【技術實現步驟摘要】
本申請涉及模型構建領域，尤其涉及一種基于神經網絡的凍土未凍水含量檢測模型構建方法及系統。
技術介紹
1、凍土未凍水含量是表征凍土凍結特性的重要參數，對凍土熱力學性質和力學性質有顯著影響。目前，凍土未凍水含量的測試方法主要包括γ射線法、核磁共振法、差示掃描量熱法、溫控離心機法和溫控壓力板儀法等。這些方法通過測量水分狀態變化或相變過程中的能量變化來確定未凍水含量。同時，凍土的導熱系數和比熱等熱物理參數也與未凍水含量密切相關，可通過熱線法和混合量熱法等方法進行測量。由于土體礦物成分、孔隙結構等因素的影響，未凍水含量與溫度之間存在復雜的非線性關系，并在凍結過程中表現出明顯的分階段特征。
2、然而，現有的凍土未凍水含量測試方法存在一些局限性。首先，大多數測試方法只能獲得離散溫度點的未凍水含量數值，難以準確描述凍結過程中未凍水含量的連續變化特征。其次，受土體結構和礦物組成的影響，測試數據往往存在一定的離散性和不確定性，需要結合多種參數進行綜合分析和修正。此外，由于凍土是一種復雜的多相介質，其熱參數與未凍水含量之間的耦合關系尚未得到充分認識，缺乏有效的預測方法。
技術實現思路
1、本申請提供了一種基于神經網絡的凍土未凍水含量檢測模型構建方法及系統，用于通過建立熱參數與未凍水含量的映射關系，結合土體特性參數進行修正，可以解決現有技術中未凍水含量預測精度不高的技術問題。
2、第一方面，本申請提供了一種基于神經網絡的凍土未凍水含量檢測模型構建方法，所述基于神經網絡的凍土未凍水含
3、在第一方面的第一種實現方式中，所述在0℃至-20℃溫度區間內，通過分段采樣測試黏土樣本，其中第一溫度區間0℃至-5℃的采樣間隔為0.5℃，第二溫度區間-5℃至-20℃的采樣間隔為2℃，得到多維原始數據集，包括：將初始含水量設置為15%-35%，密度設置為1.5-1.8g/cm3，通過密度和含水量控制處理黏土樣本，得到待測試黏土樣本，并通過液限、塑限、顆粒級配試驗，獲取基本物理參數數據；通過溫控離心機測試所述待測試黏土樣本在0℃至-5℃區間的未凍水含量數據，并采用溫控壓力板儀測試所述待測試黏土樣本在-5℃至-20℃區間的未凍水含量數據；采用改進熱線法測試所述待測試黏土樣本在0℃至-20℃溫度區間的導熱系數數據，并采用混合量熱法測試所述待測試黏土樣本在0℃至-20℃溫度區間的比熱數據；將各溫度點的未凍水含量測試數據、導熱系數數據和比熱數據進行三次重復測試，獲取平均值數據，并將所述平均值數據與基本物理參數數據組合整理，得到多維原始數據集；采用馬氏距離法識別所述多維原始數據集中的異常數據點，獲取剔除異常值后的數據集，并通過插值法平滑所述剔除異常值后的數據集，得到連續分布的溫度-熱參數數據集；對所述連續分布的溫度-熱參數數據集中的每個參數執行歸一化處理，得到所述多維原始數據集。
4、在第一方面的第二種實現方式中，所述采用min-max標準化和主成分分析處理所述多維原始數據集，得到數值范圍在0至1區間內的規范化特征向量，包括：分別對所述多維原始數據集中的溫度值、導熱系數、比熱、未凍水含量數據執行零均值化處理，獲取均值為0的標準化數據，并通過方差歸一化處理所述標準化數據，得到標準差為1的歸一化數據；通過特征相關性分析所述歸一化數據，獲取特征相關系數矩陣，并通過特征值分解所述特征相關系數矩陣，得到特征值和特征向量；將所述特征值按照降序排列并計算累積貢獻率，確定主成分數量，并按照對應特征值大小對所述特征向量排序，得到主成分載荷矩陣；將所述歸一化數據與所述主成分載荷矩陣進行矩陣乘法運算，獲取主成分得分矩陣，并采用min-max標準化方法處理所述主成分得分矩陣，得到數值范圍在0至1區間內的初始特征向量；采用方差貢獻率加權組合所述初始特征向量，得到綜合特征指標，并通過數據分布一致性檢驗所述綜合特征指標，獲取校準后的特征指標；采用數據降維映射對所述校準后的特征指標進行坐標變換，得到規范化特征向量。
5、在第一方面的第三種實現方式中，所述基于熱參數臨界值，將所述規范化特征向量標記為未凍結階段、凍結階段、已凍結階段的三階段分類，得到具有階段屬性的訓練數據矩陣，包括：采用零交叉點分析所述規范化特征向量，獲取溫度-熱參數曲線的跳變位置數據，并通過聚類分析確定所述跳變位置數據的熱參數臨界值，得到凍結階段分界溫度數據；將所述規范化特征向量進行分段線性擬合，獲取各溫度區間內的斜率變化數據，并將所述斜率變化數據與所述凍結階段分界溫度數據進行對應關系分析，確定階段特征判別準則；依據所述階段特征判別準則對所述規范化特征向量進行數據分組，獲取未凍結階段數據子集、凍結階段數據子集和已凍結階段數據子集，并為三個數據子集分別賦予類別標識，建立帶標記的分類數據組；通過fisher判別分析所述帶標記的分類數據組，獲取各階段的區分度評分，并對所述區分度評分低于閾值的數據點執行模糊分類處理，產生階段分類修正數據；基于sigmoid函數處理所述階段分類修正數據，獲取階段邊界過渡數據，并通過概率分布分析所述階段邊界過渡數據，計算各階段的隸屬度數值；將所述隸屬度數值與所述規范化特征向量進行矩陣拼接，構建增廣特征矩陣，并通過協方差分析增強所述增廣特征矩陣特征，生成具有階段屬性的訓練數據矩陣。
6、在第一方面的第四種實現方式中，將所述訓練數據矩陣輸入深度神經網絡中進行五折交叉驗證訓練，得到含三個隱藏層且每層神經元數量分別為輸入維度的2倍、1.5倍和1倍的未凍水含量預測模型，包括：將所述訓練數據矩陣按照8:2的比例劃分為訓練集和驗證集，獲取初始訓練數據子集，并通過分層抽樣將所述初始訓練數據子集劃分為五等份，得到五組交叉驗證數據集；通過數據打亂處理所述五組交叉驗證數據集，獲取隨機排序的訓練樣本序列，并通過小批量生成器對所述訓練樣本序列進行批次劃分，得到批量訓練數據塊；在所述深度神經網絡的第一隱藏層中設置2倍輸入維度的神經元數量，建立擴維特征提取層，并通過relu激活函數將所述第一隱藏層的輸出進行非線性變換，獲取初始特征激活值；在第二隱藏層中設置1.5倍輸入維度的神經本文檔來自技高網...
【技術保護點】
1.一種基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，所述基于神經網絡的凍土未凍水含量檢測模型構建方法包括：
2.根據權利要求1所述的基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，所述在0℃至-20℃溫度區間內，通過分段采樣測試黏土樣本，其中第一溫度區間0℃至-5℃的采樣間隔為0.5℃，第二溫度區間-5℃至-20℃的采樣間隔為2℃，得到多維原始數據集，包括：
3.根據權利要求1所述的基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，所述采用Min-Max標準化和主成分分析處理所述多維原始數據集，得到數值范圍在0至1區間內的規范化特征向量，包括：
4.根據權利要求1所述的基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，所述基于熱參數臨界值，將所述規范化特征向量標記為未凍結階段、凍結階段、已凍結階段的三階段分類，得到具有階段屬性的訓練數據矩陣，包括：
5.根據權利要求1所述的基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，將所述訓練數據矩陣輸入深度神經網絡中進行五折交叉驗證訓練，得到含
6.根據權利要求1所述的基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，所述基于土體礦物組成比例系數和孔隙率特征參數，通過線性加權修正計算所述未凍水含量預測模型的輸出結果，得到修正系數補償后的未凍水含量數值，包括：
7.根據權利要求1所述的基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，所述通過均方根誤差分析和3倍標準差原則識別所述修正系數補償后的未凍水含量數值中的異常值，得到標準化預測結果，包括：
8.一種基于神經網絡的凍土未凍水含量檢測模型構建系統，用于實現如權利要求1-7中任一項所述的基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，所述基于神經網絡的凍土未凍水含量檢測模型構建系統包括：
...【技術特征摘要】
1.一種基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，所述基于神經網絡的凍土未凍水含量檢測模型構建方法包括：
2.根據權利要求1所述的基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，所述在0℃至-20℃溫度區間內，通過分段采樣測試黏土樣本，其中第一溫度區間0℃至-5℃的采樣間隔為0.5℃，第二溫度區間-5℃至-20℃的采樣間隔為2℃，得到多維原始數據集，包括：
3.根據權利要求1所述的基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，所述采用min-max標準化和主成分分析處理所述多維原始數據集，得到數值范圍在0至1區間內的規范化特征向量，包括：
4.根據權利要求1所述的基于神經網絡的凍土未凍水含量檢測模型構建方法，其特征在于，所述基于熱參數臨界值，將所述規范化特征向量標記為未凍結階段、凍結階段、已凍結階段的三階段分類，得到具有階段屬性的訓練數據矩陣，包括：
5.根據權利要求1所述的基于...
【專利技術屬性】
技術研發人員：夏錦紅，張夏，桂超，潘林，張勛程，丁飛，李遠榮，申道明，李順群，葉茂松，
申請(專利權)人：新鄉職業技術學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。