[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

本發明提供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，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BP神經網絡模型，選擇輸入參數和輸出參數；S3：確定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，得到異性結構面峰值抗剪強度比率預測值，從而得到預測的異性結構面峰值抗剪強度。本發明的有益效果：提供了更為精確預測異性結構面峰值抗剪強度的方法，對于含異性結構面巖石邊坡的穩定性評價具有重要意義。

技術領域

本發明涉及本發明屬于巖土工程技術方法領域，尤其涉及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。

背景技術

巖體是在地質歷史時期形成的具有一定組分和結構的地質體。由于經受過復雜的地質作用，巖體中分布著各種結構面，如斷層、節理、裂隙等。巖體的強度、變形性質、破壞特征等與巖體結構面的力學性質與破壞機理密切相關。歷史上許多工程巖體的失穩，大多是巖體沿著軟弱結構面發生滑動破壞而造成的，如意大利瓦伊昂滑坡等。所以開展結構面的研究、確定結構面的峰值抗剪強度具有重要意義。然而，目前的研究主要針對兩側壁巖性質相同的普通結構面，對異性結構面關注較少，而實際工程巖體巖性交替變化的情況普遍存在，異性結構面分布非常廣泛，其力學性質對工程巖體穩定性具有重要影響。由于神經網絡方法有著非線性模型識別、自我建立和自我學習的杰出能力，在考慮結構面壁巖強度、結構面粗糙度及法向應力的基礎上用神經網絡模型的方法來預測異性結構面的峰值抗剪強度，結果顯示，基于神經網絡模型預測異性結構面峰值抗剪強度的方法精度較高、誤差較小，能夠用于含異性結構面巖石邊坡的穩定性評價。

發明內容

有鑒于此，本發明的實施例提供了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。

本發明的實施例提供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，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；

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，得到輸出參數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。

進一步地，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。

進一步地，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。

進一步地，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。