【技术实现步骤摘要】
本专利技术涉及岩土，具体为基于bi-lstm融合cbam深度学习的的岩土应力应变方法。
技术介绍
1、土体是岩土工基础设施的载体，确定土体在荷载条件下的非线性力学响应，对基础设施的设计和施工具有重要意义。由于土体复杂内部结构和多样的组成成分，土体在外部荷载作用下具有复杂的非线性变形特征；确定土体的非线性力学行为对目前描述土体非线性力学行为的数学模型称为本构模型；根据研究方法的不同，土体本构模型可以分为传统理论模型和神经网络本构模型。传统本构模型通常将土体视为连续介质，基于多种理想化假设，近似描述土体非线性的应力应变关系，或多或少地偏离了土体实际的应力应变行为；在特定条件下，能够较好地描述某一种土体的特定应力应变行为，例如修正剑桥模型能够描述砂土的剪胀，但无法描述黏土的蠕变特性；而为使模型描述更多土体非线性特征，高级本构模型增加模型的特征参数，这些没有明确的物理意义，造成参数标定的困难，引发参数优化问题，更好地解决岩土工程问题，而神经网络方法为数据驱动方法，直接从土体的应力应变数据中提取土体的非线性应力应变特性，方法简单，普适性强，易于推广。
技术实现思路
1、本专利技术提供了基于bi-lstm融合cbam深度学习的的岩土应力应变方法，具备方法简单，普适性强，易于推广的优点，解决了上述
技术介绍
中的问题。
2、本专利技术提供如下技术方案：基于bi-lstm融合cbam深度学习的的岩土应力应变方法，其方法步骤如下：
3、s1、建立原始数据集，并对数据进行预处理，使
4、
5、其中，x表示原始数据，x*表示标准化后的数据，xmin和xmax分别表示该特征的最小值和最大值；
6、s2、通过bi-lstm建立深度学习模型；
7、s3、通过cbam注意力机制搭载注意力模块；
8、s4、模型训练，其训练步骤包括：
9、a、参数的初始化：权重、学习率等这些参数都需要被设定，才能够被正确地应用到模型中；
10、b、确立损失函数以及设定停止条件：损失函数是一种重要的学习准则，它可以用来衡量一个网络的性能，常与优化量有关系，使用均方差损失函数来计算它们之间的均方差，其计算公式见下式：
11、
12、其中，n为输入序列的长度，为模型的预测值，yi为真实值；
13、c、通过应用adam优化器，可以有效地优化模型中的权重参数和偏置参数；
14、d、通过对参数和函数的精心调整，可以实现一个有效的网络训练过程，即根据预先设定的训练次数，不断地调整模型的参数，直至达到某一特定的阈值，这样，即使没有达到预期的训练次数，模型也能够在满足该阈值时停止运行，在3次epoch之后，如果损失函数仍未显著改善，则该深度学习模型将被终止。
15、优选的，所述s2中bi-lstm采用rnn及其变体lstm对数据信息进行处理，其具有双向结构，所述lstm的基本架构由五个部分组成：输入xt、输出ht、更新门it、遗忘门ft、输出门ot，其中：
16、遗忘门ft的表达式见下式：
17、ft＝σ(wf*[ht-1,xt]+bf)
18、更新门it的表达式见下式：
19、it＝σ(wi*[ht-1,xt]+bi)
20、c't＝tanh(wc*[ht-1,xt]+bc)
21、ct＝ft*ct-1+it*c't
22、输出门ot的表达式见下式：
23、ot＝σ(wo*[ht-1,xt]+bo)
24、ht＝ot*tanh(ct)。
25、本专利技术具备以下有益效果：
26、1、该基于基于bi-lstm融合cbam深度学习岩土应力应变方法，通过应用adam优化器能够有效地优化模型中的权重参数和偏置参数，从而达到最小化损失的目的，同时通过对模型进行训练，可以获得一个有效的模型，并利用这些模型来评估它们的能力，以便与其他模型进行比较，采用此方法能够克服理论模型采用多种假设、普适性较差及高级模型参数标定困难的缺陷。
27、2、该基于bi-lstm融合cbam深度学习的岩土应力应变方法，通过将岩土应力应变的数据信息采用双向结构进行处理，能够同时处理前向信息和后向信息，大大提高了模型性能，此方法能够克服传统神经网络方法未考虑土体应力应变行为时间相关特性的缺陷。
本文档来自技高网...【技术保护点】
1.基于基于Bi-LSTM融合CBAM深度学习岩土应力应变方法，其方法步骤如下所示：
2.根据权利要求1所述的基于Bi-LSTM融合CBAM深度学习岩土应力应变方法，其特征在于：所述S2中Bi-LSTM采用RNN及其变体LSTM对数据信息进行处理，其具有双向结构，所述LSTM的基本架构由五个部分组成：输入xt、输出ht、更新门it、遗忘门ft、输出门ot，其中：
【技术特征摘要】
1.基于基于bi-lstm融合cbam深度学习岩土应力应变方法，其方法步骤如下所示：
2.根据权利要求1所述的基于bi-lstm融合cbam深度学习岩土应力应变方法，其特征在于...
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。