边坡稳定性预测方法及程序产品与流程
本发明涉及计算机处理,具体涉及一种边坡稳定性预测方法及程序产品。
背景技术:
1、边坡稳定性评估是岩土工程领域的核心问题之一,直接关系到基础设施的安全性与经济性。随着人工智能技术的快速发展,基于数据驱动的边坡稳定性预测方法逐渐成为研究热点,其中以神经网络、支持向量机等为代表的机器学习模型因无需显式建立力学模型、能够从大量历史案例中自动学习输入特征与稳定性状态之间的复杂映射关系而受到广泛关注。
2、然而,现有数据驱动方法普遍存在模型可能输出违反基本力学规律结果的问题,例如在某些参数组合下出现“黏聚力增大反而预测为不稳定”、“坡高降低反而预测稳定性下降”等物理悖论,严重影响了模型的可靠性和科学性。这些问题产生的根源在于,纯数据驱动模型仅从统计相关性出发进行学习,缺乏对边坡稳定性背后物理机制的显式理解和约束,导致其在数据稀疏区域或外推场景下的预测结果可能出现偏差,甚至与经典力学理论相矛盾。
3、因此,如何在保留数据驱动方法高效学习能力的同时,有效融入经过工程验证的物理知识,提升模型的可解释性和力学一致性,成为当前边坡稳定性智能预测领域亟待解决的关键技术问题。
技术实现思路
1、针对现有技术存在的不足,本发明提出一种边坡稳定性预测方法及程序产品,可以改善传统边坡稳定性预测方式存在预测结果可靠性不足的问题。
2、为实现上述技术目的,本技术采用的技术方案如下:
3、第一方面,本技术实施例提供了一种边坡稳定性预测方法,包括:
4、获取第一特征参数和第二特征参数,所述第一特征参数表征待测边坡的稳定性指标,所述第二特征参数表征基于历史观测边坡的稳定性指标的统计分布采样生成的虚拟边坡样本的稳定性指标;
5、将所述第一特征参数和所述第二特征参数作为节点,构建异质图;
6、对所述异质图进行注意力特征提取,得到所述第一特征参数对应的第一节点特征,以及所述第二特征参数对应的第二节点特征;
7、根据所述第一节点特征和所述第二节点特征,确定边坡稳定性预测结果,所述边坡稳定性预测结果包括稳定性预测概率和预测安全系数。
8、结合第一方面,在一些可选的实施方式中,获取第一特征参数和第二特征参数,包括:
9、获取所述待测边坡的第一稳定性指标参数,以及所述虚拟边坡样本的第二稳定性指标参数,作为初始参数集;
10、对所述初始参数集中的各稳定性指标参数进行标准化,得到所述第一特征参数和所述第二特征参数。
11、结合第一方面,在一些可选的实施方式中,所述节点包括真实节点和虚拟节点;
12、将所述第一特征参数和所述第二特征参数作为节点,构建异质图,包括:
13、利用预设经验安全系数计算公式,确定每个所述节点的安全系数;
14、将所述第一特征参数作为所述真实节点,所述第二特征参数作为所述虚拟节点,根据所述真实节点和所述虚拟节点,确定每个所述节点的有向边;
15、根据每个所述有向边两端的所述节点的安全系数,确定所述有向边的物理相似度因子;
16、根据所述节点、所述有向边和所述物理相似度因子,构建得到所述异质图。
17、结合第一方面,在一些可选的实施方式中,将所述第一特征参数作为所述真实节点,所述第二特征参数作为所述虚拟节点,根据所述真实节点和所述虚拟节点,确定每个所述节点的有向边,包括:
18、对于每个所述真实节点,根据所述真实节点的所述第一特征参数,确定当前真实节点与其他真实节点之间的第一欧氏距离;
19、根据所述第一欧氏距离,从所述其他真实节点中确定所述当前真实节点的第一邻居节点;
20、确定从所述当前真实节点指向所述第一邻居节点的边为第一有向边,并添加一个从所述当前真实节点指向当前真实节点自身的第一自环边;
21、根据所述安全系数,确定所述当前真实节点的安全系数与各虚拟节点的安全系数之间差值的绝对值,作为第二距离;
22、根据所述第二距离,从所述各虚拟节点中确定所述当前真实节点的第二邻居节点;
23、确定从所述当前真实节点指向所述第二邻居节点的边为第二有向边;
24、对于每个所述虚拟节点,根据所述虚拟节点的所述第二特征参数,确定当前虚拟节点与其他虚拟节点之间的第三欧氏距离;
25、根据所述第三欧氏距离,从所述其他虚拟节点中确定所述当前虚拟节点的第三邻居节点;
26、确定从所述当前虚拟节点指向所述第三邻居节点的边为第三有向边,并添加一个从所述当前虚拟节点指向当前虚拟节点自身的第二自环边。
27、结合第一方面,在一些可选的实施方式中,对所述异质图进行注意力特征提取,得到所述第一特征参数对应的第一节点特征,以及所述第二特征参数对应的第二节点特征,包括:
28、对所述异质图中的所述节点进行线性映射,得到初始隐藏特征;
29、对于每个节点,在第l层异质图卷积层中,对第l-1层的隐藏特征进行多头注意力运算,得到多个注意力系数;其中,l=1,…,l,l表示异质图卷积层的总层数,第0层的隐藏特征为所述初始隐藏特征,第l层的隐藏特征为所述每个节点在第l层异质图卷积层的节点特征;
30、利用所述多个注意力系数对所述每个节点的邻居节点的所述第l-1层的隐藏特征进行加权融合,得到融合特征;
31、对所述每个节点的各不同边类型的所述融合特征进行求和,得到所述每个节点在第l层异质图卷积层的节点特征;将最后一层异质图卷积层输出的所述真实节点的节点特征作为所述第一节点特征,将最后一层异质图卷积层输出的所述虚拟节点的节点特征作为所述第二节点特征。
32、结合第一方面,在一些可选的实施方式中,对于每个节点,在第l层异质图卷积层中,对第l-1层的隐藏特征进行多头注意力运算,得到多个注意力系数,包括:
33、在每个注意力头中,对于所述每个节点,确定所述每个节点对邻居节点的注意力:
34、
35、式中,表示第m个注意力头中边类型的节点对邻居节点的注意力,表示三种不同边类型,表示节点的邻居节点集合,表示带泄漏线性修正单元,表示第m个注意力头中边类型t对应的可学习的注意力向量,m表示注意力头的索引,m=1,…,m,m表示注意力头的数量,表示第m个注意力头中边类型对应的可学习权重矩阵,表示向量拼接,、分别表示节点和节点对应的第l-1层的隐藏特征(l=1时,第0层的隐藏特征即为所述初始隐藏特征),表示物理调节因子,,表示预设调节强度,表示物理相似度因子,所述物理调节因子用于对所述注意力进行调制;
36、利用所述物理调节因子对所述注意力进行调制并归一化,得到注意力系数:
37、
38、式中,表示第m个注意力头中边类型的节点对邻居节点的注意力系数,表示节点与其邻居节点之间的物理调节因子,表示以自然常数为底的指数函数。
39、结合第一方面,在一些可选的实施方式中,利用所述多个注意力系数对每个节点的邻居节点的所述第l-1层的隐藏特征进行加权融合,得到融合特征,包括:
40、利用所述多个注意力系数对所述每个节点的邻居节点的所述第l-1层的隐藏特征进行加权求和,得到求和结果,并将不同注意力头的求和结果进行拼接,得到所述融合特征:
41、
42、式中,表示第l层异质图卷积层中边类型的节点的融合特征,表示向量拼接,表示注意力头的数量,上标m表示第m个注意力头对应的量,表示relu激活函数,表示邻居节点j在第l-1层的隐藏特征(l=1时为所述初始隐藏特征),表示第m个注意力头中边类型t的节点i对邻居节点j的注意力系数,表示第m个注意力头中边类型t对应的可学习权重矩阵。
43、结合第一方面,在一些可选的实施方式中,各节点之间通过有向边连接,所述有向边包括第一有向边、第二有向边和第三有向边;
44、对所述每个节点的各不同边类型的所述融合特征进行求和,得到所述每个节点在第l层异质图卷积层的节点特征,包括:
45、对于所述每个节点,对所述第一有向边、所述第二有向边和所述第三有向边对应的所述融合特征进行求和,得到所述每个节点在第l层异质图卷积层的节点特征:
46、
47、式中,表示节点在第l层异质图卷积层的节点特征,、和分别表示节点在第一有向边、第二有向边和第三有向边对应的融合特征;对于所述每个节点不存在的边类型,将该边类型对应的所述融合特征置为零向量。
48、结合第一方面,在一些可选的实施方式中,对所述异质图进行注意力特征提取,得到所述第一特征参数对应的第一节点特征,以及所述第二特征参数对应的第二节点特征,是通过预设预测网络实现的;
49、所述预设预测网络的损失函数如下:
50、
51、式中,表示预设预测网络的损失函数,表示分类损失,表示知识蒸馏损失,表示软标签辅助损失,表示预设的蒸馏损失权重,表示预设软标签权重。
52、第二方面,本技术实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的方法。
53、采用上述技术方案的发明,具有如下优点:
54、在本技术提供的技术方案中,首先获取第一特征参数和第二特征参数,第一特征参数表征待测边坡的稳定性指标,第二特征参数表征基于历史观测边坡的稳定性指标的统计分布采样生成的虚拟边坡样本的稳定性指标,并将第一特征参数和第二特征参数作为节点,构建异质图。然后对异质图进行注意力特征提取,得到第一特征参数对应的第一节点特征,以及第二特征参数对应的第二节点特征。最后根据第一节点特征和第二节点特征,确定边坡稳定性预测结果,边坡稳定性预测结果包括稳定性预测概率和预测安全系数。如此,将由满足力学规律的经验公式赋予安全系数的虚拟边坡样本作为先验知识,指导基于第一特征参数的稳定性预测,确保稳定性预测过程中的力学一致性,改善传统边坡稳定性预测方式存在预测结果可靠性不足的问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com