[发明专利]一种基于深度学习的砂土液化判别方法及装置

说明书

本发明公布了一种基于深度学习的砂土液化判别方法及装置，其主要特征是：选取影响砂土液化的主要影响因素，收集大量的实例因素数据集，利用Matlab软件对数据集进行预处理，把处理后的数据集分为三部分，分别为训练集、验证集和测试集，并依次输入深度学习模型DBNs中，依次用于特征学习、参数微调、结果检验，结果检验合格之后导入待判别样本数据集，系统会自动判别出结果，结果对应为砂土液化或未液化。其装置主要包括：厂家设置板块和用户运用板块。本发明的实施例提供一种基于深度学习的砂土液化判别方法及装置的流程示意图，本发明实施例能够体现砂土液化判别的准确性和灵活性问题，能够为砂土液化预测和防治提供依据。

技术领域

本发明是一种基于深度学习的砂土液化判别方法及装置，涉及砂土液化影响因素、Matlab软件操作与编程和深度学习技术等相关领域。

背景技术

砂土液化是指砂土在地震引起的循环往复载荷作用下土层内空隙水压升高，有效应力降低，造成地基承载力的部分或全部丧失的现象。地震引起的砂土液化可诱发高速滑坡、地基失稳和沉陷等现象，会造成建筑物严重破坏和人员大量伤亡，因此，开发一种可以准确判别砂土的液化状态具有重要的现实意义。

关于对砂土地震液化的判别研究由来已久，国内外学者基于各自的研究领域和认识角度分别提出了不同的判别方法，但由砂土介质的多样性和地震荷载的随机性，使得砂土液化的各种影响因素和砂土液化势之间呈高度的非线性，传统的经验法选取的影响因素不够全面且某些参数的确定具有主观性，因此在不同地区砂土液化势判别中存在着较大的误差。

随着计算机技术的快速发展，人工智能的深度学习算法的研究应用也得到了快速发展。近些年，深度学习技术被广泛应用于图像识别领域、语言识别领域、视频分析领域、文本分析领域和大数据分析领域，并取得了极大成功。深度学习利用大数据特征学习时，在挖掘数据潜在、丰富的内在信息关系领域有着很强的优势，采用深度学习技术进行砂土液化的判别是可行的，可为砂土液化判别提供一种新的思路和判别方法。

基于深度学习技术的砂土液化判别方法，是将影响砂土液化的主要因素数据集预处理后输入深度学习模型中，确定模型的参数并检验模型的可靠性，然后导入待判别样本数据集，模型会准确地进行判别。因此，基于深度学习的砂土液化判别方法及装置是能够可靠获取判别结果，其给工程实际带来的效益是巨大的。

发明内容

本发明实施例采用一种基于深度学习的砂土液化判别方法及装置，利用该方法及装置能够可靠地进行砂土状态的判别，建立满足复杂的岩土工程需求的自适应深度学习的分析处理模型，本发明提供的一种基于深度学习的砂土液化判别方法及装置，包括：

1.判别方法原理包括：步骤一，选取工程实际中容易获得和确定的且与液化关系密切、有较强分辨能力的因素，选取了，震级、研究深度、震中距、标贯击数、地下水位和地震持续时间；步骤二，根据选取的6个因素收集大量实例数据集；步骤三，利用Matlab工具设置好程序对数据集进行预处理，比如数据归一化；步骤四，把处理后的数据集分为三部分，分别为训练集、验证集和测试集，约占全部数据集的50％、20％、30％；步骤五，把三部分数据集依次输入建立好的深度学习模型DBNs中，训练集用于深度学习模型进行拟合训练和特征提取，初步确定模型参数；验证集用于对模型的参数进行微调；测试集用于检验模型判别的效果，设置一个生产标准，如装置判别正确率达95％以上才可生产；步骤六，根据用户指令在DBNs中导入待判别样本数据集；步骤七，系统会自动判别出结果，结果对应为砂土液化或未液化；其装置主要包括：厂家设置板块和用户运用板块。

2.判别方法为：选取影响砂土液化的因素，收集实例数据集并用Matalb软件预处理后输入深度学习模型DBNs中，利用深度学习技术拟合训练，自学数据特征，导入待判别样本数据集后，系统会根据模型参数判别出样本的结果。