模塊：用于使用所述驗證數據驗證所述BP神經網絡模型；

輸出模塊：對驗證后的所述BP神經網絡模型輸入參數，得到峰值抗剪強度比率預測值。