System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于CNN-BiLSTM-ATTENTION的DCM桩抗压强度预测方法技术_技高网

一种基于CNN-BiLSTM-ATTENTION的DCM桩抗压强度预测方法技术

技术编号:43058968 阅读:5 留言:0更新日期:2024-10-22 14:39
本发明专利技术提供了一种基于CNN‑BiLSTM‑ATTENTION的DCM桩抗压强度预测方法,适用于地基加固DCM桩施工领域;本发明专利技术的一种基于CNN‑BiLSTM‑ATTENTION的DCM桩抗压强度预测方法包括数据收集和预处理、特征提取、捕获数据时序依赖关系、引入注意力机制、模型评估与调整以及模型应用与维护;通过卷积神经网络提高了模型的特征提取能力,通过双向长短期记忆网络分别处理前向和后向的序列数据信息,获取更全面的上下文信息以应对DCM桩成桩过程中突遇岩石等障碍物时特殊处理后的抗压强度预测,并且通过注意力机制让模型专注于数据的重要特征部分,对长序列数据的处理更加高效,可广泛的应用于地基加固施工前的DCM桩抗压强度预测。

【技术实现步骤摘要】

本专利技术涉及一种基于cnn-bilstm-attention的dcm桩抗压强度预测方法,适用于地基加固dcm桩施工领域。


技术介绍

1、在地基加固领域,深层水泥搅拌桩(dcm)技术因其良好的地基加固性能而被广泛应用,尤其是近些年在堤坝、港口等水上结构工程中。目前的实际工程中,dcm桩的承载性能评估仍依赖于现场钻芯取样试验,不仅实施过程繁琐而且成本高昂,同时钻芯取样试验结果适用的是大面积一般地质条件下的dcm桩施工结果,无法涵盖到施工中突遇岩石等障碍物时特殊处理后的dcm桩抗压强度评估。

2、随着人工智能技术的飞速发展,上述问题在支持向量机(svm)、相关向量机(rvm)和长短期记忆网络(lstm)这些监督学习算法应用于dcm桩的抗压强度预测得到解决。然而svm和rvm处理高维特征和小样本问题方面展现出一定的优势,但这些方法在处理时间序列数据和捕捉输入间动态依赖关系方面的局限性非常明显,在实际项目突遇岩石等障碍物时特殊处理后预测精度会大幅降低。lstm解决了处理时间序列数据前后依赖关系局限性问题,提高了地质条件突变的特殊处理后预测精度,在但在特征提取能力和前后数据的双向依赖关系捕获上有所欠缺。

3、因此,需要一种既能处理序列数据双向依赖关系、提高预测方法应变能力,又能保证出色的特征提取能力的dcm桩抗压强度预测方法。


技术实现思路

1、本专利技术的目的,是为了解决svm和rvm无法处理时间序列数据和捕捉输入间动态依赖关系,而lstm欠缺特征提取能力和前后数据的双向依赖关系捕获能力的问题,提出了一种基于卷积神经网络(cnn)-双向长短期记忆网络(bilstm)-注意力机制(attention)的dcm桩抗压强度预测方法,具有预测精度高、预测方法应变能力强、计算复杂度低的优点,可广泛的应用于地基加固施工前的dcm桩抗压强度预测。

2、本专利技术的目的可以通过采取如下技术方案达到:

3、s101,数据收集和预处理;

4、所述数据收集和预处理,包括在施工期间,通过综合土工测试收集土壤特性数据——有机质含量、塑性指标、剪切强度,以及dcm桩施工的详细参数,如搅拌速率、搅拌深度、贯入速率、喷水流量、喷浆流量、成桩直径、桩长、外加剂掺量、掺合料掺量和固化时间,此外,通过现场取芯试验获得实际dcm桩的抗压强度测量值;去除异常值、重复值和错误记录,统一数据格式,并采用归一化方法将数据范围缩放至[0,1]区间,随后,将整理后的数据分割为一系列时间序列样本,其中每个样本包含特定时间窗口内的数据,接着将数据样本划分为训练集和测试集;

5、s102,特征提取;

6、所述特征提取,包括将训练集样本数据输入卷积神经网络,利用卷积层内的神经元对训练集样本数据进行特征提取,提取的数据通过prelu激活函数处理后传递给池化层,由池化层进一步压缩特征、减少参数量后,再展平成一维向量后由输出层传递给双向长短期记忆网络模型;

7、s103,捕获数据时序依赖关系;

8、所述捕获数据时序依赖关系,包括采用双向长短期记忆网络对卷积神经网络特征提取后的数据进行时序依赖关系的捕获,所述双向长短期记忆网络包括前向长短期记忆网络和后向长短期记忆网络,所述前向长短期记忆网络根据序列数据从前往后的顺序,通过遗忘门决定细胞状态中删除的信息量,通过输入门决定输入信息中需要被更新的部分,通过输出门决定当前隐藏状态的输出信息,计算过程如式(1)~(6),然后所述后向长短期记忆网络根据序列数据从后往前的顺序进一步挖掘时序数据过去与未来的内在联系,计算过程与前向长短期记忆网络相同,将双向长短期记忆网络的当前隐藏状态输出信息进行融合;

9、ft=σ(wf[ht-1,xt]+bf)      (1)

10、it=σ(wi[ht-1,xt]+bi)     (2)

11、c't=tanh(wc[ht-1,xt]+bc)      (3)

12、ot=σ(wo[ht-1,xt]+bo)     (4)

13、

14、式中,ft为遗忘门当前时间步的遗忘向量,it为输入门当前时间步的输入权重向量,c't为候选细胞状态,ot为输出门当前时间步的输出权重向量,ct为当前时间步的细胞状态,ht为当前时间步隐藏状态,wf为遗忘门的权重矩阵,wi为输入门的权重矩阵,wc为候选细胞状态的权重矩阵,wo为输出门的权重矩阵,ht-1为上一时间步隐藏状态,xt为当前时间步输入,bf为遗忘门的偏置,bi为输入门的偏置,bc为候选细胞状态的偏置,bo为输出门的偏置,ct-1为上一时间步的细胞状态,σ为sigmoid激活函数,tanh为双曲正切激活函数,表示逐元素相乘,表示逐元素相加;

15、s104,引入注意力机制;

16、所述引入注意力机制,包括在双向长短期记忆网络计算得到当前隐藏状态的输出信息ht后经过注意力层式(7)得到输出s,然后使用反向误差传播对注意力层的权重参数进行调整;

17、

18、s105,模型评估与调整;

19、所述模型评估与调整,包括选取平均绝对误差和均方误差作为评价指标,使用测试集数据样本对模型进行评估,通过调整归一化方法,卷积层数量、大小,双向长短期记忆网络层数、每层神经元数量、时间步长以及注意力分数函数,得到不同的评价指标,对比评价指标,选择预测值与实际值更接近以及预测性能更稳定的参数组合;

20、s106,模型应用与维护;

21、所述模型应用与维护,包括将训练好的模型应用与实际工程项目中,根据模型预测的dcm桩抗压强度值与实际试验获取的dcm桩抗压强度值对比,评估模型的应用预测效果,采用实际工程数据对模型进行再训练,更新模型参数。

22、进一步的,在步骤s103中,所述当前隐藏状态输出信息进行融合包括前向长短期记忆网络隐藏状态输出信息和后向长短期记忆网络隐藏状态输出信息的逐元素相加。

23、本专利技术的有益效果是:通过卷积神经网络提高了模型的特征提取能力,通过双向长短期记忆网络分别处理前向和后向的序列数据信息,获取更全面的上下文信息以应对dcm桩成桩过程中突遇岩石等障碍物时特殊处理后的抗压强度预测,并且通过注意力机制让模型专注于数据的重要特征部分,对长序列数据的处理更加高效;具有预测精度高、预测方法应变能力强、计算复杂度低的优点,可广泛的应用于地基加固施工前的dcm桩抗压强度预测。

本文档来自技高网...

【技术保护点】

1.一种基于CNN-BiLSTM-ATTENTION的DCM桩抗压强度预测方法,其特征在于,所述方法包括以下步骤:

2.根据权利要求1所述的一种基于CNN-BiLSTM-ATTENTION的DCM桩抗压强度预测方法,其特征在于:步骤S103中,所述当前隐藏状态输出信息进行融合包括前向长短期记忆网络隐藏状态输出信息和后向长短期记忆网络隐藏状态输出信息的逐元素相加。

【技术特征摘要】

1.一种基于cnn-bilstm-attention的dcm桩抗压强度预测方法,其特征在于,所述方法包括以下步骤:

2.根据权利要求1所述的一种基于cnn-bilstm-att...

【专利技术属性】
技术研发人员:王雪刚林美鸿沈文耿何丽平滕超
申请(专利权)人:中交四航工程研究院有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1