[發(fā)明專(zhuān)利]基于改進(jìn)LSTM深度學(xué)習(xí)方法的土體應(yīng)力應(yīng)變關(guān)系確定方法有效
| 申請(qǐng)?zhí)枺?/td> | 202011021562.6 | 申請(qǐng)日: | 2020-09-25 |
| 公開(kāi)(公告)號(hào): | CN112784331B | 公開(kāi)(公告)日: | 2022-09-13 |
| 發(fā)明(設(shè)計(jì))人: | 沈水龍;張寧;閆濤;鄭鈐 | 申請(qǐng)(專(zhuān)利權(quán))人: | 汕頭大學(xué) |
| 主分類(lèi)號(hào): | G06F30/13 | 分類(lèi)號(hào): | G06F30/13;G06F30/27;G06N3/04;G06N3/08;G06F119/14 |
| 代理公司: | 廣州三環(huán)專(zhuān)利商標(biāo)代理有限公司 44202 | 代理人: | 周增元 |
| 地址: | 515000 廣*** | 國(guó)省代碼: | 廣東;44 |
| 權(quán)利要求書(shū): | 查看更多 | 說(shuō)明書(shū): | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 基于 改進(jìn) lstm 深度 學(xué)習(xí)方法 應(yīng)力 應(yīng)變 關(guān)系 確定 方法 | ||
本發(fā)明公開(kāi)了一種基于改進(jìn)LSTM深度學(xué)習(xí)方法的土體應(yīng)力應(yīng)變關(guān)系確定方法,包括步驟:制備不同物理力學(xué)參數(shù)的土體試樣;建立應(yīng)力應(yīng)變的原始數(shù)據(jù)集;對(duì)所述原始數(shù)據(jù)集進(jìn)行歸一化處理;建立四層LSTM深度學(xué)習(xí)網(wǎng)絡(luò),確定隱藏層節(jié)點(diǎn)數(shù)量Nh、激活函數(shù)和代價(jià)函數(shù)J;確定LSTM深度學(xué)習(xí)網(wǎng)絡(luò)的初始權(quán)值矩陣和向量,以及混合激活函數(shù)的初始參數(shù);利用修正Adam動(dòng)量梯度下降算法更新權(quán)值矩陣,確定代價(jià)函數(shù)下降幅度Jd,更新激活函數(shù)參數(shù);重復(fù)迭代直至LSTM深度學(xué)習(xí)網(wǎng)絡(luò)的代價(jià)函數(shù)J小于預(yù)設(shè)數(shù)值或達(dá)到預(yù)定迭代訓(xùn)練次數(shù)Iter。本發(fā)明從實(shí)驗(yàn)數(shù)據(jù)中提取并確定應(yīng)力和應(yīng)變的非線性關(guān)系,能夠考慮土體應(yīng)力應(yīng)變行為的時(shí)間相關(guān)特性。本方法簡(jiǎn)單、實(shí)用,便于推廣,具有很大的應(yīng)用價(jià)值。
技術(shù)領(lǐng)域
本發(fā)明涉及土體本構(gòu)關(guān)系領(lǐng)域,尤其涉及一種基于改進(jìn)LSTM深度學(xué)習(xí)方法的土體應(yīng)力應(yīng)變關(guān)系確定方法。
背景技術(shù)
土體是巖土工基礎(chǔ)設(shè)施的載體,確定土體在荷載條件下的非線性力學(xué)響應(yīng),對(duì)基礎(chǔ)設(shè)施的設(shè)計(jì)和施工具有重要意義。由于土體復(fù)雜內(nèi)部結(jié)構(gòu)和多樣的組成成分,土體在外部荷載作用下具有復(fù)雜的非線性變形特征。確定土體的非線性力學(xué)行為對(duì)目前描述土體非線性力學(xué)行為的數(shù)學(xué)模型稱(chēng)為本構(gòu)模型。根據(jù)研究方法的不同,土體本構(gòu)模型可以分為傳統(tǒng)理論模型和神經(jīng)網(wǎng)絡(luò)本構(gòu)模型。傳統(tǒng)本構(gòu)模型通常將土體視為連續(xù)介質(zhì),基于多種理想化假設(shè),近似描述土體非線性的應(yīng)力應(yīng)變關(guān)系,或多或少地偏離了土體實(shí)際的應(yīng)力應(yīng)變行為;在特定條件下,能夠較好地描述某一種土體的特定應(yīng)力應(yīng)變行為,例如修正劍橋模型能夠描述砂土的剪脹,但無(wú)法描述黏土的蠕變特性;而為使模型描述更多土體非線性特征,高級(jí)本構(gòu)模型增加模型的特征參數(shù),這些沒(méi)有明確的物理意義,造成參數(shù)標(biāo)定的困難,引發(fā)參數(shù)優(yōu)化問(wèn)題,更好地解決巖土工程問(wèn)題。而神經(jīng)網(wǎng)絡(luò)方法為數(shù)據(jù)驅(qū)動(dòng)方法,直接從土體的應(yīng)力應(yīng)變數(shù)據(jù)中提取土體的非線性應(yīng)力應(yīng)變特性,方法簡(jiǎn)單,普適性強(qiáng),易于推廣。
經(jīng)對(duì)現(xiàn)有技術(shù)文獻(xiàn)檢索發(fā)現(xiàn),目前用于土體本構(gòu)模型研究的神經(jīng)網(wǎng)絡(luò)方法主要為前饋式神經(jīng)網(wǎng)絡(luò)、反饋式神經(jīng)網(wǎng)絡(luò)和嵌入式神經(jīng)網(wǎng)絡(luò)。曾靜等于2004年在《巖土力學(xué)》發(fā)表的《不同應(yīng)力路徑下砂土的神經(jīng)網(wǎng)絡(luò)彈塑性本構(gòu)模型研究》一文中,采用前饋式神網(wǎng)絡(luò)方法學(xué)習(xí)了砂土的應(yīng)力應(yīng)變特性;李克鋼等于2013年在《巖土力學(xué)》發(fā)表的《干濕循環(huán)作用下砂巖力學(xué)特性及其本構(gòu)模型的神經(jīng)網(wǎng)絡(luò)模擬》一文中,采用前饋式神經(jīng)網(wǎng)絡(luò)描述了砂巖的應(yīng)力應(yīng)變關(guān)系;Hashash等于2019年在《Geotechnical Testing Journal》發(fā)表的《A NewTriaxial Apparatus Imposing Nonuniform Shearing for Deep Learning of SoilBehavior》一文中,采用嵌入式神經(jīng)網(wǎng)絡(luò)研究了剪切試驗(yàn)中土體的應(yīng)力應(yīng)變特性。但上述方法均未考慮土體應(yīng)力應(yīng)變行為的時(shí)間相關(guān)特性,無(wú)法描述歷史應(yīng)力應(yīng)變對(duì)當(dāng)前應(yīng)力應(yīng)變的影響,因而結(jié)果存在較大偏差。目前尚沒(méi)有能夠考慮應(yīng)力應(yīng)變長(zhǎng)期時(shí)間特性的神經(jīng)網(wǎng)絡(luò)應(yīng)力應(yīng)變確定方法。
發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題在于,提供一種基于改進(jìn)LSTM深度學(xué)習(xí)方法的土體應(yīng)力應(yīng)變關(guān)系確定方法??煽朔碚撃P筒捎枚喾N假設(shè)、普適性較差及高級(jí)模型參數(shù)標(biāo)定困難的缺陷,也可克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法未考慮土體應(yīng)力應(yīng)變行為時(shí)間相關(guān)特性的缺陷。
為了解決上述技術(shù)問(wèn)題,本發(fā)明提供了一種基于改進(jìn)LSTM深度學(xué)習(xí)方法的土體應(yīng)力應(yīng)變關(guān)系確定方法,所述方法通過(guò)下列步驟實(shí)現(xiàn):
第一步、制備不同物理力學(xué)參數(shù)的土體試樣;
優(yōu)選地,所述物理力學(xué)參數(shù)是指:土體的壓縮指數(shù)λ、回彈指數(shù)κ、孔隙率e、強(qiáng)度參數(shù)M;
優(yōu)選地,所述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(yàn)樣本。
第二步、利用三軸壓縮試驗(yàn),獲取不同土體試樣在一系列指定應(yīng)力加載步下的應(yīng)變數(shù)據(jù),建立應(yīng)力應(yīng)變的原始數(shù)據(jù)集;
該專(zhuān)利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專(zhuān)利權(quán)人授權(quán)。該專(zhuān)利全部權(quán)利屬于汕頭大學(xué),未經(jīng)汕頭大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購(gòu)買(mǎi)此專(zhuān)利、獲得商業(yè)授權(quán)和技術(shù)合作,請(qǐng)聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202011021562.6/2.html,轉(zhuǎn)載請(qǐng)聲明來(lái)源鉆瓜專(zhuān)利網(wǎng)。
- 用于高階長(zhǎng)短期記憶網(wǎng)絡(luò)的系統(tǒng)和方法
- 基于深度學(xué)習(xí)LSTM的空調(diào)故障診斷方法
- 基于注意力機(jī)制的時(shí)間序列預(yù)測(cè)方法、裝置及存儲(chǔ)介質(zhì)
- 一種基于PCA-LSTM網(wǎng)絡(luò)的廢水處理智能監(jiān)控方法
- 一種基于FAF-LSTM深度神經(jīng)網(wǎng)絡(luò)的居民負(fù)荷預(yù)測(cè)方法及系統(tǒng)
- 用于預(yù)測(cè)血糖水平的循環(huán)神經(jīng)網(wǎng)絡(luò)裝置和系統(tǒng)
- 基于情景LSTM結(jié)構(gòu)網(wǎng)絡(luò)的微博情感分析方法
- 語(yǔ)音信號(hào)處理方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)
- 基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測(cè)方法
- 基于深度網(wǎng)絡(luò)AS-LSTM的命名實(shí)體識(shí)別系統(tǒng)及識(shí)別方法





