知识引导与数据驱动融合的静力触探土层自动划分方法与流程
本发明涉及岩土工程土层划分领域,具体涉及一种知识引导与数据驱动融合的静力触探土层自动划分方法。
背景技术:
1、地下土层划分是岩土工程勘察阶段的核心任务,直接关系到结构与基础设施的规划、设计与施工安全。静力触探试验(cone penetration test,cpt)因操作简便、误差小、重复性高、经济性好,被广泛用于获取地下土层剖面。cpt可沿深度连续采集锥尖阻力、侧壁摩阻等参数,形成贯入曲线,为地层划分提供充足信息。然而,受搬运介质、沉积环境等多因素影响,土体呈现显著的非均质性与空间变异性,导致cpt贯入曲线离散度高、波动性强,给基于曲线特征的自动分层带来挑战。工程实践通常依赖经验型人工判读并对薄层进行合并,但该过程耗时、主观性强且标准不一,难以在大规模项目中保持一致性。为此,亟需一种兼具客观性、鲁棒性与通用性的自动识别方法,以提升分层一致性、降低人力依赖并提高勘察成果可靠性,从而更好支撑工程设计优化与施工风险控制。
2、近年来,国内外学者围绕cpt土层自动划分提出了多种数据驱动方法,主要包括统计分析与机器学习两类路径。在统计分析方面,林军等利用组内相关系数与修正的bartlett检验开展cpt数据统计分析,提出识别均质土层边界的力学分层方法,并通过实测数据验证其在揭示主、次级分层界面方面的有效性;ching等采用小波变换模极大值技术实现土层分界点检测。在机器学习方面,蔡国军等基于聚类分析构建了cpt土层划分方法;cai等采用广义回归神经网络,以修正后的锥尖阻力与孔隙水压力为输入,实现土体类别的自动分类;carvalho等通过集成多种机器学习模型,并在多个具有代表性的cpt数据集上测试不同特征组合,系统评估了各算法在土类分类任务中的性能。
3、上述方法通过学习专家标注或历史工程数据,能够在推理阶段快速输出一致、可复制的分层结果,显著降低人为差异并提升效率。但现有方法多将cpt样本视为相互独立,较少显式刻画其沿深度方向的连续性与序列依赖。事实上,cpt贯入曲线本质上是随深度演化的序列数据,蕴含明显的空间与层序演进特征;采用具备时间依赖建模能力的深度神经网络(如双向循环网络)对贯入数据建模,有望更有效挖掘内部结构,提高分层精度与边界识别稳定性。同时,单一数据驱动范式往往依赖数据质量与规模,在复杂工况下面临数据稀疏、异质性及可解释性不足等问题,泛化能力受限。将地质勘察知识以规则与先验的形式显式融入模型,对学习过程进行约束与引导,可在保证效率的同时提升模型的可解释性与跨场地适应性。因此,基于知识-数据双驱动的cpt土层自动划分方法成为推动地层识别智能化与工程落地的关键发展方向。
技术实现思路
1、为解决现有技术中存在的问题,本发明提出一种知识引导与数据驱动融合的静力触探土层自动划分方法。该方法将地质工程经验规则与深度学习的时序建模相结合,在保证工程可解释性的同时,提高分层精度与跨场地泛化能力。
2、为实现上述目的本发明是这样实现的,一种知识引导与数据驱动融合的静力触探土层自动划分方法,
3、包括以下步骤:
4、s1、数据采集及预处理:采集静力触探贯入数据及经质量控制的人工分层结果;以钻孔为单位划分训练集和测试集;对输入参数采用统一缩放系数进行等比例缩放,将其取值范围限定于0~1之间,并保持不同参数之间原有的数值比例关系、相对大小关系以及曲线间相对位置关系不变;
5、s2、知识驱动的特征提取:基于工程经验,采用多尺度滑动窗口对所述静力触探贯入数据进行特征提取,提取的至少包括局部统计特征以及形态/相对关系特征,形成信息化时序特征集;
6、s3、模型构建:构建以双向长短期记忆网络为主体的多任务学习框架,该框架同时输出目标深度点为土层分界点的概率以及对应土层类别的概率分布;在所述多任务学习框架的主网络前端嵌入知识驱动规则层,所述知识驱动规则层用于依据工程经验建立的特征-土层对应关系生成软标签,所述软标签与来自人工分层结果的真实标签联合对模型训练进行监督;
7、s4、模型训练:利用所述训练集的时序特征,并结合真实标签及由知识驱动规则层生成的软标签,对步骤s3构建的多任务学习框架进行端到端训练,得到土层自动划分模型;
8、s5、自动划分与结果融合:将所述测试集的时序特征输入训练完成的土层自动划分模型,得到初步划分结果;对同一深度点在多次预测中的结果进行融合处理,得到最终的土层划分与分界点识别结果。
9、进一步优选的,步骤s2中,所述多尺度滑动窗口至少包括用于提取局部统计特征的第一滑动窗口和用于提取形态/相对关系特征的第二滑动窗口,其中第一滑动窗口的窗口长度小于第二滑动窗口的窗口长度;所述局部统计特征包括滑动窗口内分别对锥尖阻力、侧壁摩阻及摩阻比计算的均值、标准差及斜率。
10、进一步优选的,所述形态/相对关系特征至少包括基于锥尖阻力曲线计算的起伏度f1、突峰强度h、以及基于锥尖阻力与侧壁摩阻曲线计算的相对位置rmean与交替频率rcross。
11、进一步优选的,步骤s3中,步骤s3中,所述知识驱动规则层依据工程经验分别构建与各输入特征对应的规则响应函数,用于表征不同特征对不同土层类别的贡献程度;其中,锥尖阻力曲线起伏度
f、锥尖阻力曲线突峰强度
h和锥尖阻力与侧壁摩阻曲线的交替频率
rcross对应的规则响应函数采用sigmoid型可学习门控函数,其参数在模型训练过程中自适应更新;锥尖阻力与侧壁摩阻曲线的相对位置
rmean对应的规则响应函数采用基于指示函数的条件调节函数。
12、进一步优选的,对所述真实标签进行比例缩放,并利用所述知识驱动规则层中各规则响应函数的输出,获得各特征对相应土层类别的规则贡献系数,对缩放后的标签进行调制。
13、进一步优选的,步骤s3中,所述多任务学习框架的损失函数为联合损失函数,其至少包括由所述真实标签监督产生的分类损失项、由所述软标签监督产生的知识蒸馏损失项以及分界点检测损失项。
14、进一步优选的,步骤s3中,所述多任务学习框架包括依次连接的1至4层bi-lstm层、注意力层以及归一化层;所述多任务学习框架的输出层包括采用sigmoid激活函数的边界概率输出分支和采用softmax激活函数的土层类别概率输出分支。
15、进一步优选的,步骤s5中,所述融合处理采用软投票和/或概率加权平均的方式,对同一深度点在多个重叠预测窗口中的土层类别概率及分界点概率进行融合;并根据预设的概率阈值确定最终的分界点位置。
16、进一步优选的,步骤s1中,所述静力触探贯入数据至少包括由双桥静力触探探头直接测得的锥尖阻力和侧壁摩阻,以及根据所述锥尖阻力和侧壁摩阻计算得到的摩阻比。
17、进一步优选的,步骤s1中,所述预处理还包括:对所述静力触探贯入数据进行单位统一处理,以及对异常值和缺失值进行处理。
18、本发明具有的有益效果:
19、本发明提出的知识引导与数据驱动融合的静力触探土层自动划分方法,通过将工程经验规则与深度学习建模有机结合,实现了对土层类别与分界点的高效、精准识别,具有以下显著技术效果:
20、1、提升分层精度与一致性:通过多尺度滑动窗口提取兼具局部统计与整体形态的特征,并利用双向长短期记忆网络(bi-lstm)对贯入曲线进行时序建模,充分挖掘深度方向的结构依赖关系,显著提高了土层分类与边界识别的准确性。实验表明,本方法在土层分类与分界点检测方面的性能均优于传统随机森林与深度神经网络等方法,分层结果更加稳定可靠。
21、2、增强模型可解释性与工程可信度:通过在主网络前端引入知识驱动规则层,将工程经验以规则响应函数和软标签的形式嵌入模型训练过程,使判别边界更符合实际地层分布规律,提升了模型的透明度和可解释性,便于工程师理解与采纳。
22、3、具有良好的跨场地泛化能力:软标签与真实标签的联合监督机制,以及知识引导的特征提取策略,有效降低了模型对特定场地数据的依赖,使其在未见过的工程项目中仍能保持较高的识别精度与适应性,适用于不同地质条件下的规模化勘察应用。
23、4、大幅提升勘察效率与质量控制水平:本方法实现了从数据到剖面的端到端自动划分,显著减少了人工判读的时间和主观差异,有利于在大型项目中实现快速、一致的地层剖面生成,为岩土工程设计与施工提供了高效、可靠的技术支持。
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