一種臨近邊坡條形基礎的極限承載力預測方法及相關裝置制造方法及圖紙

本發明專利技術提供了一種臨近邊坡條形基礎的極限承載力預測方法及相關裝置，涉及臨近邊坡承載力預測技術領域，包括獲取臨近邊坡的基礎信息，模擬所述模型邊坡在不同的土壤參數下的隨機場圖像；利用所述隨機場圖像生成多個數據樣本，由全部數據樣本構成數據集；搭建卷積神經網絡模型，利用所述數據集對卷積神經網絡模型進行訓練和測試，得到極限承載力預測模型；利用所述隨機場圖像生成若干個計算樣本，由所述極限承載力預測模型預測每個計算樣本對應的預測極限承載力，根據全部計算樣本對應的預測極限承載力計算得到臨近邊坡條形基礎的極限承載力，本發明專利技術用于解決現有邊坡基礎極限承載力的預測需要進行大批量的隨機場數值計算，消耗大量的人力與物力

【技術實現步驟摘要】
一種臨近邊坡條形基礎的極限承載力預測方法及相關裝置


[0001]本專利技術涉及臨近邊坡的承載力預測
，具體而言，涉及一種臨近邊坡條形基礎的極限承載力預測方法及相關裝置
。

技術介紹

[0002]由于工程建設的需要以及周圍環境的限制，橋梁墩臺
、
擋土結構物
、
高層建筑物的基礎常被設置在臨近邊坡的邊坡坡頂，形成臨近邊坡基礎
。
不同于水平地基，邊坡的存在會降低臨近邊坡基礎的極限承載力
。
臨近邊坡條形基礎的極限承載力主要會受到基礎寬度
、
邊坡坡高
、
邊坡傾角
、
土層黏聚力
、
土層摩擦角
、
土層抗剪強度等因素的影響
。
其中，土層黏聚力
、
摩擦角
、
抗剪強度等土壤性質隨空間變化而不穩定，故在分析邊坡基礎極限承載力時需要考慮到土體的空間變異性
。
目前，邊坡基礎極限承載力的預測需要進行大批量的隨機場數值計算，從而消耗大量的人力與物力，增加大量的時間成本
。

技術實現思路

[0003]本專利技術的目的在于提供一種臨近邊坡條形基礎的極限承載力預測方法及相關裝置，以改善上述問題
。
為了實現上述目的，本專利技術采取的技術方案如下：第一方面，本申請提供了一種臨近邊坡條形基礎的極限承載力預測方法，包括：獲取臨近邊坡的基礎信息，根據所述基礎信息構建模型邊坡，模擬所述模型邊坡在不同的土壤參數下的隨機場圖像；利用所述隨機場圖像生成多個數據樣本，計算每個數據樣本對應的極限承載力，由全部數據樣本構成數據集，將數據集劃分為訓練集和測試集；搭建卷積神經網絡模型，利用所述訓練集對卷積神經網絡模型進行訓練，在訓練過程中利用灰狼優化算法確定卷積神經網絡模型的最優超參數；將所述最優超參數代入卷積神經網絡模型中進行五折交叉驗證后，利用測試集對卷積神經網絡模型進行測試，得到極限承載力預測模型；利用所述隨機場圖像生成若干個計算樣本，由所述極限承載力預測模型預測每個計算樣本對應的預測極限承載力，根據全部計算樣本對應的預測極限承載力，利用蒙特卡羅模擬方法計算得到臨近邊坡條形基礎的極限承載力
。
[0004]第二方面，本申請還提供了一種臨近邊坡條形基礎的極限承載力預測裝置，包括：模擬模塊：用于獲取臨近邊坡的基礎信息，根據所述基礎信息構建模型邊坡，模擬所述模型邊坡在不同的土壤參數下的隨機場圖像；數據集構成模塊：用于利用所述隨機場圖像生成多個數據樣本，計算每個數據樣本對應的極限承載力，由全部數據樣本構成數據集，將數據集劃分為訓練集和測試集；訓練模塊：用于搭建卷積神經網絡模型，利用所述訓練集對卷積神經網絡模型進行訓練，在訓練過程中利用灰狼優化算法確定卷積神經網絡模型的最優超參數；測試模塊：用于將所述最優超參數代入卷積神經網絡模型中進行五折交叉驗證
后，利用測試集對卷積神經網絡模型進行測試，得到極限承載力預測模型；預測模塊：用于利用所述隨機場圖像生成若干個計算樣本，由所述極限承載力預測模型預測每個計算樣本對應的預測極限承載力，根據全部計算樣本對應的預測極限承載力，利用蒙特卡羅模擬方法計算得到臨近邊坡條形基礎的極限承載力
。
[0005]第三方面，本申請還提供了一種臨近邊坡條形基礎的極限承載力預測設備，包括：存儲器，用于存儲計算機程序；處理器，用于執行所述計算機程序時實現所述臨近邊坡條形基礎的極限承載力預測方法的步驟
。
[0006]第四方面，本申請還提供了一種可讀存儲介質，所述可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現上述基于臨近邊坡條形基礎的極限承載力預測方法的步驟
。
[0007]本專利技術的有益效果為：本專利技術首先進行
200
次隨機場有限元計算，然后通過以上
200
個樣本訓練生成的
CNN
網絡快速計算出
10^5
個隨機場樣本，與現有技術相比，在保證計算精度不變的情況下，計算效率提高了約
600
倍，同時本專利技術采用灰狼優化算法對
CNN
的超參數進行優化，有效解決了
CNN
參數優化過程中迭代時間過長
、
收斂精度低和容易產生搜索停滯等問題
。
[0008]本專利技術的其他特征和優點將在隨后的說明書闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本專利技術實施例了解
。
本專利技術的目的和其他優點可通過在所寫的說明書
、
權利要求書
、
以及附圖中所特別指出的結構來實現和獲得
。
附圖說明
[0009]為了更清楚地說明本專利技術實施例的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應當理解，以下附圖僅示出了本專利技術的某些實施例，因此不應被看作是對范圍的限定，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他相關的附圖
。
[0010]圖1為本專利技術實施例中所述的臨近邊坡條形基礎的極限承載力預測方法流程示意圖；圖2為本專利技術實施例中所述的邊坡模型總體布局圖；圖3為本專利技術實施例中所述的卷積神經網絡結構示意圖；圖4為本專利技術實施例中所述的臨近邊坡條形基礎的極限承載力預測裝置結構示意圖；圖5為本專利技術實施例中所述的臨近邊坡條形基礎的極限承載力預測設備結構示意圖
。
[0011]圖中標記：
800、
臨近邊坡條形基礎的極限承載力預測設備；
801、
處理器；
802、
存儲器；
803、
多媒體組件；
804、I/O
接口；
805、
通信組件
。
具體實施方式
[0012]為使本專利技術實施例的目的
、
技術方案和優點更加清楚，下面將結合本專利技術實施例
中的附圖，對本專利技術實施例中的技術方案進行清楚
、
完整地描述，顯然，所描述的實施例是本專利技術一部分實施例，而不是全部的實施例
。
通常在此處附圖中描述和示出的本專利技術實施例的組件可以以各種不同的配置來布置和設計
。
因此，以下對在附圖中提供的本專利技術的實施例的詳細描述并非旨在限制要求保護的本專利技術的范圍，而是僅僅表示本專利技術的選定實施例
。
基于本專利技術中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍
。
[0013]應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋
。
同時，在本專利技術的描述中，術語“第一”、“第二”等僅用于區分描述，而不能理解為指示或暗示相對重要性
。
...

【技術保護點】

【技術特征摘要】
1.
一種臨近邊坡條形基礎的極限承載力預測方法，其特征在于，包括：獲取臨近邊坡的基礎信息，根據所述基礎信息構建模型邊坡，模擬所述模型邊坡在不同的土壤參數下的隨機場圖像；利用所述隨機場圖像生成多個數據樣本，計算每個數據樣本對應的極限承載力，由全部數據樣本構成數據集，將數據集劃分為訓練集和測試集；搭建卷積神經網絡模型，利用所述訓練集對卷積神經網絡模型進行訓練，在訓練過程中利用灰狼優化算法確定卷積神經網絡模型的最優超參數；將所述最優超參數代入卷積神經網絡模型中進行五折交叉驗證后，利用測試集對卷積神經網絡模型進行測試，得到極限承載力預測模型；利用所述隨機場圖像生成若干個計算樣本，由所述極限承載力預測模型預測每個計算樣本對應的預測極限承載力，根據全部計算樣本對應的預測極限承載力，利用蒙特卡羅模擬方法計算得到臨近邊坡條形基礎的極限承載力
。2.
根據權利要求1所述的臨近邊坡條形基礎的極限承載力預測方法，其特征在于，獲取臨近邊坡的基礎信息，根據所述基礎信息構建模型邊坡，利用仿真計算軟件模擬所述模型邊坡在不同的土壤參數下的隨機場圖像，包括：獲取臨近邊坡的幾何信息
、
地形信息和基礎設計參數，利用臨近邊坡的幾何信息
、
地形信息和基礎設計參數采用仿真計算軟件構建模型邊坡；確定多種土壤參數和每種土壤參數的取值范圍；根據每種土壤參數的取值范圍，采用拉丁超立方抽樣生成與土壤參數對應的獨立標準正態隨機變量；根據所述獨立標準正態隨機變量，采用隨機場圖像離散的
KL
級數展開法模擬不同土壤參數下的若干張隨機場圖像
。3.
根據權利要求1所述的臨近邊坡條形基礎的極限承載力預測方法，其特征在于，利用所述隨機場圖像生成多個數據樣本，計算每個數據樣本對應的極限承載力，包括：隨機組合多種土壤參數對應的隨機場圖像以生成多個數據樣本，其中，一個數據樣本包含由每種土壤參數對應的一張隨機場圖像；采用有限元極限分析法確定每個數據樣本對應的極限承載力
。4.
根據權利要求1所述的臨近邊坡條形基礎的極限承載力預測方法，其特征在于，搭建卷積神經網絡模型，利用所述訓練集對卷積神經網絡模型進行訓練，在訓練過程中利用灰狼優化算法確定卷積神經網絡模型的最優超參數，包括：由輸入層
、
引入
ReLU
非線性函數的卷積層
、
平均池化層
、
全連接層和輸出層搭建卷積神經網絡模型；將全連接層的層數和丟棄率作為超參數，根據超參數的初始范圍初始狼群規模；獲取最大迭代次數，初始化灰狼的位置和常量因子；計算每個灰狼個體的適應度，得到適應度前三的三匹灰狼；更新常量因子，利用更新后的常量因子更新狼群位置；計算位置更新后的每個灰狼個體的適應度，以更新適應度前三的三匹灰狼；當狼群位置的更新次數達到最大迭代次數時，輸出適應度前三的三匹灰狼；利用適應度前三的三匹灰狼的位置確定超參數
。
5.
根據權利要求1所述的臨近邊坡條形基礎的極限承載力預測方法，其特征在于
, 將所述最優超參數代入卷積神經網絡模型中進行五折交叉驗證后，利用測試集對卷積神經網絡模型進行測試，得到極限承載力預測模型
,
包括
:
將最優超參數代入五個卷積神經網絡模型中，將所述訓練集輸入五個所述卷積神經網絡模型進行驗證，得到五折交叉驗證模型；將測試集中輸入五折交叉驗證模型中，得到五種極限承載力預測結果；計算五種極限承載力預測結果的平均值得到極限承載力預測值；計算極限承載力預測值與訓練集中的極限承載力真實值的相對誤差，當相對誤差滿足精度要求時，得到訓練完成的極限承...

【專利技術屬性】
技術研發人員：周洋立，富海鷹，嚴子勇，周明哲，趙炎炎，陳垍歡，鐘雨薇，
申請(專利權)人：西南交通大學，
類型：發明
國別省市：