【技术实现步骤摘要】
本专利技术涉及深度学习。
技术介绍
1、岩土工程三轴试验是研究土体和岩石力学特性的核心手段之一，其测试结果直接影响到岩土工程设计的可靠性和安全性。在三轴试验中，试样的端部摩擦效应是影响测试结果准确性的关键问题之一。传统的加载方式通常会在试样端部产生较大的滑动摩擦，从而导致试样的应力和应变分布不均匀，影响试验结果的真实性。
2、为了解决这一问题，cn118883231a提出了一种岩土工程三轴压缩试验主动展开式控制端头装置，如图1、图2、图3、图4所示，装置结构包括：圆形承载基底，用于承载其他零部件装置并设有相应的滑动部件；导轨系统，包含多组导轨块和若干精密滚珠，导轨块可在圆形承载基底上沿半径方向运动；滑块系统，包括围绕基底圆心沿半径方向设置的多圈滑块，滑块与导轨块配合，滑块之间设有耐压弧形橡胶膜；滑块主动控制系统，包括微型伺服电机、碳纤维传力杆、传感器、控制单元等。该装置通过将试样与加载头之间的滑动摩擦转化为滑块与滚珠之间的滚动摩擦，并结合伺服控制实现对滑块的主动控制，从而更好地贴合试样在大变形过程中的运动规律。然而，伺服控制系统在实际应用中存在一定的局限性，尤其是在面对复杂、多变的加载条件时，难以实时、准确地响应试样的动态变化，从而可能导致试样应力应变状态的偏差。
3、随着深度学习技术的快速发展，其在模式识别、预测控制等领域展现出卓越的性能，并在诸多工程实践中取得了显著成效。深度学习模型能够通过对海量历史数据的学习，捕捉复杂系统中的潜在规律，从而在实时控制过程中做出更加精确的预测与响应。
4、
技术实现思路
1、为了解决岩土工程三轴压缩试验中端部摩擦效应导致试验结果不准确的问题，本专利技术提供了一种基于深度学习模型的主动展开式端头装置优化控制方法，具体为一种基于卷积神经网络（cnn）与长短期记忆网络（lstm）混合模型的主动展开式端头装置优化控制方法。通过引入深度学习技术，特别是结合cnn和lstm的优势，本专利技术突破了传统伺服控制在复杂、非线性和多变的加载条件下响应不及时的限制，实现了对试验中滑块的实时高精度控制，实现对端部摩擦效应的更全面消除，从而大幅提升试验结果的准确性和可靠性。
2、为实现上述技术目的，本专利技术通过以下技术方案实现：
3、一种基于深度学习模型的主动展开式端头装置优化控制方法，所述主动展开式端头装置包括：圆形承载基底，用于承载其他零部件装置并设有相应的滑动部件；导轨系统，包含多组导轨块和若干精密滚珠，导轨块可在圆形承载基底上沿半径方向运动；滑块系统，包括围绕基底圆心沿半径方向设置的多圈滑块，滑块与导轨块配合，滑块之间设有耐压弧形橡胶膜；滑块主动控制系统，包括微型伺服电机、传力杆、传感器、控制单元；其特征在于，控制方法的实施步骤包括：
4、步骤1：传感器布置与数据采集；
5、步骤2：数据预处理以及数据集建立；
6、步骤3：cnn-lstm混合模型的构建；
7、步骤4：cnn-lstm混合模型的训练；
8、步骤5：cnn-lstm混合模型验证与优化；
9、步骤6：模型部署与实时控制: 将经过验证和优化的cnn-lstm混合模型部署在主动展开式端头装置的滑块主动控制系统中，实现对滑块运动的实时高精度控制。
10、本专利技术的优点和有益效果：
11、本专利技术通过引入cnn-lstm混合模型，对主动展开式端头装置的滑块运动进行了精准的实时控制，有效解决了岩土工程三轴压缩试验中端部摩擦效应导致的试验结果不准确问题。具体效果如下：
12、（1）滑块控制精度显著提升
13、本专利技术通过深度学习模型，实现对滑块运动的实时高精度控制，显著减少摩擦效应对试验数据的影响。采用本专利技术的方法后，滑块位移控制的标准偏差从原来的±5 μm降低到±2 μm，速度控制的误差从±0.2 mm/s降低到±0.05 mm/s。这种高精度的控制确保了滑块与试样在大变形全过程中的同步性，显著减少了端部摩擦效应对试验结果的影响，试样在大变形全过程中的应力应变分布均匀性提高了约15%至20%。
14、（2）系统自适应性和鲁棒性增强
15、cnn-lstm混合模型具备强大的学习能力，能够适应不同类型的岩土材料和多变的加载条件。在不同实验条件下，cnn-lstm混合模型通过不断的学习和更新，确保滑块主动控制系统在各种加载条件下的优异控制效果。实际应用表明，系统响应时间缩短了约30%，控制精度提高了约25%。
16、（3）实验效率的提升
17、由于滑块主动控制系统能够实时对滑块进行精确控制，减少了因摩擦效应导致的实验误差，从而减少了重复实验的需求，提高了实验效率。具体表现为单次试验时间缩短了约20%，试验周期大大缩减，实验人员能够更快速地获取高精度的实验数据，优化整个实验过程。
18、（4）适用范围的扩展
19、本专利技术的方法不仅适用于传统的岩土材料试验，还能够适应不同种类和形状的试样，以及不同的加载条件。这使得该方法在各种复杂工程试验中具有广泛的应用前景，拓展了岩土工程试验的应用范围。
20、（5）安全性和稳定性得到保障
21、滑块主动控制系统内置异常检测和故障保护机制，确保试验过程的安全性和系统运行的稳定性。当cnn-lstm混合模型预测值超出安全范围或系统发生异常时，系统能够及时发出警报并停止滑块运动，防止试样损坏或设备故障。长时间运行测试表明，系统在连续运行48小时内无故障，满足实际工程应用的需求。
22、（6）推动岩土工程试验技术的发展
23、本专利技术将深度学习技术与岩土工程试验相结合，开创了基于智能控制的试验方法。通过精确的滑块运动控制，能够更深入地研究岩土材料在复杂应力状态下的力学行为，为岩土工程的设计、分析和施工提供更加可靠的试验数据和科学依据，推动了岩土工程试验技术的发展。
本文档来自技高网...【技术保护点】
1.一种基于深度学习模型的主动展开式端头装置优化控制方法，所述主动展开式端头装置包括：圆形承载基底，用于承载其他零部件装置并设有相应的滑动部件；导轨系统，包含多组导轨块和若干精密滚珠，导轨块可在圆形承载基底上沿半径方向运动；滑块系统，包括围绕基底圆心沿半径方向设置的多圈滑块，滑块与导轨块配合，滑块之间设有耐压弧形橡胶膜；滑块主动控制系统，包括微型伺服电机、传力杆、传感器、控制单元；其特征在于，控制方法的实施步骤包括：
2.如权利要求1所述的一种基于深度学习模型的主动展开式端头装置优化控制方法，其特征在于，所述步骤1：
3.如权利要求1所述的一种基于深度学习模型的主动展开式端头装置优化控制方法，其特征在于，所述步骤2：
4.如权利要求1所述的一种基于深度学习模型的主动展开式端头装置优化控制方法，其特征在于，所述步骤3：
5.如权利要求1所述的一种基于深度学习模型的主动展开式端头装置优化控制方法，其特征在于，所述步骤4：
6.如权利要求1所述的一种基于深度学习模型的主动展开式端头装置优化控制方法，其特征在于，所述步骤5：p>
7.如权利要求1所述的一种基于深度学习模型的主动展开式端头装置优化控制方法，其特征在于，所述步骤6：
...【技术特征摘要】
1.一种基于深度学习模型的主动展开式端头装置优化控制方法，所述主动展开式端头装置包括：圆形承载基底，用于承载其他零部件装置并设有相应的滑动部件；导轨系统，包含多组导轨块和若干精密滚珠，导轨块可在圆形承载基底上沿半径方向运动；滑块系统，包括围绕基底圆心沿半径方向设置的多圈滑块，滑块与导轨块配合，滑块之间设有耐压弧形橡胶膜；滑块主动控制系统，包括微型伺服电机、传力杆、传感器、控制单元；其特征在于，控制方法的实施步骤包括：
2.如权利要求1所述的一种基于深度学习模型的主动展开式端头装置优化控制方法，其特征在于，所述步骤1：
3....
【专利技术属性】
技术研发人员：黄雨，刘侃侃，罗森林，王华进，张云秋，张锋，叶斌，毛无卫，
申请(专利权)人：同济大学，
类型：发明
国别省市：
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。