【技术实现步骤摘要】
本专利技术涉及注浆扩散，具体而言，涉及一种注浆扩散预测方法、设备和介质。
技术介绍
1、固废填埋场底部原位注浆修复属于高度隐蔽的地下施工工程，由于检测手段有限，施工人员难以准确评估修复效果和注浆质量。因此，研究人员普遍依赖理论物理模型推导，分析影响注浆扩散的因素并进行验证实验。然而，理论物理模型简化导致扩散预测效果不佳，验证实验耗时且费力。因此，开始出现利用计算流体动力学(cfd，computationalfluid dynamics)技术来进行注浆模拟以解决注浆过程中的流体流动问题，然而随着注浆仿真过程中考虑的因素增多，需要引入更多计算模块，如达西定律、多孔介质多相流、流-固耦合以及浆-土化学反应，模型的复杂度和运行时间显著增加，模型精度要求不断提高，已超出非专业计算机的处理能力，特别在超大型注浆仿真领域表现尤为明显。
2、随着神经网络的兴起，现有技术当中出现了利用神经网络进行注浆扩散预测的方法，专利cn114626287a开发了人工神经网络，预测注浆施工参数基于地层参数，但所需数据种类繁多，需大量实际工程数据支持且适用范围有限。专利cn113123330a利用神经网络基于大量施工参数和地层参数来预测注浆扩散效果，但仅适用于特定工况，需要实际工程支持。
3、为解决上述问题，本专利技术提出了基于神经网络的一种注浆扩散预测方法，使用仿真数据进行注浆扩散的神经网络预测。
技术实现思路
1、为解决现有注浆预测技术成本高、精度低和应用范围窄的问题，本专利技术提供了一
2、第一方面，本专利技术提供了一种注浆扩散预测方法，包括如下步骤：
3、构建comsol注浆模型；
4、初始化所述comsol注浆模型，并将所述comsol注浆模型网格划分；
5、基于所述comsol模型进行注浆模拟，得到第一浆液体积分数，其中，所述浆液体积分数为浆液的体积与浆液和土体孔隙总体积之比；
6、基于所述comsol注浆模型，以固定的采集频率导出注浆范围所有的浆液体积分数，并对所述浆液体积分数进行归一化处理，得到第一数据集，所述第一数据集包括注浆入口压力数据、注浆入口流量数据、土体密度数据、时间数据t以及空间位置坐标数据(x，y)，其中x为所述comsol注浆模型中浆液的横坐标，y为所述comsol注浆模型中浆液的纵坐标；
7、将所述第一数据集划分为多个训练集和多个测试集；
8、构建多种神经网络模型，使用训练集进行训练，得到多个训练好的神经网络模型；
9、将测试集输入多个所述训练好的神经网络模型，得到每个所述训练好的神经网络模型对应的浆液体积分数；
10、计算每个所述训练好的神经网络模型对应的浆液体积分数与所述第一浆液体积分数之间的平均绝对误差值和均方根误差值；
11、基于所述平均绝对误差值和所述均方根误差值得到最优的神经网络模型；
12、获取待测数据集；
13、将所述待测数据集输入所述最优的神经网络模型，得到第二浆液体积分数；
14、基于所述第二浆液体积分数得到注浆扩散情况。
15、在一些实施例中，所述构建多种神经网络模型，使用训练集进行训练，得到多个训练好的神经网络模型，包括：
16、构建rbf神经网络模型、第一bp神经网络模型、第二bp神经网络模型和第三bp神经网络模型；其中，
17、所述rbf神经网络模型径向基函数选用高斯函数；
18、所述第一bp神经网络模型、所述第二bp神经网络模型和所述第三bp神经网络模型采用输入层、输出层和隐藏层作为模型的结构，所述输出层使用线性激活函数，所述隐藏层使用tanh激活函数，所述隐藏层节点数目m是输入层神经元个数，n是输出层神经元个数，a为1～10之间的常数；
19、使用训练集对所述rbf神经网络模型、第一bp神经网络模型、第二bp神经网络模型和第三bp神经网络模型进行训练，得到训练好的rbf神经网络模型、训练好的第一bp神经网络模型、训练好的第二bp神经网络模型和训练好的第三bp神经网络模型。
20、在一些实施例中，所述将测试集输入多个所述训练好的神经网络模型，得到多个浆液体积分数，包括：
21、将测试集输入所述训练好的rbf神经网络模型，得到所述训练好的rbf神经网络模型对应的浆液体积分数；
22、将测试集输入所述训练好的第一bp神经网络模型，得到所述训练好的第一bp神经网络模型对应的浆液体积分数；
23、将测试集输入所述训练好的第二bp神经网络模型，得到所述训练好的第二bp神经网络模型对应的浆液体积分数；
24、将测试集输入所述训练好的第三bp神经网络模型，得到所述训练好的第三bp神经网络模型对应的浆液体积分数。
25、在一些实施例中，所述将测试集输入所述训练好的rbf神经网络模型，得到所述训练好的rbf神经网络模型对应的浆液体积分数，包括：
26、将所述注浆入口压力数据、注浆入口流量数据、土体密度数据、时间数据t以及空间位置坐标数据(x，y)输入所述训练好的rbf神经网络模型，得到c1(x，y，t)，其中，所述c1(x，y，t)为所述训练好的rbf神经网络模型输出的t时刻空间位置坐标(x，y)上的浆液体积分数。
27、在一些实施例中，所述将测试集输入所述训练好的第一bp神经网络模型，得到所述训练好的第一bp神经网络模型对应的浆液体积分数，包括：
28、将所述注浆入口压力数据、注浆入口流量数据、土体密度数据以及时间数据t输入所述训练好的第一bp神经网络模型，得到c(t)，其中，所述c(t)为t时刻所有空间位置上的浆液体积分数。
29、在一些实施例中，所述将测试集输入所述训练好的第二bp神经网络模型，得到所述训练好的第二bp神经网络模型对应的浆液体积分数，包括：
30、将所述注浆入口压力数据、注浆入口流量数据、土体密度数据以及空间位置坐标数据(x，y)输入所述训练好的第二bp神经网络模型，得到c(x，y)，其中所述c(x，y)为所有时刻空间位置坐标(x，y)上的浆液体积分数。
31、在一些实施例中，所述将测试集输入所述训练好的第三bp神经网络模型，得到所述训练好的第三bp神经网络模型对应的浆液体积分数，包括：
32、将所述注浆入口压力数据、注浆入口流量数据、土体密度数据、时间数据t以及空间位置坐标数据(x，y)输入所述训练好的第三bp神经网络模型，得到c2(x，y，t)，其中，所述c2(x，y，t)为所述训练好的第三bp神经网络模型输出的t时刻空间坐标位置(x，y)上的浆液体积分数。
33、在一些实施例中，每个所述训练好的神经网本文档来自技高网...
【技术保护点】
1.一种注浆扩散预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的注浆扩散预测方法，其特征在于，所述构建多种神经网络模型，使用训练集进行训练，得到多个训练好的神经网络模型，包括：
3.如权利要求2所述的注浆扩散预测方法，其特征在于，所述将测试集输入多个所述训练好的神经网络模型，得到多个浆液体积分数，包括：
4.如权利要求3所述的注浆扩散预测方法，其特征在于，所述将测试集输入所述训练好的RBF神经网络模型，得到所述训练好的RBF神经网络模型对应的浆液体积分数，包括：
5.如权利要求3所述的注浆扩散预测方法，其特征在于，所述将测试集输入所述训练好的第一BP神经网络模型，得到所述训练好的第一BP神经网络模型对应的浆液体积分数，包括：
6.如权利要求3所述的注浆扩散预测方法，其特征在于，所述将测试集输入所述训练好的第二BP神经网络模型，得到所述训练好的第二BP神经网络模型对应的浆液体积分数，包括：
7.如权利要求3所述的注浆扩散预测方法，其特征在于，所述将测试集输入所述训练好的第三BP神经网络模型，得到所述
8.如权利要求3所述的注浆扩散预测方法，其特征在于，每个所述训练好的神经网络模型对应的浆液体积分数与所述第一浆液体积分数之间的平均绝对误差值和均方根误差值包括：所述第一浆液体积分数和所述训练好的RBF神经网络模型对应的浆液体积分数之间的第一平均绝对误差值和第一均方根误差值、所述第一浆液体积分数和所述训练好的第一BP神经网络模型对应的浆液体积分数之间的第二平均绝对误差值和第二均方根误差值、所述第浆液体积分数和所述训练好的第二BP神经网络模型对应的浆液体积分数之间的第三平均绝对误差值和第三均方根误差值、所述第一浆液体积分数和所述训练好的第三BP神经网络模型对应的浆液体积分数之间的第四平均绝对误差值和第四均方根误差值；
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1-8任一项所述的注浆扩散预测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1-8任一项所述的注浆扩散预测方法。
...【技术特征摘要】
1.一种注浆扩散预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的注浆扩散预测方法，其特征在于，所述构建多种神经网络模型，使用训练集进行训练，得到多个训练好的神经网络模型，包括：
3.如权利要求2所述的注浆扩散预测方法，其特征在于，所述将测试集输入多个所述训练好的神经网络模型，得到多个浆液体积分数，包括：
4.如权利要求3所述的注浆扩散预测方法，其特征在于，所述将测试集输入所述训练好的rbf神经网络模型，得到所述训练好的rbf神经网络模型对应的浆液体积分数，包括：
5.如权利要求3所述的注浆扩散预测方法，其特征在于，所述将测试集输入所述训练好的第一bp神经网络模型，得到所述训练好的第一bp神经网络模型对应的浆液体积分数，包括：
6.如权利要求3所述的注浆扩散预测方法，其特征在于，所述将测试集输入所述训练好的第二bp神经网络模型，得到所述训练好的第二bp神经网络模型对应的浆液体积分数，包括：
7.如权利要求3所述的注浆扩散预测方法，其特征在于，所述将测试集输入所述训练好的第三bp神经网络模型，得到所述训练好的第三bp神经...
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。