【技术实现步骤摘要】
本专利技术涉及土木工程与人工智能交叉的，具体涉及土裂隙分形维数预测，尤其涉及一种干湿循环下铅离子对土裂隙分形维数的智能预测方法。
技术介绍
1、近年来，全球范围内的矿区土壤重金属污染问题日益严重，成为亟待全球共同解决的重大问题。重金属对土壤产生的影响是多方面的，包括对土壤物理性质、化学性质、生物活性以及生态系统的影响，因此重金属对土壤性质影响的研究已经成为近年来环境领域的热点。如za对spolic technosols中长期zn和cu污染对水溶性有机质和土壤生物活性的影响进行研究；huang对土壤粒径如何影响土壤中重金属的环境行为进行深入研究；song研究干湿循环和镉污染对红黏土力学性能和组织的影响。此外，重金属污染会加剧土裂隙的形成和分布，进而诱发土壤完整性被破坏、土壤强度降低以及土壤渗透性增加等问题，对当地工程建设和长远的可持续发展构成了严重的威胁。因此，研究重金属对土裂隙的影响规律具有重要意义。
2、土壤裂隙受气候影响会经历反复的干湿循环，如降雨、地下水位的升降和地表水蒸发。rayhani等人报道了随着塑性指数和黏土含量的增加，干湿循环后土样的裂缝尺寸和渗透系数增加。lu探索干湿循环条件下的微观结构，发现干湿循环后裂隙明显呈正向增加。xu证明黄土内部裂纹在干湿循环后含盐量较高时更加发育。以往的研究中，大多数学者重点关注在干湿循环对裂隙发育的影响，但在重金属污染地区，随着干湿循环不断进行，土壤完整性被破坏，导致金属离子扩散范围增大和浓度提高，从而进一步影响裂隙的发育。因此，研究干湿循环和不同重金属离子耦合作用下土
3、随着计算机技术的迅速发展，人工智能算法凭借其自我学习和提升效率的能力，以及在降低成本方面的优势，已经成为推动推动土壤科学研究领域技术革新的关键驱动力。如prasad等人将混合智能极限学习机用于预测土壤水分；araghi基于小波人工神经网络(wavelet neural network,wnn)对地表气温的土壤温度进行预测；zhang等人提出了一种在深度学习框架下使用卷积神经网络(convolutional neural network,cnn)快速识别土壤颗粒度分布的智能方法。因此，使用人工智能算法来预测干湿循环条件下土壤裂隙参数的演化规律已成为必然趋势。而bilstm(bi-directional long short-term memory，bilstm)作为lstm(long short-term memory,lstm)的改进版，不仅继承了lstm处理序列数据的核心优势，还有效克服了其在上下文预测方面的局限。gru(gate recurrent unit,gru)则以其更少的参数和更高的效率，在预测模型中占据了重要位置。xgboost(extremegradient boosting,xgboost)以其高度的灵活性和快速的运算速度，在众多机器学习任务中表现出色。rvm(relevance vector machine,rvm)以其简洁的控制参数和高效的样本拟合能力著称，这些bilstm、gru、xgboost和rvm算法在多个领域得到了广泛的应用和验证。分形维数是研究土裂隙演化的重要参数，它为裂隙形态的定量描述、发育程度的评估、粗糙度的量化以及裂隙网络连通性的分析提供了一种有效的手段。因此构建出bilstm、gru、xgboost和rvm的分形维数智能预测模型，为研究土裂隙参数演化规律提供新的途径。然而bilstm、gru、xgboost和rvm算法的参数设置往往依赖于人工尝试，这不仅增加了主观性，也影响模型的准确性和预测能力。
技术实现思路
1、本专利技术为了解决现有技术所存在的上述技术问题，提供一种干湿循环下铅离子对土裂隙分形维数的智能预测方法，通过将pso和ssa算法应用于bilstm、gru、xgboost和rvm模型的参数优化，有效提升这些模型的精确度和预测性能。为实现高效、智能的分形维数预测提供了有力支持。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种干湿循环下铅离子对土裂隙分形维数的智能预测方法，步骤如下：
4、s1、采集样本数据进行标准化处理；
5、s2、标准化处理后的样本数据分为预测样本和训练样本；
6、s3、训练样本通过粒子群优化算法和麻雀优化算法对bilstm、gru、xgboost和rvm模型参数进行寻优，以粒子群优化算法和麻雀优化算法最优解为基础建立满足要求的土体裂隙分形维数的预测模型；
7、s4、把预测样本带入到bilstm、gru、xgboost和rvm模型参数，将得到的预测结果与实际值进行对比分形，验证模型可行性。
8、进一步的，所述粒子群优化算法步骤如下：
9、t1、初始化粒子群的位置和适应度以及速度；
10、t2、确定粒子群的最佳位置和适应度；
11、t3、当迭代次数小于最大迭代次数，使用公式(1)更新粒子的速度和位置：
12、
13、其中，w为非负的惯性因子，用于算法收敛，c1和c2为学习因子，用于调整最优权重，r1、r2是在[0,1]之间的随机数；
14、t4、计算下一代种群的适合度；
15、t5、更新粒子群的最佳位置和适合度。
16、进一步的，所述麻雀优化算法步骤如下：
17、u1、初始化麻雀种群的位置和适应度；
18、u2、对适应度值进行排序，并确定第一代发现者、追随者和侦擦者；
19、u3、当迭代次数小于最大迭代次数，对于每个发现者，i从1到dn，都生成一个随机数r2，使用公式(2)更新发现者位置：
20、
21、其中：dn是发现者数量，t是当前迭代次数，tmax是最大迭代次数，α是一个随机数且α∈(0,1],r2∈[0,1]和st∈[0.5,1]分别为预警和安全值，q是正态分布随机数，l是元素都为1的1×d矩阵；
22、u4、对于每个跟随者，i从1到fn，使用公式(3)更新追随者位置：
23、
24、其中：fn是跟随者数量，xb是发现者获得最优位置，xw表示全局最差值；a是长度为d的一维向量，a+＝at(aat)-1,当i>n/2时，意味着适应度低的麻雀非常饥饿，需要飞往其他地方觅食；
25、u5、对于每个侦擦者，i从1到vn，使用公式(4)更新侦擦者位置：
26、
27、其中：vn是侦擦者数量，xgb是当前全局最优值本文档来自技高网...
【技术保护点】
1.一种干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，步骤如下：
2.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，所述粒子群优化算法步骤如下：
3.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，所述麻雀优化算法步骤如下：
4.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，步骤S1中，通过公式(5)进行标准化处理：
5.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，还包括以下步骤：通过公式(6)对预测结果的均方误差进行分析：
6.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，还包括以下步骤：通过公式(7)对预测结果的均方根误差进行分析：
7.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，还包括以下步骤：通过公式(8)对预测结果的平均绝对值误差进行分析：
8.如权利要求1所述的干湿循环下铅离子对土
9.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，步骤S1中，通过下列步骤进行样本数据采集：
10.如权利要求9所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，步骤S1.3中，选定两项关键性指标：裂隙面积与分形维数；裂隙面积定义为裂隙在二维平面上的投影面积；分形维数用于量化具有自相似特征的复杂几何结构；通过盒维数法测定土体裂隙图案分形维数，该方法的计算如式(10)：
...【技术特征摘要】
1.一种干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，步骤如下：
2.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，所述粒子群优化算法步骤如下：
3.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，所述麻雀优化算法步骤如下：
4.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，步骤s1中，通过公式(5)进行标准化处理：
5.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，还包括以下步骤：通过公式(6)对预测结果的均方误差进行分析：
6.如权利要求1所述的干湿循环下铅离子对土裂隙分形维数的智能预测方法，其特征在于，还包括以下步骤：通过公式(7)对预测结果的均方根误差进行分析...
【专利技术属性】
技术研发人员：陈鸿宾，李佳明，唐北昌，张树光，刘文博，黄翔，张研，唐世斌，李彬，黄寿军，刘欣雨，
申请(专利权)人：桂林理工大学，
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。