[發(fā)明專利]一種土體應力應變關(guān)系確定方法

在審

• 申請?zhí)枺?/td>: 202011020022.6
• 申請日: 2020-09-25
• 公開（公告）號: CN112255095A
• 公開（公告）日: 2021-01-22
• 發(fā)明（設(shè)計）人: 沈水龍;張寧;閆濤;鄭鈐
• 申請（專利權(quán)）人: 汕頭大學
• 主分類號: G01N3/08
• 分類號: G01N3/08;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 周增元

1.一種基于多尺度長短期記憶深度學習的土體應力應變關(guān)系確定方法，其特征在于，包括以下步驟：

S1：制備不同物理力學參數(shù)的土體試樣；

S2：利用三軸壓縮試驗，獲取不同土體試樣在指定應力加載步下的應變數(shù)據(jù)，建立應力應變的原始數(shù)據(jù)集；

S3：對原始數(shù)據(jù)集進行歸一化處理，得到歸一化數(shù)據(jù)集，確定數(shù)據(jù)樣本標簽數(shù)據(jù)的尺度效應系數(shù)c；尺度效應系數(shù)c滿足公式：c＝log(|y|_max)-log(|y|_min)，其中，y為歸一化數(shù)據(jù)集的訓練集中所有數(shù)據(jù)樣本的標簽數(shù)據(jù)集合；

S4：使用Octave建立四層LSTM深度學習網(wǎng)絡(luò)，確定隱藏層節(jié)點數(shù)量N_h、激活函數(shù)和多尺度代價函數(shù)J；

S5：確定LSTM深度學習網(wǎng)絡(luò)的初始權(quán)值矩陣和向量；

S6：將訓練集輸入LSTM深度學習網(wǎng)絡(luò)，利用修正Adam動量梯度下降算法更新權(quán)值矩陣，并確定代價函數(shù)值J；

S7：重復迭代S6，直至LSTM深度學習網(wǎng)絡(luò)的代價函數(shù)J小于預設(shè)數(shù)值χ或達到預定迭代訓練次數(shù)Iter。

2.根據(jù)權(quán)利要求1所述的基于多尺度長短期記憶深度學習的土體應力應變關(guān)系確定方法，其特征在于，所述步驟S1中，物理力學參數(shù)包括土體的壓縮指數(shù)λ、回彈指數(shù)κ、孔隙率e、強度參數(shù)M；土體試樣是指高度與直徑之比為2～2.5的圓柱形土體試驗樣本。

3.根據(jù)權(quán)利要求1所述的基于多尺度長短期記憶深度學習的土體應力應變關(guān)系確定方法，其特征在于，所述步驟S2中，所述原始數(shù)據(jù)集為在所有加載條件下的原始應力應變數(shù)據(jù)樣本的集合，分為訓練集和測試集；所述原始應力應變數(shù)據(jù)樣本由t個連續(xù)應力加載步對應的土體參數(shù)、應力和應變組成。

4.根據(jù)權(quán)利要求1所述的基于多尺度長短期記憶深度學習的土體應力應變關(guān)系確定方法，其特征在于，所述四層LSTM深度學習網(wǎng)絡(luò)由輸入層、LSTM單元隱藏層、全連接隱藏層和輸出層組成的深度學習模型。

5.根據(jù)權(quán)利要求4所述的基于多尺度長短期記憶深度學習的土體應力應變關(guān)系確定方法，其特征在于，所述隱藏層節(jié)點數(shù)量N_h為LSTM單元隱藏層和全連接隱藏層中的節(jié)點數(shù)量，N_h滿足公式：

N_h＝a×N_c+b×N_v

其中，N_c為應力應變數(shù)據(jù)樣本的輸入數(shù)據(jù)中不會隨時間變化的常變量個數(shù)，N_v為應力應變數(shù)據(jù)樣本的輸入數(shù)據(jù)中隨時間變化的可變變量個數(shù)，a為常變量系數(shù)，b為可變變量系數(shù)。

6.根據(jù)權(quán)利要求5所述的基于多尺度長短期記憶深度學習的土體應力應變關(guān)系確定方法，其特征在于，所述多尺度代價函數(shù)J滿足公式：

其中，n為數(shù)據(jù)樣本的數(shù)量，m為每個數(shù)據(jù)樣本的應力應變數(shù)據(jù)對的數(shù)量，y^o_ki為第k個數(shù)據(jù)樣本第i個時間步的LSTM模型輸出數(shù)據(jù)，y_ki為第k個數(shù)據(jù)樣本第i個時間步的標簽數(shù)據(jù)，λ為L2正則系數(shù)，w_j為模型中第j個權(quán)重，N_w為LSTM模型的權(quán)重個數(shù)，c為尺度效應系數(shù)，δ為克羅內(nèi)克算子，當log|y_i|＝log|y|_min時，其值為1，不相等時，其值為0。

7.根據(jù)權(quán)利要求1所述的基于多尺度長短期記憶深度學習的土體應力應變關(guān)系確定方法，其特征在于，所述初始權(quán)值矩陣和向量為預先給定的LSTM模型的初始的權(quán)值矩陣和向量，初始權(quán)值矩陣和向量的方法滿足公式

其中，U為均勻分布，W_l，R_l，b_l為第l層的權(quán)值矩陣和偏置向量，N_l為LSTM模型第l層數(shù)據(jù)層的節(jié)點數(shù)量，L為循環(huán)神經(jīng)網(wǎng)絡(luò)的層數(shù)。。

8.根據(jù)權(quán)利要求1所述的基于多尺度長短期記憶深度學習的土體應力應變關(guān)系確定方法，其特征在于，所述修正Adam動量梯度下降算法的計算過程如下：

a)指定優(yōu)化參數(shù)：動量指數(shù)衰減參數(shù)β₁和β₂，默認為0.9和0.999，系數(shù)ε為10^-8，指定步長α，初始化一階動量m₀、二階動量v₀和時間步t為0，上一步迭代的權(quán)值參數(shù)為θ_t-1；

b)計算權(quán)值參數(shù)梯度g_t,g_t＝▽_θf_t(θ_t-1)；

c)計算一階動量m_t,m_t＝β₁m_t-1+(1-β₁)g_t；

d)計算二階動量v_t,v_t＝β₂v_t-1+(1-β₂)g_t²；

e)計算一階動量修正項

f)計算二階動量修正項

g)計算更新后權(quán)值參數(shù)θ_t,

其中，所述θ_t-1指代LSTM模型上一步迭代的權(quán)值矩陣和向量，所述θ_t指代更新后的權(quán)值矩陣和向量。