首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

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

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:中交四航工程研究院有限公司;中交第四航务工程局有限公司

摘要:本发明提供了一种基于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。

主权项: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:S101,数据收集和预处理;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;S102,特征提取;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;S103,捕获数据时序依赖关系;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;ft=σwf[ht-1,xt]+bf1it=σwi[ht-1,xt]+bi2C't=tanhwc[ht-1,xt]+bc3Ot=σWo[ht-1,xt]+bo4 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;S104,引入注意力机制;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; S105,模型评估与调整;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;S106,模型应用与维护;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。

全文数据:

权利要求:

百度查询: 中交四航工程研究院有限公司 中交第四航务工程局有限公司 一种基于CNN-BiLSTM-ATTENTION的DCM桩抗压强度预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。